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

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

乳腺癌早期检测是减少疾病影响的最佳途径之一。本研究提出了一种使用自适应平均集成的方法来检测乳腺癌，与之前文献使用训练前平均集成和同时训练的平均集成不同。自适应平均集成模型的准确率达到了 98%，比集成中最佳模型的 97% 要好，同时有效减少了假阳性和假阴性的数量，提升了性能指标。

Nov, 2023

利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

Oct, 2023

本研究探索了三种分类网络，即 XceptionNet、DenseNet 和 EfficientNet，通过集成机制来提高计算机辅助乳腺肿块分类的识别能力。在公共数据集上验证该方案，可以获得 88％的准确度，85％的精度和 76％的召回率。

Apr, 2023

评估了 4 种生物标志物选择方法和 4 种不同的机器学习分类器，发现当允许 3 个和 10 个生物标志物时，现代方法在性能上优于以前报告的逻辑回归。在特异性固定为 0.9 的情况下，机器学习方法的灵敏度为 0.240（3 个生物标志物）和 0.520（10 个生物标志物），而标准逻辑回归的灵敏度为 0.000（3 个生物标志物）和 0.040（10 个生物标志物）。还注意到，在允许较少的生物标志物时，基于因果关系的生物标志物选择方法表现最好，而在允许更多生物标志物时，单变量特征选择方法表现最好。

May, 2024

本研究利用深度学习和机器学习技术设计了一个混合集成特征提取模型，用于高效自动识别肺癌和结肠癌，模型在肺癌、结肠癌和肺癌与结肠癌的数据集上的准确率分别达到 99.05%、100% 和 99.30%。

Jun, 2022

该研究提出了一种利用电子健康记录数据进行大规模癌症风险预测的新方法，通过最小数据贪婪策略结合机器学习和生存分析的 Survival Ensemble 方法，能在医疗机构中得以复制，并在癌症患者检测方面取得了比传统医学筛查更好的结果。

Sep, 2023

本文针对 UNSW-NB15 数据集的类不平衡和特征空间中的类重叠问题，提出了一种机器学习分类器的数据驱动设计和性能评估方法，其中使用 Balanced Bagging、eXtreme Gradient Boosting、Hellinger Distance Decision Tree 等集成方法来解决不平衡数据问题，提出了两种新的算法来解决类重叠问题，并提高了测试数据的分类性能。实验证明，相比已有技术，该方法在二元和多种情况下均有显著优势。

May, 2022

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