基于随机森林算法的乳腺癌预测模型的研究

目的:基于主成分分析(PCA)方法与随机森林算法拟合对乳腺癌进行分类预测的模型,对比模型在不同参数下的各个评估指标后选出最优参数,并生成最优模型。方法:基于南斯拉夫卢布尔雅那大学医疗中心肿瘤研究所分享的乳腺数据集,该数据集能够反映细胞核10项特征的平均值、标准误差及最大值的平均值三个维度,采用标准化缩放及PCA方法对数据进行处理,构建随机森林算法模型并对数据进行训练。结果:通过调整随机森林算法中不同主成分个数、树的深度、棵树等参数,构建模型准确率达95.4%,受试者工作特征(ROC)曲线下面积(AUC)值接近1,模型分类效果表现良好。结论:细胞核的三维特征作为判断恶性及良性的重要依据,通过不同模型算法及不同参数的设定可构建准确率更高且预测速度更快的模型,为乳腺癌治疗提供便捷、科学的手段,提高救治效率。

基于Fisher线性判别分析对乳腺微钙化性质的预测研究

目的:使用基于机器学习的Fisher线性分类判别方法,对分割的乳腺微钙化数据进行线性变换,预测乳腺微钙化的性质。方法:基于Fisher线性分类判别分析原理,建立预测判别模型对乳腺微钙化的良、恶性进行分类。选取在医院行乳腺癌筛查的432例患者的原始数据,将原始数据中的30项569条乳腺癌特征数据为输入变量,以乳腺微钙化良、恶性的预测准确率为输出变量,建立乳腺微钙化分类判别模型。结果:将测试样本代入训练后的Fisher线性判别模型中,其预测乳腺微钙化的良、恶性分类准确率达到93.86%,受试者工作特征(ROC)曲线下面积(AUC)值为0.99,模型的分类性能良好。结论:建立的Fisher线性判别模型对乳腺微钙化良、恶性的预测分类效果较好,能够方便快捷地为乳腺疾病的临床诊断起辅助作用。