一种新的双重机器学习方法,用于通过先进的特征选择和维度减少技术来检测早期乳腺癌
Suganya Athisayamani1, Tamilazhagan S2, A Robert Singh3
1Department of Computing Technologies, SRM Institute of Science and Technology, Kattankulathur, Tamil Nadu, India.
Scientific reports
|July 2, 2025
概括
三种新的双机器学习 (DML) 模型提高了乳腺癌检测的准确性. 这些模型融合了机器学习和深度学习功能,达到0.99准确度,提高了诊断性能.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 准确的乳腺癌检测对于有效的治疗和患者的治疗结果至关重要.
- 传统的机器学习方法可能会与复杂的,高维数据集作斗争.
- 整合不同的数据类型和学习方法可以提高诊断准确性.
研究的目的:
- 提出和评估三个新的双机器学习 (DML) 模型,用于增强乳腺癌检测.
- 通过功能融合,利用不同机器学习和深度学习算法的优势.
- 通过使用全面的数据集,实现乳腺癌检测的高分类性能.
主要方法:
- 开发了三种DML模型,将已建立的ML算法 (随机森林,XGBoost,LightGBM) 与深度学习 (Feedforward神经网络,人工神经网络) 结合起来.
- 采用特征融合技术,其中基准模型的输出被元分类器集成为最终预测.
- 集成的维度减小 (主要组件分析) 和特征选择以优化模型性能.
主要成果:
- 所有三个提议的DML模型都显示了乳腺癌检测准确度的显著改善.
- 这些模型有效地整合了结构化,非线性和顺序数据特征.
- 取得了0.99的令人印象深刻的准确性,突出了拟议的DML方法的有效性.
结论:
- 开发的DML模型为准确的乳腺癌检测提供了一个强大的框架.
- 功能融合和各种ML/DL技术的结合是提高诊断性能的关键.
- 这些模型对推进自动化乳腺癌查和诊断系统充满希望.
