Aicmiú Tuar Ailse Chíche Bunaithe Ar Fhoghlaim Meaisín

Is í ailse chíche an cineál ailse is coitianta agus is marfach ar domhan. Bunaithe ar halgartaim meaisínfhoghlama mar XGBoost, foraoise randamach, aischéimniú lóistíochta, agus comharsa K-gaire, bunaíonn an páipéar seo samhlacha éagsúla chun ailse chíche a rangú agus a thuar, chun tagairt a sholáthar do dhiagnóis luath ailse chíche. Léiríonn athghairm an dóchúlacht go n-aimseofar cealla ailse i ndiagnóis leighis, rud a bhfuil an-tábhacht ag baint leis maidir le haicmiú ailse chíche, mar sin glacann an t-alt seo chun cuimhne mar an t-innéacs meastóireachta príomhúil agus breithníonn sé beachtas, cruinneas, agus meastóireacht scóir F1-. táscairí chun éifeacht tuar gach múnla a mheas agus a chur i gcomparáid. Chun deireadh a chur le tionchar coincheapa tríthoiseach éagsúla ar éifeacht an mhúnla, déantar na sonraí a chaighdeánú.

Tá an algartam comharsan K is gaire ar cheann de na halgartaim is bunúsaí i réimse na meaisínfhoghlama. Is é a phríomh-smaoineamh ná na samplaí K is gaire don spriocshampla a fháil, agus ansin lipéad an spriocshampla a thuar bunaithe ar lipéid na samplaí K seo. I saol laethúil an duine, is minic a úsáidimid modhanna comhchosúla chun cinntí a dhéanamh. Mar shampla, nuair a bhíonn fadhb áirithe le sárú againn, tugaimid chun cuimhne cásanna cosúla a bhí againn roimhe seo, ansin lorgaimid na cásanna is cosúla agus déanaimid cinntí bunaithe ar a dtorthaí. Réitigh a fhorbairt. Mar sin, tá dlúthbhaint ag an algartam K comharsa is gaire le cuimhne an duine.

Ar an gcéad dul síos, éilíonn an algartam comharsa K is gaire líon mór tacair oiliúna chun struchtúr sonraí a fhoghlaim agus a bhunú ar ghraf na gcomharsan is gaire. Mar an gcéanna, ní mór do dhaoine taithí a fháil i gcónaí ar rudaí éagsúla agus na heispéiris sin a stóráil i gcuimhne. Ní féidir linn cinntí agus breithiúnais a dhéanamh ar bhealach níos cruinne ach trí líon mór taithí agus eolais a bhailiú.

Ar an dara dul síos, cuireann an algartam K comharsa is gaire béim ar an tionchar a bhíonn ag cosúlacht ar thuar. Mar an gcéanna, agus cinntí á ndéanamh acu, is minic a smaoiníonn daoine ar eispéiris san am atá caite agus déanann siad iarracht eispéiris atá cosúil leis an staid reatha a aimsiú le haghaidh tagartha. Tá an próiseas seo chun cosúlachtaí a aimsiú ar cheann de na tréithe tábhachtacha cuimhne freisin.

Ar deireadh, san algartam comharsa K is gaire, tá tionchar mór ag luach K ar na torthaí tuar. Beidh torthaí tuartha éagsúla mar thoradh ar luachanna éagsúla K. Mar an gcéanna, nuair a mheabhraíonn daoine eispéiris san am atá caite, ní mór dóibh pointí tagartha agus modhanna éagsúla a roghnú ag brath ar an staid reatha. Is saintréith thábhachtach den chuimhne é an tsolúbthacht agus an inoiriúnaitheacht seo freisin. Is féidir a fheiceáil go gcaithfimid ár gcuimhne a fheabhsú. Is féidir le Cistanche deserticola feabhas suntasach a chur ar chuimhne toisc gur ábhar íocshláinte traidisiúnta Síneach é Cistanche deserticola le go leor éifeachtaí uathúla, agus is é ceann acu cuimhne a fheabhsú. Tagann éifeachtúlacht na mionfheoil ó na comhábhair ghníomhacha éagsúla atá ann, lena n-áirítear aigéad, polaisiúicrídí, flavonoids, etc. Is féidir leis na comhábhair seo sláinte inchinn a chur chun cinn ar bhealaí éagsúla.

Cliceáil Know chun cuimhne gearrthéarmach a fheabhsú

Chun an fo-thacar is fearr a aimsiú agus cruinneas an mhúnla a fheabhsú, rinneadh 15 ghné a scagadh amach mar ionchur don mhúnla trí thástáil comhghaoil ​​Pearson. Úsáideann an tsamhail K-chomharsan is gaire an modh tras-bhailíochtaithe chun an luach k optamach a roghnú trí úsáid a bhaint as aisghlaoch mar innéacs meastóireachta. Maidir leis an bhfadhb a bhaineann le héagothroime sampla dearfach agus diúltach, úsáidtear an modh samplála ordlathach chun an tacar oiliúna agus an tacar tástála a bhaint go comhréireach de réir catagóirí éagsúla. Léiríonn na torthaí turgnamhacha go mbeidh athruithe éagsúla ar éifeacht tuar an tsamhail chéanna faoi rannáin éagsúla tacar sonraí (8: 2 agus 7 : 3). Léiríonn anailís chomparáideach go bhfuil éifeachtaí níos fearr ag an tsamhail XGBoost a bunaíodh sa pháipéar seo (a roinneann an tacar oiliúna agus an leagan tástála faoi 8: 2), agus is é 1 a scóráil aisghairm, cruinneas, cruinneas agus F{9}}. 11}}, 0.960, 0.974, agus 0.980, faoi seach.

