Machine learning to diagnose breast cancer

• Autorzy: Ismaeel Ghassan Ahmad

Identyfikatory

DOI

10.15199/48.2023.01.02

Warianty tytułu

PL

Uczenie maszynowe do diagnozowania raka piersi

• Języki publikacji: EN

Abstrakty

EN

As the number of breast cancer diseases is increasing rapidly every year, new technologies are utilized to predict and diagnose this disease for better women's lives worldwide. The development of Machine Learning can be utilized to contribute in this sense and help in the early diagnosis of breast cancer. This paper aims to predict and diagnose breast cancer using Machine Learning techniques such as support vector Machine (SVM) and Decision -tree and Nearest neighbour (KNN). The results show the out performance of SVM over the other methods. These methods can be very helpful to predict the breast cancer disease ahead of time.

PL

Ponieważ liczba zachorowań na raka piersi gwałtownie rośnie z roku na rok, nowe technologie są wykorzystywane do przewidywania i diagnozowania tej choroby w celu poprawy życia kobiet na całym świecie. Rozwój uczenia maszynowego może być wykorzystany do wniesienia wkładu w tym sensie i pomocy we wczesnej diagnozie raka piersi. Niniejszy artykuł ma na celu przewidywanie i diagnozowanie raka piersi przy użyciu technik uczenia maszynowego, takich jak maszyna wektora nośnego (SVM) oraz drzewo decyzyjne i najbliższy sąsiad (KNN). Wyniki pokazują wydajność SVM w porównaniu z innymi metodami. Metody te mogą być bardzo pomocne w przewidywaniu zgonów na raka piersi z wyprzedzeniem.

Słowa kluczowe

EN

breast cancer disease; machine learning; classification; SVM; KNN

PL

rak piersi; uczenie maszynowe; klasyfikacja; SVM; KNN

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 1
• Strony: 10--12
• Opis fizyczny: Bibliogr. 8 poz., rys., tab.

Twórcy

autor

Ismaeel Ghassan Ahmad

• College of Pharmacy, University of Mosul, Mosul, Iraq

• https://orcid.org/0000-0003-2366-6924

Bibliografia

• [1] Johnson, R.H., Anders, C. K., Litton, J.K., Ruddy, K.J., & Bleyer, A. (2018). Breast cancer in adolescents and young adults. Pediatric blood & cancer, 65(12), e27397.
• [2] Allugunti, Viswanatha Reddy. "Breast cancer detection based on thermographic images using machine learning and deep learning algorithms." International Journal of Engineering in Computer Science 4.1 (2022): 49-56.
• [3] Eduati, Federica, et al. "A microfluidics platform for combinatorial drug screening on cancer biopsies." Nature communications 9.1 (2018): 1-13.
• [4] SUCKLING J, P. "The mammographic image analysis society digital mammogram database." Digital Mammo (1994): 375-386.
• [5] Li, Mengmeng, et al. "Ependymoma and pilocytic astrocytoma:Differentiation using radiomics approach based on machine learning." Journal of Clinical Neuroscience 78 (2020): 175-180.
• [6] Osisanwo, F.Y., et al. "Supervised machine learning algorithms: classification and comparison." International Journal of Computer Trends and Technology (IJCTT) 48.3 (2017): 128-138.
• [7] Kulkarni, Arun D., and Barrett Lowe. "Random forest algorithm for land cover classification." (2016).
• [8] Zhang, Hao, et al. "SVM-KNN: Discriminative nearest neighbor classification for visual category recognition." 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06). Vol. 2. IEEE, 2006.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).