Published November 1, 2020
| Version v1
Publication
Open
Multi-modal prediction of breast cancer using particle swarm optimization with non-dominating sorting
Creators
- 1. Galgotias University
- 2. Vellore Institute of Technology University
- 3. Guangdong University of Technology
- 4. Prince Sattam Bin Abdulaziz University
Description
Cancer is enlisted as the second leading reason for death across the world wherein almost one person out of six dies of cancer. Breast cancer is one of the most common forms of cancer predominant in women having the second highest mortality rate in the world. Various scientific studies have been conducted to combat this disease, and machine learning approaches have been an extremely popular choice. Particle swarm optimization has been identified as one of the most powerful and efficient technique for the diagnosis of breast cancer guiding physicians towards timely and accurate treatment. It is also pertinent to mention that multi-modal prediction methods are used to make decisions depending upon different scenarios and aspects whereas the non-dominating sorting feature is useful to sort different objects based on differing requirements. The main novelty of this work is multi-modal prediction algorithm for breast cancer prediction is proposed. The work encompasses the use of particle swarm optimization, non-dominating sorting and multi-classifier techniques, namely, k-nearest neighbour method, fast decision tree and kernel density estimation. Finally, Bayes' theorem is implemented for revising the results to achieve optimum accuracy in the breast cancer prediction. The proposed particle swarm optimization and non-domination sorting with classifier technique model helps to select the most significant features relevant to breast cancer predictions. The selected features design the objective of the problem model. The proposed model is implemented on the WBCD and WDBC breast cancer data sets publicly available from the UCI machine learning data repository. The metrics considered are sensitivity, specificity, accuracy and time complexity. The experimental results of the study using measures such as sensitivity, specificity, accuracy and time complexity. The experimental results of the study are evaluated against the state-of-the-art algorithms, namely, genetic algorithm kernel density estimation and particle swarm optimization kernel density estimation wherein the results justify the superiority of the proposed model.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تم إدراج السرطان باعتباره السبب الرئيسي الثاني للوفاة في جميع أنحاء العالم حيث يموت شخص واحد تقريبًا من كل ستة أشخاص بسبب السرطان. سرطان الثدي هو أحد أكثر أشكال السرطان شيوعًا لدى النساء اللائي لديهن ثاني أعلى معدل وفيات في العالم. وقد أجريت دراسات علمية مختلفة لمكافحة هذا المرض، وكانت مناهج التعلم الآلي خيارًا شائعًا للغاية. تم تحديد تحسين سرب الجسيمات كواحد من أقوى التقنيات وأكثرها كفاءة لتشخيص سرطان الثدي وتوجيه الأطباء نحو العلاج الدقيق وفي الوقت المناسب. ومن الجدير بالذكر أيضًا أن طرق التنبؤ متعددة الوسائط تستخدم لاتخاذ القرارات اعتمادًا على سيناريوهات وجوانب مختلفة في حين أن ميزة الفرز غير المسيطرة مفيدة لفرز الكائنات المختلفة بناءً على متطلبات مختلفة. الحداثة الرئيسية لهذا العمل هي خوارزمية التنبؤ متعددة الوسائط للتنبؤ بسرطان الثدي. يشمل العمل استخدام تقنيات تحسين سرب الجسيمات والفرز غير المسيطر وتقنيات المصنفات المتعددة، وهي طريقة أقرب الجيران وشجرة القرار السريع وتقدير كثافة النواة. أخيرًا، يتم تنفيذ نظرية بايز لمراجعة النتائج لتحقيق الدقة المثلى في التنبؤ بسرطان الثدي. يساعد نموذج تحسين سرب الجسيمات المقترح والفرز غير المسيطر باستخدام تقنية المصنف على اختيار أهم الميزات ذات الصلة بتنبؤات سرطان الثدي. تصمم الميزات المحددة هدف نموذج المشكلة. يتم تنفيذ النموذج المقترح على مجموعات بيانات سرطان الثدي WBCD و WDBC المتاحة للجمهور من مستودع بيانات التعلم الآلي UCI. المقاييس التي يتم النظر فيها هي الحساسية والخصوصية والدقة وتعقيد الوقت. النتائج التجريبية للدراسة باستخدام مقاييس مثل الحساسية والخصوصية والدقة وتعقيد الوقت. يتم تقييم النتائج التجريبية للدراسة مقابل أحدث الخوارزميات، وهي تقدير كثافة نواة الخوارزمية الجينية وتقدير كثافة نواة تحسين سرب الجسيمات حيث تبرر النتائج تفوق النموذج المقترح.Translated Description (French)
Le cancer est considéré comme la deuxième principale cause de décès dans le monde, près d'une personne sur six mourant d'un cancer. Le cancer du sein est l'une des formes de cancer les plus courantes chez les femmes ayant le deuxième taux de mortalité le plus élevé au monde. Diverses études scientifiques ont été menées pour lutter contre cette maladie, et les approches d'apprentissage automatique ont été un choix extrêmement populaire. L'optimisation de l'essaim de particules a été identifiée comme l'une des techniques les plus puissantes et les plus efficaces pour le diagnostic du cancer du sein, guidant les médecins vers un traitement rapide et précis. Il est également pertinent de mentionner que les méthodes de prédiction multimodales sont utilisées pour prendre des décisions en fonction de différents scénarios et aspects, tandis que la fonction de tri non dominante est utile pour trier différents objets en fonction d'exigences différentes. La principale nouveauté de ce travail est la proposition d'un algorithme de prédiction multimodal pour la prédiction du cancer du sein. Le travail englobe l'utilisation de l'optimisation de l'essaim de particules, du tri non dominant et des techniques de classification multiple, à savoir la méthode du plus proche voisin k, l'arbre de décision rapide et l'estimation de la densité du noyau. Enfin, le théorème de Bayes est mis en œuvre pour réviser les