王进化 (MKE) -GA-SVM模型用于乳腺癌亚型分类
Suvobrata Sarkar1, Kalyani Mali2
1Department of Computer Science and Engineering, Dr B.C Roy Engineering College, Durgapur, West Bengal, India.
Digital health
|December 11, 2024
概括
一个新的混合元启发式机器学习模型准确地分类乳腺癌子组. 这种计算机驱动的工具可以提高诊断的准确性,从而有可能改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 生物启发的计算 生物启发的计算
背景情况:
- 乳腺癌诊断在很大程度上依赖于临床病理学数据的准确分类.
- 现有的诊断工具可以通过先进的计算方法来改进,以获得更好的临床决策.
研究的目的:
- 开发一个集成的元启发式机器学习模型,用于精确的乳腺癌亚组分类.
- 用临床病理学数据提高乳腺癌诊断的准确性.
主要方法:
- 开发了一种集成模型,将Monkey King Evolution (MKE) 用于支持向量机 (SVM) 超参数调整和遗传算法 (GA) 用于特征选择.
- 将MKE-GA-SVM模型与GA-SVM,网格搜索-SVM和SVM递归特征消除 (RFE) 等传统方法进行了比较.
- 在三个多中心数据集上使用10倍交叉验证验证模型性能,并使用F1得分,ROC AUC,MSE和对数损失等指标进行评估.
主要成果:
- 集成的MKE-GA-SVM模型在三个数据集中实现了91.4%,86.6%和75.5%的卓越分类准确度.
- 开发的模型表现优于现有的传统特征选择和超参数调方法.
- 综合性绩效评估通过各种标准指标证实了该模型的有效性.
结论:
- 这种新的生物灵感综合元启发模型显示出作为替代诊断工具的前景.
- 这种先进的模型可以帮助临床医生做出更精确的诊断决策.
- 该工具的部署可能会为乳腺癌患者带来更好的治疗结果.
