Zaawansowane wykrywanie raka piersi przy użyciu uczenia maszynowego i segmentacji

Rak piersi jest drug¿ najcz¿stsz¿ przyczyn¿ zgonów w¿ród kobiet i cz¿sto pozostaje niewykryty ä do osi¿gni¿cia zaawansowanego stadium. Wczesna identyfikacja ma kluczowe znaczenie, poniewä dok¿adna klasyfikacja guzów ¿agodnych i z¿o¿liwych mo¿e zapobiec niepotrzebnym zabiegom. W niniejszym badaniu przeanalizowano zastosowanie technik uczenia maszynowego w diagnostyce raka piersi przy u¿yciu zbioru danych Wisconsin Breast Cancer Dataset z repozytorium UCI. Wst¿pne eksperymenty z klasyfikatorem Naïve Bayes wykazäy 88% dok¿adno¿¿ w przypadku guzów ¿agodnych i 86% w przypadku guzów z¿o¿liwych. Jednak napotkano pewne ograniczenia, takie jak niska dok¿adno¿¿ i problemy z prawdopodobie¿stwem zerowej cz¿stotliwo¿ci. Przej¿cie na sztuczne sieci neuronowe (ANN) poprawi¿o wyniki do 90% dla klasyfikacji ¿agodnych i 92% dla z¿o¿liwych, ale nadal nie däo optymalnych rezultatów. W badaniach ostatecznie zastosowano techniki maszyn wektorów no¿nych (SVM), osi¿gaj¿c najwy¿sz¿ dok¿adno¿¿ wynosz¿c¿ 97% dla nowotworów ¿agodnych i 95% dla nowotworów z¿o¿liwych. Metoda ta skutecznie rozró¿nia typy nowotworów za pomoc¿ modelu liniowego opartego na hiperp¿aszczyznach. Wszystkie algorytmy zostäy zaimplementowane przy u¿yciu narz¿dzia R, które jest przyjazne dla u¿ytkownika i bezp¿atne, u¿atwiaj¿c przetwarzanie danych do klasyfikacji raka piersi.