使用支持矢量机和粒子群优化 (SVM-PSO) 的急性淋巴细胞白血病的混合检测模型
Lama K Alsaykhan1, Mashael S Maashi2
1Department of Software Engineering, College of Computer and Information Sciences, King Saud University, Riyadh, 11451, Kingdom of Saudi Arabia.
Scientific reports
|October 8, 2024
概括
这项研究引入了一种混合机器学习模型,将支持矢量机和粒子集群优化相结合,用于准确的自动化急性淋巴细胞白血病 (ALL) 检测. 与独立方法相比,这种新方法显著提高了诊断准确度.
科学领域:
- 血液学 血液学 血液学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 白血病是导致死亡的主要原因,急性淋巴细胞白血病 (ALL) 是儿童癌症的一个重要原因.
- 及时诊断和治疗ALL至关重要,但往往会被推迟.
- 使用机器学习自动检测ALL为提高诊断效率提供了一个有希望的途径.
研究的目的:
- 开发和评估一种混合机器学习模型,用于自动检测急性淋巴细胞白血病 (ALL).
- 通过结合支持矢量机 (SVM) 和粒子优化 (PSO) 算法来提高ALL检测的准确性和性能.
主要方法:
- 开发了一个混合模型,集成SVM用于图像分类和PSO用于SVM性能增强.
- 该模型使用公开数据集 (ALL-IDB1和ALL-IDB2) 的图像进行训练和测试.
- 混合SVM-PSO方法与独立算法进行了比较,以评估其有效性.
主要成果:
- 拟议的混合SVM-PSO模型在ALL检测中表现出高精度.
- 该模型的性能优于独立算法,显示出优异的性能指标.
- 通过混合方法观察到增强的混矩阵和更高的检测率.
结论:
- 混合SVM-PSO模型在自动ALL检测方面提供了显著的进步.
- 这种机器学习方法有可能提高医疗诊断软件的质量.
- 基于ML的工具的进一步开发可以帮助更快,更准确的白血病诊断.
