揭露模式:对用于乳腺癌检测的机器学习方法的分析审查

科学领域:

• 在瘤学瘤学.
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 乳腺癌是全球重要的健康问题,早期发现对有效管理至关重要.
• 准确的乳腺瘤分类 (良性与恶性) 对于及时诊断和治疗计划至关重要.
• 机器学习 (ML) 在提高乳腺癌诊断准确度方面表现有前途.

研究的目的:

• 为了调查乳腺癌诊断的新兴机器学习 (ML) 方法.
• 分析基于图像细分和特征选择的分类技术.
• 确定研究缺口,并提出解决方案,以改善ML工具的临床采用.

主要方法:

• 评估各种ML模型,包括支持矢量机器 (SVM),卷积神经网络 (CNN) 和整体方法.
• 分析各种数据集,如威斯康星州诊断乳腺癌 (WDBC),威斯康星州乳腺癌原始 (WBCD),威斯康星州预测乳腺癌 (WPBC) 和BreakHis.
• 研究分类性能受细分和特征选择策略的影响.

主要成果:

• 证明不同数据集和ML模型对诊断工具性能和准确性的影响.
• 确定关键的研究差距,包括数据集偏差,有限的概括性和解释挑战.
• 突出混合方法,交叉数据集验证和可解释AI的潜力.

结论:

• 机器学习为乳腺癌诊断提供了强大的工具,但仍然存在挑战.
• 解决数据集偏差,概括性和解释性对于临床整合至关重要.
• 混合方法,强大的验证和可解释的AI是推动乳腺癌检测ML的关键.