Fortgeschrittene Brustkrebserkennung mithilfe von maschinellem Lernen und Segmentierung

Brustkrebs ist die zweithäufigste Todesursache bei Frauen und wird oft erst im fortgeschrittenen Stadium entdeckt. Eine frühzeitige Erkennung ist entscheidend, da eine genaue Klassifizierung von gutartigen und bösartigen Tumoren unnötige Behandlungen verhindern kann. Diese Studie untersucht die Anwendung von Techniken des maschinellen Lernens für die Brustkrebsdiagnose unter Verwendung des Wisconsin Breast Cancer Dataset aus dem UCI Repository. Erste Experimente mit dem Naïve-Bayes-Klassifikator ergaben eine Genauigkeit von 88 % für gutartige und 86 % für bösartige Tumoren. Allerdings gab es Einschränkungen, wie z. B. eine geringe Genauigkeit und Probleme mit Nullhäufigkeiten. Durch den Wechsel zu künstlichen neuronalen Netzen (KNN) konnten die Ergebnisse auf 90 % für gutartige und 92 % für bösartige Klassifikationen verbessert werden, aber es wurden immer noch keine optimalen Ergebnisse erzielt. Die Forschung verwendete schließlich Support-Vektor-Maschinen (SVM)-Techniken und erzielte die höchste Genauigkeit mit 97 % für gutartige und 95 % für bösartige Tumore. Diese Methode unterscheidet Tumortypen mithilfe eines linearen Modells auf Basis von Hyperflächen effektiv voneinander. Alle Algorithmen wurden mit dem benutzerfreundlichen und kostenlosen Tool R implementiert, das die Datenverarbeitung für die Brustkrebs-Klassifizierung erleichtert.

Autorentext

Dr. Anastraj K. ist Leiter und Dozent am Fachbereich Informatik und Informationsnetzwerktechnik der St. Joseph University in Tansania. Mit einem starken Fokus auf künstliche Intelligenz, maschinelles Lernen, Cloud Computing und Fuzzy-Sets widmet sich Dr. Anastraj der Förderung sowohl der akademischen Forschung als auch der praktischen Anwendungen.