先进的深度学习和转移学习方法用于乳腺癌分类,使用先进的多线分类器和数据集,具有模型优化和可解释性.
Xiang Zhang1, Wei Shao2, Ming Qiu3
1Department of Information Management Center, Zhongshan Hospital Affiliated to Dalian University, Dalian, Liaoning, China.
PeerJ. Computer science
|September 24, 2025
概括
机器学习模型,包括深度神经网络和卷积神经网络,从威斯康星州乳腺癌数据集中显示出高精度的乳腺癌诊断,这表明其具有强大的临床适用性.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习 机器学习
- 生物医学数据科学 生物医学数据科学
背景情况:
- 准确的乳腺癌诊断对于有效的治疗和患者的结果至关重要.
- 机器学习为分析复杂的医学数据集提供了强大的工具.
- 威斯康星州乳腺癌数据集 (WBCD) 是评估诊断模型的广泛使用的资源.
研究的目的:
- 评估各种机器学习模型用于乳腺癌诊断的性能.
- 为了比较随机森林,XGBoost,深度神经网络 (DNN) 和卷积神经网络 (CNN) 模型的诊断准确度.
- 评估优化机器学习模型用于乳腺癌检测的临床适用性.
主要方法:
- 威斯康星州乳腺癌数据集 (WBCD) 进行了预处理,解决了缺失值和重复值.
- 数据被分为培训 (80%) 和测试 (20%) 组,保持类分布.
- 使用十倍交叉验证来评估随机森林,XGBoost和DNN模型.
- 贝叶斯超参数调整被用来优化DNN模型.
- 使用VGG16的转移学习被应用于开发CNN模型.
主要成果:
- 深度神经网络 (DNN) 实现了98.0%的准确性,在超参数调整后改进到98.9%.
- 使用VGG16转移学习的卷积神经网络 (CNN) 达到了99.3%的准确性.
- 优化的DNN和CNN模型都显示出高精度,回忆和ROC-AUC分数.
- 这些模型在区分良性和恶性乳腺癌实例方面表现出色.
结论:
- 优化深度神经网络 (DNN) 和卷积神经网络 (CNN) 模型对乳腺癌具有很高的诊断准确性.
- 这些机器学习模型展示了可靠的性能和有前途的临床适用性,用于乳腺癌诊断.
- 需要进一步验证,特别是对于CNN模型,因为潜在的域不匹配问题.