Classification Prediction of Breast Cancer Raws li Machine Learning

Mob qog noj ntshav mis yog hom mob qog noj ntshav ntau tshaj plaws thiab tuag taus hauv ntiaj teb. Raws li kev kawm tshuab algorithms xws li XGBoost, random hav zoov, logistic regression, thiab K-nyob ze cov neeg nyob ze, daim ntawv no tsim cov qauv sib txawv los txheeb xyuas thiab kwv yees mob qog noj ntshav, muab cov ntaub ntawv siv rau kev kuaj mob qog noj ntshav thaum ntxov. Kev nco qab qhia txog qhov tshwm sim ntawm kev kuaj mob qog noj ntshav hauv kev kuaj mob, uas yog qhov tseem ceeb heev rau kev faib cov qog nqaij hlav cancer ntawm lub mis, yog li tsab xov xwm no yuav rov qab los ua thawj qhov ntsuas ntsuas thiab txiav txim siab qhov tseeb, qhov tseeb, thiab F1- qhab nia ntsuas ntsuas ntsuas thiab sib piv qhov kev twv ua ntej ntawm txhua tus qauv. Txhawm rau tshem tawm cov kev cuam tshuam ntawm cov ntsiab lus sib txawv ntawm qhov cuam tshuam ntawm tus qauv, cov ntaub ntawv tau tsim qauv.

K tus neeg nyob ze tshaj plaws algorithm yog ib qho ntawm cov txheej txheem yooj yim tshaj plaws hauv kev kawm tshuab. Nws lub tswv yim tseem ceeb yog nrhiav K cov qauv ze tshaj plaws rau cov qauv qauv, thiab tom qab ntawd kwv yees daim ntawv lo ntawm lub hom phiaj qauv raws li cov ntawv ntawm cov qauv K no. Hauv tib neeg lub neej txhua hnub, peb feem ntau siv cov kev zoo sib xws los txiav txim siab. Piv txwv li, thaum ntsib ib qho teeb meem, peb nco qab cov xwm txheej zoo sib xws uas peb tau ntsib ua ntej, tom qab ntawd nrhiav cov xwm txheej zoo sib xws thiab txiav txim siab raws li lawv cov txiaj ntsig. Tsim cov kev daws teeb meem. Yog li ntawd, K nyob ze cov neeg zej zog algorithm yog ze ze rau tib neeg nco.

Ua ntej ntawm tag nrho cov, K nyob ze cov neeg zej zog algorithm yuav tsum muaj ntau qhov kev cob qhia los kawm thiab tsim cov ntaub ntawv qauv ntawm cov duab nyob ze tshaj plaws. Ib yam li ntawd, tib neeg yuav tsum tau paub txog ntau yam thiab khaws cov kev paub no hauv kev nco. Tsuas yog los ntawm kev khaws ntau qhov kev paub thiab kev paub dhau los tuaj yeem ua rau peb txiav txim siab thiab txiav txim kom raug.

Qhov thib ob, K ze tshaj plaws nyob sib ze algorithm hais txog qhov cuam tshuam ntawm qhov sib xws ntawm kev kwv yees. Ib yam li ntawd, thaum txiav txim siab, tib neeg feem ntau xav txog yav dhau los thiab sim nrhiav cov kev paub zoo ib yam li qhov xwm txheej tam sim no rau kev siv. Cov txheej txheem ntawm kev nrhiav qhov zoo sib xws no kuj yog ib qho tseem ceeb ntawm kev nco.

Thaum kawg, nyob rau hauv K nyob ze cov neeg zej zog algorithm, tus nqi ntawm K muaj kev cuam tshuam zoo rau qhov kev twv ua ntej. Qhov sib txawv K qhov tseem ceeb yuav ua rau cov txiaj ntsig sib txawv. Ib yam li ntawd, thaum tib neeg nco qab txog cov kev paub dhau los, lawv yuav tsum xaiv cov ntsiab lus sib txawv thiab cov txheej txheem nyob ntawm qhov xwm txheej tam sim no. Qhov kev yoog raws thiab kev hloov pauv no kuj yog ib qho tseem ceeb ntawm kev nco. Nws pom tau tias peb yuav tsum txhim kho peb lub cim xeeb. Cistanche deserticola tuaj yeem txhim kho kev nco zoo vim Cistanche deserticola yog cov khoom siv tshuaj suav tshuaj suav nrog ntau yam tshwj xeeb, ib qho ntawm kev txhim kho kev nco. Kev ua tau zoo ntawm cov nqaij minced los ntawm ntau yam khoom xyaw uas nws muaj, nrog rau cov kua qaub, polysaccharides, flavonoids, thiab lwm yam. Cov khoom xyaw no tuaj yeem txhawb lub hlwb kev noj qab haus huv ntau txoj hauv kev.

Nyem Paub txhawm rau txhim kho lub cim xeeb luv luv

Txhawm rau nrhiav qhov zoo tshaj plaws subset thiab txhim kho qhov tseeb ntawm tus qauv, 15 nta tau raug tshuaj xyuas raws li cov tswv yim rau tus qauv los ntawm Pearson correlation test. Tus qauv K-qhov ze tshaj plaws hauv zej zog siv txoj kev hla kev siv tau los xaiv qhov zoo tshaj k tus nqi los ntawm kev siv rov qab los ua qhov ntsuas ntsuas. Rau qhov teeb meem ntawm qhov zoo thiab qhov tsis zoo ntawm cov qauv tsis sib xws, cov qauv hierarchical sampling yog siv los rho tawm cov txheej txheem kev cob qhia thiab ntsuas qhov sib npaug raws li ntau pawg. Cov txiaj ntsig kev sim qhia tau hais tias nyob rau hauv cov ntaub ntawv sib txawv (8: 2 thiab 7 : 3), qhov kev twv ua ntej ntawm tib tus qauv yuav muaj qhov sib txawv. Kev sib piv kev soj ntsuam qhia tau hais tias tus qauv XGBoost tau tsim nyob rau hauv daim ntawv no (uas faib cov kev cob qhia thiab kev xeem los ntawm 8: 2) muaj cov txiaj ntsig zoo dua, thiab nws qhov kev nco qab, qhov tseeb, qhov tseeb, thiab F1- qhab nia yog 1.{{ 11}}, 0.960, 0.974, thiab 0.980, ntsig txog.

1. Taw qhia

Hauv kaum xyoo dhau los, qhov tshwm sim ntawm mob qog noj ntshav hauv Suav teb tau nce los ntawm 47%, thiab qhov xwm txheej tau nce zuj zus txhua xyoo, thiab qhov tshwm sim ntawm mob qog noj ntshav ntawm lub mis tseem me me [1]. Lub pathogenesis ntawm mob qog noj ntshav muaj feem xyuam rau tus kheej cov tshuaj hormones, tsev neeg keeb kwm, kev sib yuav, thiab keeb kwm yug menyuam [2]. Kev mob khees xaws mis tsis yooj yim rau kev kuaj pom thaum ntxov, thiab muaj cov yam ntxwv ntawm lub hnub nyoog ntawm qhov pib tab sis lig kev nthuav qhia [3, 4]. Tam sim no, qhov kev kuaj mob tseem ceeb ntawm lub mis yog nyob ntawm peb txoj kev: puncture cytology [5], ultrasound scan [6], thiab mammogram X-ray [7]. Yog tias tus neeg mob raug mob qog noj ntshav thaum ntxov, qhov yuav kho tau ntau dua thiab qhov kev cia siab zoo dua. Yog li ntawd, kev kuaj xyuas tsis tu ncua thiab kev kuaj mob ntxov yog qhov tsim nyog rau kev tiv thaiv thiab kuaj pom mob qog noj ntshav raws sijhawm.

Hauv kev kho mob, kev tsim cov qauv los ntawm cov txheej txheem kev kawm tshuab tuaj yeem pab cov kws kho mob hauv kev txhim kho kev kuaj mob qog noj ntshav, kom ua tiav lub hom phiaj ntawm kev tshawb pom ntxov thiab kev kho mob ntxov. Cov kev kawm tshuab tau txais txiaj ntsig zoo hauv kev kuaj mob qog noj ntshav [8, 9]. Wu et al. [10] tau soj ntsuam cov cell morphology nyob rau hauv lub tshuab tsom thiab pom tias muaj qhov sib txawv ntawm cov qog nqaij hlav cancer ntawm lub mis thiab cov cell tsis zoo. Qhov kev tshawb pom no muab lub hauv paus theoretical rau ntau txoj kev tshawb fawb. Txawm hais tias muaj ntau txoj kev kawm tshuab tam sim no siv rau kev faib cov qog nqaij hlav hauv lub mis, tsis muaj ib qho algorithm tuaj yeem siv rau txhua yam teeb meem. Txhua hom kev kawm tshuab algorithm muaj nws cov kev txawj ntse, yog li kev xaiv ntawm algorithm yog txawv nyob rau hauv txawv scenarios.

Shen et al. [11] siv tus qauv XGBoost los txheeb xyuas thiab kwv yees mob qog noj ntshav ntawm lub mis, thiab qhov tseeb tau mus txog 97.86%, thiab kev rov qab mus txog 95.83%. Deng et al. [12] siv XGBoost algorithm los faib thiab kwv yees mob qog noj ntshav nrog qhov tseeb ntawm 0.96 thiab rov qab los ntawm 0.97. Monirujjaman Khan et al. [13] siv ntau lub tshuab kev kawm los txheeb xyuas lub mis mob cancer, thiab random hav zoov, tsob ntoo txiav txim siab, K-ze ze ze ze, thiab logistic regression yog cov algorithms nrog siab F1- qhab nia, 96%, 95%, 90%, thiab 98%, feem. Bhardwaj et al. [14] siv multilayer perceptron (MLP), K-ze neeg nyob ze (KNN), genetic algorithm (GP), thiab random hav zoov (RF) los faib cov benign thiab malignant cell cancer ntawm lub mis, thiab cov kev sim tau pom tias qhov zoo tshaj classifier yog RF. nrog rau kev faib tawm qhov tseeb ntawm 96.24%. Dong thiab Ma [15] tau kawm txog cov cim ua tau ntawm triple-negative cancer mis, thiab tshuab kev kawm algorithms tau siv los kwv yees seb tib neeg puas muaj mob qog noj ntshav triple-negative. Cov txiaj ntsig tau pom tias qhov tseeb ntawm kev txhawb nqa vector tshuab (SVM) kev faib tawm kev kwv yees tus qauv nce mus txog 97.8%.

Txhawm rau txhim kho qhov tseeb ntawm kev txheeb xyuas mob qog noj ntshav thiab txhim kho kev kawm tshuab, Wang et al. [16] tau npaj qhov hnyav AUC cov qauv kev kawm raws li SVM rau kev kuaj mob qog noj ntshav mis, siv C-SVM thiab V-SVM nrog 6 kernel functions kom muaj ntau haiv neeg ntawm lub hauv paus qauv teeb tsa thiab sib piv cov kev txiav txim siab sib txawv nrog Kev Sib Koom Hauv Cheeb Tsam (WAUCE ) qauv nyob rau hauv qhov hnyav tau txais kev ua hauj lwm yam ntxwv nkhaus. Cov txiaj ntsig tau pom tias ntawm cov ntaub ntawv me me, qhov kev thov WAUCE cov qauv txo qhov sib txawv ntawm qhov ntsuas qhov tseeb txog li 69.23% thiab txhim kho qhov tseeb los ntawm 0.94%. Zheng et al. [17] tau sim Wisconsin Cov Mob Cancer (WDBC) cov ntaub ntawv raws li K-txhais tau tias thiab txhawb nqa vector tshuab hybrid algorithm tshem tawm cov qog nqaij hlav thiab kuaj mob qog noj ntshav, thiab cov txiaj ntsig tau pom tias hybrid algorithm txhim kho qhov tseeb rau 97.38%. Jia et al. [18] tau tshaj tawm qhov kev ua kom zoo ntawm cov pej xeem tshiab, Whale Optimization Algorithm (WOA), uas ntse kho qhov tsis sib xws ntawm SVM qauv, thiab cov txiaj ntsig kev sim qhia tau hais tias qhov ua tau zoo ntawm WOA-SVM qauv yog qhov zoo dua li cov tsoos. Tus qauv paub txog mob qog noj ntshav mis, nrog qhov tseeb ntawm 97.5%.

Txhawm rau daws qhov teeb meem ntawm overfitting tshuab kev kawm txuj ci hauv kev faib cov qog nqaij hlav cancer mis, Singh li al. [19] tau thov kom muaj kev sib txuas nrog cov khoom siv hluav taws xob neural network (FLANN) thiab sim pom tias tus qauv muaj qhov tseeb siab rau kev kuaj mob cancer ntawm lub mis thaum ntxov. Mahesh et al. [20] qhia txog kev kwv yees mob qog noj ntshav mis XGBoost cov txheej txheem ua ke raws li cov qauv paub zoo, ua ntej siv cov cuab yeej siv hluav taws xob tsawg tsawg (SMOTE) los daws cov ntaub ntawv tsis txaus ntseeg thiab teeb meem suab nrov thiab tom qab ntawd siv Bayes classifier, txiav txim siab ntoo cais, thiab hav zoov random, raws li. , ua ke nrog XGBoost thiab faib cov ntaub ntawv. Raws li kev soj ntsuam kev sim, XGBoost-Random Forest ensemble classifier muaj qhov tseeb ntawm 98.20% hauv kev tshawb pom ntxov ntawm mob qog noj ntshav.

Raws li XGBoost, random hav zoov, logistic regression, K-nyob ze cov neeg nyob ze, thiab lwm yam kev kawm tshuab, daim ntawv no tsim cov qauv sib txawv los faib thiab kwv yees mob qog noj ntshav mis, uas muab cov ntaub ntawv siv rau kev kuaj mob cancer ntawm lub mis thaum ntxov. Thaum cov kev tshawb fawb feem ntau siv tshuab kev kawm ua qauv rau kev kuaj mob qog noj ntshav hauv lub mis, lawv tsom mus rau kev siv qhov tseeb, qhov tseeb, thiab F1- cov qhab nia ntawm tus qauv ua qhov ntsuas los ntsuas qhov zoo ntawm tus qauv, thaum tsis quav ntsej txog qhov tseem ceeb ntawm kev kho mob. qhov rov qab los ntawm tus qauv, uas qhia txog qhov sib faib ntawm cov qog nqaij hlav cancer mis uas tau kwv yees, thiab qhov rov qab siab dua, qhov ntau dua qhov tshwm sim ntawm cov qog nqaij hlav qog nqaij hlav hauv lub mis. Yog li ntawd, tsab xov xwm no yuav siv sij hawm rov qab los ua qhov tseem ceeb Performance index thiab txiav txim siab qhov tseeb, qhov tseeb, thiab F1- qhab nia los ntsuas tus qauv siv.

Nyob rau hauv tus txheej txheem qauv, cov ntaub ntawv preprocessing yog ib qho tseem ceeb heev, thiab cov nyhuv ntawm tus qauv kwv yees sib txawv nyob ntawm seb txoj kev ua. Txhawm rau tshem tawm cov kev cuam tshuam ntawm cov ntsiab lus sib txawv ntawm qhov cuam tshuam ntawm tus qauv, cov ntaub ntawv yog tus qauv. Txhawm rau nrhiav qhov zoo tshaj plaws subset thiab txhim kho qhov tseeb ntawm tus qauv, kev xaiv feature tau ua raws li Pearson correlation coefficient ntawm qhov sib txawv feature thiab lub hom phiaj sib txawv. Rau qhov teeb meem ntawm qhov zoo thiab qhov tsis zoo ntawm cov qauv tsis sib xws, cov qauv hierarchical sampling yog siv los rho tawm cov txheej txheem kev cob qhia thiab ntsuas qhov sib npaug raws li ntau pawg. Xav tias qhov kev twv ua ntej ntawm cov qauv kev kawm tshuab sib txawv raws li qhov sib txawv dataset division, daim ntawv no yuav siv cov dataset sib txawv (8: 2 thiab 7: 3) raws li ob pawg ntawm kev sim los soj ntsuam qhov kev kwv yees ntawm tus qauv tsim hauv daim ntawv no.

2. Cov ntaub ntawv ua ntej

2.1. Cov Ntaub Ntawv Taw Qhia. Cov ntaub ntawv siv hauv daim ntawv no yog cov ntaub ntawv mob qog noj ntshav ntawm lub mis hauv UCI cov ntaub ntawv teeb tsa, uas yog muab los ntawm tus kws tshaj lij Dr. William los ntawm Clinical Medicine Research Institute ntawm University of Wisconsin [21]. Cov nta tau suav los ntawm cov duab digitized ntawm rab koob zoo aspirate (FNA) ntawm lub mis loj. Lawv piav qhia txog cov yam ntxwv ntawm lub cell nuclei tam sim no hauv daim duab. Cov ntaub ntawv teev muaj 569 cov qauv sim, suav nrog 357 cov qauv zoo thiab 212 cov qauv qog nqaij hlav cancer mis. Rau cov hlwb muab rho tawm los ntawm txhua qhov kev sim khoom, kaum cov yam ntxwv hauv qab no ntawm nws cov nucleus feem ntau yog sau: lub vojvoog (txhais tau tias qhov kev ncua deb ntawm qhov chaw mus rau cov ntsiab lus ntawm ib puag ncig), perimeter, smoothness (loj hloov pauv hauv lub vojvoog ntev), cheeb tsam, compactness ( perimeter ∗ ∗ 2/area -1 0), concavity (qhov hnyav ntawm concave feem ntawm lub contour), symmetry, kev ntxhib los mos (tus qauv sib txawv ntawm grey-scale qhov tseem ceeb), concave ntsiab lus (ntau ntawm concave feem ntawm contour), thiab fractal{10}}dimension ("coastline approximation"-1). Qhov nruab nrab, tus qauv yuam kev, thiab "qhov phem tshaj" lossis loj tshaj (txhais tau tias ntawm peb qhov tseem ceeb tshaj plaws) ntawm cov yam ntxwv no tau suav rau txhua daim duab, ua rau 30 nta. Daim ntawv qhia kev faib tawm sawv cev rau hom mob qog noj ntshav mis. Yog li ntawd, cov qauv ntaub ntawv teev muaj tag nrho ntawm 30 nta thiab ib tug qauv daim ntawv lo feature (malignant thiab benign).

2.2. Data Standardization.

Los ntawm kev soj ntsuam tus nqi ntau ntawm txhua qhov tshwj xeeb, nws pom tias cov ntaub ntawv muaj txiaj ntsig ntawm cov yam ntxwv sib txawv txawv heev. Hauv qee cov qauv, qhov sib txawv ntawm qhov sib txawv muaj qhov cuam tshuam zoo rau kev twv ua ntej. Piv txwv li, k-ze ze ze tus neeg zej zog algorithm raws li kev faib kev ncua deb yuav tsum ua kom cov ntaub ntawv sib npaug, yog li cov ntaub ntawv yuav tsum tau ua qauv ua ntej ua qauv. Txawm li cas los xij, qee cov qauv tsis tshua muaj kev cuam tshuam los ntawm dimensionality, xws li random hav zoov algorithm. Txhawm rau ua qhov kev sim sib piv, cov ntaub ntawv ntawm cov qauv sib txawv raug kho tib yam.

