SGA驱动的特征选择和随机森林分类用于增强乳腺癌诊断:一项比较研究
Abrar Yaqoob1, Navneet Kumar Verma1, Mushtaq Ahmad Mir2
1VIT Bhopal University's School of Advanced Science and Language, Located at Kothrikalan, Sehore, Bhopal, 466114, India.
Scientific reports
|March 30, 2025
概括
这项研究引入了一种新的乳腺癌分类方法,使用海优化算法 (SGA) 进行基因选择和随机森林 (RF) 进行分类,达到99.01%的准确性.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 医疗保健中的机器学习
背景情况:
- 准确的乳腺癌分类对于有效治疗至关重要.
- 传统方法经常面临高维基因组数据和计算复杂性的挑战.
- 识别最相关的基因是提高诊断准确性和效率的关键.
研究的目的:
- 开发和评估一种新的乳腺癌分类方法.
- 利用海优化算法 (SGA) 进行最佳的基因 (特征) 选择.
- 为了提高分类准确度和减少使用随机森林 (RF) 的计算负载.
主要方法:
- 整合海优化算法 (SGA) 进行特征选择.
- 应用随机森林 (RF) 分类器在选定的信息基因子集上.
- 与线性回归 (LR),支向量机 (SVM) 和K-近邻 (KNN) 的比较分析.
主要成果:
- 拟议的SGA-RF方法使用22个基因实现了99.01%的峰值平均精度.
- 在乳腺癌分类准确性方面表现优于LR,SVM和KNN分类器.
- 在特征减少和分类性能之间表现出良好的平衡,其准确度在其他方法中从85.35%到94.33%不等.
结论:
- SGA-RF方法为乳腺癌分类提供了一个高度准确和高效的方法.
- 在癌症诊断中,SGA有效地识别关键基因,减少复杂性.
- 未来的研究可能涉及深度学习和其他元启发算法,以进一步改进.