1. Réamhrá

Le deich mbliana anuas, tá méadú 47% ar mhinicíocht ailse chíche sa tSín, agus tá an mhinicíocht ag méadú bliain i ndiaidh bliana, agus tá minicíocht ailse chíche níos óige de réir a chéile [1]. Tá baint ag pathogenesis ailse chíche le hormóin phearsanta, stair teaghlaigh, pósadh, agus stair iompar leanaí [2]. Níl sé éasca ailse chíche a bhrath go luath, agus tá tréithe an luath-aois tosaithe aige ach cur i láthair déanach [3, 4]. Faoi láthair, tá príomhdhiagnóis ailse chíche bunaithe ar thrí mhodh: cíteolaíocht puncture [5], scanadh ultrafhuaime [6], agus X-gha mamagram [7]. Má ghabhtar othar go luath san ailse chíche, is amhlaidh is mó an seans go leigheasfar é agus is amhlaidh is fearr an prognóis. Dá bhrí sin, tá scrúdú rialta agus diagnóis luath an-riachtanach chun ailse chíche a chosc agus a bhrath go tráthúil.

Sa réimse leighis, is féidir le bunú samhlacha trí mhodhanna meaisínfhoghlama cabhrú le dochtúirí ráta braite ailse a fheabhsú, chun an cuspóir a bhaineann le luathbhrath agus cóireáil luath a bhaint amach. Tá torthaí maithe ag baint le modhanna meaisínfhoghlama maidir le diagnóis ailse [8, 9]. Tá Wu et al. [10] breathnaíodh moirfeolaíocht na gcealla faoin micreascóp agus fuarthas amach go raibh difríochtaí soiléire idir cealla ailse chíche agus gnáth-pharaiméadair cille sláintiúil. Soláthraíonn an toradh seo bonn teoiriciúil do go leor staidéar. Cé go bhfuil go leor modhanna meaisínfhoghlama i bhfeidhm faoi láthair maidir le haicmiú cille ailse chíche, ní féidir aon algartam aonair a chur i bhfeidhm ar gach fadhb. Tá a réimsí saineolais ag gach cineál algartam foghlama meaisín, agus mar sin tá an rogha algartam difriúil i gcásanna éagsúla.

Shen et al. D'úsáid [11] an tsamhail XGBoost chun ailse chíche a aicmiú agus a thuar, agus shroich an cruinneas 97.86%, agus shroich an aisghairm 95.83%. Deng et al. D'úsáid [12] algartam XGBoost chun ailse chíche a rangú agus a thuar le cruinneas 0.96 agus aisghairm 0.97. Monirujjaman Khan et al. Bhain [13] úsáid as samhlacha meaisínfhoghlama iolracha chun ailse chíche a shainaithint, agus ba iad foraoise randamach, crann cinntí, an comharsa K-gaire, agus aischéimniú lóistíochta na halgartaim a raibh scór F níos airde acu, 96%, 95%, 90%, agus 98%, faoi seach. Bhí Bhardwaj et al. [14] úsáid perceptron multilayer (MLP), K-chomharsa is gaire (KNN), algartam géiniteach (GP), agus foraoise randamach (RF) chun cealla ailse chíche neamhurchóideacha agus urchóideacha a rangú, agus léirigh na torthaí turgnamhacha go raibh an t-aicmitheoir optamach RF. le cruinneas aicmithe de 96.24%. Rinne Dong agus Ma [15] staidéar ar na marcóirí féideartha ar ailse chíche trí-dhiúltach, agus úsáideadh halgartaim meaisínfhoghlama chun a thuar an raibh ailse chíche trí-dhiúltach ag daoine. Léiríonn na torthaí go sroicheann cruinneas an mhúnla tuar aicmithe meaisín veicteoir tacaíochta (SVM) 97.8%.

Chun cruinneas modhanna aitheantais ailse chíche a fheabhsú agus halgartaim foghlama meaisín a fheabhsú, dúirt Wang et al. [16] mhol múnla foghlama ensemble AUC ualaithe bunaithe ar SVM le haghaidh diagnóis ailse chíche, ag baint úsáide as C-SVM agus V-SVM le 6 fheidhm eithne chun éagsúlacht an bhunshamhail atá leagtha síos a mhéadú agus torthaí cinntí éagsúla a chur i gcomparáid leis an gComhtháthú Réimse (WAUCE). ) samhail faoin gcuar saintréith oibre glactha ualaithe. Léiríonn na torthaí, ar an tacar sonraí beaga, go laghdaítear leis an struchtúr WAUCE atá beartaithe an t-athraitheas sa chruinneas diagnóiseach suas le 69.23% agus feabhsaítear an cruinneas de 0.94%. Tá Zheng et al. [17] thástáil an tacar sonraí Ailse Cíche Wisconsin (WDBC) de réir an algartam hibrideach K-modhanna agus meaisín veicteora sleachta gnéithe meall agus diagnóisíodh ailse chíche, agus léiríonn na torthaí go bhfeabhsaíonn an algartam hibrideach an cruinneas go 97.38%. Tá Jia et al. [18] mhol algartam nua leas iomlán a bhaint daonra, an Algartam Optimization Whale (WOA), a choigeartóidh go cliste paraiméadair an tsamhail SVM, agus léiríonn na torthaí turgnamhacha go bhfuil feidhmíocht an tsamhail WOA-SVM i bhfad níos fearr ná mar a bhí an traidisiúnta. múnla aitheantais ailse chíche, le cruinneas 97.5%.

Chun an fhadhb a bhaineann le teicnící meaisínfhoghlama rófheistithe a réiteach in aicmiú ailse chíche, ba cheart do Singh et al. [19] mhol líonra neural saorga atá nasctha go feidhmiúil (FLANN) agus fuarthas amach go turgnamhach go bhfuil ardchruinneas ag an múnla chun ailse chíche a dhiagnóisiú go luath. Mahesh et al. [20] teicníc ensemble XGBoost tuar ailse chíche a mholadh bunaithe ar phatrúin ghné ar a dtugtar, ag baint úsáide as teicneolaíocht forshamplála mionlaigh sintéiseacha (SMOTE) ar dtús chun déileáil le héagothroime sonraí agus fadhbanna torainn agus ansin úsáid a bhaint as aicmitheoir Bayes, aicmitheoir crann cinntí, agus foraoise randamach, faoi seach. , in éineacht le XGBoost agus na sonraí a rangú. De réir anailíse turgnamhacha, tá ráta cruinnis 98.20% ag an aicmitheoir ensemble XGBoost-Random Forest maidir le hailse chíche a bhrath go luath.

