$\text{O}^2$PF：基于最优路径森林的过采样用于乳腺癌检测
机器学习
2021-01-15 v1
摘要
乳腺癌是最致命的疾病之一，主要困扰全球女性。尽管传统的检测方法已被证明对该任务有效，但它们通常仍存在准确率较低的问题，且需要专业人员投入大量时间与精力。因此，能够提供早期检测的计算机辅助诊断(CAD)系统变得极为可取。在过去十年中，基于机器学习的技术在此背景下至关重要，因为它们能够从数据中提取关键信息并据此推理。然而，此类方法仍受困于数据不平衡问题，特别是在医学问题中，健康人样本数量通常远高于患者样本数量。因此，本文提出 PF，一种基于无监督最优路径森林算法的数据过采样方法。在完整过采样场景下进行的实验表明了该模型的鲁棒性，其针对三种成熟的过采样方法进行比较，考虑了三个乳腺癌和三个通用医学问题数据集任务。
引用
@article{arxiv.2101.05775,
title = {$\text{O}^2$PF: Oversampling via Optimum-Path Forest for Breast Cancer Detection},
author = {Leandro Aparecido Passos and Danilo Samuel Jodas and Luiz C. F. Ribeiro and Thierry Pinheiro and João P. Papa},
journal= {arXiv preprint arXiv:2101.05775},
year = {2021}
}
备注
6 pages, 3 figures. 2020 IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS)