人类肺癌的分类和综合分析使用不同的机器学习技术.
K Priyadarshini1, S Ahamed Ali2, K Sivanandam3
1Department of Electronics and Communication Engineering, K. Ramakrishnan College of Engineering, Trichy, Tamilnadu, India.
Microscopy research and technique
|September 19, 2024
概括
这项研究引入了机器学习,用于从医学图像中对肺癌进行分类. 多层感知子 (MLP) 分类器在区分恶性和良性肺癌方面表现出卓越的准确性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 肺癌是全球癌症相关死亡的主要原因之一.
- 医学成像技术如MRI,CT和X射线对于肺癌诊断至关重要.
- 从成像数据中自动分类肺癌是具有挑战性的,因为复杂的图像处理步骤.
研究的目的:
- 提出和评估用于人类肺癌自动分类的机器学习技术.
- 为了比较七种不同的机器学习分类器用于肺癌诊断的性能.
主要方法:
- 肺癌数据集被用于图像采集.
- 图像处理技术应用于输入的肺部图像.
- 七个分类器,包括k-最近的邻居 (KNN),支持向量机 (SVM),决策树 (DT),多项天真贝叶斯 (MNB),随机梯度下降 (SGD),随机森林 (RF) 和多层感知子 (MLP),用于分类.
主要成果:
- 每个分类器的性能都使用准确性,正预测值,灵敏度和f-score等指标进行了评估.
- 与其他测试的分类器相比,多层感知子 (MLP) 分类器获得了更高的准确性.
- 与KNN,SVM,DT,MNB,SGD和RF相比,MLP的准确率显著更高.
结论:
- 机器学习,特别是MLP分类器,对精确的自动肺癌分类有很大的希望.
- 拟议的方法为肺癌的诊断过程提供了潜在的进步.
- 进一步的研究可以在这些发现的基础上改进自动肺癌检测系统.
更多相关视频
相关概念视频
01:25Statistical Methods for Analyzing Epidemiological Data
316
Epidemiological data primarily involves information on specific populations' occurrence, distribution, and determinants of health and diseases. This data is crucial for understanding disease patterns and impacts, aiding public health decision-making and disease prevention strategies. The analysis of epidemiological data employs various statistical methods to interpret health-related data effectively. Here are some commonly used methods:
316
01:21Cancer Survival Analysis
331
Cancer survival analysis focuses on quantifying and interpreting the time from a key starting point, such as diagnosis or the initiation of treatment, to a specific endpoint, such as remission or death. This analysis provides critical insights into treatment effectiveness and factors that influence patient outcomes, helping to shape clinical decisions and guide prognostic evaluations. A cornerstone of oncology research, survival analysis tackles the challenges of skewed, non-normally...
331