論文の概要: Machine Learning Approaches to Predict Breast Cancer: Bangladesh Perspective

• arxiv url: http://arxiv.org/abs/2206.14972v1
• Date: Thu, 30 Jun 2022 01:44:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-01 14:41:18.587951
• Title: Machine Learning Approaches to Predict Breast Cancer: Bangladesh Perspective
• Title（参考訳）: がん予測のための機械学習アプローチ:バングラデシュの展望
• Authors: Taminul Islam, Arindom Kundu, Nazmul Islam Khan, Choyon Chandra Bonik, Flora Akter, and Md Jihadul Islam
• Abstract要約: 本研究は,乳がんをクラスで最大精度で予測できる最良のアルゴリズムの発見に焦点をあてる。 このモデルの実装後、この研究はRandom ForestとXGBoostで94%のモデル精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, Breast cancer has risen to become one of the most prominent causes of death in recent years. Among all malignancies, this is the most frequent and the major cause of death for women globally. Manually diagnosing this disease requires a good amount of time and expertise. Breast cancer detection is time-consuming, and the spread of the disease can be reduced by developing machine-based breast cancer predictions. In Machine learning, the system can learn from prior instances and find hard-to-detect patterns from noisy or complicated data sets using various statistical, probabilistic, and optimization approaches. This work compares several machine learning algorithm's classification accuracy, precision, sensitivity, and specificity on a newly collected dataset. In this work Decision tree, Random Forest, Logistic Regression, Naive Bayes, and XGBoost, these five machine learning approaches have been implemented to get the best performance on our dataset. This study focuses on finding the best algorithm that can forecast breast cancer with maximum accuracy in terms of its classes. This work evaluated the quality of each algorithm's data classification in terms of efficiency and effectiveness. And also compared with other published work on this domain. After implementing the model, this study achieved the best model accuracy, 94% on Random Forest and XGBoost.
• Abstract（参考訳）: 近年、乳癌は近年最も顕著な死因の1つとなっている。 悪性腫瘍の中でも、これは女性にとって最も頻繁かつ主要な死因である。 この病気を手動で診断するには十分な時間と専門知識が必要である。 乳癌の検出には時間がかかり、マシンベースの乳がん予測を開発することにより、疾患の拡散を低減することができる。 機械学習では、システムは、様々な統計学的、確率的、最適化のアプローチを用いて、事前のインスタンスから学習し、ノイズや複雑なデータセットから検出しにくいパターンを見つけることができる。 本研究では,新たに収集したデータセットにおける機械学習アルゴリズムの分類精度,精度,感度,特異性を比較した。 この作業では、Decision Tree、Random Forest、Logistic Regression、Naive Bayes、XGBoostの5つの機械学習アプローチが実装され、データセット上で最高のパフォーマンスを実現しています。 本研究は,乳がんをクラスで最大精度で予測できる最良のアルゴリズムを見つけることに焦点を当てる。 本研究は,各アルゴリズムのデータ分類の効率と有効性について評価した。 また、このドメインに関する他の出版物と比較する。 このモデルの実装後、この研究はRandom ForestとXGBoostで94%のモデル精度を達成した。

関連論文リスト

• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
  深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。 実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
  論文  参考訳（メタデータ） (2024-04-14T12:09:47Z)
• Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
  5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
  論文  参考訳（メタデータ） (2024-04-06T17:23:21Z)
• Breast Cancer Classification Using Gradient Boosting Algorithms Focusing on Reducing the False Negative and SHAP for Explainability [0.6906005491572401]
  本研究は,乳がん予測のためのブースティングに基づく各種機械学習アルゴリズムの性能評価に焦点をあてる。 本研究の目的は,AdaBoost,XGBoost,CatBoost,LightGBMといった最先端の促進アルゴリズムを用いて乳癌の予測と診断を行うことである。
  論文  参考訳（メタデータ） (2024-03-14T16:35:43Z)
• Comparative Analysis of Deep Learning Architectures for Breast Cancer Diagnosis Using the BreaKHis Dataset [0.0]
  本研究では,癌分類における5つのよく知られたディープラーニングモデルの性能と比較を行った。 その結果、Xceptionモデルがトップに上がり、F1スコアは0.9、精度は89%となった。 InceptionモデルのF1スコアは87で、InceptionResNetのF1スコアは86。
  論文  参考訳（メタデータ） (2023-09-02T19:02:50Z)
• Statistical Tests for Replacing Human Decision Makers with Algorithms [32.877314377522524]
  人間の意思決定者それぞれのパフォーマンスは、まず機械の予測に対してベンチマークされる。 そして、提案された人工知能アルゴリズムの推奨により、意思決定者のサブセットによる決定を置き換えます。 検査データセット上のアルゴリズムは,医師による診断よりも総合的な正の率と偽陽性の率が高いことが判明した。
  論文  参考訳（メタデータ） (2023-06-20T17:09:04Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• A Combined PCA-MLP Network for Early Breast Cancer Detection [0.0]
  我々は、患者が乳がんに直面するかどうかを検出するために、異なる機械学習アルゴリズムを研究した。 われわれの4層PCAネットワークは、BCCDデータセットの平均90.48%で100%の精度を得た。
  論文  参考訳（メタデータ） (2022-06-18T06:17:40Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
  オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
  論文  参考訳（メタデータ） (2022-01-09T04:35:55Z)
• BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading [0.0]
  近年、深層学習は科学の様々な分野、特に医学で広く採用されている。 乳がん検出問題では、異なるデータセット上で様々なディープラーニング技術が開発され、精度が向上した。
  論文  参考訳（メタデータ） (2021-07-11T12:55:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。