使用具有多属性决策系统和深度学习模型的机器学习分类器检测肺癌

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 呼吸系统医学 呼吸系统医学

背景情况:

• 慢性呼吸道疾病源于呼吸道和肺部疾病,通常是由烟草烟雾,环境污染物和儿童感染引起的.
• 通过医学图像分析早期检测肺部疾病对于有效的患者治疗至关重要.
• 分类肺部X射线图像和识别特定疾病,如Atelectasis,透,结节和肺炎,有助于诊断.

研究的目的:

• 为了将肺部X射线图像分类为良性或恶性.
• 为了识别特定的恶性肺部疾病,包括Atelectasis,透,结节和肺炎.
• 为了比较机器学习 (ML) 和深度学习 (DL) 模型对肺部疾病分类的有效性.

主要方法:

• 利用机器学习 (ML) 方法与顺序偏好与理想解决方案相似的技术 (TOPSIS) 结合起来,以对分类器进行排名.
• 提出了深度学习 (DL) 模型Inception v3用于肺部X射线图像分析.
• 评价和排名支持向量机 (SVM) 带有辐射基函数 (RBF) 作为一流的ML分类器.

主要成果:

• 在评估的ML方法中,带有辐射基函数 (RBF) 的支向量机 (SVM) 被确定为最佳分类器.
• 深度学习 (DL) 模型Inception v3实现了97.05%的卓越精度.
• 与相同数据集上的ML方法相比,DL方法的准确性提高了11.8%.

结论:

• 深度学习模型,特别是Inception v3,与传统的ML方法相比,在X射线图像上对肺部疾病的分类提供了显著更高的准确性.
• 整合ML和DL技术为早期和准确检测各种肺部疾病提供了一个强大的框架.
• 肺部X射线的准确分类有助于及时诊断和治疗计划的慢性呼吸道疾病患者.