癌症检测：机器学习与深度学习的应用与比较

### 癌症诊断的机器学习与深度学习方法综述 #### 乳腺癌诊断方法 目前，乳腺癌的检测方法主要有机器学习和深度学习两种。众多研究聚焦于机器学习，下面为大家介绍一些相关研究及其使用的工具、准确率和优势。 - **Megha Rathi等人的混合方法模型**：提出了基于混合方法的机器学习模型，运用MRMR特征选择与四个分类器（SVM、Naive Bays、End Meta和Function Tree）来确定最优结果。经比较，SVM是有效的分类器。 - **M. Tahmooresi等人的策略**：提出了另一种基于机器学习的策略，对决策树、SVM、KNN和ANN进行了比较，结果显示SVM是整体准确率最高的分类器，该策略应用于血液和图像数据集。 - **Anusha Bharat等人的模型**：使用了四个不同的分类器，即SVM、决策树（CART）、KNN和Nave Bayes。作者认为KNN的准确率更高，而SVM存在一定局限性。 以下是一些现有相关研究的详细信息表格： |作者与参考文献|数据集|使用技术|优势|准确率| | ---- | ---- | ---- | ---- | ---- | |Wang等人[18]|电子健康记录|逻辑回归|使用逻辑回归预测5年生存率|96.4%| |Akbugday[19]|乳腺癌威斯康星数据集|KNN和SVM|k - NN分类器的理想k值，KNN是简单的惰性学习算法，创建时间短|KNN 96.85%，NAÏVE BAYES – 95.99%，SVM – 96.85%| |V Chaurisya & S Paul[21]|威斯康星乳腺癌数据集|统计特征选择|从数据材料中筛选患者特征，进行统计测试，选择51个属性或特征，计算特征重要性得分，通过10折交叉验证进行XG Boost算法|92.3 %| |Keles, M. Kaya[20]|威斯康星诊断乳腺癌数据集|SVM vs KNN、决策树和Naives bayes|SVM通过将输入向量映射到高维特征空间来定位将数据点分为两类的超平面，最接近边界的实例与决策超平面的边际距离最大|96.91%| |R. Preetha等人[22]|威斯康星乳腺癌数据集|数据挖掘技术|发现隐藏的癌症及其相关信息|97.34%| |Naresh Khuriwal等人[23]|乳腺钼靶MIAS数据库|深度学习|使用CNN，准确率达98%|98%| |Delen等人[23]|癌症协会|ADABOOST|错误率低，在低噪声数据集上表现良好，所需输入参数少，对弱学习器的先验信息要求低|97.5 %| |Ajay kumar等人[8]|BCDW11和WBCD32数据集（来自UCI仓库）|分类技术（如SVM、KNN、Naïve Bayes和决策树）|使用WBCD32时SVM准确率为97.89%，使用BCDW11时为97.13%|97.13%| |Khourdifi等人[6]|威斯康星乳腺癌数据集|基于快速相关性的过滤器与SVM、随机森林、Naive Bayes|消除分类任务中冗余和无用的特征，减少属性数量|96.1%| |R. Chtihrakkannan, P. Kavitha等人[24]|乳腺钼靶图像|机器学习技术|使用DNN，准确率为96%|96%| 此外，还有一些其他研究： - Ebru Ayndindag Bayrak等人比较了机器学习方法，使用威斯康星乳腺癌数据集和WEKA，认为SVM产生了更优的性能矩阵结果。之后，深度学习技术被开发用于解决机器学习问题。 - Shewtha K等人提出了深度学习卷积神经网络模型，CNN使用了多种模型，其中Inception V3的准确率更高。 - Shravya等人提出了监督机器学习模型，使用了包括KNN、SVM和逻辑回归在内的分类器，SVM在Python平台上的准确率约为88%。 - Kalyani Wadkar等人提出了基于ANN的模型，SVM分类器评估其性能，SVM准确率为91%，ANN为97%。 - Vishal Deshwal等人推荐了基于SVM和网格搜索的模型，先进行SVM研究，再结合网格搜索，网格搜索方法获得了更高的准确率。 - S. Shamy等人提出了基于CNN和k - mean GMM的模型，使用纹理特征提取技术，准确率为95.8%。 - V Sansya Vijayam等人提出了基于深度学习的模型，专注于CNN进行分类和Lloyd’s技术进行聚类，准确率达到96%。 - Puspanjali Mohapatra等人提出了基于深度学习的技术来改善组织病理学图像，使用CNN时深度学习准确率为81%，在GPU上训练照片后准确率提高到89%。 - Chandra Church Chatterjee等人引入了基于深度残差神经网络的技术用于IDC预测，准确率为99.29%。 - Canh Phong Nguyen等人提出了深度学习方法，需要扩大数据集以获得最佳准确率。 #### 机器学习技术 - **离散傅里叶变换算法**：该方法在频域中分析输入的起始序列。若原始序列包含函数的所有非零值，函数的DTFT是连续（且周期性）的，DFT提供一个周期的离散样本；若原始序列是周期函数的一个周期，DFT返回一个DTFT周期的所有非零值。因此，DFT被认为在频域中反映了原始输入序列。 - **朴素贝叶斯**：是一种基于贝叶斯定理的分类策略，假设预测因子相互独立。简单来说，朴素贝叶斯分类器认为一个类中一个元素的接近程度对同一类中另一个元素的接近程度没有影响。“朴素”指的是一组特征，尽管它们相互依赖或与相反特征的缺失有关，但仍能自由提高某个类的可能性。 - **逻辑回归（LR）**：属于线性分类器，实际上等同于统计和多项式回归。它快速简单，能让你更轻松、快速地理解结果。逻辑回归对反应属于特定分类的概率进行建模，使用Sigmoid函数。 - **K近邻（KNN）**：是一种有监督的机器学习方法，可用于解决分类和回归问题。KNN评估数据中每个示例与查询之间的距离，选择与查询最近的K个实例，然后对标签进行平均或选择频率最高的标签进行数据分类（在回归情况下）。 下面用mermaid流程图展示KNN算法的基本流程： ```mermaid graph TD; A[输入数据和查询] --> B[计算距离]; B --> C[选择最近的K个实例]; C --> D[分类或回归处理]; D --> E[输出结果]; ``` 综上所述，为了降低乳腺癌导致的死亡率，可以使用乳腺癌预测技术和算法在早期识别和对抗这种疾病。为了更有效地预测疾病和提高系统的准确性，可以借鉴其他提出的模型和算法，考虑通过图像增强来扩大数据集，并从这些样本中收集重要特征。乳腺癌的诊断主要采用机器学习和深度学习方法，以往研究表明机器学习方法在各自领域表现出色，不过在处理线性数据时，机器学习能产生更好的结果。 ### 癌症诊断的机器学习与深度学习方法综述 #### 肺癌诊断方法 肺癌是由肺部细胞失控生长引起的，若不及时治疗，可能会导致严重后果。目前，已经有许多基于数据科学技术的肺癌治疗系统被开发出来，这些系统不仅使用方便，而且成本较低。下面为大家介绍一些2019 - 2022年间用于准确检测肺癌的机器学习方法。 目前检测肺癌的方法众多，大多依赖CT扫描或X光，且几乎都采用图像分类方法来寻找肺癌结节，同时结合多种分割方法和各类分类器算法以获得更准确的结果。研究表明，CT扫描图像的准确性更高，因此常被用于癌症检测。以下是一些具体的研究： |年份|方法|结果| | ---- | ---- | ---- | |2019|使用随机森林算法对数据进行分类|该方法在数据集1上的准确率达到100%，在数据集2上的准确率为96.31%| |2020|使用支持向量机（SVM）|在LIDC和ELCAP数据集中，该模型检测结节的准确率分别为97.34%和96.55%| |2021|使用机器学习和数字图像处理技术在照片中查找肿瘤|该设计的准确率为78%| |2021|使用基于三补丁局部二值模式描述符的离散余弦变换提取技术来检测和诊断肺癌|该方法在使用胸部CT扫描图像数据集时效果最佳，准确率达到93%，优于支持向量技术（91%）和K近邻算法| |2021|使用SVM、KNN和CNN进行早期肺癌识别|SVM的准确率为95.56%，KNN为88.40%，CNN为92.11%| 具体研究内容如下： - **2019年随机森林算法研究**：研究人员使用随机森林算法对肺癌数据进行分类。随机森林是医疗保健研究中最精确的学习算法，该方法在数据集1上实现了100%的准确率，在数据集2上的准确率为96.31%，相比之前的技术，在肺癌预测方面表现出更高的准确性。 - **2020年统计方法研究**：研究人员开发了一种计算机辅助诊断（CAD）系统用于早期肺癌检测。该系统通过对比度受限自适应直方图均衡化（CLAHE）提高图像对比度，使用形态学滤波器去除背景和几何对象，通过离散小波变换对图像进行去噪，利用灰度共生矩阵（GLCM）提取相关变量，使用主成分分析（PCA）选择特征，最后通过SVM确定图像的恶性或良性状态。该模型在LIDC和ELCAP数据集中检测结节的准确率分别为97.34%和96.55%。 - **2021年机器学习与图像处理结合研究**：Gopichand Shelke等人提出的方法结合了数字图像处理和机器学习规则。数字图像处理包括图像采集、灰度转换、降噪、图像二值化、分割、特征提取等步骤，机器学习则使用决策树进行结果预测，该设计的准确率为78%。 - **2021年混合肺癌检测系统研究**：研究人员创建了一个混合肺癌检测系统，使用基于三补丁局部二值模式描述符的离散余弦变换提取技术来检测和诊断肺癌。该方法在使用胸部CT扫描图像数据集时效果最佳，准确率达到93%，优于支持向量技术和K近邻算法。 - **2021年多算法对比研究**：研究人员比较了SVM、KNN和CNN在早期肺癌识别中的有效性。该研究使用Weka算法对肺癌数据集进行特征选择，采用相关属性方法选择特征。结果显示，SVM的准确率为95.56%，KNN为88.40%，CNN为92.11%，其中KNN分类器降低了整体准确率。 下面用mermaid流程图展示一般肺癌检测的流程： ```mermaid graph TD; A[获取CT或X光图像] --> B[图像预处理]; B --> C[特征提取]; C --> D[选择分类器]; D --> E[分类预测]; E --> F[输出结果]; ``` #### 总结 从乳腺癌和肺癌的诊断研究可以看出，机器学习和深度学习在癌症诊断领域发挥着重要作用。在乳腺癌诊断中，深度学习的性能通常优于机器学习，部分原因是数据集的增强。不同的分类器在不同的研究中表现各异，如SVM在许多研究中被证明是有效的分类器，但也有其局限性。在肺癌诊断中，CT扫描图像的准确性较高，基于随机森林的模型在预测准确性方面表现出色。 为了进一步提高癌症诊断的准确性和效率，未来可以考虑以下几点： - 继续扩大数据集，通过图像增强等技术获取更多有价值的信息。 - 探索不同算法的组合，以充分发挥各种算法的优势。 - 加强对特征选择和提取的研究，提高模型的泛化能力。 总之，随着技术的不断发展，机器学习和深度学习有望为癌症诊断带来更准确、更高效的解决方案，从而降低癌症患者的死亡率，提高患者的生存质量。