Optimizing Lung Cancer Classification with Extreme Learning Machine and Ant Lion Optimization for Enhanced Early Detection
Notice bibliographique
Résumé
Lung cancer emerges as a notable cancer affecting individuals of all genders on a global scale.Timely detection in its early stages significantly increases the chances of survival.In recent years, the advent of automatic lung cancer detection systems has played a significant role in enhancing diagnostic rates.Despite the advantages presented by machine learning models over traditional methods and their breakthroughs in various image classification tasks, accurately classifying lung cancer remains a challenge.This challenge is attributed to the complexity involved in selecting an appropriate machine learning model and fine-tuning hyperparameters.This paper aims to enhance the performance of a lung cancer classification system by optimizing hyperparameters in the Extreme Learning Machine (ELM) using metaheuristic optimization algorithms.To achieve this, Ant Lion Optimization algorithms are employed to determine optimal weight values for ELM.The novelty of this work lies in the application of ALO to enhance the performance of ELM specifically for lung cancer diagnosis, addressing a crucial gap in existing methodologies.Initially, features are extracted from Convolutional Neural Network (CNN).Subsequently, the optimal weight values and features are utilized in the ELM for the classification of Lung CT images as benign or malignant.The impact of applying hyperparameter optimization is assessed on two benchmark datasets, LIDC-IDRI and KAGGLE.The accuracy of lung cancer prediction using our method reaches 99.5% on the LIDC-IDRI dataset and 99.3% on the KAGGLE dataset.The findings of this study suggest that the proposed method outperforms existing approaches in the diagnosis of lung cancer.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».