Leistungsverbesserung durch die Kombination mehrerer Ansätze zur Diagnostik von Schilddrüsenkrebs

Es gibt viele Krankheiten, die ein Todesrisiko darstellen, wenn diese Krankheiten den menschlichen Körper infizieren und frühzeitige Maßnahmen nicht ergriffen werden. Schilddrüsenkrebs ist eine davon. In den USA zeigt die Anzahl der im Jahr 2013 an Schilddrüsenkrebs verstorbenen Fälle die Notwendigkeit eines frühen Kampfes gegen diese Krankheit. Diese Studie zielt darauf ab, die Leistung bei der Diagnose von Schilddrüsenkrebs mit Techniken des maschinellen Lernens zu verbessern. Die Studie besteht aus 3 Phasen. In der ersten Phase wurden die Klassifikatoren BayesNet, NaiveBayes, SMO, Ibk und Random Forest mit einem Trainingsdatensatz für Schilddrüsenkrebs trainiert. In der zweiten Phase wurden die trainierten Klassifikatoren mit einem Testdatensatz für Schilddrüsenkrebs getestet und die erzielten Leistungsresultate wurden verglichen. In der dritten und letzten Phase wurden die oben genannten Ansätze in den Algorithmus AdaboostMI integriert, um den Unterschied zwischen Ensemble-Klassifikatoren und herkömmlichen Einzelklassifikatoren zu zeigen, und die ersten zwei Phasen wurden wiederholt. Durch die Verwendung von Ensemble-Ansätzen wurde eine Leistungsverbesserung bei der Diagnose von Schilddrüsenkrebs erreicht. Auch die Kappa-, Genauigkeits- und MCC-Werte, die aus diesen Klassifikator-Modellen erhalten wurden, sind in Tabellen erläutert, und die Auswirkungen auf die Diagnose der Krankheit wurden mit ROC-Grafiken dargestellt. Alle diese Vorgänge wurden mit dem WEKA-Datenanalyseprogramm durchgeführt.