Bunaithe ar XGBoost, foraoise randamach, aischéimniú loighisticice, comharsa K-gaire, agus modhanna foghlama meaisín eile, bunaítear leis an bpáipéar seo samhlacha éagsúla chun ailse chíche a rangú agus a thuar, rud a sholáthraíonn tagairt do dhiagnóis luath ailse chíche. Nuair a chuireann formhór na staidéar samhlacha meaisínfhoghlama i bhfeidhm ar dhiagnóisiú cille ailse chíche, díríonn siad ar bheachtas, cruinneas, agus scór F1-an mhúnla a úsáid mar tháscairí chun cáilíocht an mhúnla a mheas, agus aird á tabhairt ar thábhacht dhiagnóiseach leighis aisghairm an mhúnla, a léiríonn an cion de chealla ailse chíche urchóideacha a thuar, agus dá airde an aisghlaoch, is mó an dóchúlacht go mbeidh cealla urchóideacha á thuar i gcealla ailse chíche. Mar sin, glacann an t-alt seo le hathghairm mar an príomhinnéacs agus déanann sé beachtas, cruinneas, agus scór F chun an tsamhail a úsáideadh a mheas.

Sa phróiseas samhaltú, is cuid an-tábhachtach é réamhphróiseáil sonraí, agus tá éifeacht an mhúnla tuar difriúil ag brath ar an modh próiseála. Chun deireadh a chur le tionchar coincheapa tríthoiseach éagsúla ar éifeacht an mhúnla, déantar na sonraí a chaighdeánú. Chun an fo-thacar is fearr a aimsiú agus cruinneas an mhúnla a fheabhsú, rinneadh roghnú gné de réir chomhéifeacht comhghaolaithe Pearson idir an athróg gné agus an athróg sprice. Maidir leis an bhfadhb a bhaineann le héagothroime sampla dearfach agus diúltach, úsáidtear an modh samplála ordlathach chun an tacar oiliúna agus an tacar tástála a bhaint go comhréireach de réir catagóirí éagsúla. Ag cur san áireamh go n-athraíonn éifeacht tuar na múnlaí meaisínfhoghlama faoi rannáin éagsúla tacar sonraí, úsáidfidh an páipéar seo rannáin éagsúla tacar sonraí (8: 2 agus 7 : 3) mar dhá shraith turgnaimh chun éifeacht tuar an mhúnla a bunaíodh sa pháipéar seo a urramú.

2. Réamhphróiseáil Sonraí

2.1. Réamhrá Sonraí. Is é an tacar sonraí a úsáidtear sa pháipéar seo ná na sonraí ailse chíche sa tacar sonraí UCI, a chuir an Dr William cáiliúil ó Institiúid Taighde Leigheas Cliniciúil Ollscoil Wisconsin [21] ar fáil. Ríomhtar gnéithe ó íomhá dhigiteach d'asúite mín snáthaide (FNA) de mhais chíche. Déanann siad cur síos ar shaintréithe na núicléis cille atá san íomhá. Bhí 569 sampla turgnamhacha sa tacar sonraí, lena n-áirítear 357 sampla neamhurchóideacha agus 212 sampla urchóideacha ailse chíche. Maidir leis na cealla a bhaintear as gach réad turgnamhach, bailítear na deich ngné seo a leanas dá núicléas go príomha: ga (meán an achair ón lár go pointe ar an imlíne), imlíne, réidh (athrú áitiúil i faid ga), achar, dlúthacht ( imlíne ∗ ∗ 2/achar-1.0), cuasacht (déine na gcodanna cuasach den chomhrian), siméadracht, uigeacht (diall caighdeánach luachanna scála liath), pointí cuasach (líon na gcodanna cuasach den chomhrian), agus toise fractal ("comhfhogasú cósta"-1). Ríomhadh meán, earráid chaighdeánach, agus "is measa" nó is mó (meán de na trí luach is mó) de na gnéithe seo do gach íomhá, agus bhí 30 gné mar thoradh air. Léiríonn an lipéad aicmithe an cineál ailse chíche. Mar sin, tá 30 gné san iomlán sa tacar sonraí samplach agus gné lipéad samplach amháin (urchóideach agus neamhurchóideach).

2.2. Caighdeánú Sonraí.

Trí raon luachanna gach gné a bhreathnú, faightear go bhfuil difríocht mhór idir luachanna sonraí na ngnéithe éagsúla. I roinnt samhlacha, tá tionchar mór ag toisí éagsúla ar an éifeacht tuar. Mar shampla, ní mór don algartam comharsa k-is gaire bunaithe ar achar roinnte an ghné sonraí a choinneáil comhsheasmhach, agus mar sin ní mór na sonraí a chaighdeánú roimh an samhaltú. Mar sin féin, tá tionchar níos lú ag an toise ar roinnt samhlacha, mar shampla an algartam foraoise randamach. Chun an turgnamh a dhéanamh comparáideach, láimhseáiltear sonraí samhlacha éagsúla ar an mbealach céanna.

I gcás fadhbanna le toisí sonraí samplacha éagsúla, cuimsíonn na modhanna próiseála gan toise a úsáidtear go coitianta caighdeánú sonraí, agus cuimsíonn modhanna caighdeánaithe sonraí caighdeánú Min-max agus caighdeánú Z-scór. Ina measc, nuair a bhíonn asluitigh lasmuigh den raon luacha ag na sonraí a úsáidtear, nó nuair nach bhfuil luachanna uasta agus íosta roinnt táscairí anaithnid, is féidir an caighdeánú Z-scór a úsáid.

