基于多个机器学习算法的乳腺癌预测
Sheng Zhou1, Chujiao Hu2, Shanshan Wei1
1Department of Preventive Medicine, Guizhou Medical University, Guiyang, China.
Technology in cancer research & treatment
|April 9, 2024
概括
一个新的AdaBoost-Logistic算法准确地对乳腺癌进行分类,在威斯康星州数据集上达到99.12%的准确性. 这种机器学习方法为区分良性瘤和恶性瘤提供了一个精确的工具.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 机器学习在医疗保健中的应用
- 计算生物学是一种计算生物学.
背景情况:
- 全球乳腺癌发病率不断上升,需要先进的诊断工具.
- 乳腺癌仍然是女性癌症相关死亡的主要原因.
- 自动诊断系统对于早期和准确的检测至关重要.
研究的目的:
- 开发一个高精度的机器学习算法来分类乳腺癌.
- 为了分析威斯康星州乳腺癌数据集的良性和恶性病例.
- 为了比较多个机器学习算法的性能.
主要方法:
- 威斯康星州乳腺癌数据集的回顾性分析.
- 数据预处理,包括特征缩放和归算.
- 使用斯皮尔曼相关性和威尔科克森等级总和测试进行统计分析.
- 训练和评估七个机器学习算法:决策树,随机梯度下降,随机森林,支持矢量机,物流和AdaBoost.
主要成果:
- 该AdaBoost-Logistic算法实现了最高的分类准确率99.12%.
- 这个性能超过了其他六个测试的算法.
- 与以前的方法相比,开发的算法显示出更高的有效性.
结论:
- AdaBoost-Logistic算法提供了对良性和恶性乳腺癌的高度精确的分类.
- 该算法显示了在乳腺癌诊断中临床应用的巨大潜力.
- 这项研究突出了医疗数据分析中集合方法的有效性.
更多相关视频
07:41Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases
Published on: May 17, 2019
9.0K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
