使用深度学习和梯度多向优化器提高乳腺癌诊断:一种强大的生物医学数据分析方法.

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 计算生物学 计算生物学

背景情况:

• 乳腺癌 (BC) 是妇女死亡的主要原因,需要改进早期检测方法.
• 计算机辅助诊断 (CAD) 系统,特别是使用深度学习 (DL) 的系统,显示出准确的BC诊断的前景.
• 当前的DL训练优化器 (基于梯度的和元启发式的) 通常在局部最佳状态下停滞不前,从而限制了模型的性能.

研究的目的:

• 为DL模型提出混合优化算法,将梯度搜索与多向优化器 (MVO) 结合起来.
• 开发一个深度神经网络 (DNN) 用于BC诊断,并通过新型混合算法进行优化.
• 评估提议的优化器在提高DL模型准确性和BC检测的融合速度方面的有效性.

主要方法:

• 开发了一个混合优化器,将梯度搜索集成到多层优化器 (MVO) 中.
• 一个三层隐藏深层神经网络 (DNN) 经过训练,使用了用于BC诊断的拟议混合优化器.
• 在威斯康星州乳腺癌数据集 (WBCD) 和威斯康星州乳腺癌诊断数据集 (WDBC) 上进行了实验验证.

主要成果:

• 拟议的混合优化器在传统的梯度式和元启发式方法上表现出优异的性能.
• 通过混合方法优化的DL模型实现了高精度 (93.5%在WBCD上,96.73%在WDBC上) 与快速收 (6时代).
• 在两个数据集上都记录了特殊的性能指标,包括高灵敏度,特异性,精度,F1得分和MCC.

结论:

• 拟议的混合优化算法有效地解决了DL训练中的局部最佳停滞问题,用于高维空间.
• 这项研究显著推进了乳腺癌的CAD系统,提供了更准确,更有效的诊断工具.
• 开发的优化器显示了在各种医疗保健应用中增强医疗分类任务的巨大潜力.