Published May 31, 2024
| Version v1
Publication
Open
A model for skin cancer using combination of ensemble learning and deep learning
Creators
- 1. Duy Tan University
Description
Skin cancer has a significant impact on the lives of many individuals annually and is recognized as the most prevalent type of cancer. In the United States, an estimated annual incidence of approximately 3.5 million people receiving a diagnosis of skin cancer underscores its widespread prevalence. Furthermore, the prognosis for individuals afflicted with advancing stages of skin cancer experiences a substantial decline in survival rates. This paper is dedicated to aiding healthcare experts in distinguishing between benign and malignant skin cancer cases by employing a range of machine learning and deep learning techniques and different feature extractors and feature selectors to enhance the evaluation metrics. In this paper, different transfer learning models are employed as feature extractors, and to enhance the evaluation metrics, a feature selection layer is designed, which includes diverse techniques such as Univariate, Mutual Information, ANOVA, PCA, XGB, Lasso, Random Forest, and Variance. Among transfer models, DenseNet-201 was selected as the primary feature extractor to identify features from data. Subsequently, the Lasso method was applied for feature selection, utilizing diverse machine learning approaches such as MLP, XGB, RF, and NB. To optimize accuracy and precision, ensemble methods were employed to identify and enhance the best-performing models. The study provides accuracy and sensitivity rates of 87.72% and 92.15%, respectively.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يؤثر سرطان الجلد بشكل كبير على حياة العديد من الأفراد سنويًا ويعرف بأنه أكثر أنواع السرطان انتشارًا. في الولايات المتحدة، يؤكد معدل الإصابة السنوي المقدر بحوالي 3.5 مليون شخص يشخصون بسرطان الجلد انتشاره على نطاق واسع. علاوة على ذلك، فإن تشخيص الأفراد المصابين بمراحل متقدمة من سرطان الجلد يشهد انخفاضًا كبيرًا في معدلات البقاء على قيد الحياة. هذه الورقة مخصصة لمساعدة خبراء الرعاية الصحية في التمييز بين حالات سرطان الجلد الحميدة والخبيثة من خلال توظيف مجموعة من تقنيات التعلم الآلي والتعلم العميق ومستخلصات الميزات المختلفة ومحددات الميزات لتعزيز مقاييس التقييم. في هذه الورقة، يتم استخدام نماذج مختلفة لتعلم النقل كمستخلصات للميزات، ولتعزيز مقاييس التقييم، تم تصميم طبقة اختيار الميزات، والتي تتضمن تقنيات متنوعة مثل Univariate و Mutual Information و ANOVA و PCA و XGB و Lasso و Random Forest و Variance. من بين نماذج النقل، تم اختيار DenseNet -201 كمستخرج للميزات الأساسية لتحديد الميزات من البيانات. بعد ذلك، تم تطبيق طريقة LASSO لاختيار الميزات، باستخدام أساليب متنوعة للتعلم الآلي مثل MLP و XGB و RF و NB. ولتحسين الدقة والدقة، تم استخدام أساليب التجميع لتحديد وتعزيز النماذج الأفضل أداءً. توفر الدراسة معدلات دقة وحساسية بنسبة 87.72 ٪ و 92.15 ٪ على التوالي.Translated Description (French)
Le cancer de la peau a un impact significatif sur la vie de nombreuses personnes chaque année et est reconnu comme le type de cancer le plus répandu. Aux États-Unis, une incidence annuelle estimée à environ 3,5 millions de personnes recevant un diagnostic de cancer de la peau souligne sa prévalence généralisée. De plus, le pronostic des personnes atteintes d'un cancer de la peau à un stade avancé connaît une baisse substantielle des taux de survie. Cet article est dédié à aider les experts de la santé à faire la distinction entre les cas de cancer de la peau bénin et malin en utilisant une gamme de techniques d'apprentissage automatique et d'apprentissage en profondeur et différents extracteurs de fonctionnalités et sélecteurs de fonctionnalités pour améliorer les métriques d'évaluation. Dans cet article, différents modèles d'apprentissage par transfert sont utilisés comme extracteurs de caractéristiques, et pour améliorer les métriques d'évaluation, une couche de sélection de caractéristiques est conçue, qui comprend diverses techniques telles que Univariate, Mutual Information, ANOVA, PCA, XGB, Lasso, Random Forest et Variance. Parmi les modèles de transfert, DenseNet-201 a été sélectionné comme principal extracteur de caractéristiques pour identifier les caractéristiques à partir des données. Par la suite, la méthode Lasso a été appliquée pour la sélection des fonctionnalités, en utilisant diverses approches d'apprentissage automatique telles que MLP, XGB, RF et NB. Pour optimiser la précision et la précision, des méthodes d'ensemble ont été utilisées pour identifier et améliorer les modèles les plus performants. L'étude fournit des taux de précision et de sensibilité de 87,72 % et 92,15 %, respectivement.Translated Description (Spanish)
