發(fā)布時間：2020-06-08 05:14

【摘要】：當前,乳腺癌是世界上相對頻發(fā)的惡性腫瘤之一,它的發(fā)展極大的危害了廣大女同胞的生命以及健康。常見的乳腺癌檢測方法包括X放射、CT、熱成像、超聲顯像等方法,但上述方法不僅需要極高的檢查費用,而且也會給患者身體帶來較大的損害以及痛苦。假如能有一種成本較低、效率較高而且對患者傷害小的診斷方法應(yīng)用于早期診斷,便可以降低患者的痛苦以及減少其經(jīng)濟支出。所以,乳腺癌診斷模型的建立便具有很高的實用價值,通過使用已經(jīng)建立好的乳腺癌檢測模型對乳腺癌疑似患者進行檢查,從而輔助醫(yī)生進行臨床決策以及提升乳腺癌的早期確診率。本文基于實驗室乳腺癌的三重評估基礎(chǔ)上,提出使用機器學習的方法對乳腺癌進行診斷。機器學習的數(shù)據(jù)集來源于UCI機器學習庫中的699組乳腺癌數(shù)據(jù),該數(shù)據(jù)集為University of Wisconsin醫(yī)學研究中心的相關(guān)人員提取的乳腺癌診斷指標,本文通過逐步回歸以及PCA主成份分析方法分析該數(shù)據(jù)集中與乳腺癌相關(guān)的10個屬性,從而得到與乳腺癌密切相關(guān)的特征屬性,并保留其作為BP神經(jīng)網(wǎng)絡(luò)、決策樹、集成學習等機器學習的輸入變量。早期的乳腺癌診斷方法不僅給患者帶來極大的痛苦,而且診斷費用較高。機器學習在處理比較復雜的問題時候卻具有較高的準確率,并且對新樣本具有良好的預測效果,從而可使機器訓練出來的模型輔助臨床醫(yī)生進行診斷,同時提升乳腺癌的早期診斷率。本文將使用UCI數(shù)據(jù)集中的乳腺癌診斷數(shù)據(jù)作為本文的實驗數(shù)據(jù),其中將683組數(shù)據(jù)(16組為數(shù)據(jù)不全的,已去掉)按照實驗要求6:4的比例分為訓練數(shù)據(jù)集、測試數(shù)據(jù)集。然后,分別使用機器學習中的C4.5決策樹、BP神經(jīng)網(wǎng)絡(luò)以及集成學習等學習模型分別建立相應(yīng)的疾病診斷模型進行仿真模擬。最后使用測試數(shù)據(jù)對各個建立好的算法模型進行測試,實驗表明各個模型的預測結(jié)果與原數(shù)據(jù)的關(guān)聯(lián)性較強,說明建立的模型預測效果較好。其中基于BayesNet、Logistic、DecisionTable等算法集成的模型不僅比其中任意一個基分類器效果好,而且比常用的BP神經(jīng)網(wǎng)絡(luò)、C4.5決策樹等算法具有更好的分類能力。所以最后分析比較得出本人提出的集成學習模型更加適用于乳腺癌診斷。
【學位授予單位】：湖北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP391.41;R737.9

【參考文獻】

相關(guān)期刊論文 前10條

1 楊云;董雪;齊勇;;BP算法與C4.5算法在乳腺癌診斷中的比較分析[J];陜西科技大學學報(自然科學版);2015年03期

2 魏浩;丁要軍;;一種基于屬性相關(guān)的C4.5決策樹改進算法[J];中北大學學報(自然科學版);2014年04期

3 苗紅星;余建坤;;基于決策樹的ID3算法和C4.5算法的比較[J];現(xiàn)代計算機(專業(yè)版);2014年15期

4 王卓;;基于粗糙集和C4.5決策樹的臨床病例數(shù)據(jù)分類研究[J];軟件導刊;2014年05期

5 趙永暉;;數(shù)據(jù)挖掘算法ID3的改進研究[J];電腦開發(fā)與應(yīng)用;2014年04期

6 劉飛;羅永龍;郭良敏;馬苑;;面向個性化云服務(wù)基于用戶類型和隱私保護的信任模型[J];計算機應(yīng)用;2014年04期

7 孫博;王建東;陳海燕;王寅同;;集成學習中的多樣性度量[J];控制與決策;2014年03期

8 趙軍;趙玉玲;段琪慶;;基于logistic回歸的區(qū)域房地產(chǎn)預警模型[J];中國人口.資源與環(huán)境;2013年S2期

9 莫淼;柳光宇;呂力瑯;徐望紅;;乳腺癌篩查研究進展[J];腫瘤;2012年09期

10 金強;高普中;;人工神經(jīng)網(wǎng)絡(luò)在乳腺癌診斷中的應(yīng)用[J];計算機仿真;2011年06期

相關(guān)碩士學位論文 前10條

1 朱燦杰;基于集成學習與規(guī)則提取的多標記學習方法在高血壓證素辯證中的研究[D];深圳大學;2017年

2 邢盼盼;基于Bagging的兩階段特征選擇集成分類器研究[D];鄭州大學;2017年

3 張謙;基于改進Adaboost算法的視頻車輛輪廓檢測算法研究[D];中原工學院;2017年

4 張盼;基于混淆矩陣的分類器選擇集成方法研究[D];河南理工大學;2016年

5 趙月南;基于貝葉斯網(wǎng)絡(luò)的電機故障診斷研究[D];浙江大學;2016年

6 嚴真真;分布式臨床決策支持系統(tǒng)中多代理支撐框架的研究[D];湖北工業(yè)大學;2015年

7 陳飛宇;基于集成學習算法的異常檢測研究[D];南京大學;2015年

8 徐信;基于Adaboost人臉檢測算法的研究及實現(xiàn)[D];太原理工大學;2015年

9 劉栩菘;基于多代理的臨床知識表達與解析的研究[D];湖北工業(yè)大學;2014年

10 林士杰;ID3算法、樸素貝葉斯算法和BP神經(jīng)網(wǎng)絡(luò)算法的比較和分析研究[D];內(nèi)蒙古大學;2013年

，

本文編號：2702594