In dieser Studie wurde ein Datensatz von 500 Patienten aus dem Dhaka Medical College Hospital in Bangladesch verwendet, um verschiedene Supervised Machine Learning-Algorithmen zur Vorhersage von Brustkrebs zu evaluieren. Die Ergebnisse zeigen, dass der XGBoost-Algorithmus die höchste Genauigkeit von 97% erreicht, gefolgt vom Random Forest-Algorithmus mit 96% Genauigkeit. Andere Algorithmen wie Entscheidungsbäume, Naive Bayes und logistische Regression erzielten ebenfalls gute Ergebnisse mit Genauigkeiten zwischen 91% und 94%.
Die Studie wendete SHAP-Analyse auf das XGBoost-Modell an, um die Beiträge der einzelnen Merkmale zur Modellvorhersage zu verstehen. Dabei zeigte sich, dass der mittlere Umfang des Tumors der wichtigste Faktor für die Vorhersage von Brustkrebs ist. Zusätzlich wurde eine 10-fache Kreuzvalidierung durchgeführt, um die Robustheit und Generalisierungsfähigkeit der Modelle zu überprüfen.
Insgesamt demonstriert diese Studie das große Potenzial von Supervised Machine Learning-Methoden für die frühe Erkennung von Brustkrebs. Die hohe Genauigkeit der Vorhersagemodelle kann Ärzten dabei helfen, Patienten mit Verdacht auf Brustkrebs schnell zu identifizieren und eine rechtzeitige Behandlung einzuleiten. Weitere Forschung mit größeren und vielfältigeren Datensätzen könnte die Leistung der Modelle noch weiter verbessern.
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Taminul Isla... om arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.04686.pdfDiepere vragen