通过乳腺质量图像,机器学习和回归模型推进乳腺癌诊断
Amira J Zaylaa1, Sylva Kourtian2
1Biomedical Engineering Program, Electrical and Computer Engineering Department, Faculty of Engineering, Beirut Arab University, Debbieh P.O. Box 11-5020, Lebanon.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
人工智能 (AI) 和机器学习模型可以从细针吸收图像准确诊断乳腺癌. 支持矢量机 (SVM) 算法在将瘤分类为良性或恶性方面表现出卓越的性能.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 乳腺癌涉及不受控制的细胞生长,可能形成可以转移的瘤.
- 目前的查方法有限,特别是转移性乳腺癌.
- 先进的计算技术为诊断提供了新的可能性.
研究的目的:
- 开发和评估人工智能和机器学习模型,用于自动诊断乳腺癌.
- 使用真实患者图像数据比较不同分类器的性能.
- 为了准确区分良性和恶性乳腺瘤.
主要方法:
- 使用了真实细针吸收 (FNA) 图像的数据集.
- 实现并比较了四个分类器:支持向量机 (SVM),天真贝叶斯 (NB),k-最近邻居 (k-NN) 和决策树 (DT) -C4.5.5.
- 基于准确性,灵敏性和特异性的评估模型.
主要成果:
- 支持矢量机 (SVM) 算法实现了最高的性能.
- SVM显示了97.13%的准确性,97.5%的特异性和大约96%的灵敏度.
- SVM的表现优于其他测试的机器学习和回归模型.
结论:
- 人工智能,特别是SVM算法,显示出从FNA图像中准确有效地诊断乳腺癌的巨大潜力.
- SVM模型提供了精确的分类,区分良性和恶性瘤.
- 进一步的研究探索额外的算法和功能组合可以增强诊断能力.
