Soft-Computing-Techniken für die Erkennung von Brustkrebs

Soft Computing (SC) hat sich als vielseitiges Werkzeug für die Lösung komplexer Berechnungsprobleme in verschiedenen Bereichen erwiesen. SC nutzt menschenähnliche Erkennungs- und Lernfähigkeiten um innovative Lösungen für reale Herausforderungen zu finden. In einer Ära der Datenexplosion erfordert eine effektive Datenverarbeitung die Auswahl von Schlüsselattributen für die Vorhersagemodellierung was zu der Forderung nach einer Auswahl von Teilmengen von Merkmalen führt. Die Auswahl von Teilmengen von Merkmalen ist ein schwieriges NP-Hard-Problem wobei verschiedene Methoden in Filter- Wrapper- und eingebettete Ansätze unterteilt werden können. Metaheuristische Algorithmen die für ihre globalen Suchfähigkeiten bekannt sind wurden für die Merkmalsauswahl genutzt um die Klassifizierungsgenauigkeit zu maximieren. Mit einem Schwerpunkt auf medizinischen Anwendungen wird in dieser Studie die computergestützte Diagnose untersucht bei der populationsbasierte Merkmalsauswahlmethoden die Klassifizierungsgenauigkeit verbessern indem sie die Analysezeit reduzieren. In der Studie werden zwei neue metaheuristische Methoden der Separated Enemy Driven Dragon Algorithm (SEDDA) und der Fitness-based Crow Search Algorithm (FSCA) vorgestellt und mit etablierten Verfahren verglichen.