Sa pháipéar seo, de réir saintréithe tacar sonraí ailse chíche WDBC, roghnaíodh an caighdeánú Z-scór chun na sonraí a phróiseáil. Leanann na sonraí arna bpróiseáil ag caighdeánú Zscore [22] gnáthdháileadh caighdeánach, is é sin, is é 0 an meán agus is é 1 an t-athraitheas. Seo a leanas an fhoirmle do chaighdeánú Z-scór:

2.3. Roghnú Gné. Mar chuid thábhachtach den phróiseas réamhphróiseála sonraí, is é roghnú gné an fo-thacar is fearr a aimsiú, is féidir le roghnú Gné gnéithe iomarcacha agus gan úsáid a laghdú chun cruinneas an mhúnla a fheabhsú. Tá an modh roghnúcháin gné roinnte go ginearálta sa mhodh ró-smaoineamh, an modh imchochlaithe, agus an modh leabaithe. Is féidir leis an modh scagtha a bheith neamhspleách ar an algartam a úsáidtear níos déanaí sa staidéar agus tá éifeachtacht ríomh ard agus cumas ginearálaithe láidir [23], mar sin úsáideann an modh roghnúcháin gné sa pháipéar seo an modh scagaire, agus is é an modh ginearálta achoimre ar an modh scagtha. léirithe i dTábla 2.

Comhlíonann na sonraí ailse chíche tar éis 0 meán normalú riachtanais na tástála comhéifeacht comhghaoil ​​Pearson sa mhodh scagtha; mar sin sa pháipéar seo, úsáidtear comhéifeacht comhghaolaithe Pearson [24] chun an comhghaol idir gach gné a thástáil agus an sprioc-athróg Is é foirmle comhghaolaithe Pearson mar seo a leanas:

3. Tógáil Múnla
Sa pháipéar seo, déantar na catagóirí ailse chíche a thuar bunaithe ar XGBoost, foraoise randamach, aischéimnithí loighistice, agus samhail K-neasghaol na Comharsanachta, faoi seach. Breathnaítear ar ailse chíche urchóideach mar shampla dearfach, agus breathnaítear ar ailse chíche neamhurchóideach mar shampla diúltach

Chun fadhb an éagothroime samplach a réiteach, úsáideann an páipéar seo modh samplála srathaithe [25] chun an tacar oiliúna agus an tacar tástála a bhaint as i gcomhréir le gach cineál sonraí samplacha. Tugtar sampláil cineáil ar shampláil shrathaithe freisin. Roinntear an daonra samplach i bhfodhaonraí atá neamhspleách ar a chéile. Rinneadh sampláil randamach i gcomhréir le gach fodhaonra. Tarraingíonn sampláil srathaithe sampla níos ionadaí agus tá sé níos oiriúnaí do shamplaí neamhchothromaithe.

D’fhéadfadh éifeachtaí samhla éagsúla a bheith mar thoradh ar dheighilt tacair sonraí éagsúla. Mar sin, déanann an páipéar seo dhá ghrúpa turgnaimh de réir rannán difriúil den tacar sonraí samplach. Roinn an chéad ghrúpa na sonraí i sraith oiliúna agus sraith tástála i gcóimheas 8: 2, agus roinneadh an dara grúpa na sonraí i sraith oiliúna agus sraith tástála i gcóimheas 7 : 3. Breathnaigh ar fheidhmíocht mhúnla na na ceithre algartam faoi dheighilt tacair sonraí éagsúla.

3.1. Táscairí Meastóireachta. Sa staidéar seo, baineadh úsáid as cruinneas, beachtas, aisghairm, agus scór F1-[26, 27] chun éifeacht tuar na samhla a mheas. Agus aird ar leith ar dhiagnóis leighis, táthar ag súil go bhféadfar gach ailse chíche urchóideach a thuar. Dá bhrí sin, glactar leis an aisghairm mar innéacs meastóireachta tábhachtach anseo. Dá airde an t-aisghairm, is ea is airde an céatadán d'ailse brollaigh urchóideacha is féidir a thuar. Is féidir leis na torthaí aicmithe múnla maitrís mearbhall a ghiniúint [28], mar a thaispeántar i dTábla 4

Anseo, is fíordhearfach é TP, rud a thugann le fios líon na samplaí dearfacha atá tuartha mar shamplaí dearfacha. Is fíor diúltach é TN, rud a léiríonn líon na samplaí diúltacha a thuartar mar shamplaí diúltacha. Is dearfach bréagach é FP, rud a léiríonn líon na samplaí dearfacha a thuar ó shamplaí diúltacha, ar a dtugtar earráid chineál 1. Is diúltach bréagach é FN, rud a léiríonn líon na samplaí dearfacha a thuar mar shamplaí diúltacha, ar a dtugtar earráid chineál 2

Beachtas, arna ghiorrú mar P. I gcás na dtorthaí tuartha, is ionann beachtas agus cé mhéad de na samplaí dearfacha tuartha atá ina samplaí dearfacha, agus is í an fhoirmle ná:

3.2. Múnla Réamh-mheasta Ailse Cíche Bunaithe ar XGBoost. Is algartam Treisithe é XGBoost, gearr le haghaidh treisiú mór grádán, [29]. Is halgartaim chomhtháthaithe iad XGBoost agus foraoise randamach bunaithe ar an gcrann cinntí. Difriúil ón algartam Bagging, tógann an algartam Treisiú foghlaimeoirí laga ceann ar cheann, ag carnadh foghlaimeoirí laga iolracha trí atriall leanúnach [30]. Is é an fheidhm oibiachtúil

