功能选择和机器学习的综合方法用于早期检测乳腺癌

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 乳腺癌是全球领先的女性癌症,早期检测对于改善生存率至关重要.
• 机器学习为早期乳腺癌预测和诊断提供了有前途的工具.
• 现有的诊断方法可以通过先进的计算方法来增强.

研究的目的:

• 开发和验证一种新的机器学习模型,用于准确和早期预测乳腺癌.
• 引入一种创新的特征选择方法,将SHAP值与RFE和随机森林集成在一起.
• 使用边界线-SMOTE1解决数据不平衡,并使用PSO优化模型超参数.

主要方法:

• 一种使用SHAP值用于随机森林 (RF) 算法的递归特征消除 (RFE) 的新特征选择方法.
• 实施边界线-SMOTE1来处理不平衡的数据集.
• 在WBCD数据集上对5个机器学习模型 (KNN,RF,LR,SVM,LightGBM) 进行了评估,这些模型使用粒子群优化 (PSO) 进行了优化.

主要成果:

• 拟议的LightGBM-PSO模型在过了26个特征后,实现了99.0%的准确性,100%的特异性和精度,97.40%的回忆,98.68%的F测量和0.9870.0的AUC.
• 10倍的交叉验证结果的准确度为0.9808.
• 基于验证的模型,开发了一个在线乳腺癌风险预测工具.

结论:

• 新的特征选择和LightGBM-PSO优化显著提高了乳腺癌预测准确度.
• 这种方法有可能提高早期诊断和改善患者的预后.
• 开发的在线工具为乳腺癌风险评估提供了实际应用.