PDF
研究文章|开放获取
李剑萍,穆罕默德Hammad Memon,阿明哈奇,穆罕默德Hunain Memon,王, ”乳腺癌检测物联网健康环境中使用修改后的递归特性的选择”,无线通信和移动计算, 卷。2019年, 文章的ID5176705, 19 页面, 2019年。 https://doi.org/10.1155/2019/5176705
乳腺癌检测物联网健康环境中使用修改后的递归特性的选择
默罕默德Hammad Memon
,1
剑萍李,1
阿明哈奇,1
默罕默德Hunain Memon,2
和
王周1
1大学计算机科学与工程学院电子科学与技术,611731年成都,中国
2信息科学与技术学院的中国科学技术大学,合肥,中国
文摘
乳腺癌的准确、有效的诊断是非常必要的恢复和治疗在早期阶段物联网医疗环境。物联网已经见证了过渡的生活在过去的几年里,提供了一种方法来分析实时数据和历史数据的新兴角色人工智能和数据挖掘技术。当前最先进的方法不能有效地诊断出乳腺癌在早期阶段,并且大多数女士们遭受了这种危险的疾病。因此,乳腺癌的早期发现明显给医学专家和研究人员带来了一个巨大的挑战。早期发现乳腺癌的来解决这个问题,我们提出了基于机器学习诊断系统有效地分类恶性和良性的物联网环境的人们。在我们提出了系统的发展,机器学习分类器使用支持向量机分类恶性和良性的人。提高分类的性能分类系统,我们使用一个递归特征选择算法从乳腺癌数据集选择更合适的特性。培训/测试分裂法适用于训练和测试分类器的最佳预测模型。此外,分类器的性能一直在检查通过绩效评估指标,如分类、特异性、敏感性,马修斯的相关系数,F1-score和执行时间。为了验证该方法,数据集“威斯康辛诊断乳腺癌”被用于这个研究。 The experimental results demonstrate that the recursive feature selection algorithm selects the best subset of features, and the classifier SVM achieved optimal classification performance on this best subset of features. The SVM kernel linear achieved high classification accuracy (99%), specificity (99%), and sensitivity (98%), and the Matthews’s correlation coefficient is 99%. From these experimental results, we concluded that the proposed system performance is excellent due to the selection of more appropriate features that are selected by the recursive feature selection algorithm. Furthermore, we suggest this proposed system for effective and efficient early stages diagnosis of breast cancer. Thus, through this system, the recovery and treatment will be more effective for breast cancer. Lastly, the implementation of the proposed system is very reliable in all aspects of IoT healthcare for breast cancer.
1。介绍
乳腺癌(BC)是最关键和常见疾病大大影响世界上女士们根据美国癌症研究协会(1),并在2018年有200万新病例。乳腺癌是5th更大的女性死亡原因与其他类型的癌症。乳腺癌细胞增长异常在乳腺癌组织,逐步影响细胞率增加,导致乳腺癌。乳腺癌是一个开发的乳腺细胞的恶性肿瘤。一群分裂细胞形成肿块或额外的质量组织称为肿瘤,这些肿瘤可以是癌症(恶性)或非癌性(良性)。在不同国家的先进技术在医学科学,初始阶段的5年生存率乳腺癌是80 - 90%,下降到24%的乳腺癌的诊断初期(2]。乳腺癌诊断,各种新的技术已经被使用。在活检技术3),乳房组织收集测试结果非常准确。然而,从乳房活检为病人是痛苦的。另一个乳房x光检查乳腺癌的诊断技术(4)用于诊断乳腺癌。在这种技术中,一个二维(2 d)投影图像的乳房。然而,乳房x光检查技术不执行有效的良性肿瘤的诊断。另一种的新的技术对乳腺癌的诊断性推理成像(MRI) (5),这是一个非常复杂的测试,并提供优秀的结果图像和显示三维(3 d)的动态功能。
论文的新的诊断技术是非常复杂的行为,结果不能有效地、准确地诊断乳腺癌。此外,这些技术需要更多的时间来生成结果(6]。