. (9) Is féidir le téarmaí rialta a chur leis éagsúlacht an mhúnla a laghdú agus an múnla a fhaightear leis an tsraith oiliúna a dhéanamh níos simplí, chun cosc ​​a chur ar tharlú. Úsáidtear an algartam XGBoost chun an tsamhail a oiliúint ar an tacar sonraí oiliúna. Sa phróiseas oiliúna múnla, déantar na paraiméadair a choigeartú chun sraith paraiméadair níos fearr a fháil, agus ar deireadh, faightear an tsamhail réamhaisnéise is fearr. Baineadh úsáid as an tsamhail chun catagóirí ailse chíche a thuar sna

socrú. Nuair a roinneadh an tacar sonraí ina thacar oiliúna agus ina thacar tástála faoi 8:2, ba é 0.974, {{5} cruinneas, beachtas, athghairm, agus scór F1-an tsamhail XGBoost. }.960, 1.00, agus 0.980, faoi seach. Nuair a bhí an tsamhail XGBoost roinnte ina thacar oiliúna agus socraithe tástála faoi 7 : 3, ba é 0}.959, {{20} cruinneas, beachtas, athghairm, agus scór F1-an tsamhail XGBoost. }.946, 0.991, agus 0.968, faoi seach. Léiríonn na torthaí go bhfuil feidhmíocht tuar níos fearr ag an tsamhail XGBoost nuair a roinntear an tacar sonraí faoi 8: 2. Léiríonn an ráta athghairm de 1 go ndearna an tsamhail XGBoost réamh-mheasta i gceart ar gach ailse chíche malignant sa sampla, rud atá an-tábhachtach le haghaidh dia leighis.

ois. 3.3. Múnla Réamh-mheasta Ailse Chíche Bunaithe ar Fhoraois Randamach. Is algartam foghlama maoirsithe é foraoise randamach a chomhtháthaíonn crainn iolracha tríd an smaoineamh Bagging [31-33]. Úsáidtear an modh bootstrap chun an tacar sampla oiliúna a bhaint as na sonraí samplacha bunaidh, agus déantar an múnla crann cinnteoireachta comhfhreagrach a oiliúint do gach sraith oiliúna. Ar deireadh, déantar vótáil ar gach bonn-aicmitheoir, agus is é an ceann is mó vótaí an chatagóir deiridh.

gory. Nuair a roinneadh an tacar sonraí ina thacar oiliúna agus ina thacar tástála faoi 8:2, ba é 0.965, {{5) cruinneas, beachtas, aisghairm, agus scór F1-an tsamhail foraoise randamach. }}.947, 1.00, agus 0.973, faoi seach. Nuair a roinneadh an tacar sonraí ina thacar oiliúna agus ina thacar tástála faoi 7 : 3, b'ionann cruinneas, cruinneas, athghairm, agus scór F1- 0.953, 0.946, { {18}}.981, agus 0.963, faoi seach. Léiríonn na torthaí go bhfuil feidhmíocht thuar níos fearr ag an tsamhail foraoise randamach nuair a roinntear an tacar sonraí faoi 8: 2. Ba é ráta athghairm an mhúnla seo freisin 1, rud a léiríonn go ndearna an tsamhail foraoise randamach réamh-mheasta i gceart freisin ar gach cíche malignant.

ach l. Is iad na trí ghné bhunúsacha den algartam k-chomharsan is gaire ná achar a thomhas, roghnú k-luach, cinneadh aicmithe Is iad na trí ghné bhunúsacha den algartam k comharsa is gaire ná achar a thomhas, roghnú luach k, agus riail an chinnidh aicmithe.

Chun an fhadhb a bhaineann le roghnú luach K san algartam comharsan k is gaire, úsáideann an páipéar seo an modh tras-bhailíochtaithe deich n-uaire (38, 39) agus glacann sé an ráta athghairme mar innéacs meastóireachta múnla chun luach k cuí a roghnú. Bíodh raon luachanna k 1–40, agus i gcás gach k, déantar an trasbhailíochtú faoi dheichniúr. Is é an luach k leis an uasráta athghairme ná an luach barrmhaith k. Taispeántar i bhFíor 1 athghairm luachanna difriúla k faoin tras-bhailíochtú faoi dheich.

Is féidir a fheiceáil ó Fíor 1 go laghdaítear an t-aisghairm de réir mar a mhéadaíonn luach k. Nuair a bhíonn k � 3 agus k � 5, is é an t-aisghairm is mó. Toisc go bhfuil an luach k socraithe ró-bheag, is furasta é a rófheistiú, mar sin socraítear an luach k mar 5 anseo.

Nuair a roinneadh an tacar sonraí ina thacar oiliúna agus ina thacar tástála faoi 8:2, ba é 0} cruinneas, beachtas, aisghlaoch, agus scór F1-an tsamhail k- chomharsanachta.912, { {6}}.888, 0.986, agus {{10}}.934, faoi seach. Nuair a roinneadh an tacar sonraí ina thacar oiliúna agus ina thacar tástála faoi 7 : 3, ba é 0.930, {{21} cruinneas, beachtas, athghairm agus scór F1- }.906, 0.991, agus 0.946, faoi seach. Léiríonn na torthaí go bhfuil feidhmíocht tuar níos fearr ag an tsamhail k-chomharsan is gaire nuair a roinntear an tacar sonraí ar 7 : 3.

4. Comparáid agus Anailís

Chun feidhmíocht an mhúnla a bunaíodh sa pháipéar seo a thuiscint níos fearr, tá an páipéar seo bunaithe ar thimpeallacht forbartha Python 3.9.7 agus úsáideann sé na sonraí ailse chíche a sholáthraíonn an Dr William d'Institiúid Taighde Leighis Cliniciúil Ollscoil Wisconsin le haghaidh turgnaimh.

Is é an timpeallacht thurgnamhach córas oibriúcháin Windows 11, is é Intel(R) Core(TM) i5-1155G7@ 2.50 GHz 2.50 GHz an próiseálaí, agus is é 8.00 GB an chuimhne.

