基于人工智能的分类器和优化特征减小技术对乳腺癌诊断的比较性能评估

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 生物信息学是一种生物信息学.

背景情况:

• 乳腺癌 (BC) 是全球死亡的主要原因.
• 目前的诊断方法复杂,需要专业的执行.
• 早期检测对于降低乳腺癌死亡率至关重要.

研究的目的:

• 研究机器学习 (ML) 算法的乳腺癌 (BC) 诊断和预后的有效性.
• 使用人工智能提高癌症检测准确度和患者存活率.
• 在诊断过程中减少人为错误和脆弱性.

主要方法:

• 实现ML算法:支持矢量机 (SVM),K-最近邻居 (KNN),决策树 (DT),随机森林 (RF) 和灰狼优化器 (GWO).
• 使用混矩阵,接收器操作特征 (ROC) 曲线和平行坐标图进行性能评估.
• 在UCI和SEER数据集上进行验证;应用特征减少技术,如mRMR,ReliefF和PCA.

主要成果:

• GWO-SVM模型表现出卓越的性能,准确率为99.1%.
• 在评估的算法中,SVM被确定为最准确的分类器.
• 减轻ReliefF特征实现了98.2%的最大精度.

结论:

• 机器学习,特别是GWO-SVM,为乳腺癌预后提供了高度准确和高效的方法.
• 人工智能驱动的诊断工具可以显著改善早期检测和患者的结果.
• 像ReliefF这样的特征减少技术有效地提高了用于BC检测的ML模型性能.