为了解决这些复杂invasive-based乳腺癌的诊断方法,noninvasive-based技术如机器学习技术更有效的和可靠的。分类是恶性或良性乳房组织,机器学习技术已经用于文学。机器学习技术的相关文献对乳腺癌的诊断报告在这个研究。
阿扎尔和El-Said4)提出了乳腺癌的诊断技术。他们用三个分类技术,如径向基函数(RBF),概率神经网络(并)和多层感知器(MLP)。这些分类器训练和测试数据集与乳腺癌。绩效评价指标如准确性、特异性和灵敏度用于分类器性能评估。MLP分类精度获得97.80%和97.66%的训练和测试,分别。在另一项研究中,Aličković和Subasi7威斯康辛乳腺癌)提出了一个预测系统使用两种乳腺癌(WBC)数据集与遗传算法(GA)对特征选择算法和旋转森林(RF)分类器进行分类。RF获得99.48%的分类精度选择功能所选定的GA算法。Ahmad et al。8)提出了一个诊断系统GA-MOO-NN乳腺癌的诊断。GA算法被用于选择最佳的特性。他们将数据集分为三个部分:50%的训练,25%用于测试,25%进行验证。拟议的技术分别实现98.85%和98.10%的准确性在最好的和平均情况。哈桑et al。9)提出了一个技术的使用符号回归诊断乳腺癌的基因遗传编程。使用10倍交叉验证,获得了99.28%的准确率。Albrecht Andreas et al。10)提出了一个技术诊断乳腺癌,取得了98.8%的准确率。Pena-Reyes和饮者11)提出了一种分类技术使用fuzzy-GA技术,取得了97.36%的准确率。Akay [12)提出了一个乳腺癌诊断系统使用f值的特征选择的方法和支持向量机(SVM)和获得良好的性能结果。郑et al。13)k - means算法用于特征选择和提取,结合支持向量机分类的良性和恶性乳腺肿瘤。该技术达到高分类精度和较低的计算时间。Madevi [14)杂化使用主成分分析(PCA)结合乳腺癌不同的分类器,并应用于不同的数据集,取得了良好的精度。在[15],作者提出了一个基于迷因帕累托人工神经网络技术对乳腺癌的检测。实验结果表明,该技术取得了良好的分类精度,和计算时间很低。Marcano-Cedeno et al。16)提出了乳腺癌的诊断方法利用人工元塑性多层感知器,分类精度获得99.26%。刘等人。17乳腺癌)提出了一个基于决策树的预测技术和应用平衡训练数据的欠采样技术。实验结果表明,该方法取得了很好的精度。郑et al。13)提出了一个乳腺癌的诊断方法基于k - means算法和支持向量机。k - means用于特征提取和支持向量机用于分类。俄南(18)设计一个智能技术对乳腺癌的检测。他模糊粗糙用于选择一个实例和特征选择的一致性。乳腺癌的检测,他使用了模糊粗糙最近邻算法。Sheikhpour et al。19)设计了一种基于粒子群优化技术结合非参数核密度估计乳腺癌的预测。Rasti等参与者。20.)设计了一个乳腺癌的诊断技术使用混合的卷积神经网络和精度达到96.39%。Ani et al。21]提出了基于物联网的患者监测和诊断预测工具使用系综分类器和系统已经达到了93%的准确率。杨et al。22)提出了一个智能医疗、物联网云计算可穿戴心电图监测系统,该系统性能非常良好的疾病诊断。
本文的主要目的是提出一个基于机器学习的IOT-based预测系统成功地诊断乳腺癌患者和健康的人。机器学习支持向量机预测模型用于分类的乳腺癌恶性和良性的人。采用递归特征选择算法(REF)选择的特性,提高支持向量机分类器的分类性能。我们采用了适当的特征选择在这个研究裁判,因为REF FS-based方法的分类性能良好的分类与其他方法相比BC和健康的人。这些作品使用套索等其他特征选择算法,MRMR, LLBFS [23),救援和拍频振荡器(24],救援[25),两级特征选择方法(26]。培训/测试将验证方法,以选择最佳hyperparameters最佳模型评估。绩效评估指标如分类精度、灵敏度、特异性,F1-score,马修斯的相关系数(MCC),模型执行时间被用来检查提出了系统的性能。公元前提出系统已经测试数据集,可在UCI存储库。
这个研究的重要贡献如下:(1)乳腺癌检测物联网健康环境。(2)修改后的参考算法用于特征选择和支持向量机分类器训练和测试选择功能。然后,SVM的性能也检查并与设置的完整特性选择最佳特征子集的分类器上的性能达到最佳性能。(3)最后,我们得出结论,该系统可用于有效的诊断BC。此外,它可以很容易地结合在公元前的医疗系统的诊断。
本文的其余部分组织如下。部分2描述了数据集,预处理技术,特征选择算法参考,详细SVM分类算法。此外,验证技术和性能评价指标也在这一节中讨论。节3公元前,详细诊断实验结果进行了分析和讨论。最后,给出了结论和未来的工作方向4。
2。研究材料与方法
2.1。数据集
数据集“威斯康辛诊断乳腺癌(WDBC)”是由威斯康辛大学的威廉Wolberg博士和可用在UCI机器学习库(27]。作为一个数据集的实现提出了研究设计基于机器学习系统的诊断乳腺癌。569名被试的数据集有一个大小32属性和30特性是真正的价值功能。目标输出品牌诊断两类为代表的恶性或良性主题。类分布是357良性和212年恶性科目。因此,数据集是一个569∗32特性矩阵。
2.2。方法的背景
下面详细讨论了该方法的背景。
2.2.1。数据集预处理
申请前的机器学习算法分类问题,数据处理是必要的。处理过的数据28,29日)降低分类器的计算时间,提高了分类器的分类性能。缺失值等方法检测,标准的标量,min-max标量被广泛应用于数据集预处理。标准的标量确保每个特性意味着0和方差1;因此,所有功能都有相同的系数。Min-Max标量数据变化的方式,所有的功能都是介于0和1之间。功能空值的行从数据集中删除。
2.2.2。修改后的递归特性消除算法(RFE)
特征选择的过程可以被视为一个方法选择特征子集的特性可用的设置。数据的空间是非常大的和子空间/特征选择特异性的数据是非常必要的。特征选择有两个优点。首先,它可以提高分类器的精度,其次由于特征选择,机器学习算法的计算时间减少6]。裁判是一种适合模型的特征选择算法和删除无关的特性或功能,直到达到指定数量的特性。然后建立一个模型特性仍在原设定。剩下的功能设置是最贡献功能目标标签。的递归特性消除方法支持向量机(30.)可以在随后的迭代步骤(实现算法1)。
|
递归特性消除算法过程如下所示。
2.2.3。分类
在这项研究中,以下分类器是用于BC和健康人群分类。简短的理论和数学背景的分类器。
支持向量机(SVM)是一种机器学习算法,主要用于分类问题(24,31日- - - - - -35]。SVM使用最大优势策略转化为解决一个复杂的二次规划问题。由于支持向量机分类性能高,各种应用程序广泛使用它(6,34,35]。在一个二元分类问题,实例分离超平面 ,在哪里采用系数向量,是正常的超平面的表面,b从原点偏移值,x指的是数据集的值。支持向量机得到的结果和b。W可以解决在线性情况下通过引入拉格朗日因子。边界上的数据点被称为支持向量。的解决方案可以表示如下: 在哪里n支持向量的个数和吗是目标标签x。的值和b计算;线性判别函数可以写成:
的非线性情况下,内核技巧和决策函数,可以写成
半正定函数服从Mercer的条件作为内核函数(33),如多项式内核,表示为:
高斯函数表示为内核
有两个参数,应确定在SVM模型:C和γ。
2.2.4。数据分区
数据集分为训练分类器为70%和30%的验证分类器。
2.2.5。绩效评价指标
评价指标用于评价分类器的性能。在这项研究中,三个绩效评估指标。表1显示了混合矩阵的二元分类问题。
|
||||||||||||||||||
根据表1,我们计算以下指标和数学方程表达(6)- (10),分别。(1)TP(真阳性),如果主题是归类为公元前(2)TN(真阴性)如果一个健康主题归类为健康(3)FP(假阳性)如果一个健康主题归类为公元前(4)FN(假阴性)如果一个公元前列为健康
(1)分类精度。准确显示了分类系统的整体性能。准确的诊断检测概率正确执行。
(2)灵敏度/召回。正确分类的比例是心脏病人受试者所有心脏病人受试者的数量。
(3)特异性。特异性表明,一个诊断测试是负的,和这个人是健康的。
(4)F1 -得分。传统的F-measure或平衡的f值(F1-score)精度和召回的调和平均数:
(5)MCC。MCC代表之间的分类器的预测能力和创造价值(−1,+ 1)。
如果MCC的分类器+ 1,这意味着是理想的分类器的预测。
−1表明,分类器产生完全错误的预测。MCC值接近0意味着分类器生成随机预测。
2.3。提出了布雷斯特癌症预测预测系统
以下是该系统的程序预测乳腺癌(算法2)。提出了系统的流程图如图1。
|
3所示。实验结果的分析和讨论
在本节中,我们进行实验预测乳腺癌的适当使用特征选择算法进行特征选择。机器学习的支持向量机预测模型被用于预测乳腺癌。数据集“威斯康辛诊断乳腺癌(WDBC)”是由威廉博士Wolberg威斯康辛大学,可在UCI机器学习库(27]。这个数据集用于这项研究。训练数据集分为70%和30%测试这些实验的目的。为了检查预测模型的性能,各种评价措施等使用性能的分类准确性,特异性,敏感性,MCC, F1-score和执行时间。所有的性能指标自动计算。在应用特征选择算法和预测模型数据,预处理技术部署在改善的数据集的数据集。此外,所有这些实验结果被发表在表和更好地理解,有些图形设计。python中的所有实验在一个英特尔(R)核心™i5 -2400 cpu @3.10 GH, RAM 4 GB,和Windows 10。
3.1。预处理在数据集的结果
32 569实例的信息和描述数据集的特点给出了表2还有一些统计措施,自动计算。类分布357良性和212年恶性科目数据集在图所示2。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.2。实验结果的裁判
选择更合适的特点,而不是使用所有数据集的特征特性,选择算法用于此目的。裁判特征选择算法(FS)更适合适合预测模型预测的特征选择。裁判是一种适合模型的特征选择算法和删除无关的特性或功能,直到达到指定数量的特性。然后建立一个模型特性仍在原设定。剩下的功能设置是最贡献功能目标标签。三十实际价值特性不同子集由裁判FA算法。REF FS算法的结果被发表在表3。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.3。支持向量机的分类结果(线性)
