通过机器学习算法改善乳腺癌诊断

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:

• 乳腺癌是全球女性的主要死亡原因,超过100种类型存在诊断挑战.
• 早期检测和有效的预后方法至关重要,因为每年死亡率为每10万女性19.6例 (2016-2020年).
• 机器学习 (ML) 具有提高早期诊断和预后的潜力,从而降低乳腺癌死亡率.

研究的目的:

• 评估各种机器学习算法的性能,以准确诊断乳腺癌.
• 评估使用CDP乳腺癌数据集选择的ML模型的诊断和预后能力.

主要方法:

• 评估多种机器学习算法,包括支持向量机 (SVM),决策树 (DT),随机森林 (RF),后勤回归,K-最近邻居 (KNN) 和人工神经网络 (ANN).
• 利用CDP乳腺癌数据集进行算法性能评估.
• 分析的关键绩效指标包括准确性,精度,回忆,敏感性和特异性.

主要成果:

• 这项研究系统地评估了CDP乳腺癌数据集上几种机器学习算法的性能.
• 对每个算法分析了准确性,精度,回忆,灵敏度和特异性等性能指标.
• 研究结果表明,不同ML方法在乳腺癌诊断中的比较有效性.

结论:

• 机器学习应用正在提高乳腺癌诊断的准确性.
• 通过ML提高诊断准确度有助于更早的检测,可能减轻严重的健康后果.
• 这项研究代表了将ML纳入更好的乳腺癌管理和患者结果的重要一步.