通过堆叠组合和深度学习集成来提高乳腺癌预测
1Department of Management Information Systems, Faculty of Economics and Administrative Sciences, Karadeniz Technical University, Trabzon, Turkey.
PeerJ. Computer science
|March 10, 2025
概括
这项研究通过将机器学习组合模型与深度学习模型相结合,增强了乳腺癌诊断. 堆叠组合技术,特别是使用CNN作为元预测器,提高了早期检测的准确性和效率.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 乳腺癌是全球重要的健康问题,需要在早期检测方面取得进展.
- 机器学习和深度学习对于提高癌症诊断准确性和效率越来越重要.
研究的目的:
- 通过堆叠组合技术评估乳腺癌诊断的集体和深度学习模型.
- 通过综合建模,提高乳腺癌预测的准确性和效率.
主要方法:
- 评估组合方法 (随机森林,XGBoost,LightGBM,ExtraTrees,HistGradientBoosting,AdaBoost,梯度提升,CatBoost) 用于乳腺癌的诊断.
- 分析了深度学习模型 (CNN,RNN,GRU,BILSTM,LSTM) 作为元预测器.
- 实现了堆叠组合方法,将基准预测器与CNN元预测器集成在一起.
主要成果:
- 卷积神经网络 (CNN) 显示出高精度和快速训练时间,适合实时应用.
- 将LightGBM,ExtraTrees,CatBoost与CNN相结合的堆叠集成模型实现了高精度,F1得分和ROC AUC.
- 与单个模型相比,拟议的方法显著减少了培训时间.
结论:
- 堆叠组合模型将组合方法与CNN集成,为提高乳腺癌诊断提供了一个强大的工具.
- 这种方法显示了医疗保健决策支持系统的巨大潜力,提高了诊断准确性和效率.
- 这些发现为优化乳腺癌诊断和管理策略提供了宝贵的见解.
