Zaawansowane wykrywanie raka piersi przy użyciu uczenia maszynowego i segmentacji

Rak piersi jest drugą najczęstszą przyczyną zgonów wśród kobiet i często pozostaje niewykryty aż do osiągnięcia zaawansowanego stadium. Wczesna identyfikacja ma kluczowe znaczenie ponieważ dokładna klasyfikacja guzów łagodnych i złośliwych może zapobiec niepotrzebnym zabiegom. W niniejszym badaniu przeanalizowano zastosowanie technik uczenia maszynowego w diagnostyce raka piersi przy użyciu zbioru danych Wisconsin Breast Cancer Dataset z repozytorium UCI. Wstępne eksperymenty z klasyfikatorem Naïve Bayes wykazały 88% dokładność w przypadku guzów łagodnych i 86% w przypadku guzów złośliwych. Jednak napotkano pewne ograniczenia takie jak niska dokładność i problemy z prawdopodobieństwem zerowej częstotliwości. Przejście na sztuczne sieci neuronowe (ANN) poprawiło wyniki do 90% dla klasyfikacji łagodnych i 92% dla złośliwych ale nadal nie dało optymalnych rezultatów. W badaniach ostatecznie zastosowano techniki maszyn wektorów nośnych (SVM) osiągając najwyższą dokładność wynoszącą 97% dla nowotworów łagodnych i 95% dla nowotworów złośliwych. Metoda ta skutecznie rozróżnia typy nowotworów za pomocą modelu liniowego opartego na hiperpłaszczyznach. Wszystkie algorytmy zostały zaimplementowane przy użyciu narzędzia R które jest przyjazne dla użytkownika i bezpłatne ułatwiając przetwarzanie danych do klasyfikacji raka piersi.