利用一种新的进化森林方法进行乳腺癌诊断

《Scientific Reports》：Breast cancer diagnosis using a new evolutionary forest approach

　　

摘要

乳腺癌仍然是全球癌症相关死亡的主要原因之一，早期、准确的诊断对于改善患者预后至关重要。传统的诊断方法通常依赖于手动特征选择，这种方法可能存在偏差且效果不尽理想，尤其是在高维的医疗数据集中。为了解决这个问题，我们提出了一种基于进化算法的自动化特征选择框架，并结合了随机森林分类器。我们的方法通过在交叉验证过程中最大化分类性能来迭代演化出紧凑、高性能的特征子集。这种做法消除了对领域特定启发式的依赖，并提高了模型的泛化能力。在威斯康星州诊断乳腺癌数据集上的实验结果表明，所提出的进化随机森林模型具有较高的诊断性能：使用5折交叉验证时，其准确率为98.59%、平衡准确率为98.21%、精确度为98.07%、召回率为99.72%、F1分数为98.89%、AUC为99.68%。这些发现证实了ERF方法在乳腺癌诊断中的有效性和实用性。该方法完全自动化，并且可以适用于其他结构化的医学分类任务。