Rau cov teeb meem nrog cov qauv sib txawv ntawm cov ntaub ntawv qhov ntev, feem ntau siv dimensionless txheej txheem muaj xws li cov ntaub ntawv standardization, thiab cov ntaub ntawv standardization txoj kev muaj xws li Min-max standardization thiab Z-score standardization. Ntawm lawv, thaum cov ntaub ntawv siv muaj outliers sab nraum tus nqi ntau, los yog qhov siab tshaj plaws thiab yam tsawg kawg nkaus qhov tseem ceeb ntawm qee qhov ntsuas tsis paub, Z-score standardization yuav siv tau.

Hauv daim ntawv no, raws li tus yam ntxwv ntawm WDBC cov ntaub ntawv mob qog noj ntshav mis, Z-score standardization raug xaiv los ua cov ntaub ntawv. Cov ntaub ntawv ua tiav los ntawm Zscore standardization [22] ua raws li tus qauv ib txwm faib, uas yog, qhov nruab nrab yog 0 thiab qhov sib txawv yog 1. Cov qauv rau Z-score standardization yog raws li nram no:

2.3. Feature Xaiv. Raws li ib feem tseem ceeb ntawm cov ntaub ntawv preprocessing txheej txheem, kev xaiv feature yog mus nrhiav tau qhov zoo tshaj plaws subset, Feature xaiv yuav txo tau redundant thiab useless nta los txhim kho qhov tseeb ntawm tus qauv. Txoj kev xaiv feature feem ntau muab faib rau hauv txoj kev xav ntau dhau, txoj kev encapsulation, thiab txoj kev embedding. Txoj kev lim dej tuaj yeem ua rau ywj pheej ntawm cov txheej txheem siv tom qab hauv txoj kev tshawb fawb thiab muaj kev ua tau zoo ntawm kev suav thiab muaj peev xwm ua kom muaj peev xwm ua tau zoo [23], yog li cov qauv xaiv hauv daim ntawv no siv cov txheej txheem lim, thiab cov txheej txheem dav dav hauv txoj kev lim dej yog qhia hauv Table 2.

Cov ntaub ntawv mob qog noj ntshav tom qab 0 txhais tau tias normalization raws li qhov yuav tsum tau ua ntawm Pearson correlation coefficient test nyob rau hauv txoj kev lim dej; Yog li nyob rau hauv daim ntawv no, Pearson tus correlation coefficient [24] yog siv los ntsuam xyuas qhov correlation ntawm txhua yam feature thiab lub hom phiaj sib txawv Pearson tus correlation coefficient formula yog raws li nram no:

3. Qauv Tsim
Hauv daim ntawv no, cov kab mob qog noj ntshav tau kwv yees raws li XGBoost, random hav zoov, logistic regression, thiab K-nrhiav Neighbor qauv, feem. Malignant mis mob cancer yog suav hais tias yog ib qho piv txwv zoo, thaum mob qog nqaij hlav cancer mis yog suav tias yog cov qauv tsis zoo

Txhawm rau daws qhov teeb meem ntawm qhov tsis sib xws, daim ntawv no siv txoj hauv kev stratified sampling [25] los rho tawm cov txheej txheem kev cob qhia thiab kev sim ntsuas hauv kev faib ua feem rau txhua yam ntawm cov qauv ntaub ntawv. Stratified sampling tseem hu ua hom sampling. Cov neeg piv txwv tau muab faib ua subpopulations uas tsis muaj kev ywj pheej ntawm ib leeg. Random sampling tau ua nyob rau hauv kev faib ua feem rau txhua subpopulation. Stratified sampling kos ib tus qauv ntau dua thiab tsim nyog rau cov qauv tsis sib npaug.

Cov ntaub ntawv sib txawv muab faib yuav ua rau cov qauv sib txawv. Yog li ntawd, daim ntawv no ua ob pawg ntawm kev sim raws li qhov sib txawv ntawm cov qauv ntaub ntawv teev tseg. Thawj pab pawg tau faib cov ntaub ntawv teev tseg rau hauv cov txheej txheem kev cob qhia thiab kev sim ntsuas hauv qhov piv ntawm 8: 2, thiab pawg thib ob faib cov ntaub ntawv teev tseg rau hauv cov txheej txheem kev cob qhia thiab kev sim ntsuas hauv qhov piv ntawm 7: 3. Saib xyuas cov qauv kev ua haujlwm ntawm plaub algorithms nyob rau hauv cov ntaub ntawv sib txawv teeb partitioning.

3.1. Kev ntsuas ntsuas. Hauv txoj kev tshawb no, qhov tseeb, qhov tseeb, rov qab, thiab F1- qhab nia [26, 27] tau siv los ntsuas qhov kev twv ua ntej ntawm tus qauv. Xav txog qhov tshwj xeeb ntawm kev kuaj mob, nws xav tias txhua yam mob qog noj ntshav mis tuaj yeem kwv yees tau. Yog li ntawd, kev nco qab yog coj los ua qhov ntsuas ntsuas tseem ceeb ntawm no. Qhov siab dua qhov rov qab yog, qhov sib npaug ntawm cov qog nqaij hlav cancer mis ntau dua uas tuaj yeem kwv yees tau. Cov qauv kev faib tawm cov txiaj ntsig tuaj yeem tsim qhov tsis meej pem matrix [28], raws li qhia hauv Table 4

Ntawm no, TP yog qhov zoo tiag tiag, qhia tias muaj pes tsawg tus qauv zoo kwv yees li cov qauv zoo. TN yog qhov tsis zoo tiag tiag, qhia txog tus lej ntawm cov qauv tsis zoo uas tau kwv yees ua cov qauv tsis zoo. FP yog qhov tsis zoo, qhia txog cov qauv zoo uas tau kwv yees los ntawm cov qauv tsis zoo, uas yog hu ua hom 1 yuam kev. FN yog qhov tsis zoo tsis tseeb, qhia txog tus lej ntawm cov qauv zoo kwv yees li cov qauv tsis zoo, uas yog hu ua hom 2 yuam kev

Precision, abbreviated li P. Rau qhov kev kwv yees tau tshwm sim, precision sawv cev muaj pes tsawg tus ntawm cov kev kwv yees zoo yog cov qauv zoo, thiab cov qauv yog:

3.2. Kev twv ua ntej qauv ntawm Cancer Breast Raws li XGBoost. XGBoost, luv luv rau gradient boosting, yog Boosting algorithm [29]. Ob leeg XGBoost thiab random hav zoov yog kev koom ua ke algorithms raws li tsob ntoo txiav txim siab. Sib txawv ntawm Bagging algorithm, Boosting algorithm tsim cov tub ntxhais kawm tsis muaj zog ib qho los ntawm ib qho, sib sau ntau tus neeg kawm tsis muaj zog los ntawm kev sib txuas txuas ntxiv [30]. Lub hom phiaj ua haujlwm yog