=线性SVM(内核)预测模型预测性能已经检查乳腺癌的完整特性集和不同的选择特征子集是由裁判FS算法和列在下表中3。支持向量机参数C= 1,= 0.0001值是用于我们的实验。绩效评价指标自动计算和表列成表4。线性支持向量机预测模型的性能在不同的组合已经被报道成表的特征子集4。特性集,获得的支持向量机的线性精度76%,特异性为88%,敏感性56%,70 F1-score 72 MCC,和24%的分类错误,模型计算时间是0.030秒。预测模型的性能逐渐增加随着特征数量的增加的特性集,18日数字特性集,等分类器实现高性能精度99%,特异性为99%,敏感性98%,99 F1-score分类误差1%,执行时间0.003秒。另一方面线性支持向量机的性能减少特征数量的增加在18到30号的特性集特性集,SVM特性的线性数字30日达到95%的准确率,特异性为96%,敏感性95%,99 F1-score分类误差5%,执行时间4.547秒。因此,我们得出结论,在减少特性集18日,即。,{F1, F2, F3, F5, F7, F8, F9, F12, F14, F17, F21, F22, F23, F25, F27, F28, F29, F30}, the SVM linear model performance is good, and these features are more appropriate for diagnosis for breast cancer. Figure3显示了分类精度,特异性,灵敏度与线性支持向量机内核选择最佳特性。图4显示了F1-score在选择最佳分类支持向量机的线性特性。图5显示了支持向量机的MCC内核对选择最佳线性特性,和图6显示了执行时间的线性分类器选择最佳特性。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.4。支持向量机的分类结果(RBF)
SVM(内核= RBF)预测模型的性能一直在检查预测乳腺癌的完整特性集和不同的选择特征子集选择的REF FS算法。支持向量机参数C= 1,= 0.0001值是用于我们的实验。所有的绩效评估指标自动计算和表列成表5。SVM(内核= RBF)预测模型的性能一直在检查预测乳腺癌的完整特性集和不同的选择特征子集选择的REF FS算法和列在下表中3。支持向量机参数C= 1,= 0.0001值是用于我们的实验。绩效评价指标自动计算和表列成表5。SVM RBF预测模型性能的不同组合特征子集被报道成表5。特性集,SVM RBF获得64%的准确性,特异性为100%,敏感性3%,6 F1-score 50 MCC,和36%的分类错误,和模型计算时间是0.005秒。预测模型的性能逐渐增加随着特征数量的增加特性集。18日等特性实现了高性能数字准确性98%,特异性为99%,敏感性96%,98 F1-score, MCC 97%, 2%的分类错误,执行时间0.004秒。另一方面,SVM RBF性能减少特征数量的增加在18到30号的特性集的特性集,SVM RBF 30多的特性实现了95%的准确性,特异性为99%,敏感性90%,95 F1-score, MCC, 94%和5%的分类错误,执行时间是0.019秒。因此,我们得出结论,在减少特性集18日,即。,{F1, F2, F3, F5, F7, F8, F9, F12, F14, F17, F21, F22, F23, F25, F27, F28, F29, F30}, the SVM RBF model performance is good, and these features are more appropriate for diagnosis for breast cancer. Figure7显示了分类的准确性、特异性和灵敏度与SVM内核RBF选择最佳特性。图8显示了F1-score分类支持向量机RBF上选择最佳特性。图9显示了支持向量机的MCC内核RBF选择最佳功能,和图10显示了分类器的执行时间RBF在选择最佳特性。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.5。支持向量机的分类结果(多项式)