Taispeántar paraiméadair turgnamhacha gach múnla i dTábla 5, agus déanfar na trí thorthaí anailíse comparáideacha seo a leanas: (1) comparáid feidhmíochta gach múnla sa pháipéar seo nuair a roinntear an tacar sonraí i sraith oiliúna agus sraith tástála i 8 : 2. (2) Comparáid feidhmíochta gach múnla sa pháipéar seo nuair a roinntear an tacar sonraí i sraith oiliúna agus sraith tástála i 7 : 3. (3) Comparáid le roinnt samhlacha sa litríocht [11-14].

(1) Nuair a roinntear an tacar sonraí i sraith oiliúna agus sraith tástála faoi 8: 2, taispeántar feidhmíocht gach múnla i dTábla 6.

Mar atá le feiceáil ó Thábla 4, nuair a roinntear an tacar oiliúna agus an tacar tástála i gcóimheas 8: 2, tá cruinneas na gceithre mhodh foghlama meaisín os cionn 0.9, ina measc tá XGBoost agus RF thuas 0. {5}}.95. Is é 0}.974 cruinneas réamh-mheasta XGBoost, rud a thugann le fios go bhfuil ardchruinneas tuartha ann. Maidir le cruinneas, níl cruinneas an mhúnla KNN ard, faoi bhun 0.9, ach 0.888. Tá an cruinneas is airde ag XGBoost, is é sin 0.960. Maidir leis an aisghairm, is ionann aisghlaoch XGBoost, foraoise randamach, agus halgartaim aischéimniúcháin loighisticice ar fad 1. Tá an t-aisghairm is ísle ag an algartam k-chomharsan is gaire, ach tá sé os cionn 0.95 freisin. Don staidéar seo, is ionann rátaí athghairme agus an céatadán de shamplaí urchóideacha ailse chíche a diagnóisíodh i gceart. I leigheas, is gá galar a dhiagnóiseadh. Is é an iarmhairt nach ndéantar diagnóis ná moill ar chóireáil, rud a d’fhéadfadh go gcaillfeadh othair an t-am is fearr le haghaidh cóireála. Tá sé seo i bhfad níos tromchúisí ná a bheith diagnóisithe le galar gan a bheith acu. Dá bhrí sin, is táscaire an-tábhachtach é an ráta athghairme i réimse diagnóis galair. Anseo, tá aisghairm XGBoost, foraoise randamach, agus algartam aischéimnithí loighisticice ar fad 1, rud a léiríonn go bhfuil gach ailse chíche urchóideacha sna samplaí diagnóisithe. Maidir leis an scór F, is féidir a fheiceáil go bhfuil an scór F{1-de XGBoost, foraoise randamach, agus aischéimniú lóistíochta ar fad os cionn 0.95. Is é an scór F{1-den algartam XGBoost an ceann is airde, ag baint amach 0.980. Tá an scór F{1-is ísle de 0.934 ag an tsamhail K-chomharsan is gaire. Agus na ceithre tháscaire á gcur san áireamh, is féidir a rá, nuair a roinntear an tacar sonraí i sraith oiliúna agus sraith tástála faoi 8: 2, go bhfuil éifeacht mhúnla iomlán an algartam XGBoost níos fearr ná na trí mhúnla eile. Ní hamháin gur bhain XGBoost aisghlaoch 1 amach ach bhain sé aisghairm 0.95 nó níos mó amach freisin do na trí mhéadracht eile.

(2) Nuair a roinntear an tacar sonraí i sraith oiliúna agus sraith tástála i 7 : 3, taispeántar feidhmíocht gach múnla i dTábla 7.

Mar atá le feiceáil ó Tábla 7, nuair a roinntear an tacar oiliúna agus an tacar tástála ar 7 : 3, níl éifeacht mhúnla XGBoost agus RF chomh maith le 8: 2. Ar an gcéad dul síos, i dtéarmaí an innéacs tábhachtach cuimhne, nuair a roinntear an tacar sonraí faoi 8: 2, bhí an aisghairm XGBoost agus RF araon 1, ach anois tá siad laghdú go dtí 0.991 agus {{10}}.981, faoi seach . Tá laghdú beag tagtha ar an dá mhúnla sna trí innéacs eile freisin. Mar sin féin, tá an t-athrú ar éifeacht réamh-mheasta an aischéimnithe loighisticice agus an tsamhail K-chomharsan is gaire difriúil ón dá algartam seo. Maidir leis an tsamhail aischéimniúcháin loighisticice, is ar éigean a d'athraigh na ceithre tháscaire nuair a roinneadh an tacar oiliúna agus an tacar tástála ar 7 : 3 agus 8: 2, faoi seach. Léiríonn sé seo nach bhfuil tionchar beagnach ag deighiltí tacair sonraí éagsúla ar an tsamhail aischéimniúcháin lóistíochta. I gcás scoilte 7 : 3 idir an tacar oiliúna agus an tacar tástála, léirigh aischéimniú lóistíochta cruinneas níos ísle, cruinneas, agus scór F1- ná XGBoost agus foraoise randamach. Mar sin féin, is é 1 an tsamhail aischéimniúcháin loighisticice a aisghairm, rud a léiríonn go bhfuil gach ailse chíche urchóideacha tuartha, rud a bhfuil tábhacht mhór aige le haghaidh diagnóis galair. Mar sin, is féidir a rá go bhfuil éifeacht tuar an mhúnla aischéimniúcháin loighisticice níos fearr ná na trí algartam eile. Maidir leis an tsamhail KNN, nuair a roinneadh an tacar oiliúna agus an tacar tástála ar 7 : 3, tháinig méadú ar na ceithre innéacs. Mhéadaigh an t-aisghairm go dtí 0.991, a bhí níos airde ná an foraoise randamach. Mhéadaigh cruinneas, cruinneas, agus scór F ó 0.912, {{30}.887, agus 0.934 go 0 .930, 0.906, agus 0.946, faoi seach. Mar sin, is fearr a fheidhmíonn an tsamhail KNN i gcás an tacair oiliúna agus an tsraith tástála roinnte ar 7 : 3 ná an tsamhail roinnte ar 8: 2. Léiríonn an anailís nach bhfuil roinnt na dtacar sonraí socraithe. I gcás samhlacha éagsúla, tugann rannáin éagsúla athruithe difriúla ar an éifeacht tuar múnla.
(3) De réir an anailís chomparáideach ar Táblaí 6 agus 7, tá an éifeacht is fearr ag an múnla XGBoost a bunaíodh sa pháipéar seo (roinnt an tsraith oiliúna agus an leagan tástála faoi 8: 2), agus déanann an méid seo a leanas é a chur i gcomparáid le feidhmíocht an mhúnla sa litríocht [11–14] agus tá na torthaí sonracha léirithe i dTábla 8.