. (9) Qhov sib ntxiv ntawm cov ntsiab lus tsis tu ncua tuaj yeem txo qhov sib txawv ntawm tus qauv thiab ua rau tus qauv tau txais los ntawm kev cob qhia yooj yim dua, txhawm rau tiv thaiv qhov tshwm sim ntawm overting.. XGBoost algorithm yog siv los cob qhia tus qauv ntawm cov ntaub ntawv qhia kev cob qhia. Nyob rau hauv tus txheej txheem ntawm cov qauv kev cob qhia, cov tsis tau hloov kho kom tau ib tug zoo txheej ntawm tsis, thiab thaum kawg, qhov zoo tshaj plaws kev kwv yees qauv tau txais. Tus qauv tau siv los kwv yees hom mob qog noj ntshav hauv lub mis

kev teeb tsa. Thaum cov ntaub ntawv teeb tsa tau muab faib ua cov txheej txheem kev cob qhia thiab kev sim ntsuas los ntawm 8: 2, qhov tseeb, qhov tseeb, rov qab, thiab F1- cov qhab nia ntawm XGBoost qauv yog 0.974, {{5} }.960, 1.00, thiab 0.980, raws. Thaum tus qauv XGBoost tau muab faib ua cov txheej txheem kev cob qhia thiab kev sim ntsuas los ntawm 7 : 3, qhov tseeb, qhov tseeb, rov qab, thiab F1- cov qhab nia ntawm XGBoost qauv yog 0.959, {{20} }.946, 0.991, thiab 0.968, feem. Cov txiaj ntsig tau pom tias tus qauv XGBoost muaj kev kwv yees ua tau zoo dua thaum cov ntaub ntawv muab faib los ntawm 8: 2. Tus nqi rov qab ntawm 1 qhia tias tus qauv XGBoost raug kwv yees tag nrho cov qog nqaij hlav mis hauv cov qauv, uas yog qhov tseem ceeb heev rau kev kho mob dia.

os. 3.3. Kev twv ua qauv ntawm lub mis Cancer Raws li Random Forest. random hav zoov yog ib tug saib xyuas kev kawm algorithm uas integrates ntau tsob ntoo los ntawm lub tswv yim Bagging [31–33]. Txoj kev bootstrap yog siv los rho tawm cov qauv kev cob qhia los ntawm cov ntaub ntawv qauv qub, thiab cov qauv txiav txim siab sib xws tau raug cob qhia rau txhua qhov kev cob qhia. Thaum kawg, txhua lub hauv paus classifiers raug pov npav rau, thiab ib qho uas muaj kev pov npav feem ntau yog qeb kawg.

gory. Thaum cov ntaub ntawv teeb tsa tau muab faib ua cov txheej txheem kev cob qhia thiab kev sim ntsuas los ntawm 8: 2, qhov tseeb, qhov tseeb, rov qab, thiab F1- cov qhab nia ntawm cov qauv hav zoov random yog 0.965, {{5 }}.947, 1.00, thiab 0.973, ntsig txog. Thaum cov ntaub ntawv teeb tsa tau muab faib ua cov txheej txheem kev cob qhia thiab kev xeem los ntawm 7 : 3, qhov tseeb, qhov tseeb, rov qab, thiab F1- qhab nia yog 0.953, 0.946, { {18}}.981, thiab 0.963, feem. Cov txiaj ntsig tau pom tias tus qauv random hav zoov muaj qhov ua tau zoo ntawm kev twv ua ntej thaum cov ntaub ntawv muab faib los ntawm 8: 2. Tus nqi rov qab ntawm tus qauv no kuj yog 1, qhia tias tus qauv random hav zoov kuj raug kwv yees tag nrho cov mis loj.

mas l. Peb lub ntsiab lus tseem ceeb ntawm k-ze ze ze tshaj plaws algorithm yog kev ntsuas qhov deb, k-tus nqi xaiv, kev faib tawm decisCov peb lub ntsiab lus ntawm k ze ze tshaj plaws nyob ze algorithm yog ntsuas qhov deb, k tus nqi xaiv, thiab kev txiav txim siab faib pawg.

Rau qhov teeb meem ntawm K tus nqi xaiv hauv k ze tus neeg nyob sib ze algorithm, daim ntawv no siv cov txheej txheem tenfold cross-validation (38, 39) thiab siv tus nqi rov qab raws li tus qauv ntsuas ntsuas los xaiv tus nqi tsim nyog k. Cia tus nqi ntau ntawm k yog 1-40, thiab rau txhua k, qhov kev sib tw ntawm kaum npaug yog ua. Tus nqi k nrog tus nqi rov qab siab tshaj plaws yog qhov zoo tshaj k tus nqi. Kev rov qab los ntawm qhov sib txawv k qhov tseem ceeb nyob rau hauv tus ntoo khaub lig-validation ntawm tenfold yog qhia nyob rau hauv daim duab 1.

Nws tuaj yeem pom los ntawm daim duab 1 tias raws li k tus nqi nce, qhov rov qab txo qis. Thaum k 3 thiab k 5, qhov rov qab yog qhov loj tshaj. Vim tias tus nqi k tau teeb me me dhau lawm, nws yooj yim rau overfit, yog li tus nqi k tau teeb tsa li 5 ntawm no.

Thaum cov ntaub ntawv teeb tsa tau muab faib ua cov txheej txheem kev cob qhia thiab kev sim ntsuas los ntawm 8: 2, qhov tseeb, qhov tseeb, rov qab, thiab F1- cov qhab nia ntawm k-neighbor tus qauv yog 0.912, { {6}}.888, 0.986, thiab {{10}}.934, feem. Thaum cov ntaub ntawv teeb tsa tau muab faib ua cov txheej txheem kev cob qhia thiab kev xeem los ntawm 7 : 3, qhov tseeb, qhov tseeb, rov qab, thiab F1- qhab nia yog 0.930, {{21} }.906, 0.991, thiab 0.946, feem. Cov txiaj ntsig tau pom tias tus qauv k-ze ze ze tshaj plaws muaj kev kwv yees ua tau zoo dua thaum cov ntaub ntawv muab faib los ntawm 7 : 3.

4. Kev sib piv thiab kev soj ntsuam

Txhawm rau kom nkag siab zoo dua qhov kev ua tau zoo ntawm tus qauv tsim nyob rau hauv daim ntawv no, daim ntawv no yog ua raws li Python 3.9.7 kev loj hlob ib puag ncig thiab siv cov ntaub ntawv mob qog noj ntshav mis muab los ntawm Dr. William ntawm University of Wisconsin Clinical Medical Research Institute rau kev sim.

