一种强大的堆叠神经网络方法,用于早期和准确的乳腺癌诊断
Xinkang Li1, Menglong Gao1, Chengyang Zhang2
1Department of Oncology, WeiFang People's Hospital, Shandong Second Medical University, Weifang, Shandong, China.
Frontiers in medicine
|November 3, 2025
概括
一个新的堆叠人工神经网络 (StackANN) 通过结合多个机器学习模型来改善乳腺癌诊断. 这种可解释的人工智能工具在检测瘤和分类亚型方面表现出高准确度.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 准确的乳腺癌诊断至关重要,但具有挑战性.
- 现有的诊断方法需要改进,以提高精度和通用性.
研究的目的:
- 开发和评估堆叠的人工神经网络 (StackANN),用于增强乳腺癌诊断的整体框架.
- 提高乳腺癌检测和分类的诊断准确性,概括性和解释性.
主要方法:
- 开发了StackANN,将六个经典的机器学习分类器与人工神经网络元学习器集成在一起.
- 使用合成少数人过量采样技术 (SMOTE) 来解决类不平衡问题,并使用夏普利添加式解释 (SHAP) 来解释问题.
- 在多个乳腺癌数据集 (WDBC,LBC,WBCD,METABRIC2) 上对StackANN进行了评估,用于诊断和亚型分类.
主要成果:
- 斯塔克ANN显著优于单个分类器和现有的混合模型.
- 实现了近乎完美的回忆和曲线下的面积 (AUC) 值.
- 特性归因分析与临床标准保持一致,突出突出恶性瘤,大小和形态.
结论:
- 在乳腺癌诊断方面,StackANN展示了强大的性能,高准确性和可解释性.
- 该模型显示了早期查,亚型分类和个性化治疗计划的潜力.
- 斯塔克安纳 (StackANN) 提供了一种临床相关的工具,用于推进乳腺癌治疗.
