使用二进制 Portia 蜘蛛优化算法和快速 mRMRMR 的新型混合特征选择
Bibhuprasad Sahu1, Amrutanshu Panigrahi2, Abhilash Pati2
1Department of Information Technology, Vardhaman College of Engineering (Autonomous), Hyderabad 501218, Telangana, India.
Bioengineering (Basel, Switzerland)
|March 28, 2025
概括
这项研究引入了一种新的机器学习方法,用于准确的癌症分类,达到99.79%的准确性. 这种方法增强了早期癌症诊断,并改善了患者的预后.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 生物信息学是一种生物信息学.
背景情况:
- 癌症死亡率正在上升,突出了对准确的早期诊断的关键需求,以改善患者的治疗结果.
- 应用于原发性癌症数据集的机器学习算法显示出实现诊断准确性的前景.
- 现有的诊断方法需要加强,以应对癌症死亡率日益增长的挑战.
研究的目的:
- 开发一种利用机器学习的创新癌症分类技术.
- 提高癌症诊断的准确性和效率,以获得更好的预后.
- 解决当前诊断方法在打击癌症死亡率上升方面的局限性.
主要方法:
- 一种新的癌症分类技术,将快速的最小冗余-最大相关性 (mRMR) 特性选择与二进制Portia蜘蛛优化算法 (BPSOA) 结合起来.
- 使用快速的mRMR和BPSOA,优化选定的功能.
- 使用各种分类器验证优化特征:支持矢量机,加权支持矢量机,极端梯度增强,自适应增强和随机森林.
主要成果:
- 拟议的FmRMR-BPSOA方法在六个具有挑战性的癌症数据集上实现了最高的分类准确率99.79%.
- 经验分析证实了开发模型的有效性和高性能.
- 结果表明,与现有方法相比,分类效率更高.
结论:
- 拟议的FmRMR-BPSOA模型为癌症诊断提供了一种高效和精确的方法.
- 这种先进的技术对现实世界的医疗应用和改善患者存活率具有重大前景.
- 这项研究强调了开发先进的计算工具,以准确及时检测癌症的重要性.
