新型组合学习方法与SVM输入的ADASYN功能,用于增强宫癌预测
1Department of Medical Laboratory Technology (MLT), Faculty of Applied Medical Sciences, King Abdulaziz University, Rabigh, Saudi Arabia.
PloS one
|January 10, 2024
概括
这项研究引入了一种用于检测宫癌的自动化系统,该系统有效地处理使用ADASYN和SVM归算的缺失数据. 这种新的方法实现了99.99%的准确性,改善了早期检测和患者护理.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 宫癌是女性死亡的主要原因之一,特别是在发展中国家.
- 通过巴氏涂片图像进行早期检测至关重要,但由于数据集中缺少数据而受到阻碍.
- 现有的自动化系统在数据归算方面遇到了困难,这限制了它们的有效性.
研究的目的:
- 开发一种自动化宫癌检测系统,可稳定处理缺失的数据.
- 提高用于宫癌诊断的机器学习模型的准确性和可靠性.
- 为在资源有限的环境中提高诊断性能提供一种新的方法.
主要方法:
- 实现了整合三个机器学习模型的投票分类器.
- 使用的支持矢量机 (SVM) 输入器用于缺失值输入.
- 使用自适应合成采样 (ADASYN) 进行特征采样.
- 集成的卷积神经网络 (CNN) 产生的功能来增强模型的能力.
主要成果:
- 实现了卓越的性能指标:99.99%的准确性,精度,回忆和F1分数.
- 与现有方法相比,在各种场景中表现出更高的疗效.
- 拟议的模型有效地缓解了宫癌数据集中缺少数据所带来的挑战.
结论:
- 开发的自动化系统为宫癌检测提供了高度准确的解决方案.
- 这种方法显著提高了诊断能力,帮助医疗从业者在早期检测.
- 这些发现有可能通过改进查和干预来减少宫癌的全球负担.
