使用基于哈里斯·霍克斯优化 (Harris Hawks Optimization) 的整体分类方法改善肝细胞癌的诊断

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 肝细胞癌 (HCC) 是一种流行且往往致命的肝癌,经常与肝硬化等慢性肝病有关.
• 早期发现HCC对于有效治疗和改善患者存活率至关重要.
• 机器学习系统在提高HCC诊断准确度方面表现有前途.

研究的目的:

• 为准确的肝细胞癌 (HCC) 检测提出混合机器学习方法.
• 利用哈里斯·霍克斯优化 (HHO) 算法在HCC分类中进行有效的特征选择.
• 开发一个使用包装和决策树的集体分类器,以进行可靠的HCC诊断.

主要方法:

• 一个混合机器学习模型,集成特征选择和组合分类.
• 利用哈里斯·霍克斯优化 (HHO) 算法来选择最佳的HCC相关特征.
• 实现了基于决策树的包装技术的整体分类器,结合了缺失值归算和数据规范化策略.
• 使用来自科因布拉医院和大学中心 (CHUC) 的HCC数据集验证了该方法.

主要成果:

• 拟议的混合方法在HCC检测方面表现出高性能.
• 达到了97.13%的准确性,表明了卓越的诊断能力.
• 在实验性比较中表现优于LASSO和DTPSO等既定方法.

结论:

• 开发的混合机器学习方法,利用HHO进行特征选择和集合分类器,对肝细胞癌检测有效.
• 该方法为改善HCC早期诊断和潜在患者结果提供了一个有希望的工具.
• 获得的高精度表明了这种先进的计算方法在肝癌管理中的临床实用性.