Сравнительный анализ алгоритмов машинного обучения для обнаружения дыхания с использованием изображений МРТ логистической регрессии SVM random forest и CNN
Боковая панель статьи
Основное содержимое статьи
Аннотация
Рак молочной железы остается актуальной глобальной проблемой здравоохранения, требуя разработки передовых диагностических инструментов для раннего выявления. В данном исследовании оценивалась эффективность нескольких алгоритмов машинного обучения—логистической регрессии, метода опорных векторов (SVM), случайного леса (Random Forest) и сверточных нейронных сетей (CNN)—для анализа изображений магнитно-резонансной томографии (МРТ) при выявлении рака молочной железы. Каждый алгоритм классифицирует изображения МРТ как злокачественные или доброкачественные, используя уникальные преимущества: простоту логистической регрессии, устойчивость SVM, ансамблевый подход случайного леса и глубокое извлечение признаков CNN. Методология исследования включала предварительную обработку данных МРТ, извлечение признаков, таких как текстура и интенсивность изображения, и обучение на размеченном наборе данных. Эффективность моделей оценивалась по точности, точности классификации (precision), полноте (recall) и F1-мере. Результаты показали, что CNN демонстрирует наивысшую точность в 96,0% и полноту 98,6% (снижение ложных отрицательных результатов с 30 до 10). Далее следует логистическая регрессия с точностью 94,5% (полнота 97,1%), случайный лес с точностью 93,0% (полнота 94,0%) и SVM с точностью 92,5% (полнота 93,5%). Несмотря на меньшую точность, логистическая регрессия отличается высокой вычислительной эффективностью и интерпретируемостью, что делает её оптимальной для условий с ограниченными ресурсами. Выбор признаков повышает устойчивость всех алгоритмов. Исследование подчеркивает баланс между сложностью моделей и их клинической полезностью, демонстрируя превосходство CNN в точности и логистической регрессии в доступности и интерпретируемости. Будущие исследования могут изучать гибридные модели для улучшения диагностики рака молочной железы в различных клинических условиях.
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
American Cancer Society. (2024). Breast Cancer Statistics and Insights.
Provides global statistics on breast cancer, emphasizing the importance of early detection and diagnostic tools like MRI imaging.
Kuhl, C. K. (2017). Breast cancer screening with MRI. Radiology, 282(2), 321-339.
Discusses the role of MRI imaging in breast cancer screening, highlighting its high sensitivity for detecting abnormalities.
Zhang, Q., et al. (2018). Machine learning in medical imaging. IEEE Reviews in Biomedical Engineering, 11, 49-67. Reviews the application of machine learning in medical imaging, including breast cancer detection using MRI.
Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression. Wiley.
A foundational text on Logistic Regression, detailing its use in binary classification tasks like breast cancer diagnosis.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297. Introduces SVM, a robust algorithm for classification, applicable to breast cancer detection using MRI data.
Breiman, L. (2001). Random forests for classification. Machine Learning, 45(1), 5-32.Describes the Random Forest algorithm, an ensemble method used for classifying breast cancer in MRI images.
Krizhevsky, A., et al. (2012). ImageNet classification with deep CNNs. Advances in Neural Information Processing Systems, 25, 1097-1105. A seminal paper on CNNs, providing the foundation for their use in MRI image analysis for breast cancer detection.
Haralick, R. M., et al. (1973). Texture features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 3(6), 610-621. Introduces GLCM for feature extraction, a technique used to extract texture features from MRI images.
Sauerbrei, W., et al. (2007). Logistic regression variable selection. Statistics in Medicine, 26(8), 1596-1615. Explores feature selection in Logistic Regression, relevant for reducing dimensionality in MRI data analysis.
Mann, R. M., et al. (2019). MRI-based breast cancer detection. European Radiology, 29(8), 4056-4065. Examines the clinical applicability of MRI in breast cancer detection, supporting the use of machine learning for automation.
Erickson, B. J., et al. (2017). Radiology and machine learning. Radiology, 283(3), 677-691. Discusses the integration of machine learning in radiology, focusing on diagnostic accuracy for breast cancer.
Shen, L., et al. (2019). Deep learning applications in breast cancer. Medical Image Analysis, 58, 101535. Investigates deep learning, including CNNs, for breast cancer detection, emphasizing diagnostic accuracy.
Elsayes, K. M., et al. (2020). Advances in breast MRI diagnostics. Journal of Magnetic Resonance Imaging, 52(4), 1013-1027. Reviews advancements in MRI diagnostics for breast cancer, highlighting clinical applicability.
Litjens, G., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88. Surveys deep learning techniques, including CNNs, for medical imaging tasks like breast cancer detection.
Goodfellow, I., et al. (2016). Deep Learning. MIT Press. A comprehensive book on deep learning, covering CNNs and their application in medical imaging for diagnostic accuracy.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Covers machine learning techniques, including Logistic Regression and feature extraction, used in breast cancer studies.
Liberman, L., & Menell, J. H. (2002). BI-RADS for breast imaging. Radiologic Clinics,40(3),409-430. Introduces BI-RADS, a standardized system for classifying breast imaging results, relevant for MRI datasets.
Duda, R. O., et al. (2001). Pattern Classification. Wiley. Discusses pattern classification techniques, including feature extraction and machine learning, for medical diagnostics.
Vapnik, V. (1995). Support Vector Machines. Springer. A foundational work on SVM, detailing its mathematical framework and application in high-dimensional data like MRI images.
Zhang, Q., et al. (2018). Machine learning in medical imaging. IEEE Reviews in Biomedical Engineering, 11, 49-67. Reviews the application of machine learning in medical imaging, including breast cancer detection using MRI.