对用于乳腺癌检测的机器学习算法的系统审查

科学领域:

• 在瘤学瘤学.
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 乳腺癌是一个重大的全球健康挑战,手动诊断是耗时且昂贵的.
• 目前的诊断方法缺乏标准化的预测模型,影响及时和准确的检测.
• 乳腺瘤的自动分类对于改善患者的治疗结果至关重要.

研究的目的:

• 系统地审查机器学习 (ML) 方法来将乳腺瘤分类为恶性或良性.
• 使用关键评估指标比较各种ML模型的性能.
• 确定乳腺癌诊断中的ML的局限性和未来方向.

主要方法:

• 对使用ML用于乳腺瘤分类的研究进行系统性文献综述.
• 分析包括极端梯度提升 (XGBoost),天真贝叶斯,支持向量机 (SVM),物流回归,决策树和k-最近邻居 (KNN) 的模型.
• 基于准确性,精度,回忆和F1分数的模型性能比较.

主要成果:

• 多个ML模型在分类乳腺瘤方面显示出高的诊断准确性.
• 机器学习方法可能会提高诊断的信心,加快结果的解释.
• 常见的挑战包括数据集限制,类不平衡,可解释性和可概括性.

结论:

• 机器学习为乳腺癌诊断提供了一个强大的工具,有可能提高效率和准确性.
• 解决数据,可解释性和可概括性的局限性是临床整合的关键.
• 未来的工作应该集中在开发强大的,值得信赖的和临床适用的ML诊断系统上.