Kev sim ib puag ncig yog Windows 11 operating system, processor yog Intel(R) Core(TM) i5-1155G7@ 2.50 GHz 2.50 GHz, thiab lub cim xeeb yog 8.00 GB.

Cov kev sim tsis sib xws ntawm txhua tus qauv tau qhia hauv Table 5, thiab peb qhov kev soj ntsuam kev sib piv hauv qab no yuav ua tiav: (1) Kev sib piv ntawm txhua tus qauv hauv daim ntawv no thaum cov ntaub ntawv muab faib ua cov txheej txheem kev cob qhia thiab kev sim hauv 8 : 2. (2) Kev sib piv ntawm txhua tus qauv hauv daim ntawv no thaum cov ntaub ntawv muab faib ua cov txheej txheem kev cob qhia thiab kev sim hauv 7 : 3. (3) Kev sib piv nrog qee cov qauv hauv cov ntaub ntawv [11–14].

(1) Thaum cov ntaub ntawv teeb tsa tau muab faib ua cov txheej txheem kev cob qhia thiab kev sim ntsuas los ntawm 8: 2, qhov ua tau zoo ntawm txhua tus qauv yog qhia hauv Table 6.

Raws li tuaj yeem pom los ntawm Table 4, thaum faib cov txheej txheem kev cob qhia thiab kev sim teeb tsa hauv qhov piv ntawm 8: 2, qhov tseeb ntawm plaub txoj kev kawm tshuab yog saum toj no 0.9, ntawm cov XGBoost thiab RF yog saum toj no { {5}.95. Qhov kev kwv yees qhov tseeb ntawm XGBoost yog 0.974, qhia txog qhov tseeb ntawm kev kwv yees siab. Rau qhov tseeb, qhov tseeb ntawm KNN qauv tsis siab, hauv qab 0.9, tsuas yog 0.888. XGBoost muaj qhov tseeb tshaj plaws, uas yog 0.960. Raws li kev rov qab los, kev rov qab los ntawm XGBoost, random hav zoov, thiab logistic regression algorithms yog tag nrho 1. Cov k-ze ze ze tshaj plaws algorithm muaj qhov qis tshaj rov qab, tab sis nws kuj yog siab dua 0.95. Rau txoj kev tshawb no, cov nqi rov qab los sawv cev rau qhov piv txwv ntawm cov qauv qog nqaij hlav cancer mis uas raug kuaj tau raug. Hauv cov tshuaj, tus kab mob yuav tsum tau kuaj. Qhov tshwm sim ntawm qhov tsis raug kuaj pom yog ncua kev kho mob, uas yuav ua rau cov neeg mob ploj mus rau lub sijhawm zoo tshaj plaws rau kev kho mob. Qhov no yog qhov hnyav dua li kev kuaj mob tsis muaj ib tus. Yog li ntawd, tus nqi rov qab yog qhov taw qhia tseem ceeb heev hauv kev kuaj mob. Ntawm no, qhov rov qab ntawm XGBoost, random hav zoov, thiab logistic regression algorithm yog tag nrho 1, qhia tias tag nrho cov qog nqaij hlav cancer mis hauv cov qauv tau kuaj pom. Rau qhov F{{20}} cov qhab nia, nws tuaj yeem pom tau tias F1- cov qhab nia ntawm XGBoost, random hav zoov, thiab logistic regression yog tag nrho saum toj no 0.95. F1- cov qhab nia ntawm XGBoost algorithm yog qhov siab tshaj plaws, mus txog 0.980. Tus qauv K-nyob ze tshaj plaws muaj qhov qis tshaj F1- qhab nia ntawm 0.934. Ua tib zoo xav txog plaub qhov ntsuas, nws tuaj yeem hais tau tias thaum cov ntaub ntawv teeb tsa tau muab faib ua cov txheej txheem kev cob qhia thiab kev sim ntsuas los ntawm 8: 2, tag nrho cov qauv cuam tshuam ntawm XGBoost algorithm yog qhov zoo dua li lwm tus qauv peb. XGBoost tsis tsuas yog ua tiav qhov rov qab los ntawm 1 tab sis kuj ua tiav qhov rov qab ntawm 0.95 lossis ntau dua rau lwm qhov peb qhov ntsuas.

(2) Thaum cov ntaub ntawv teeb tsa tau muab faib ua cov txheej txheem kev cob qhia thiab kev sim hauv 7 : 3, qhov ua tau zoo ntawm txhua tus qauv yog qhia hauv Table 7.

Raws li tuaj yeem pom los ntawm Table 7, thaum cov txheej txheem kev cob qhia thiab kev xeem tau muab faib ua 7 : 3, cov qauv nyhuv ntawm XGBoost thiab RF tsis zoo li ntawm 8: 2. Ua ntej ntawm tag nrho cov, nyob rau hauv cov nqe lus ntawm qhov tseem ceeb index. nco qab, thaum faib cov ntaub ntawv los ntawm 8: 2, qhov rov qab ntawm XGBoost thiab RF yog ob qho tib si 1, tab sis tam sim no lawv tau poob rau 0.991 thiab {{10}}}.981, ntsig txog . Ob tus qauv kuj tau txo qis me ntsis hauv lwm qhov kev ntsuas peb. Txawm li cas los xij, qhov kev hloov pauv hauv qhov kev twv ua ntej ntawm qhov kev sib tw logistic thiab cov qauv K-qhov ze tshaj plaws yog qhov txawv ntawm ob lub algorithms. Rau cov qauv logistic regression, plaub qhov taw qhia nyuam qhuav hloov pauv thaum cov txheej txheem kev cob qhia thiab kev xeem tau muab faib los ntawm 7: 3 thiab 8: 2, raws li. Qhov no qhia tau hais tias tus qauv logistic regression yuav luag tsis cuam tshuam los ntawm cov ntaub ntawv sib txawv teeb tsa. Nyob rau hauv rooj plaub ntawm 7 : 3 sib cais ntawm cov txheej txheem kev cob qhia thiab cov txheej txheem xeem, logistic regression pom qhov tseeb qis dua, qhov tseeb, thiab F1- qhab nia tshaj XGBoost thiab random hav zoov. Txawm li cas los xij, qhov rov qab ntawm tus qauv logistic regression yog 1, qhia tias txhua yam mob qog noj ntshav mis tau raug kwv yees, uas yog qhov tseem ceeb rau kev kuaj mob. Yog li ntawd, nws tuaj yeem hais tau tias qhov kev twv ua ntej ntawm cov qauv logistic regression zoo dua li lwm qhov peb algorithms. Rau cov qauv KNN, thaum cov txheej txheem kev cob qhia thiab kev xeem tau muab faib ua 7 : 3, tag nrho plaub qhov ntsuas tau nce. Koj nco qab tau nce mus rau 0.991, uas siab dua li ntawm cov hav zoov random. Qhov tseeb, qhov tseeb, thiab F1- qhab nia tau nce los ntawm 0.912, {{30}}.887, thiab 0.934 rau 0 .930, 0.906, thiab 0.946, feem. Yog li ntawd, KNN tus qauv ua tau zoo dua nyob rau hauv rooj plaub ntawm cov txheej txheem kev cob qhia thiab cov txheej txheem sim muab faib ua 7 : 3 dua li cov qauv muab faib los ntawm 8: 2. Kev tshuaj xyuas qhia tau tias kev faib cov ntaub ntawv tsis raug kho. Rau cov qauv sib txawv, kev sib faib sib txawv coj txawv txawv ntawm cov qauv kev twv ua ntej.
(3) Raws li kev sib piv ntawm Cov Lus 6 thiab 7, tus qauv XGBoost tau tsim nyob rau hauv daim ntawv no (sib faib cov txheej txheem kev cob qhia thiab kev xeem los ntawm 8: 2) muaj txiaj ntsig zoo tshaj plaws, thiab cov hauv qab no muab piv nrog cov qauv kev ua haujlwm hauv cov ntaub ntawv [11–14] thiab cov txiaj ntsig tshwj xeeb tau qhia hauv Table 8.

