机器学习在乳腺肿瘤分类检测中的应用研究

计算机工程与科学

机器学习在乳腺肿瘤分类检测中的应用研究

李喆，吕卫，闵行，褚晶辉

（天津大学电子信息工程学院，天津 300072）

收稿日期:2015-07-01 修回日期:2015-11-05 出版日期:2016-11-25 发布日期:2016-11-25

Application of machine learning

algorithms in breast tumor detection

LI Zhe,L Wei,MIN Hang,CHU Jinghui

(School of Electronic and Information Engineering,Tianjin University,Tianjin 300072,China)

Received:2015-07-01 Revised:2015-11-05 Online:2016-11-25 Published:2016-11-25

摘要/Abstract

摘要：

机器学习算法在医学检测与诊断，尤其是乳腺肿瘤分类检测与诊断中扮演愈发重要的角色。分析比较了

几种经典机器学习分类器在乳腺肿瘤分类检测中的性能，并从准确率、灵敏度、特异性及执行效率等方

面对各分类器的性能进行了评估比较，根据在不同数据库上的实验结果，总结了各机器学习分类器在乳

腺肿瘤分类中的性能特点：线性判别分析和极限学习机两种分类器性能优良且训练效率很高；支持向量

机性能较为平均且非常稳定，但训练耗时较长；而人工神经网络分类器虽然可以给出良好的特异性指标

，但灵敏度指标不够理想。

关键词: 乳腺肿瘤, 机器学习, 性能比较

Abstract:

Machine learning algorithms are playing an increasingly important role in medical detection

and diagnosis, especially for breast tumor classification, detection and diagnosis. We

evaluate these machine learning methods based on criterions including accuracy,

sensitivity, specificity and efficiency. We then summarize the characteristics of different

classifiers according to the experimental results of different breast tumor databases: all

of the classifiers can achieve relatively ideal performance in terms of testing efficiency.

The linear discriminant analysis and the extreme learning machine have excellent

classification performance and high training efficiency while the support vector machine

has average classification performance and a long training time, and the artificial neural

network has relatively low sensitivity but an extremely high specificity.

Key words: breast tumor, machine learning, performance comparison

李喆，吕卫，闵行，褚晶辉. 机器学习在乳腺肿瘤分类检测中的应用研究[J]. 计算机工程与科学.

LI Zhe,L Wei,MIN Hang,CHU Jinghui.

Application of machine learning

algorithms in breast tumor detection

[J]. Computer Engineering & Science.

[1]	温鑫, 曾焘, 李春波, 徐子晨. 面向服务器无感计算的模型推理服务切换方法研究[J]. 计算机工程与科学, 2024, 46(07): 1210-1217.
[2]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[3]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(06): 1013-1021.
[4]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[5]	黄鹏程, 冯超超, 马驰远, . 未知工艺角下时序违反的机器学习预测[J]. 计算机工程与科学, 2024, 46(03): 395-399.
[6]	李扬, 尹大鹏, 马自强, 姚梓豪, 魏良根, . 结合决策树和AdaBoost的缓存侧信道攻击检测[J]. 计算机工程与科学, 2024, 46(03): 440-452.
[7]	彭畅, 刘青枝, 陈长波, . 多面体模型下的循环置换与自动调优[J]. 计算机工程与科学, 2023, 45(12): 2121-2134.
[8]	赵振宇, 杨天豪, 蒋汶乘, 张书政. 基于机器学习的多压多温多参标准单元延迟快速计算方法[J]. 计算机工程与科学, 2023, 45(08): 1331-1338.
[9]	李小玲, 方建滨, 马俊, 谭霜, 谭郁松. 基于监督学习的稀疏矩阵自动任务分配[J]. 计算机工程与科学, 2023, 45(05): 782-789.
[10]	胡艳芳, 熊文, 高炜. 基于 Spark 平台的网络游戏用户流失预测方法[J]. 计算机工程与科学, 2022, 44(10): 1730-1737.
[11]	唐阳坤, 鲜港, 杨文祥, 喻杰, 张晓蓉, 王耀彬. 基于用户行为的超级计算机作业失败预测方法[J]. 计算机工程与科学, 2022, 44(10): 1753-1761.
[12]	楚阳, 徐文龙. 基于计算机辅助诊断技术的阿尔兹海默症早期分类研究综述[J]. 计算机工程与科学, 2022, 44(05): 879-893.
[13]	崔弘, 赵双, 张广胜, 苏金树. 基于机器学习的移动代理应用流量识别方法[J]. 计算机工程与科学, 2022, 44(04): 654-664.
[14]	刘国强, 赵振宇, 赵晨煜, 韩奥, 杨天豪. 基于机器学习的PCB布线电阻计算方法[J]. 计算机工程与科学, 2022, 44(03): 396-402.
[15]	李文丽. 基于朴素贝叶斯分类的网络谣言识别研究[J]. 计算机工程与科学, 2022, 44(03): 495-501.