Durch den Einsatz von Gradient Boosting-Algorithmen wie AdaBoost, XGBoost, CatBoost und LightGBM kann die Erkennungsleistung für Brustkrebs verbessert und die Zahl der Falsch-Negativen reduziert werden. Darüber hinaus ermöglicht die Verwendung von SHAP eine bessere Erklärbarkeit der Modelle.
Die Fusion von Merkmalen aus verschiedenen Farbräumen (RGB, HSV, CIE Luv) sowie die Kombination von klassischen und Quantum-Klassifikatoren durch Stacking-Ensemble führen zu einer deutlichen Verbesserung der Genauigkeit bei der Brustkrebs-Klassifizierung.