一种改进的SVM算法在乳腺癌诊断方面的应用

计算机工程与科学

一种改进的SVM算法在乳腺癌诊断方面的应用

吴辰文，李长生，王伟，梁靖涵，闫光辉

（兰州交通大学电子与信息工程学院,甘肃兰州 730070)

收稿日期:2015-09-06 修回日期:2015-12-07 出版日期:2017-03-25 发布日期:2017-03-25
基金资助:
国家自然科学基金(61163010);甘肃省自然科学基金(1308RJZA111)；兰州市科技计划（2015-2-99）

Application of an improved support vector machine

algorithm in the diagnosis of breast cancer

WU Chen-wen,LI Chang-sheng,WANG Wei,LIANG Jing-han,YAN Guang-hui

（School of Electronics and Information Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China）

Received:2015-09-06 Revised:2015-12-07 Online:2017-03-25 Published:2017-03-25

摘要/Abstract

摘要：

针对计算机辅助诊断（CAD）技术在乳腺癌疾病诊断准确率的优化问题，提出了一种基于随机森林模型下Gini指标特征加权的支持向量机方法（RFG-SVM）。该方法利用了随机森林模型下的Gini指数衡量各个特征对分类结果的重要性，构造具有加权特征向量核函数的支持向量机，并在乳腺癌疾病诊断方面加以应用。经理论分析和实验数据验证，相比于传统的支持向量机（SVM），该方法提升了分类预测的性能,其结果与最新的方法相比也具有一定的竞争力，而且在医疗诊断应用方面更具优势。

关键词: 支持向量机, 特征加权, 随机森林, 计算机辅助诊断

Abstract:

To optimize the accuracy of computer aided diagnosis (CAD) technology in the diagnosis of breast cancer, we propose a new support vector machine algorithm based on the feature weighting of Gini index under the random forest model (RFG-SVM). The algorithm uses the Gini index under the random forest model to measure the impact of each feature on the classification results, and to build a support vector machine with the weighted feature vector kernel function, which is then applied to the diagnosis of breast cancer. Theoretical analysis and experimental data tests show that the proposed algorithm has higher classification accuracy than the traditional SVM and is more competitive than the state-of-the-art methods in medical diagnostics.

Key words: SVM, feature weighting, random forest, computer-aided diagnosis (CAD)

吴辰文，李长生，王伟，梁靖涵，闫光辉. 一种改进的SVM算法在乳腺癌诊断方面的应用[J]. 计算机工程与科学.

WU Chen-wen,LI Chang-sheng,WANG Wei,LIANG Jing-han,YAN Guang-hui.

Application of an improved support vector machine

algorithm in the diagnosis of breast cancer

[J]. Computer Engineering & Science.

[1]	柴旭清, 乔一航, 范黎林, . 一种基于随机森林分类器构建高性能应用程序性能分析模型的方法[J]. 计算机工程与科学, 2024, 46(7): 1218-1228.
[2]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(7): 1170-1177.
[3]	唐宇, 代琪, 杨志伟, 杨爱民, 陈丽芳, . 基于优化随机森林的软件缺陷预测算法研究[J]. 计算机工程与科学, 2023, 45(5): 830-839.
[4]	唐宇, 代琪, 杨梦园, 陈丽芳, . 改进麻雀搜索算法优化SVM的异常点检测[J]. 计算机工程与科学, 2023, 45(2): 346-354.
[5]	吕小姣, 张玉梅, 杨红红, 吴晓军, . 基于距离排序的DUPSO-DSVM民歌快速分类算法研究[J]. 计算机工程与科学, 2023, 45(10): 1874-1833.
[6]	马汉达, 朱敏. 改进SVM不平衡数据分类的IGWOSMOTE方法[J]. 计算机工程与科学, 2022, 44(6): 1133-1140.
[7]	徐礼金, 贺艳芳. 基于随机森林算法的无线传感网络攻击流量阻断模型构建[J]. 计算机工程与科学, 2022, 44(5): 819-825.
[8]	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(5): 879-893.
[9]	仲臣, 余学祥, 邰晓曼, 韩雨辰, 肖星星, 刘清华, . 萤火虫算法优化支持向量机室内定位研究[J]. 计算机工程与科学, 2022, 44(11): 1968-1975.
[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]	林涛, 张达, 王建君. 改进LSTM-RF算法的传感器故障诊断与数据重构研究[J]. 计算机工程与科学, 2021, 43(5): 845-852.
[12]	张馨予, 安建成, 曹锐. 基于自适应随机森林的数据流分类算法[J]. 计算机工程与科学, 2020, 42(3): 543-549.
[13]	王云艳1,2，罗冷坤1，王重阳1. 基于流形学习的光学遥感图像分类[J]. 计算机工程与科学, 2019, 41(7): 1212-1219.
[14]	冯璋，裴东,王维. 基于改进灰狼算法优化支持向量机的人脸识别[J]. 计算机工程与科学, 2019, 41(6): 1057-1063.
[15]	杨杰超，许江淳，岳秋燕，曾德斌，陆万荣. 基于SPARK与随机森林的短信诈骗用户识别研究[J]. 计算机工程与科学, 2019, 41(6): 1136-1144.