ICMLNov, 2017

乳腺癌检测：基于机器学习算法的威斯康星州诊断数据集应用

PDF
TL;DR本文在威斯康星州诊断性乳腺癌数据集上比较了六个机器学习算法的分类测试准确性，并测量了它们的灵敏度和特异性。实验结果表明，所有的算法都表现良好，并超过了 90% 的测试准确率，其中 MLP 算法表现最佳，测试准确率高达 99.04%。
machine learningbreast cancermlpclassificationaccuracy
发现论文，激发创造
  • 乳腺癌风险因素分析和生存预测的监督式机器学习

    利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

    Apr, 2023

  • 机器学习算法的解释性方法在乳腺癌诊断中的应用

    本研究利用人工智能方法（如随机森林、神经网络和神经网络集成）和可解释性技术（如全局代理，ICE 图和 Shapley 值）进行早期诊断乳腺癌，其中集成神经网络表现最佳，其预测结果经过 ICE 图验证符合当前医学知识，并能进一步用于了解乳腺癌的病理生理机制。

    Feb, 2022

  • 基于数据挖掘的乳腺癌恶性与良性预测 —— 医疗应用

    此论文研究了在数据挖掘中通过不同的分类算法实现对良性和恶性乳腺癌的预测，使用的数据集为 UCI 存储库中的 Breast Cancer Wisconsin 数据集，分析了 12 种算法的性能。

    Feb, 2019

  • 通过多模型降维算法和分类算法的多模态融合在转移性乳腺癌预测中的应用

    利用机器学习的预处理算法和分类算法，研究了检测转移性癌症的潜力，通过降低数据维度和使用 k 最近邻算法，获得了最高 71.14% 的准确率。

    Sep, 2023

  • 基于可解释人工智能的监督式机器学习方法的预测模型用于孟加拉患者的乳腺癌分类

    乳腺癌是近年来患病率迅速增加的一种导致全球死亡率居高不下的常见疾病，本研究通过使用机器学习方法，特别是 XGBoost 算法，对乳腺癌进行预测和分类，发现 XGBoost 算法在 500 名患者的数据集上取得了 97% 的精确率。

    Apr, 2024

  • 利用机器学习技术进行乳腺癌诊断

    评估了乳腺癌三种创新的诊断技术，并研究了利用机器学习技术（如卷积神经网络）的计算机辅助诊断系统来提高病人的生存率。

    May, 2023

  • 基于梯度提升算法的乳腺癌分类，重点减少假阴性并使用 SHAP 解释性

    通过使用四种提升算法：AdaBoost、XGBoost、CatBoost 和 LightGBM，研究了乳腺癌的预测和诊断，以及针对召回率、ROC-AUC 和混淆矩阵的最有效度量标准。同时使用 Optuna 进行超参数优化，利用 SHAP 方法提高模型的可解释性，旨在帮助鉴定和预测乳腺癌，有效减少误诊率且达到更多的 AUC 值。

    Mar, 2024

  • 简洁的力量：为何简单线性模型胜过复杂机器学习技术 —— 以乳腺癌诊断为例

    研究了简单线性模型与复杂机器学习技术在乳腺癌诊断中的有效性，强调了解释性和计算效率在医学领域的重要性。结果表明，相对于决策树和支持向量机，简单线性模型具有更好的性能，可提供更清晰的输出和更高的可扩展性和实用性。

    Jun, 2023

  • 应用机器学习预测环境对乳腺癌的影响

    乳腺癌在女性死亡中的地位越来越重要，取代了心脏病的地位。除了遗传因素，在乳腺癌发生和发展中，新研究表明环境因素也起着重要作用。这项研究全面回顾了影响乳腺癌风险、发病率和结果的各种环境因素的文献。研究从生活方式决策入手，如饮食习惯、运动习惯和饮酒等对激素失衡和炎症的影响，这两个因素是乳腺癌发展的重要驱动力。此外，研究还探讨了农药、内分泌干扰物和工业排放等环境污染物在乳腺癌发展中的作用，这些污染物与激素信号和 DNA 损伤的干扰有关。还利用机器学习算法进行预测，包括逻辑回归、随机森林、KNN 算法、支持向量机和额外树分类器等。使用混淆矩阵相关系数、F1 分数、精确度、召回率和 ROC 曲线等指标来评估模型。所有分类器中最准确的是随机森林，准确率为 0.91%，逻辑回归的 ROC 曲线为 0.901%。这项研究中利用的多种机器学习算法的准确性良好，这是重要的，表明这些技术可以作为乳腺癌生存分析中的替代预测技术，尤其在亚洲地区。

    Sep, 2023

  • UCI 机器学习库中 11 个不同数据集上 KNN、SVM、LMNN 和 ENN 算法准确率变化的研究和观察

    本研究实现四种主流的机器学习算法在十一个数据集上，分析它们的准确性，并且探讨机器学习算法与数据维度之间的关系。

    Sep, 2018