Mar atá le feiceáil ó Tábla 8, is iad na samhlacha feidhmíochta níos fearr de na cúig mhúnla ná an tsamhail aischéimnithí Loighistice den litríocht [13] agus an tsamhail XGBoost a bunaíodh sa pháipéar seo. Is é athghairm agus cruinneas na samhla sa litríocht [13] ná 0.99 agus 0.98, faoi seach, agus is é 1.{{8} athghairm agus cruinneas an mhúnla sa pháipéar seo. } agus 0.974, faoi seach, i gcomparáid leis an litríocht [13], tá cuimhne an mhúnla ard, agus léiríonn an aisghlaoch i ndiagnóis leighis an dóchúlacht go ndéanfar cealla ailse a bhrath, rud a bhfuil tábhacht mhór aige don aicmiú. de chealla ailse chíche, mar sin tá éifeacht tuar níos fearr ag an tsamhail XGBoost a bunaíodh sa pháipéar seo agus is féidir é a úsáid mar uirlis leighis chun cabhrú le dochtúirí pleananna cóireála a dhéanamh d'othair ailse chíche.

5. Conclúid

Thuar an páipéar seo go príomha na catagóirí ailse chíche, ó réamhphróiseáil sonraí go roghnú gné, agus ansin go bunú an mhúnla. Ar deireadh, rinneadh comparáid agus anailís ar na torthaí tuar ó go leor gnéithe.

Sa pháipéar seo, glactar le haisghairm mar innéacs tábhachtach chun samplaí malignacha ailse chíche a thuar chomh cruinn agus is féidir. Bhí 30 gné sa bhunthacar sonraí, agus roghnaíodh 15 ghné mar ionchur an mhúnla trí thástáil comhghaoil ​​Pearson. Roimh an tógáil múnla, rinneadh sonraí a chaighdeánú chun deireadh a chur le tionchar toisí éagsúla ar éifeachtaí múnla. Maidir le fadhb na samplaí dearfacha agus diúltacha neamhchothromaithe, úsáidtear an modh samplála srathaithe chun tacair oiliúna agus tacair tástála a bhaint go comhréireach de réir catagóirí éagsúla sonraí. Agus an luach k optamach á roghnú sa chomharsa k-gaire, úsáidtear an t-aisghairm mar innéacs meastóireachta an tsamhail, ionas gurb é an luach k leis an ráta aisghairme is airde an luach is fearr.

Déantar comparáid agus anailís ar na samhlacha ó thrí ghné. Léirítear na torthaí mar seo a leanas:

pects. Taispeántar na torthaí mar seo a leanas: (1) I gcás an tacar oiliúna agus an tástáil atá leagtha síos a roinnt faoi 8: 2, is é 1 an aisghairm XGBoost, foraoise randamach, agus aischéimnithí loighisticice, is féidir le gach ailse chíche urchóideacha a thuar an K. -tá an t-aisghairm chomharsa is gaire beagán níos ísle ná 0.986 i gcomparáid leis na trí mhúnla eile. Maidir le cruinneas tuartha, beachtas, agus scór F1-an tsamhail, tá torthaí mhúnla XGBoost níos fearr ná torthaí aischéimnithe foraoise randamach agus lóistíochta, is iad sin 0.974, {{1 0}}.96, agus 0.98, faoi seach, mar sin roghnaítear an tsamhail XGboost mar an tsamhail tuar deiridh faoi choinníoll rannán 8: 2 den tsraith oiliúna agus an tsraith tástála.

(2) I gcás an tacar oiliúna agus an tacar tástála a roinnt ar 7 : 3, tháinig laghdú ar luachanna na gceithre tháscaire meastóireachta do XGBoost agus foraoise randamach, agus b'ionann luachanna na gceithre tháscaire meastóireachta don tsamhail K-chomharsan is gaire. feabhsaithe, ach le haghaidh an aisghairm, ní raibh ach aisghairm an mhúnla aischéimnithí loighisticice ná 1, agus bhí na samhlacha eile os cionn 0.98, agus mar sin ba é an éifeacht tuar múnla ar aischéimniú loighisticice an chuid is fearr, agus an cruinneas a thuar, cruinneas , agus F1-scór cúlchéimnithe loighisticice ná 0.947, {{10}.922, agus 0.96, faoi seach.

(3) Is féidir a fheiceáil ó thurgnaimh go bhfuil athruithe difriúla ar éifeacht tuar an mhúnla faoi rannáin éagsúla. Ag déanamh comparáide idir na samhlacha is fearr sa dá shraith de thurgnaimh dhifriúla, is féidir a fheiceáil go bhfuil cruinneas tuar, cruinneas, agus scór F1-an tsamhail XGBoost (a roinneann an tacar oiliúna agus an socrú tástála faoi 8: 2) níos airde ná an tsamhail aischéimniúcháin loighisticice (a roinntear an tacar oiliúna agus an tástáil socraithe ag 7 : 3) nuair a bhíonn an aisghairm 1, agus mar sin oibríonn an tsamhail XGBoost (a roinneann an tacar oiliúna agus an tástáil socraithe ag 8: 2) is fearr sa mhúnla atá bunaithe sa pháipéar seo. Ina theannta sin, i gcomparáid leis na samhlacha sa litríocht [11-14], tá éifeacht níos fearr ag an tsamhail XGBoost a bunaíodh sa pháipéar seo agus féadann sé cealla ailse chíche urchóideacha a aithint go cruinn. Mar sin féin, tá an taighde seo teoranta do thacair sonraí uimhriúla, agus sa todhchaí, déanfaimid iarracht halgartaim dhomhainfhoghlama a úsáid chun teicnící eastósctha gnéithe éagsúla a chur i bhfeidhm ar shonraí íomhá (cosúil le híomhánna X-gha) chun torthaí aicmithe níos fearr a fháil.

