使用机器学习和可解释的人工智能检测乳腺癌
Tharunya Arravalli1, Krishnaraj Chadaga2, H Muralikrishna3
1Department of Electronics and Communication Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, Karnataka, 576104, India.
Scientific reports
|July 24, 2025
概括
机器学习模型使用患者数据准确识别乳腺癌. 可解释的人工智能揭示了关键的诊断因素,随机森林获得了84%的F1得分,改善了临床决策.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 乳腺癌是一个重大的全球健康问题,其特点是恶性细胞的不受控制的增殖.
- 发病率不断上升,需要在早期检测和准确诊断方面取得进展.
- 环境和遗传因素有助于乳腺癌的发展.
研究的目的:
- 用机器学习分类器来准确识别乳腺癌.
- 将可解释的人工智能 (XAI) 纳入模型解释性.
- 确定影响乳腺癌预测的关键诊断特征.
主要方法:
- 在患者诊断特征上使用各种机器学习分类器.
- 集成的XAI技术包括SHAP,LIME,ELI5,Anchor和QLattice.
- 使用F1分数等指标评估模型性能.
主要成果:
- 随机森林分类器实现了最高的性能,F1得分为84%.
- 一个堆叠的合奏模型表现出强的表现,F1得分为83%.
- XAI方法提供了对驱动模型预测因素的见解.
结论:
- 由XAI增强的机器学习显示出在协助乳腺癌诊断方面具有显著的潜力.
- 可解释模型可以减少诊断错误,并支持临床决策.
- 这种方法为更透明和可靠的癌症检测提供了一条途径.
