用于肺癌诊断中高效特征发现的超启发式算法
人工智能
2016-01-26 v2
摘要
背景: 肺癌被认为是原发性癌症,其生存率约为15%。肺癌的早期检测是提高生存率的关键因素。肺癌的所有症状(特征)在癌症扩散到其他区域之前不会出现。为了提高生存率,需要对肺癌进行准确的早期检测。对于准确检测,需要表征高效特征并删除所有特征中的冗余特征。特征选择即在所有特征中选择信息性特征的问题。材料与方法: 肺癌数据库包含32份患者记录,具有57个特征。该数据库由Hong和Young收集,并收录于加州大学欧文分校存储库。实验内容包含从临床数据、X射线数据等提取的信息。数据描述了3种类型的病理性肺癌,所有特征取值为0-3的整数。在本研究中,提出了一种基于超启发式(Hyper-Heuristic)的方法来识别肺癌的高效特征。结果: 我们使用精简的11个特征集获得了80.63%的准确率。所提方法与5种机器学习特征选择的准确率进行比较。这5种方法的准确率分别为60.94、57.81、68.75、60.94和68.75。结论: 所提方法具有更好的性能,准确率最高。因此,推荐该模型用于识别疾病的高效症状。这些发现在健康研究中非常重要,特别是在为预测为高风险的病人分配医疗资源方面。
引用
@article{arxiv.1512.04652,
title = {Hyper-Heuristic Algorithm for Finding Efficient Features in Diagnose of Lung Cancer Disease},
author = {Mitra Montazeri and Mahdieh Soleymani Baghshah and Ahmad Enhesari},
journal= {arXiv preprint arXiv:1512.04652},
year = {2016}
}
备注
Published in the Journal of Basic and Applied Scientific Research, 2013