一种用于乳腺癌患者治疗后死亡率分类的混合模型

终末期癌症是不可治愈的，最终导致死亡。乳腺癌（BC）是影响女性的常见恶性肿瘤。尽管存在预后指标，但由于各种生存因素及其影响因素之间的复杂关系，BC的预后依然具有挑战性。本研究提出了一种集成分类器，以利用一个新的BC治疗后数据集来预测BC的生存率。然而，BC的生存案例数据集类别不均衡，导致分类性能不佳。因此，采用了合成少数过采样技术（SMOTE）和威尔逊的编辑最近邻（ENN）的混合采样方案，以处理数据集中的类别不平衡。随机森林（RF）集成分类器用于分类该数据集。所提出的框架在准确度、两个类别的召回率、接收者操作特性（ROC）和Kappa统计（KS）指标方面表现良好。结果表明，RF在保留样本上的准确率为97.0%，是最好的预测器。这一预测准确性优于文献中记录的任何结果，尤其是与逻辑回归（LR）和袋装分类器相比。