Raws li tuaj yeem pom los ntawm Table 8, cov qauv ua tau zoo dua ntawm tsib tus qauv yog Logistic regression qauv ntawm cov ntaub ntawv [13] thiab XGBoost qauv tsim nyob rau hauv daim ntawv no. Kev rov qab thiab qhov tseeb ntawm tus qauv hauv cov ntaub ntawv [13] yog 0.99 thiab 0.98, raws li, thiab qhov rov qab thiab qhov tseeb ntawm tus qauv hauv daim ntawv no yog 1.{{8} } thiab 0.974, ntsig txog, piv nrog cov ntaub ntawv [13], kev rov qab los ntawm tus qauv yog siab, thiab kev rov qab los ntawm kev kuaj mob qhia txog qhov tshwm sim ntawm kev kuaj mob qog noj ntshav, uas yog qhov tseem ceeb heev rau kev faib tawm. ntawm cov qog nqaij hlav cancer ntawm lub mis, yog li tus qauv XGBoost tau tsim nyob rau hauv daim ntawv no muaj cov txiaj ntsig kev twv txiaj zoo dua thiab tuaj yeem siv los ua cov cuab yeej kho mob los pab kws kho mob ua cov phiaj xwm kho mob rau cov neeg mob qog noj ntshav.

5. Cov lus xaus

Daim ntawv no tsuas yog kwv yees cov kab mob qog noj ntshav ntawm lub mis, los ntawm cov ntaub ntawv ua ntej mus rau kev xaiv tshwj xeeb, thiab tom qab ntawd mus rau kev tsim qauv. Thaum kawg, cov txiaj ntsig kwv yees tau muab piv thiab txheeb xyuas los ntawm ntau yam.

Hauv daim ntawv no, kev nco qab yog coj los ua qhov ntsuas tseem ceeb los kwv yees cov qauv qog nqaij hlav cancer mis kom raug raws li qhov ua tau. Cov ntaub ntawv tseem ceeb muaj 30 tus yam ntxwv, thiab 15 tus yam ntxwv raug xaiv los ua cov tswv yim ntawm tus qauv los ntawm Pearson correlation test. Ua ntej kev tsim qauv, cov ntaub ntawv tau tsim qauv los tshem tawm qhov cuam tshuam ntawm qhov sib txawv ntawm cov qauv cuam tshuam. Rau qhov teeb meem ntawm qhov tsis sib npaug ntawm qhov zoo thiab qhov tsis zoo, cov qauv stratified yog siv los rho tawm cov kev cob qhia thiab cov ntawv xeem sib npaug raws li ntau pawg ntawm cov ntaub ntawv. Thaum xaiv qhov zoo tshaj plaws k tus nqi hauv cov neeg nyob ze k, qhov kev rov qab yog siv los ua tus qauv ntsuas ntsuas, kom tus nqi k nrog tus nqi rov qab siab tshaj yog qhov zoo tshaj tus nqi.

Cov qauv yog muab piv thiab soj ntsuam los ntawm peb yam. Cov txiaj ntsig tau pom raws li hauv qab no:

pev. Cov txiaj ntsig tau qhia raws li hauv qab no: (1) Hauv qhov xwm txheej ntawm kev faib cov txheej txheem kev cob qhia thiab kev sim ntsuas los ntawm 8: 2, kev rov qab los ntawm XGBoost, random hav zoov, thiab logistic regression yog 1, uas tuaj yeem kwv yees tag nrho cov qog nqaij hlav cancer mis K -ze ze ze tus neeg nyob ze rov qab yog me ntsis qis dua 0.986 piv nrog rau peb tus qauv. Rau qhov kev kwv yees qhov tseeb, qhov tseeb, thiab F1- cov qhab nia ntawm tus qauv, cov txiaj ntsig ntawm XGBoost qauv zoo dua li cov txiaj ntsig ntawm hav zoov random thiab logistic regression, uas yog 0.974, {{1 0}}.96, thiab 0.98, feem, yog li tus qauv XGboost raug xaiv los ua tus qauv twv ua ntej zaum kawg raws li qhov xwm txheej ntawm 8: 2 faib ntawm cov txheej txheem kev cob qhia thiab cov txheej txheem xeem.

(2) Nyob rau hauv rooj plaub ntawm kev faib cov txheej txheem kev cob qhia thiab qhov kev xeem tau teeb tsa ntawm 7 : 3, qhov tseem ceeb ntawm plaub qhov kev ntsuas ntsuas rau XGBoost thiab hav zoov random tau txo qis, thaum qhov tseem ceeb ntawm plaub qhov ntsuas ntsuas rau K-qhov ze tshaj nyob ze tus qauv yog txhim kho, tab sis rau kev rov qab los, tsuas yog rov qab los ntawm tus qauv logistic regression yog 1, thiab lwm yam qauv yog saum toj no 0.98, yog li cov qauv kev kwv yees qhov cuam tshuam ntawm logistic regression yog qhov zoo tshaj plaws, thiab kev kwv yees qhov tseeb, precision , thiab F1- cov qhab nias ntawm logistic regression yog 0.947, {{10}}.922, thiab 0.96, feem.

