A Hybrid Method of 1D-CNN and Machine Learning Algorithms for Breast Cancer Detection

IF 1.2 Q3 MULTIDISCIPLINARY SCIENCES

Baghdad Science Journal Pub Date : 2024-03-19 DOI:10.21123/bsj.2024.9443

Ahmed Adil Nafea, Manar AL-Mahdawi, K. Alheeti, M. Alsumaidaie, Mohammed M. AL-Ani

{"title":"A Hybrid Method of 1D-CNN and Machine Learning Algorithms for Breast Cancer Detection","authors":"Ahmed Adil Nafea, Manar AL-Mahdawi, K. Alheeti, M. Alsumaidaie, Mohammed M. AL-Ani","doi":"10.21123/bsj.2024.9443","DOIUrl":null,"url":null,"abstract":"يعد سرطان الثدي من المخاوف الصحية ذات الأهمية، ومن الضروري اكتشافه مبكرًا للحصول على علاج فعال. في الآونة الأخيرة، كان هناك اهتمام متزايد باستخدام الذكاء الاصطناعي (AI) للكشف عن سرطان الثدي، مما أظهر نتائج في تعزيز الدقة وتقليل النتائج الإيجابية الخاطئة. ومع ذلك، هناك بعض القيود فيما يتعلق بدقة الكشف. تقدم هذه الدراسة منهجًا هجيناً يستخدم 1D CNN لاستخراج الميزات ويستخدم خوارزميات التعلم الآلي مثل XGBoost والغابات العشوائية (RF) وأشجار القرار (DT) وآلات ناقلات الدعم (SVM) و أقرب جار (KNN) لتصنيف العينات إما حميدة أو خبيثة تهدف إلى تعزيز الدقة في الكشف. تكشف النتائج التي توصلنا إليها أن خوارزمية XGBoost مع استخراج الميزات (D CNN1) حققت دقة قدرها 98.24% في مجموعة الاختبار. تسلط هذه الدراسة الضوء على جدوى استخدام خوارزميات التعلم الآلي والتعلم العميق في هذه الدراسة تم استخدام مجموعة بيانات سرطان الثدي في ولاية ويسكونسن (WBC)، للكشف عن سرطان الثدي. يبشر نهجنا بالوعد في تسهيل الكشف وتحسين النتائج من خلال توفير أدوات دقيقة وموثوقة لتشخيص سرطان الثدي.","PeriodicalId":8687,"journal":{"name":"Baghdad Science Journal","volume":null,"pages":null},"PeriodicalIF":1.2000,"publicationDate":"2024-03-19","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Baghdad Science Journal","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21123/bsj.2024.9443","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"MULTIDISCIPLINARY SCIENCES","Score":null,"Total":0}

引用次数: 0

Abstract

يعد سرطان الثدي من المخاوف الصحية ذات الأهمية، ومن الضروري اكتشافه مبكرًا للحصول على علاج فعال. في الآونة الأخيرة، كان هناك اهتمام متزايد باستخدام الذكاء الاصطناعي (AI) للكشف عن سرطان الثدي، مما أظهر نتائج في تعزيز الدقة وتقليل النتائج الإيجابية الخاطئة. ومع ذلك، هناك بعض القيود فيما يتعلق بدقة الكشف. تقدم هذه الدراسة منهجًا هجيناً يستخدم 1D CNN لاستخراج الميزات ويستخدم خوارزميات التعلم الآلي مثل XGBoost والغابات العشوائية (RF) وأشجار القرار (DT) وآلات ناقلات الدعم (SVM) و أقرب جار (KNN) لتصنيف العينات إما حميدة أو خبيثة تهدف إلى تعزيز الدقة في الكشف. تكشف النتائج التي توصلنا إليها أن خوارزمية XGBoost مع استخراج الميزات (D CNN1) حققت دقة قدرها 98.24% في مجموعة الاختبار. تسلط هذه الدراسة الضوء على جدوى استخدام خوارزميات التعلم الآلي والتعلم العميق في هذه الدراسة تم استخدام مجموعة بيانات سرطان الثدي في ولاية ويسكونسن (WBC)، للكشف عن سرطان الثدي. يبشر نهجنا بالوعد في تسهيل الكشف وتحسين النتائج من خلال توفير أدوات دقيقة وموثوقة لتشخيص سرطان الثدي.

查看原文本刊更多论文

用于乳腺癌检测的 1D-CNN 和机器学习算法混合方法

乳腺癌是一个重要的健康问题，早期检测对有效治疗至关重要。最近，人们对使用人工智能（AI）进行乳腺癌检测的兴趣日益浓厚，人工智能在提高准确性和减少误报方面取得了一定的成果。然而，在检测准确性方面还存在一些局限性。本研究提出了一种混合方法，即使用一维 CNN 进行特征提取，并使用 XGBoost、随机森林 (RF)、决策树 (DT)、支持向量机 (SVM) 和最近邻 (KNN) 等机器学习算法对样本进行良性或恶性分类，以提高检测准确率。我们的研究结果表明，带有特征提取的 XGBoost 算法（D CNN1）在测试集中达到了 98.24% 的准确率。本研究强调了使用机器学习和深度学习算法的可行性。在本研究中，威斯康星州乳腺癌（WBC）数据集被用于乳腺癌检测。我们的方法为乳腺癌诊断提供了准确可靠的工具，有望促进检测和优化结果。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Baghdad Science Journal MULTIDISCIPLINARY SCIENCES-

CiteScore

2.00

自引率

50.00%

发文量

102

审稿时长

24 weeks

期刊介绍： The journal publishes academic and applied papers dealing with recent topics and scientific concepts. Papers considered for publication in biology, chemistry, computer sciences, physics, and mathematics. Accepted papers will be freely downloaded by professors, researchers, instructors, students, and interested workers. ( Open Access) Published Papers are registered and indexed in the universal libraries.