灰优化和多层感知器用于增强肺癌分类

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 机器学习在医疗保健中的应用

背景情况:

• 肺癌对全球健康构成重大挑战,需要准确的诊断和分期,以获得有效的治疗和预后.
• 计算方法,特别是机器学习,对于提高肺癌分类精度变得越来越重要.
• 特性选择是机器学习中的关键步骤,用于处理复杂的数据集并提高模型性能.

研究的目的:

• 评估Greylag Goose Optimization (GGO) 算法的有效性,以改进肺癌分类的特征选择.
• 将GGO的性能与其他二进制优化算法进行比较,以提高分类准确度.
• 评估GGO作为改善肺癌诊断的工具的潜力.

主要方法:

• 应用了包括缩放,规范化和差距因素处理在内的数据准备技术.
• 灰斑优化 (GGO) 算法用于肺癌分类中的特征选择.
• 使用了一种混合方法,将GGO与多层感知器 (MLP) 模型相结合.
• 使用威尔科克森签名等级测试和ANOVA进行统计分析以验证结果.

主要成果:

• 与其他二进制优化算法相比,GGO算法在特征选择方面表现出卓越的性能.
• 混合GGO + MLP模型实现了肺癌的高分类准确率98.4%.
• 统计分析和图形说明证实了拟议方法的充分性和效率.

结论:

• 格雷拉格优化 (GGO) 算法有效地选择了肺癌分类的最佳特征.
• GGO + MLP混合模型显示出对准确和高效的肺癌诊断具有显著的前景.
• 这种计算方法在肺癌检测和管理领域提供了宝贵的进步.