SVM(内核=多项式)预测模型的性能一直在检查预测乳腺癌的完整特性集和不同的选择特征子集选择的REF FS算法。支持向量机参数C= 1,= 0.0001值是用于我们的实验。SVM多项式预测模型性能的不同组合特征子集被报道成表6。特性集,SVM多项式获得了64%的准确率,特异性为100%,敏感性20%,33 F1-score 50 MCC, 36%分类误差和模型计算时间是0.013秒。预测模型的性能逐渐增加随着特征数量的增加的特性集。18日多的特性集分类器实现高性能如97%的准确率,特异性为97%,敏感性97%,97 F1-score, MCC 97%, 3%的分类错误,执行时间0.002秒。另一方面,SVM多项式时性能降低的数量特性增加特性集从18到30特性集。30日SVM线性的特性实现了92%的准确性,特异性为92%,敏感性91%,91 F1-score, MCC 92%, 8%分类错误和执行时间是0.019秒。因此我们得出结论,在减少特性集18日即{F1, F2, F3, F5、F7 F8, F9, F12 F14, F17, F21,——F22, F23, F25, F27, F28, F29, + 30}, SVM多项式模型性能好和这些特性更适合诊断为乳腺癌。图11显示分类准确性、特异性、灵敏度与SVM内核选择最佳特性多项式。图12选择最佳的特性分类支持向量机的F1-score多项式。图13显示了支持向量机的MCC内核多项式在选择最佳特性,和图14显示了分类器的执行时间多项式在选择最佳特性。为更好地理解生动地体现了出来。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.6。支持向量机的分类结果(乙状结肠)
SVM(内核=乙状结肠)预测模型的性能一直在检查预测乳腺癌的完整特性集和不同的选择特征子集选择的REF FS算法。支持向量机参数C= 1,= 0.0001值是用于我们的实验。SVM乙状结肠预测模型性能的不同组合特征子集被报道成表7。特性集,获得的SVM乙状结肠精度64%,特异性为100%,敏感性20%,34 F1-score 50 MCC,和36%的分类错误,模型计算时间是0.006秒。预测模型的性能逐渐增加随着特征数量的增加特性集。13日等特性实现了高性能数字准确性84%,特异性为54%,敏感性60%,45 F1-score,世纪挑战集团的77%,16%的分类错误,执行时间0.005秒。另一方面,支持向量机,乙状结肠性能减少特征数量的增加在13号的特性集30特性集。30日SVM乙状结肠数字的功能实现了27%的准确性,特异性为45%,敏感性02%,4 F1-score, MCC, 22%和73%的分类错误,执行时间是0.019秒。因此,我们得出结论,在减少的特性集13日,即。,{F1、F3、F5、F7 F8, F9, F12 F21, F25, F27, F28, F29, + 30},the SVM sigmoid model performance is good, and these features are more appropriate for diagnosis for breast cancer. Figure15显示了分类的准确性、特异性和灵敏度选择最佳特性的支持向量机内核乙状结肠。图16显示了F1-score分类SVM乙状结肠上选择最佳特性。图17显示了支持向量机的MCC内核乙状结肠选择最佳功能,和图18显示了分类器的执行时间乙状结肠上选择最佳特性。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.7。支持向量机不同的内核性能比较选择最佳特性
表8展示了所选择的不同的支持向量机内核的性能特性,线性内核支持向量机预测性能是很好的与其它SVM内核RBF相比,多项式和乙状结肠。线性支持向量机的准确性为99%,显示了系统的整体性能。99%的特异性表明,SVM线性有效地检测到健康的人。同样,98%的敏感性线性支持向量机有效地检测乳腺癌的人。此外,SVM的F1-score线性是98%。线性支持向量机的MCC价值是99%。线性支持向量机的分类误差为1%。因此,班轮基于svm对乳腺癌诊断系统是非常有效的和可靠的。第二个野兽SVM内核是RBF据表8和减少的特性集SVM RBF分类精度达到了98%,特异性为99%,敏感性98%,98 F1-score, MCC和97%,SVM RBF的执行时间是0.004秒。第三个最好的支持向量机预测模型的内核是多项式内核根据表8,支持向量机分类(内核=多项式)获得97%,特异性为97%,敏感性97%,和97年F1-score, MCC值是97%。执行时间是0.002秒。内核乙状结肠SVM的性能很低与其他三个SVM相比内核和13个特征子集,SVM内核乙状结肠获得84%的准确性,特异性为54%,敏感性60%,77% MCC。此外,执行时间是0.005秒。因此,我们得出的结论,内核线性支持向量机是一个很好的预测模型对乳腺癌的诊断与其他三个SVM相比内核。的准确性、特异性和敏感性的四个SVM内核在图生动地体现了出来19为了更好的理解。这四个SVM内核的执行时间如图20.。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.8。与先前的方法。该方法性能比较
的表现方法的精度与以往方法相比。在表9,该方法准确性与不同的方法。表9表明,该方法实现了高精度与其他国家相比的艺术方法。这可能是由于FS合适的特征选择算法。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||
4所示。结论