(3) Nws tuaj yeem pom los ntawm kev sim uas nyob rau hauv kev sib faib sib txawv, qhov kev twv ua ntej ntawm tus qauv muaj qhov sib txawv. Sib piv cov qauv zoo tshaj plaws hauv ob qhov kev sim sib txawv, nws tuaj yeem pom tau tias qhov kev twv ua ntej raug, qhov tseeb, thiab F1- cov qhab nia ntawm XGBoost qauv (uas faib cov txheej txheem kev cob qhia thiab kev xeem los ntawm 8: 2) yog siab dua li ntawm tus qauv logistic regression (uas faib cov txheej txheem kev cob qhia thiab cov kev ntsuam xyuas los ntawm 7 : 3) thaum rov qab yog 1, yog li tus qauv XGBoost (uas faib cov txheej txheem kev cob qhia thiab kev xeem los ntawm 8: 2) ua haujlwm. zoo tshaj plaws nyob rau hauv cov qauv tsim nyob rau hauv daim ntawv no. Tsis tas li ntawd, piv nrog cov qauv hauv cov ntaub ntawv [11–14], XGBoost qauv tsim nyob rau hauv daim ntawv no muaj txiaj ntsig zoo dua thiab tuaj yeem txheeb xyuas cov qog nqaij hlav cancer mis kom raug. Txawm li cas los xij, qhov kev tshawb fawb no tsuas yog txwv rau cov ntaub ntawv xov tooj, thiab yav tom ntej, peb yuav sim siv cov kev kawm sib sib zog nqus los siv ntau yam kev rho tawm cov txuj ci rau cov ntaub ntawv duab (xws li cov duab X-ray) kom tau txais kev faib tawm zoo dua.

Cov ntaub ntawv muaj

Cov ntaub ntawv uas txhawb nqa qhov kev tshawb pom ntawm txoj kev tshawb no yog qhib rau hauv UCI Machine Learning Repository ntawm https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+ %28Diagnostic%29.

Kev tsis sib haum xeeb

Cov kws sau ntawv tshaj tawm tias lawv tsis muaj kev tsis sib haum xeeb.

Kev lees paub

Txoj haujlwm no tau txais kev txhawb nqa los ntawm National Natural Science Foundation ntawm Tuam Tshoj (Grant no 61502156), Kev Qhia thiab Kev Tshawb Fawb Txoj Haujlwm ntawm Hubei Education Committee (Grant no 282), thiab Doctoral Foundation ntawm Hubei University of Technology (Grant no. BSQD13051).

Cov ntaub ntawv

[1] V. Fotedar, S. Fotedar, P. Takur, S. Vats, A. Negi, thiab L. Chanderkant, "Kev paub txog kev pheej hmoo mob qog noj ntshav mis thiab cov txheej txheem rau nws qhov kev tshawb pom ntxov ntawm cov thawj coj saib xyuas kev noj qab haus huv hauv Shimla, Himachal Pradesh," Phau ntawv Journal of Education thiab Health Promotion, vol. 8 ib,p. Peb Hlis 265, 2019.

[2] MS Simon, TA Hastert, A. Barac, et al., "Cardiometabolic txaus ntshai yam thiab muaj sia nyob tom qab mob qog noj ntshav hauv poj niam txoj kev noj qab haus huv," Cancer, vol. 127, Nr. 4, nr 598–608, 2021.

[3] HF Pasha, RH Mohamed, MM Toam, thiab AM Yehia, "Kev hloov pauv caj ces thiab epigenetic ntawm adiponectin gene: p," Phau ntawv Journal of Gene Medicine, vol. 21, nr. 10 ib,p. Peb 3120, 2019.

[4] D. Hong, AJ Fritz, SK Zaidi, et al., "Epithelial mus rau mesenchymal kev hloov pauv thiab qog nqaij hlav qog noj ntshav pab txhawb kev mob qog noj ntshav mis heterogeneity," Journal of Cellular Physiology, vol. 233, Nr. 12, pp. 9136–9144, 2018.

[5] J. Zhong, D. Sun, W. Wei, et al., "Kev sib piv-enhanced ultrasound-guided fine-needle aspiration rau sentinel lymph node biopsy nyob rau hauv thaum ntxov-theem mob cancer mis," Ultrasound hauv Tshuaj thiab Biology, vol. . 4 4, nr. 7, pp. 1371–1378, 2018.

[6] K. Babic, C. Siguan-Bell, M. Hee, and SC Lin, "Ocular g: ultrasound B-scan assessment of retained surgical sponge after Ahmed valve surgery: a case r," Journal of Glaucoma, vol. 26, nr. 10, p. e239–e241, 2017.

[7] A. Yala, PG Mikhael, F. Strand, et al., "Rau mus rau cov qauv zoo tshaj plaws rau kev mob qog noj ntshav mis," Science Translational Medicine, vol. 13, nr. 578, Tshooj ID eaba4373, 2021.

[8] . 29, nr. 5, pp. 1471–1514, 2018.

[9] EY Huang, S. Knight, CR Guetter, et al., “Telemedicine and telementoring in the surgical specialties: a narrative review, The American Journal of Surgery, vol. 218, no. 4, pp. 760–766, 2019.

[10] Q. Wu, BT Wang, HR Rao, Y. Jiang, thiab Liu, C. 31, nr. 02, nr 91–93, 1996.

[11] Q. Shen, F. Shao, thiab R. Sun, "Kev kwv yees qauv ntawm kev mob qog noj ntshav mis raws li xgboost," Phau ntawv Journal ntawm Qingdao University (Natural Science Edition), vol. 3 2, nr. Peb Hlis 1, 2019.

[12] Z. D., Su B., Zhan K. g, "Kev faib cov qog nqaij hlav cancer mis raws li kev kawm ua ke," Tuam Tshoj Cov Khoom Siv Kho Mob, vol. 3 5, nr. Peb Hlis 12, 2020.

[13] M. Monirujjaman Khan, S. Islam, S. Sarkar, et al., "Machine learning based comparative analysis for mis cancer," Journal of Healthcare Engineering, vol. 2022, Tshooj ID 4365855, 15 nplooj ntawv, 2022.

[14] A. Bhardwaj, H. Bhardwaj, A. Sakalle, Z. Uddin, M. Sakalle, thiab W. Ibrahim, "Tree-based and machine learning algorithm analysis for mis cancer classification," Computational Intelligence and Neuroscience, vol. 2022, Tshooj ID 6715406, 6 nplooj ntawv, 2022.

[15] H. Dong thiab L. Ma, "Kev kwv yees qauv ntawm triple-negative mob cancer mis raws li kev kawm tshuab," Phau ntawv Journal ntawm Yunnan University, vol. 3 9, nr. 1, pp. 111–115, 2017.

For more information:1950477648nn@gmail.com