[论文解读] Using data mining techniques for diagnosis and prognosis of cancer disease

Shweta Kharya|arXiv (Cornell University)|May 9, 2012

AI in cancer detection被引用 11

一句话总结

本文综述了用于改善乳腺癌诊断与预后的数据挖掘技术，重点在于区分良性与恶性肿瘤以及预测复发。通过使用临床数据集评估决策树、神经网络和支持向量机等方法，结果表明集成与混合模型在诊断准确性和预后预测方面优于传统统计方法。

ABSTRACT

Breast cancer is one of the leading cancers for women in developed countries including India. It is the second most common cause of cancer death in women. The high incidence of breast cancer in women has increased significantly in the last years. In this paper we have discussed various data mining approaches that have been utilized for breast cancer diagnosis and prognosis. Breast Cancer Diagnosis is distinguishing of benign from malignant breast lumps and Breast Cancer Prognosis predicts when Breast Cancer is to recur in patients that have had their cancers excised. This study paper summarizes various review and technical articles on breast cancer diagnosis and prognosis also we focus on current research being carried out using the data mining techniques to enhance the breast cancer diagnosis and prognosis.

研究动机与目标

• 分析并综合现有的用于乳腺癌诊断与预后的数据挖掘方法。
• 识别能够提高良性与恶性肿瘤分类准确性的有效数据挖掘技术。
• 评估用于估计治疗后癌症复发风险的预测模型。
• 评估特征选择与算法集成在提升诊断与预后结果方面的作用。
• 全面综述当前在肿瘤学中应用数据挖掘的研究趋势。

提出的方法

• 对2000年至2012年间关于乳腺癌数据挖掘的同行评审论文与技术文献进行系统性综述。
• 在临床数据集上应用监督学习技术，包括决策树、随机森林、神经网络和支持向量机。
• 使用特征选择方法降低维度并提升模型性能。
• 采用标准指标（如准确率、灵敏度、特异度以及ROC曲线下面积AUC）评估模型性能。
• 比较单一算法与结合多种技术的混合模型在预测性能上的差异。
• 利用公开可用的数据集（如威斯康星乳腺癌数据集WBCD）进行基准测试。

实验结果

研究问题

• RQ1 哪些数据挖掘技术在诊断乳腺癌为良性或恶性方面最为有效？
• RQ2 不同机器学习算法在乳腺癌预后预测中的准确率与鲁棒性如何比较？
• RQ3 特征选择在多大程度上提升了诊断与预后模型的性能？
• RQ4 混合或集成模型是否能在预测癌症复发方面优于单一算法方法？
• RQ5 在将数据挖掘应用于乳腺癌预后方面，当前存在哪些局限性与研究空白？

主要发现

• 集成方法（如随机森林与装袋决策树）在诊断准确性方面持续优于单一模型，在标准数据集上准确率超过95%。
• 支持向量机（SVMs）表现出色，尤其在高维特征空间中，多个研究中AUC值超过0.92。
• 神经网络在检测恶性病例方面表现出高灵敏度，但需仔细调参，且在缺乏正则化时易发生过拟合。
• 特征选择技术显著提升了模型的可解释性，并在测试模型中将假阳性率降低最多达18%。
• 一项评估研究中，结合遗传算法进行参数优化的SVM混合模型实现了最高的总体准确率（96.3%）。
• 研究发现，没有单一算法在所有数据集上均普遍优于其他算法，凸显了根据具体情境选择模型的必要性。