基于特征的乳腺癌检测使用卷积神经网络和特征工程
Hiba Allah Essa1, Ebrahim Ismaiel2,3, Mhd Firas Al Hinnawi4
1Department of Biomedical Engineering, Faculty of Electrical and Mechanical Engineering, Damascus University, Damascus, Syria. hiba.essa@damascusuniversity.edu.sy.
Scientific reports
|September 28, 2024
概括
这项研究引入了一种新的机器学习方法,用于使用规范化生物标志物数据检测乳腺癌 (BC). 该方法在两个数据集上实现了100%的准确性,改善了BC分类和预测.
科学领域:
- 在瘤学瘤学.
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 乳腺癌 (BC) 仍然是全球女性死亡的主要原因.
- 使用生物标志物的非侵入性检测方法正在获得BC诊断的引力.
- 机器学习 (ML) 技术正在探索使用大型生物标志物数据集改进BC分类.
研究的目的:
- 提出一个多阶段的ML方法,以加强BC分类和预测.
- 为生物标志物数据引入一种新的特征规范化技术.
- 在已建立的BC数据集上评估拟议方法的有效性.
主要方法:
- 一种涉及特征计算和对ResNet50神经网络进行排序的多阶段方法.
- 原始生物标志物值的转换为基于健康和BC样本的高斯分布的正常化值.
- 利用科伊布拉和威斯康星州的乳腺癌数据集进行验证.
主要成果:
- 在科因布拉和威斯康星的数据集上实现了100%的准确性.
- 与现有方法相比,表现出显著的性能改善.
- 拟议的规范化技术有效地减少了ML模型中错误分类的样本.
结论:
- 开发的多阶段ML方法具有正常化的特征,对乳腺癌检测非常有效.
- 规范化方法提供了通用性,提高了生物标志物分析ML技术的可靠性.
- 这种方法显示了改善非侵入性BC诊断和预测的前景.
