https://iieta.org/Journals/ISI/Archive/Vol-30-No-3-2025
Notice bibliographique
Résumé
Breast cancer is the most common and lethal cancer among women across the globe, and supporting early detection through accurate diagnostic measures would save many lives.However, existing diagnostic techniques often encounter problems concerning accuracy and reliability, hence, they are ineffective.This paper presents a new multi-classifier machine learning technique for breast cancer diagnosis using the integration of conventional machine learning (ML) and deep learning (DL) paradigms.The model employs a two-step process: The first step is feature selection using a random forest (RF) to do dimensionality reduction, and feature selection eliminates features that are not useful; the last step is classification using a convolutional neural network (CNN).The hybrid model is then tested using a Wisconsin breast cancer data set.Evaluation criteria for the key performance indicators include accuracy, precision, recall rate, F1-score, and AUC ROC.As the results have revealed, the hybrid model is higher than the traditional methods like logistic regression (LR) with an accuracy of 94.5%, a precision of 92.8%, recall of 95.0%, an F1score of 93.8% and an AUC-ROC of 0.97.This study demonstrates that integrating human readers into the evaluation process can enhance the reliability and efficiency of clinical breast cancer detection and, hence, contribute to developing diagnostic techniques in online medical image analysis.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,014 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,009 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,541 | 0,595 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».