物联网(物联网)见证了过渡的生活在过去的几年里,提供了一种分析实时数据和历史数据的新兴角色人工智能和数据挖掘技术。在这个研究中,对乳腺癌的诊断诊断系统的开发。在设计系统机器学习预测模型,支持向量机用于乳腺癌的检测。递归特性消除(REF) FS算法和相关的特征选择适合正确的目标分类的恶性和良性的人。REF算法产生新的特征子集从威斯康星州诊断乳腺癌的数据集。训练数据集分为70%和30%进行验证的目的。此外,性能测量的技术指标如精度、灵敏度/回忆,和特异性/精密,F1-score, MCC,执行时间都用于绩效评估模型。威斯康辛州诊断乳腺癌32属性的数据集与实际价值特性和569实例可以在加州大学欧文分校数据挖掘库是用于测试的系统。在python中使用机器学习库提出了系统的实现和发展。实验结果分析表明,该系统有效地将恶性和良性的人。 The improvement in malignant and benign people prediction might be due to various contributions to the BC features. These findings suggest that the proposed diagnosis system could be used to accurately predict BC and furthermore could be easily incorporated in healthcare. The reduced space of features by REF FS algorithm shows that these are highly important features that diagnose BC accurately as compared with original features space. The classification performance of SVM with different kernels such as linear, RBF, polynomial, and sigmoid was tested on reduced number feature subset 18 is best as compared with full-feature set and on other reduced feature subsets. According to Table8SVM kernel-linear性能是最好的,相对于其它SVM内核如RBF、多项式、乙状结肠和SVM线性获得了99%的准确率,灵敏度特异性99%,和98%。99%的特异性检测的值表明,它是好的健康的人。同样,灵敏度98%显示分类器有效地检测到公元前的人。根据REF FS算法,最重要的特性是{F1, F2, F3, F5、F7 F8, F9, F12 F14, F17, F21,——F22, F23, F25, F27, F28, F29,和+ 30}。这些特性有很大的影响在公元前的分类和健康的人。
研究的新颖设计的系统诊断分类BC和健康的人。系统使用REF FS算法,支持向量机,培训/测试分裂方法,公元前诊断和性能测量指标。为了更好的诊断乳腺癌,机器学习基于方法的决策支持系统更加可靠。此外,我们还知道无关的特性降低诊断系统的性能和计算时间增加。因此,提出研究的另一个创新的部分使用特征选择算法来选择相关的特性,提高分类的性能诊断系统的子集。根据表9提出系统的性能(REF-SVM)是优秀的,分类精度达到99%,相比之下,其他提出的分类性能的研究。在未来,其他特征选择算法,优化和深层神经网络分类方法将用于进一步提高诊断系统的性能对BC诊断。
数据可用性
本研究中使用的数据集在UCI机器学习库工作。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了国家自然科学基金(批准号61370073),中国国家高技术研究发展计划(批准号2007 aa01z423),四川省科学技术厅的项目。
引用
- 美国癌症研究学会”,乳腺癌的统计,“2018年,https://www.wcrf.org/dietandcancer/cancer-trends/breast-cancer-statistics。视图:谷歌学术搜索
- m .伊斯兰教、h·伊克巴尔,r . Haque和k·哈桑,“预测乳腺癌的使用支持向量机和邻居,”IEEE地区10人道主义技术研讨会论文集(R10-HTC),23卷,页1 - 5,达卡,孟加拉国,2017年12月。视图:出版商的网站|谷歌学术搜索
- a . m·艾哈迈德·g·m·汗s a·马哈茂德和j·f·米勒,“乳腺癌检测使用笛卡尔遗传编程进化人工神经网络,”学报》第14届年会遗传和进化计算,页1031 - 1038年,费城,宾夕法尼亚州,美国,2012年7月。视图:出版商的网站|谷歌学术搜索
- a . t .阿扎尔和s . a . El-Said“乳腺癌的概率神经网络分类,”神经计算和应用,23卷,不。6,1737 - 1751年,2013页。视图:出版商的网站|谷歌学术搜索
- e·华纳et al .,“系统综述:使用磁共振成像来筛选高危妇女乳腺癌,”内科医学年鉴,卷148,不。9日,第679 - 671页,2008年。视图:出版商的网站|谷歌学术搜索