résultats afin d'obtenir une précision optimale dans la prédiction du cancer du sein. L'optimisation de l'essaim de particules et le tri sans dénomination proposés avec le modèle de technique de classification aident à sélectionner les caractéristiques les plus significatives pertinentes pour les prédictions du cancer du sein. Les fonctionnalités sélectionnées définissent l'objectif du modèle de problème. Le modèle proposé est mis en œuvre sur les ensembles de données sur le cancer du sein WBCD et WDBC accessibles au public à partir du référentiel de données d'apprentissage automatique UCI. Les paramètres pris en compte sont la sensibilité, la spécificité, l'exactitude et la complexité temporelle. Les résultats expérimentaux de l'étude en utilisant des mesures telles que la sensibilité, la spécificité, l'exactitude et la complexité temporelle. Les résultats expérimentaux de l'étude sont évalués par rapport aux algorithmes de pointe, à savoir l'estimation de la densité du noyau de l'algorithme génétique et l'estimation de la densité du noyau d'optimisation de l'essaim de particules, les résultats justifiant la supériorité du modèle proposé.Translated Description (Spanish)
El cáncer se considera la segunda causa de muerte en todo el mundo, ya que casi una de cada seis personas muere de cáncer. El cáncer de mama es una de las formas más comunes de cáncer predominante en las mujeres que tienen la segunda tasa de mortalidad más alta del mundo. Se han realizado varios estudios científicos para combatir esta enfermedad, y los enfoques de aprendizaje automático han sido una opción extremadamente popular. La optimización del enjambre de partículas se ha identificado como una de las técnicas más potentes y eficientes para el diagnóstico del cáncer de mama que guía a los médicos hacia un tratamiento oportuno y preciso. También es pertinente mencionar que los métodos de predicción multimodal se utilizan para tomar decisiones dependiendo de diferentes escenarios y aspectos, mientras que la función de clasificación no dominante es útil para clasificar diferentes objetos en función de diferentes requisitos. La principal novedad de este trabajo es que se propone un algoritmo de predicción multimodal para la predicción del cáncer de mama. El trabajo abarca el uso de la optimización de enjambres de partículas, la clasificación no dominante y las técnicas de clasificación múltiple, a saber, el método del vecino más cercano, el árbol de decisión rápida y la estimación de la densidad del núcleo. Finalmente, se implementa el teorema de Bayes para revisar los resultados para lograr una precisión óptima en la predicción del cáncer de mama. La optimización del enjambre de partículas propuesta y la clasificación sin dominación con el modelo de técnica clasificadora ayudan a seleccionar las características más significativas relevantes para las predicciones del cáncer de mama. Las características seleccionadas diseñan el objetivo del modelo del problema. El modelo propuesto se implementa en los conjuntos de datos de cáncer de mama WBCD y WDBC disponibles públicamente en el repositorio de datos de aprendizaje automático UCI. Las métricas consideradas son la sensibilidad, la especificidad, la precisión y la complejidad temporal. Los resultados experimentales del estudio utilizando medidas como sensibilidad, especificidad, precisión y complejidad temporal. Los resultados experimentales del estudio se evalúan contra los algoritmos del estado de la técnica, a saber, la estimación de la densidad del núcleo del algoritmo genético y la estimación de la densidad del núcleo de optimización del enjambre de partículas, en donde los resultados justifican la superioridad del modelo propuesto.Files
1550147720971505.pdf
Files
(15.9 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:3031ddf2e1c8337be8a2357c59cb200c
|
15.9 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ متعدد الوسائط بسرطان الثدي باستخدام تحسين سرب الجسيمات مع الفرز غير المسيطر
- Translated title (French)
- Prédiction multimodale du cancer du sein à l'aide de l'optimisation des essaims de particules avec tri non dominant
- Translated title (Spanish)
- Predicción multimodal del cáncer de mama mediante la optimización del enjambre de partículas con clasificación no dominante
Identifiers
- Other
- https://openalex.org/W3108399210
- DOI
- 10.1177/1550147720971505
References
- https://openalex.org/W1491070134
- https://openalex.org/W1493357981
- https://openalex.org/W1800724332
- https://openalex.org/W1963626514
- https://openalex.org/W1977019464
- https://openalex.org/W1981300217
- https://openalex.org/W2004320486
- https://openalex.org/W2014374971
- https://openalex.org/W2056168656
- https://openalex.org/W2065227452
- https://openalex.org/W2084705412
- https://openalex.org/W2103482121
- https://openalex.org/W2111545417
- https://openalex.org/W2115474189
- https://openalex.org/W2143426320
- https://openalex.org/W2149250260
- https://openalex.org/W2169171650
- https://openalex.org/W2173314530
- https://openalex.org/W2199776355
- https://openalex.org/W2397302508
- https://openalex.org/W2404378900
- https://openalex.org/W2746529592
- https://openalex.org/W2806419994
- https://openalex.org/W2885189236
- https://openalex.org/W2898578048
- https://openalex.org/W2908941882
- https://openalex.org/W2909707045
- https://openalex.org/W3005147719
- https://openalex.org/W3005965793
- https://openalex.org/W3011249019
- https://openalex.org/W3011917823
- https://openalex.org/W3016759068
- https://openalex.org/W3017050370
- https://openalex.org/W4251163770
- https://openalex.org/W4255021375