推进乳腺癌预测:对基于原始和合成数据集的ML模型和基于深度学习的多模型合集进行比较分析

科学领域:

• 在瘤学瘤学.
• 生物医学信息学 生物医学信息学
• 数据科学数据科学数据科学

背景情况:

• 乳腺癌是一个重大的全球健康挑战,发病率和死亡率不断增加.
• 现有的诊断方法需要改进,以提高准确性和效率.

研究的目的:

• 评估和比较各种机器学习 (ML) 和深度学习 (DL) 算法用于乳腺癌诊断的性能.
• 调查合成数据生成对这些模型预测准确性的影响.

主要方法:

• 员工分层K折交叉验证用于培训和评估ML模型 (KNN,SVM,ANN,RF,XGBoost).
• 利用深度学习 (DL) 和自动机器学习 (AutoML) 组合策略.
• 在后来的阶段,应用合成数据生成技术 (高斯铜,TVAE).

主要成果:

• K-最近邻居 (KNN) 模型在原始数据集上表现出卓越的性能.
• 自动机器学习 (AutoML) 使用H2OXGBoost与合成数据实现了高预测准确度.
• 合成数据生成方法显示了提高预测性能的潜力.

结论:

• 传统的ML模型和AutoML方法都对乳腺癌预测有效.
• 合成数据可以显著提高诊断模型的性能.
• 研究结果支持在乳腺癌诊断和治疗方面加强决策.