BC-QNet:用于乳腺癌诊断的量子注入ELM模型
Anas Bilal1, Azhar Imran2, Xiaowen Liu1
1College of Information Science and Technology, Hainan Normal University, Haikou, 571158, China; Key Laboratory of Data Science and Smart Education, Ministry of Education, Hainan Normal University, Haikou, 571158, China.
Computers in biology and medicine
|May 5, 2024
概括
这项研究引入了一种混合极端学习机器 (ELM) 模型与量子遗传二元灰狼优化器 (Q-GBGWO) 进行了增强的乳腺癌分类,在检测正常,良性和恶性瘤方面实现了高精度.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 准确的乳腺癌诊断对于有效治疗至关重要.
- 目前的自动化乳房学分类方法面临着局限性.
- 需要改进的自动化方法来早期检测乳腺癌.
研究的目的:
- 开发一种创新的混合模型,使用乳房扫描数据进行增强的乳腺癌分类.
- 通过一种新的混合方法来优化特征提取和分类准确性.
- 改进现有的自动化乳房学分类技术.
主要方法:
- 开发了一种混合模型,将极端学习机器 (ELM) 与FuNet转移学习相结合.
- 一个增强的量子遗传二进制灰狼优化器 (Q-GBGWO) 被集成到 ELM 框架内.
- 采用了特征融合策略,以优化从MIAS数据集中提取特征.
主要成果:
- 该Q-GBGWO-ELM模型实现了高分类准确度:96.54% (正常),97.24% (良性),98.01% (恶性).
- 该模型在所有类别中表现出高灵敏度 (高达97.75%) 和特异性 (高达98.16%).
- 对比评估显示,与其他优化技术相比,性能优越.
结论:
- 拟议的Q-GBGWO-ELM模型代表了自动化乳腺癌分类的重大进展.
- 整合特征融合和优化的ELM参数可以提高诊断准确度.
- 这种方法有望改善早期乳腺癌检测和患者的治疗结果.
更多相关视频
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.3K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K