- m·h·A·哈克,j . p . Li Memon, s .纳齐尔和r .太阳,“混合智能系统框架,使用机器学习算法的预测心脏病,”移动信息系统卷,2018篇文章ID 3860146, 21页,2018。视图:出版商的网站|谷歌学术搜索
- 大肠Aličković和a . Subasi”乳腺癌诊断使用遗传算法特征选择和旋转森林,”神经计算和应用,28卷,不。4、753 - 763年,2017页。视图:出版商的网站|谷歌学术搜索
- f·艾哈迈德:A .垫Isa z Hussain和s . n . Sulaiman“遗传算法多目标优化的人工神经网络分类器对乳腺癌诊断、”神经计算和应用,23卷,不。5,1427 - 1435年,2013页。视图:出版商的网站|谷歌学术搜索
- 哈桑k、m .伊斯兰教和m·m·a·哈西姆”数学模型开发检测乳腺癌基因遗传编程,使用”学报2016第五届国际会议上信息,电子和愿景(ICIEV),页574 - 579,达卡,孟加拉国,2016年5月。视图:出版商的网站|谷歌学术搜索
- 答:a . Albrecht g . Lappas s . a . Vinterbo c . Wong和l . Ohno-Machado“LSA机两个应用程序,”学报》第九届国际会议上神经信息处理,2002。ICONIP 02新加坡,页184 - 189年,2002年11月。视图:谷歌学术搜索
- c . A . Pena-Reyes和m .饮者”,应用遗传乳腺癌的诊断方法,”人工智能在医学上,17卷,不。2、131 - 155年,1999页。视图:出版商的网站|谷歌学术搜索
- m . f . Akay”,支持向量机结合为乳腺癌的诊断特征选择,”专家系统与应用程序,36卷,不。2、3240 - 3247年,2009页。视图:出版商的网站|谷歌学术搜索
- 郑,s . w . Yoon和s . s . Lam”乳腺癌的诊断基于特征提取混合使用k - means和支持向量机算法,”专家系统与应用程序第41卷。。4、1476 - 1482年,2014页。视图:出版商的网站|谷歌学术搜索
- g . n . Ramadevi”的重要性,为乳腺癌的分类数据集特征提取,一项研究表明,“国际科学与创新的数学研究杂志》上,3卷,第368 - 763页,2015年。视图:谷歌学术搜索
- h·a·阿巴斯”进化的人工神经网络方法对乳腺癌的诊断,“人工智能在医学上,25卷,不。3、265 - 281年,2002页。视图:出版商的网站|谷歌学术搜索
- a . Marcano-Cedeno j . Quintanilla-Dominguez, d . Andina”WBCD乳腺癌数据库分类应用人工神经网络metaplasticity,”专家系统与应用程序,38卷,不。8,9573 - 9579年,2011页。视图:出版商的网站|谷歌学术搜索
- Y.-Q。刘,c . Wang和l .张”,基于决策树的预测模型对乳腺癌生存能力不平衡数据,”学报2009第三国际会议上生物信息学和生物医学工程,1 - 4页,北京,中国,2009年6月。视图:出版商的网站|谷歌学术搜索
- A .俄南“模糊粗糙最近邻分类器结合consistency-based子集评价和实例选择自动诊断乳腺癌,”专家系统与应用程序,42卷,不。15日,第6852 - 6844页,2015年。视图:谷歌学术搜索
- r . Sheikhpour m . a . Sarram和r . Sheikhpour”粒子群优化带宽决心和基于核密度估计分类器的特征选择诊断乳腺癌,”应用软计算40卷,第131 - 113页,2016年。视图:出版商的网站|谷歌学术搜索
- r . Rasti,参与者m . Teshnehlab, s . l . Phung”乳腺癌诊断DCE-MRI使用混合的卷积神经网络,”模式识别,卷72,不。24日,第390 - 381页,2017年。视图:出版商的网站|谷歌学术搜索
- r . Ani美国克里希纳:安居,m . s .: o·s·迪帕,“基于物联网的患者监测和诊断预测工具使用系综分类器,”学报2017年国际会议上的进步计算、通信和信息(ICACCI),Udupi,印度,2017年9月。视图:出版商的网站|谷歌学术搜索
- z杨问:周,l . Lei k .郑和w·香,“基于IoT-cloud耐磨心电图监测系统为智能医疗、”医疗系统杂志40卷,286页,2016。视图:出版商的网站|谷歌学术搜索
- a . Tsanas m a, p . e .创造和l . o . Ramig“非线性语音分析算法映射到一个标准的指标达到临床上有用的平均量化帕金森病症状严重性,”《英国皇家学会界面,8卷,不。6,842 - 855年,2011页。视图:出版商的网站|谷歌学术搜索
- z Cai, j .顾,H.-L。陈”,一个新的混合智能预测框架帕金森病,”IEEE访问,5卷,不。19日,17188 - 17200年,2017页。视图:出版商的网站|谷歌学术搜索
