International Science and Technology Journal

Home < Articles < Article Details

Mitigating Missed Diagnoses: A Patch-Based Deep Learning Framework for Breast Cancer Classification

Researcher(s):
  • Mahmoud M.Alakrimi
  • Abdelsalam M. Ahmed
Institution:College of Education, Abu Issa, University of Zawia, Libya
School of applied science and engineering, Janzoor, Tripoli, Libya
Field:Computer science, expert systems and information technology
Published in:35th volume - October 2024
الملخص
يظل سرطان الثدي مصدر قلق كبير للصحة العامة، حيث يعد التشخيص المبكر والدقيق أمرًا بالغ الأهمية للعلاج الفعال. تقدم خوارزميات التعلم الآلي (ML) دعمًا واعدًا في تصنيف سرطان الثدي. حيث ان نتائـــــــــــج هذه الدراسة بالاستعانة بنماذج تقنيات التعلم الآلــــــــــــــي المختلفة على التوالي هـــــــي (GNB & LR 97٪, SVM 96٪, DT 95٪) باستخدام مجموعة بيانات Kaggle المعروفة جيدًا والتي تحتوي على 699 حالة و10 سمات. تسلط النتائج الضوء على إمكانات هذه الخوارزميات لتعزيز دقة التشخيص والتقليل من النتائج الخاطئة، والمساعدة في الكشف المبكر والعلاج................. الكلمات الرئيسية............... سرطان الثدي، التعلم الآلي، التصنيف، GNB ,DT,SVM, LR
Abstract
Breast cancer remains a significant public health concern, with early and accurate diagnosis being crucial for effective treatment. Machine learning (ML) algorithms offer promising support in breast cancer classification. This study evaluates the performance of various ML techniques (GNB & LR 97%, SVM 96%, DT 95%), using well known a Kaggle dataset with 699 instances and 10 attributes. The findings highlight the potential of these algorithms to enhance diagnostic accuracy, aiding in early detection and treatment........................ Keywords................. Breast cancer, Machine learning, Classification, Decision trees, Logistic regression, Naive Bayes, Support vector machines.