El cáncer de piel tiene un impacto significativo en la vida de muchas personas anualmente y se reconoce como el tipo de cáncer más prevalente. En los Estados Unidos, una incidencia anual estimada de aproximadamente 3,5 millones de personas que reciben un diagnóstico de cáncer de piel subraya su prevalencia generalizada. Además, el pronóstico para las personas afectadas por etapas avanzadas de cáncer de piel experimenta una disminución sustancial en las tasas de supervivencia. Este documento está dedicado a ayudar a los expertos en atención médica a distinguir entre casos de cáncer de piel benigno y maligno mediante el empleo de una gama de técnicas de aprendizaje automático y aprendizaje profundo y diferentes extractores de características y selectores de características para mejorar las métricas de evaluación. En este documento, se emplean diferentes modelos de aprendizaje por transferencia como extractores de características, y para mejorar las métricas de evaluación, se diseña una capa de selección de características, que incluye diversas técnicas como Univariante, Información Mutua, ANOVA, PCA, XGB, Lasso, Bosque Aleatorio y Varianza. Entre los modelos de transferencia, se seleccionó DenseNet-201 como el extractor de características principal para identificar las características a partir de los datos. Posteriormente, se aplicó el método Lasso para la selección de características, utilizando diversos enfoques de aprendizaje automático como MLP, XGB, RF y NB. Para optimizar la exactitud y la precisión, se emplearon métodos de conjunto para identificar y mejorar los modelos de mejor rendimiento. El estudio proporciona tasas de precisión y sensibilidad del 87,72% y 92,15%, respectivamente.Files
journal.pone.0301275&type=printable.pdf
Files
(1.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:ffce635b5a2a6acac1aa863044dd0c59
|
1.5 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نموذج لسرطان الجلد باستخدام مزيج من التعلم الجماعي والتعلم العميق
- Translated title (French)
- Un modèle pour le cancer de la peau utilisant la combinaison de l'apprentissage d'ensemble et de l'apprentissage en profondeur
- Translated title (Spanish)
- Un modelo para el cáncer de piel que utiliza una combinación de aprendizaje conjunto y aprendizaje profundo
Identifiers
- Other
- https://openalex.org/W4399203645
- DOI
- 10.1371/journal.pone.0301275
References
- https://openalex.org/W1498436455
- https://openalex.org/W1964940342
- https://openalex.org/W2071534821
- https://openalex.org/W2087347434
- https://openalex.org/W2113242816
- https://openalex.org/W2133003941
- https://openalex.org/W2135046866
- https://openalex.org/W2295598076
- https://openalex.org/W2553914821
- https://openalex.org/W2575262114
- https://openalex.org/W2782668987
- https://openalex.org/W2790501497
- https://openalex.org/W28412257
- https://openalex.org/W2894701461
- https://openalex.org/W2911964244
- https://openalex.org/W2942594154
- https://openalex.org/W2945549912
- https://openalex.org/W2951071478
- https://openalex.org/W2955308063
- https://openalex.org/W2955425717
- https://openalex.org/W2962835968
- https://openalex.org/W2963446712
- https://openalex.org/W2990040069
- https://openalex.org/W3004732066
- https://openalex.org/W3120409733
- https://openalex.org/W3120946080
- https://openalex.org/W3132455321
- https://openalex.org/W3135918237
- https://openalex.org/W3159794270
- https://openalex.org/W3175721055
- https://openalex.org/W4212883601
- https://openalex.org/W4224037877
- https://openalex.org/W4225597912
- https://openalex.org/W4248753642
- https://openalex.org/W4256049924
- https://openalex.org/W4284898519
- https://openalex.org/W4296995864
- https://openalex.org/W4304693539
- https://openalex.org/W4307770887
- https://openalex.org/W4313488809
- https://openalex.org/W4313597606
- https://openalex.org/W4317770553
- https://openalex.org/W4318820267
- https://openalex.org/W4318825001
- https://openalex.org/W4321793431
- https://openalex.org/W4322765595
- https://openalex.org/W4366966460
- https://openalex.org/W4381468430
- https://openalex.org/W4385880518
- https://openalex.org/W4385986095
- https://openalex.org/W4386832837
- https://openalex.org/W4387407657
- https://openalex.org/W4387435338
- https://openalex.org/W628583573