Modell zur Diagnose von Brustkrebs (BCD) unter Verwendung von maschinellem Lernen

In den letzten Jahren hat die Forschung zu Brustkrebs ein signifikantes Wachstum verzeichnet, jedoch gibt es immer noch Spielraum für Fortschritte. Brustkrebs erhöht die Sterblichkeitsstatistiken bei Frauen. In Bezug auf dieses Problem sollte die Behandlung von Krebs im Frühstadium beginnen, um die Überlebenschancen der Patientin zu erhöhen. Daher besteht die Notwendigkeit, Brustkrebs im frühen Stadium mithilfe der Merkmale aus Mammogrammen zu diagnostizieren. Dieses Papier schlägt ein effizientes BCD-Modell vor, um Brustkrebs mithilfe von Support Vector Machine (SVM) mit 10-facher Kreuzvalidierung zu erkennen. Die Komplexität des Problems steigt, wenn es viele Eingangsmerkmale für die Diagnose von Krebs gibt. Daher wird die Hauptkomponentenanalyse (PCA) verwendet, um den Merkmalsraum von einer höheren Dimension auf eine niedrigere Dimension zu reduzieren. Die Versuchsergebnisse zeigen, dass die PCA die Genauigkeit des Modells erhöht. Das vorgeschlagene BCD-Modell wird mit anderen überwachenden Lernalgorithmen wie Entscheidungsbäumen (DT), Random Forest, k-Nearest Neighbors (k-NN), Stochastic Gradient Descent (SGD), AdaBoost, Neuronalen Netzwerken (NN) und Naïve Bayes verglichen. Bewertungsparameter wie F1-Maß, ROC-Kurve, Genauigkeit, Lift-Kurve und Kalibrierungsdiagramm belegen, dass das vorgeschlagene BCD-Modell überlegen ist und die höchste Genauigkeit unter den verglichenen Algorithmen bietet.