Neuro-fuzzy expert system for breast cancer diagnosis
Notice bibliographique
Résumé
Malignant Neoplasm commonly referred as cancer is caused by uncontrolled growth of cells in the body. According to the American Cancer Society nearly 7.6 million people died from cancer during 2007. The true inspiration for this paper comes from the paper "Implementing automated diagnostic systems for breast cancer detection" by E. D. Ubeyli, achieved appealing results by using different kinds of Neural Network algorithms such as Combine Neural Network(CNN) Recurrence Neural Network(RNN), Probabilistic Neural Network(PNN), Multilayer Perceptron (MLP) and Support Vector Machine (SVM)). We used a hybrid approach for the same diagnosis. The hybrid system that we used was Neuro-Fuzzy (ANFIS-MATLAB) which is a combination of Neural Network and Fuzzy Logic. As an extension of this research and curiosity to evaluate the hybrid approach we implemented a Fuzzy Inference System(FIS) in MATLAB using fuzzy toolbox. The hybrid system trained on equally distributed dataset outperforms all other approaches discussed in literature. Specifically the sensitivity obtained in our Neuro-Fuzzy system is 100% which outperforms sensitivity of 99.37% in the SVM (Support Vector Machine) model used by E. D. Ubeyli [5].
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».