针对慢性人类疾病预测的特征选择的增强和高效方法:乳腺癌研究
Munish Khanna1, Law Kumar Singh2, Kapil Shrivastava2
1School of Computing Science and Engineering, Galgotias University, Greater Noida, Gautam Buddh Nagar, India.
Heliyon
|March 11, 2024
概括
本研究引入了一种使用计算机辅助诊断系统优化算法的新特征选择方法. 这种方法显著提高了分类瘤的准确性,帮助医疗专业人员.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 计算机辅助诊断 (CAD) 系统通过分析复杂的生物数据来增强医疗决策.
- 对于CAD系统来说,有效的特征选择 (FS) 对于准确分类高维生物医学数据和提高分类准确性至关重要.
- 生物医学数据中的无关或冗余特征给机器学习 (ML) 模型带来了挑战.
研究的目的:
- 提出和评估一种新的特征选择方法,用于在机器学习驱动的CAD系统中对生物医学数据进行分类.
- 研究基于软计算的优化算法的有效性,特别是基于学习的教学优化 (TLBO) 和大象群优化 (EHO),用于疾病预测中的特征选择.
- 通过识别和利用最具信息性的功能来提高CAD系统的分类性能.
主要方法:
- 开发了一种特征选择 (FS) 技术,集成了三个软计算优化算法:TLBO,EHO和两者的混合.
- 拟议的方法应用于威斯康星州诊断乳腺癌 (WDBC) 数据集,用于分类良性和恶性瘤.
- 使用五倍交叉验证来确保可靠的评估和减轻过度装配,使用准确度,灵敏度,特异性,精度,AUC和F1得分等指标评估性能.
主要成果:
- 拟议的特征选择方法在WDBC数据集上实现了97.96%的最大分类准确性.
- 该研究证明了TLBO,EHO和混合优化算法的有效性,用于解决疾病预测的特征选择挑战.
- 开发的系统在灵敏度,特异性,精度,AUC和F1分数方面表现出很高的性能,表明了可靠的分类结果.
结论:
- 提出的特征选择方法大大提高了机器学习模型在计算机辅助诊断中的分类性能.
- 整合TLBO和EHO优化算法为生物医学数据分析中的特征选择提供了一个有希望的方法.
- 开发的临床决策支持系统为医疗从业者提供了有价值的二次意见,可能减少工作量并提高诊断效率.
