早期检测和分析精确的乳腺癌,以改善诊断,使用深度监督学习来改善患者的治疗结果
Mandika Chetry1, Ruiling Feng2, Samra Babar3
1Regenerative Medicine, International Association of Stem Cell & Regenerative Medicine, New Delhi, India.
PeerJ. Computer science
|June 26, 2025
概括
这项研究表明,卷积神经网络 (CNN) 对早期乳腺癌 (BC) 检测具有更高的准确性,与传统的机器学习模型相比,在组织病理图像和诊断数据集上.
科学领域:
- 生物医学信息学是生物医学信息学.
- 计算病理学计算病理学
- 机器学习在医疗保健中的应用
背景情况:
- 早期发现乳腺癌 (BC) 对于改善患者的治疗结果和治疗疗效至关重要.
- 机器学习 (ML) 算法在分析医疗数据以用于诊断目的方面表现有前途.
- 评估各种ML模型对于确定BC检测最有效的方法至关重要.
研究的目的:
- 为了比较各种机器学习算法的性能,包括CNN,后勤回归 (LR),SVM和GNB,用于乳腺癌检测.
- 在两个不同的数据集上评估这些算法:威斯康星诊断乳腺癌 (WDBC) 和乳腺癌基因病理图像分类 (BreaKHis).
主要方法:
- 卷积神经网络 (CNN),物流回归 (LR),支持向量机 (SVM) 和高斯天真贝叶斯 (GNB) 的实施和评估.
- 分析的性能指标包括准确性,精度,回忆,F1得分,错误负面率 (FNR) 和错误遗漏率 (FOR).
- 在WDBC和BreaKH的数据集上进行了测试,以在不同数据类型上比较算法有效性.
主要成果:
- 对于BreaKHis数据集,CNN实现了92%的准确性,超过了LR (88%),SVM (90%),和GNB (84%).
- 在WDBC数据集中,LR实现了最高准确率 (97.5%),CNN达到96%,SVM达到95%,GNB达到94%.
- 在BreaKHis数据集上,CNN在最小化FNR和FOR方面表现出色,而LR在WDBC数据集上表现出色.
结论:
- 卷积神经网络 (CNN) 在准确和早期发现乳腺癌方面具有显著的潜力,特别是在组织病理图像分析方面.
- 虽然像LR这样的传统模型在特定数据集 (例如,WDBC) 上表现良好,但CNN在复杂的图像数据上显示了更广泛的适用性和更高的性能.
- 尽量减少虚假阴性仍然是一个关键因素,CNN显示有希望减少乳腺癌组织病理图像分类中的错误.
