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

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

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%。

Nov, 2017

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

乳腺癌是全球妇女最常见的恶性肿瘤之一，需要改进诊断方法以获得更好的临床结果。本文全面探讨了可解释人工智能（XAI）技术在乳腺癌检测和诊断中的应用，通过与机器学习和深度学习模型的整合，尤其是与 SHAP、LIME、Grad-CAM 等 XAI 方法，分析乳腺癌数据集及其 AI 处理方式，强调 XAI 可以提高精确诊断和个性化治疗方案，讨论了实施这些技术的挑战，以及在临床环境中评估 XAI 有效性的标准化指标的重要性。该文章通过详细分析和讨论旨在凸显 XAI 在复杂 AI 模型和实际医疗应用之间搭建桥梁的潜力，从而建立医疗专业人员之间的信任和理解，改善患者的预后效果。

Jun, 2024

卵巢癌是女性中最常见的癌症之一。本研究提出不同的生物标志物来针对绝经前和绝经后人群，为卵巢癌的有效诊断提供新视角。引入可解释性人工智能，提高诊断系统的可信度和透明度，建立了一种可靠的混合决策支持系统，该系统的诊断准确性显著优于现有方法。

Dec, 2023

医学影像诊断日益依赖机器学习模型，然而严重不平衡的数据集和有限的可解释性一直是困扰。本文通过展示一种相对新的合成数据生成技术 STEM，演示了如何使用它来训练由语法进化（GE）产生的具有内在可解释性的模型。我们在两个数据集上进行了测试，并将结果与一组八个标准机器学习分类器的前三个表现最好的分类器的 AUC 进行了比较，结果表明 GE 衍生的模型在保持可解释性的同时具有最佳的 AUC。

Jan, 2024

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

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