使用机器和现代深度学习模型预测和诊断乳腺癌

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 乳腺癌仍然是妇女死亡的主要原因,特别是在发展中国家.
• 早期检测和准确的诊断对于改善生存率至关重要.
• 人工智能 (AI),机器学习 (ML) 和深度学习 (DL) 为提高乳腺癌预测和诊断提供了有前途的工具.

研究的目的:

• 为了比较各种传统机器学习和现代深度学习模型对乳腺癌的诊断效果.
• 确定最准确,最可靠的乳腺癌预测和诊断模型.

主要方法:

• 对传统的机器学习分类器 (k-NN,梯度提升,SVM,天真贝叶斯,SGD,树,CN2规则诱导器) 和深度学习模型 (神经决策森林,MLP) 的比较分析.
• 利用来自UCI的威斯康星诊断数据集进行评估,确保透明度和可重复性.
• 采用Orange和Python工具进行模型实现和绩效评估.

主要成果:

• 渐变增强和CN2规则诱导器显示出比SVM更高的精度和灵敏度.
• 在ROC曲线分析中,CN2规则诱导器实现了0.98%的AUC得分.
• 多层感知器 (MLP) 显示出卓越的性能,AUC-ROC为0.9959,准确率为96.49%,精度为96.57%,回忆率为96.49%,F1-Score为96.50%.

结论:

• 在传统模型中,CN2规则诱导器和梯度提升是有效的.
• 来自深度学习的多层感知器 (MLP) 显示了乳腺癌检测的最高整体诊断性能.