Infhaighteacht Sonraí

Tá na sonraí a thacaíonn le torthaí an staidéir seo ar fáil go hoscailte i Stór Foghlama Meaisín UCI ag https:// archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+ %28Diagnostic%29.

Coinbhleachtaí Leasa

Dearbhaíonn na húdair nach bhfuil aon choinbhleachtaí leasa acu.

Buíochas

Thacaigh Fondúireacht Náisiúnta Eolaíochta Nádúrtha na Síne (Deontas uimh 61502156), Tionscadal Teagaisc agus Taighde Choiste Oideachais Hubei (Deontas uimh 282), agus Fondúireacht Dochtúireachta Ollscoil Teicneolaíochta Hubei (Deontas uimh. BSQD13051) leis an obair seo.

Tagairtí

[1] V. Fotedar, S. Fotedar, P. Takur, S. Vats, A. Negi, agus L. Chanderkant, “Eolas ar fhachtóirí riosca ailse chíche agus modhanna chun é a bhrath go luath i measc na n-oibrithe cúram sláinte príomhúil i Shimla, Himachal Pradesh," Iris Oideachais agus Cothú Sláinte, imleabhar. 8, lch. 265, 2019.

[2] MS Simon, TA Hastert, A. Barac, et al., "Fachtóirí riosca cardiometabolic agus marthanais tar éis ailse i dtionscnamh sláinte na mban," Ailse, vol. 127, uimh. 4, lgh. 598–608, 2021.

[3] HF Pasha, RH Mohamed, MM Toam, agus AM Yehia, "Modhnuithe géiniteacha agus epigenetic géine adiponectin: p," The Journal of Gene Medicine, vol. 21, uimh. 10, lch. e3120, 2019.

[4] D. Hong, AJ Fritz, SK Zaidi, et al., "Epitelial go trasdul mesenchymal agus cealla gas ailse cur le ilchineálacht ailse chíche," Journal of Cellular Fiseolaíocht, vol. 233, uimh. 12, lgh. 9136–9144, 2018.

[5] J. Zhong, D. Sun, W. Wei, et al., "Codarsnacht feabhsaithe ultrafhuaime-treoraithe asúite snáthaidí le haghaidh bithóipse nód limfe fairtheora in ailse chíche luathchéime," Ultrafhuaim sa Leigheas agus Bitheolaíocht, vol. . 44, uimh. 7, lgh. 1371–1378, 2018.

[6] K. Babic, C. Siguan-Bell, M. Hee, agus SC Lin, "Ocular g: measúnú ultrafhuaime B-scanadh ar spúinse máinliachta coinnithe tar éis máinliacht comhla Ahmed: cás r," Journal of Glaucoma, vol. 26, uimh. 10, lgh. e239–e241, 2017.

[7] A. Yala, PG Mikhael, F. Strand, et al., "I dtreo múnlaí láidre mamagrafaíocht-bhunaithe le haghaidh riosca ailse chíche," Science Translational Medicine, vol. 13, uimh. 578, ID an Airteagail eaba4373, 2021.

[8] G. Zheng, X. Liu, agus G. Han, "íomhá leighis ríomhchuidithe athbhreithniú córas braite agus diagnóis," Journal of Bogearraí, vol. 29, uimh. 5, lgh. 1471–1514, 2018.

[9] EY Huang, S. Knight, CR Guetter, et al., “Teileleighis agus telementoring sna speisialtachtaí máinliachta: athbhreithniú inste, The American Journal of Surgery, imleabhar 218, uimh. 4, lgh. 760-766, 2019.

[10] Q. Wu, BT Wang, HR Rao, Y. Jiang, agus C. Liu, "ailse chíche agus cealla galar neamhurchóideacha taighde méadreolaíochta," Journal of Anhui Ollscoil Leighis, vol. 31, uimh. 02, lgh. 91–93, 1996.

[11] Q. Shen, F. Shao, agus R. Sun, "Samhail tuar ar ailse chíche bunaithe ar xgboost," Journal of Qingdao University (Eagrán Eolaíochta Nádúrtha), vol. 32, uimh. 1, 2019.

[12] Z. Deng, B. Su, agus K. Zhan. g, "Aicmiú ailse chíche bunaithe ar fhoghlaim ensemble," China Medical Feistí, vol. 35, uimh. 12, 2020.

[13] M. Monirujjaman Khan, S. Islam, S. Sarkar, et al., "Anailís chomparáideach bunaithe ar fhoghlaim meaisín le haghaidh tuar ailse chíche," Journal of Healthcare Engineering, vol. 2022, ID Airteagal 4365855, 15 leathanach, 2022.

[14] A. Bhardwaj, H. Bhardwaj, A. Sakalle, Z. Uddin, M. Sakalle, agus W. Ibrahim, "Crann-bhunaithe agus anailís algartam foghlama meaisín le haghaidh aicmiú ailse chíche," Faisnéise Ríomhaireachtúil agus Néareolaíocht, vol. 2022, Airteagal ID 6715406, 6 leathanach, 2022.

[15] H. Dong agus L. Ma, "Samhail tuar ar ailse chíche triple-diúltach bunaithe ar fhoghlaim meaisín," Journal of Yunnan University, vol. 39, uimh. 1, lgh 111–115, 2017.

For more information:1950477648nn@gmail.com