स्थानीयता संरक्षित प्रक्षिप्ति एल्गोरिदम के साथ एम्बेडेड मशीन लर्निंग दृष्टिकोण का उपयोग करके स्तन कैंसर के जोखिम की भविष्यवाणी

स्वचालित रूप से प्रभावी मैमोग्राफिक इमेज फीचर्स की एक सेट की पहचान करने और एक ऑप्टिमल ब्रेस्ट कैंसर रिस्क स्ट्रैटिफिकेशन मॉडल बनाने के लिए, यह अध्ययन स्थानीय संरक्षित प्रक्षिप्ति (LPP) आधारित फीचर संयोजन और नवीकरण एल्गोरिदम के साथ एम्बेडेड मशीन लर्निंग दृष्टिकोण को लागू करने के लाभों की जांच करने के लिए है ताकि कम अवधि के स्तन कैंसर जोखिम की भविष्यवाणी की जा सके। 500 महिलाओं से प्राप्त नकारात्मक मैमोग्राम से संबंधित एक डेटा सेट तैयार किया गया। इस डेटा सेट को 250 उच्च जोखिम मामलों और 250 निम्न जोखिम मामलों के दो आयु-मैच क्लास में विभाजित किया गया, जिनमें कैंसर अगले मैमोग्राफी स्क्रीनिंग में पता चला। पहले, मैमोग्राम पर चित्रित फाइब्रो-ग्रंथिक ऊतकों को विभाजित करने और बायलेटरल एसीमेट्री से संबंधित 44 विशेषताएं प्रारंभिक रूप से निकालने के लिए एक कंप्यूटर-निर्देशित इमेज प्रोसेसिंग योजना लागू की गई। अगला, अगले मैमोग्राफी स्क्रीनिंग में कैंसर के पता चलने के जोखिम की भविष्यवाणी करने के लिए एक मल्टी-फीचर फ्यूजन आधारित मशीन लर्निंग क्लासिफायर बनाया गया। एक छोड़ो-एक-केस-आउट (LOCO) क्रॉस-मान्यता विधि लागू की गई ताकि LLP एल्गोरिदम के साथ एम्बेडेड मशीन लर्निंग क्लासिफायर को प्रशिक्षित और परीक्षण किया जा सके, जिसने प्रत्येक LOCO प्रक्रिया में अधिकतम परिवर्तनशीलता के दृष्टिकोण का उपयोग करके 4 विशेषताओं के साथ एक नया ऑपरेशनल वेक्टर उत्पन्न किया। परिणामों ने दिखाया कि इस LPP-एम्बेडेड मशीन लर्निंग दृष्टिकोण का उपयोग करते समय जोखिम भविष्यवाणी की सटीकता में 9.7% की वृद्धि हुई। समायोजित ऑड्स अनुपात में भी एक बढ़ती प्रवृत्ति पाई गई जिसमें ऑड्स अनुपात 1.0 से 11.2 तक बढ़ गया। इस अध्ययन ने दिखाया कि LPP एल्गोरिदम को लागू करना प्रभावी रूप से फीचर आयाम को कम करता है, और कम अवधि के स्तन कैंसर जोखिम की भविष्यवाणी में उच्च और संभावित रूप से अधिक मजबूत प्रदर्शन प्रदान करता है।