- r . j . Urbanowicza m·米克尔w . l .静脉r·s·奥尔森和j·h·摩尔,“Relief-based功能选择:介绍和评论,”生物医学信息学杂志,21卷,不。4页1 - 2018。视图:出版商的网站|谷歌学术搜索
- l . Naranjo c·j·佩雷斯·j·马丁,和y . c . Roca”两级变量选择和帕金森病检测分类方法通过使用录音复制,”计算机在生物医学方法和项目,卷142,不。22日,第156 - 147页,2017年。视图:出版商的网站|谷歌学术搜索
- w·h·Wolberg威斯康辛州诊断乳腺癌(WDBC)威斯康辛大学计算机科学学院UCI机器学习库,麦迪逊,WI,美国,1995年。
- 美国Kotsiantis”,为监督学习数据预处理,”国际计算机科学杂志》上1卷,第117 - 111页,2006年。视图:谷歌学术搜索
- a . Famili w .沈、r·韦伯和e . Simoudis数据预处理和智能数据分析,“智能数据分析,1卷,不。1 - 4,3-23,1997页。视图:出版商的网站|谷歌学术搜索
- 第二,j·韦斯顿、美国威尔和诉Vapnik,“癌症基因选择使用支持向量机分类,“机器学习,46卷,不。1 - 3、389 - 422年,2002页。视图:出版商的网站|谷歌学术搜索
- n Cristianini和j·s·泰勒,介绍了支持向量机英国剑桥,剑桥大学出版社,2000年。
- c c。Chang和C.-J。林,“LIBSVM:支持向量机的库,”ACM智能交易系统和技术(TIST)2011年,卷2,p。27日。视图:出版商的网站|谷歌学术搜索
- H.-L。陈、杨,j . Liu和D.-Y。刘”,支持向量机分类器对乳腺癌的诊断粗糙的基于集合的特征选择,”专家系统与应用程序,38卷,不。7,9014 - 9022年,2011页。视图:出版商的网站|谷歌学术搜索
- j . Mourao-Miranda a . l Bokde c出生,h . Hampel和m .不删,“大脑状态和确定不同的激活模式:分类支持向量机在功能磁共振成像数据,”科学杂志,28卷,不。4、980 - 995年,2005页。视图:出版商的网站|谷歌学术搜索
- 诉d·桑切斯,“先进的支持向量机和核方法,”Neurocomputing,55卷,不。1 - 2,5 - 20,2003页。视图:出版商的网站|谷歌学术搜索
- m·h·a·哈克,j . Li Memon et al .,“机器学习分类器的分类性能的比较分析和深层神经网络分类器对帕金森病预测”15国际计算机学报2018年IEEE会议上小波活跃的媒体技术和信息处理(ICCWAMTIP)2018年12月,成都,中国,。视图:出版商的网站|谷歌学术搜索
- m·h·a·哈克,j . p . Li Memon et al .,“基于L1-norm支持向量机的特征选择和有效识别系统使用语音录音,帕金森病”IEEE访问7卷,第37734 - 37718页,2019年。视图:出版商的网站|谷歌学术搜索
- d, l .邹x周,f .他“集成特征选择和特征提取方法与深度学习预测乳腺癌的临床结果,“IEEE访问》第六卷,第28944 - 28936页,2018年。视图:出版商的网站|谷歌学术搜索
- y Prasad, k,的k .比斯华斯和c k . Jain,“基于支持向量机分类器的特征选择使用GA算法和PSO核设计,”在计算机科学的课堂讲稿,第314 - 307页,2010年。视图:出版商的网站|谷歌学术搜索
- a . f . Al-Fatlawi m . h . Jabardi s h .凌,“有效的帕金森病诊断系统使用深层信念网络,”《IEEE国会进化计算加拿大温哥华,页1 - 8,2016年7月。视图:出版商的网站|谷歌学术搜索
- y, z . Lin j . Wu和x赵,“乳腺癌诊断使用无监督特征提取算法基于深度学习,”学报2018年第37中国控制会议(CCC)武汉,页9428 - 9433年,中国,2018年7月。视图:出版商的网站|谷歌学术搜索
- m . m .伊斯兰教,h·伊克巴尔r . Haque和k·哈桑,“预测乳腺癌的使用支持向量机和邻居,”2017 IEEE地区人道主义技术研讨会论文集(R10-HTC),10卷,页226 - 229,达卡,孟加拉国,2017年12月。视图:出版商的网站|谷歌学术搜索
- n Khuriwal和n . Mishra乳腺癌诊断使用自适应整体投票机器学习算法,”2018 IEEMA工程师无限研讨会论文集(eTechNxT),页1 - 5,新德里,印度,2018年3月。视图:出版商的网站|谷歌学术搜索
- 沈j . n . Liu, m .徐d . Gan E.-S。气,b高,“厂商改进的支持向量机分类器对乳腺癌的诊断,“数学问题在工程ID 3875082条,卷。2018年,13页,2018。视图:出版商的网站|谷歌学术搜索
版权
版权©2019年穆罕默德Hammad Memon等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
