基因组和病理学数据的融合用于使用BCDNN检测乳腺癌
Anas Bilal1, Waeal J Obidallah2, Sobia Wassan3
1College of Information Science and Technology, Hainan Normal University, Haikou, China.
Frontiers in medicine
|March 6, 2026
概括
一个新的深度学习模型使用基因组和组织病理学数据准确地区分良性和恶性乳腺瘤. 这种人工智能方法达到93.84%的准确性,有助于早期发现乳腺癌.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 生物信息学是一种生物信息学.
背景情况:
- 乳腺癌仍然是全球女性死亡的主要原因.
- 早期和准确的检测显著改善了治疗结果和生存率.
- 人工智能 (AI) 和深度学习 (DL) 在医疗图像分析中显示出用于癌症预测的潜力.
研究的目的:
- 开发和评估乳腺癌深度神经网络 (BCDNN) 模型.
- 用基因组和组织病理学数据将乳腺瘤分为良性或恶性.
- 通过人工智能驱动的方法来提高诊断的准确性.
主要方法:
- 在 MATLAB R2016 中实现 BCDNN 模型.
- 利用了公开的Kaggle乳腺癌数据集,包括基因组和病理特征.
- 数据预处理,功能选择,以及使用优化超参数进行BCDNN培训.
主要成果:
- 在交叉验证过程中,BCDNN模型实现了93.84%的平均分类准确度.
- 在区分良性和恶性病例方面表现稳定可靠.
- 表示该模型在乳腺癌诊断中的有效性.
结论:
- BCDNN模型显示了支持乳腺癌诊断中的临床决策的前景.
- 未来的工作包括提高模型通用性和与实时诊断系统集成.
- 这项研究有助于通过在诊断中使用先进的人工智能改善妇女的全球健康结果.
