Overview

Le cancer du sein est la deuxième cause de décès chez les femmes, souvent détecté à un stade avancé. Un dépistage précoce est essentiel, car une classification précise des tumeurs bénignes et malignes permet d'éviter des traitements inutiles. Cette étude explore l'application des techniques d'apprentissage automatique au diagnostic du cancer du sein à partir de l'ensemble de données Wisconsin Breast Cancer Dataset issu du référentiel UCI. Les premières expériences avec le classificateur Naïve Bayes ont donné une précision de 88 % pour les tumeurs bénignes et de 86 % pour les tumeurs malignes. Cependant, elles se sont heurtées à certaines limites, telles qu'une faible précision et des problèmes liés aux probabilités de fréquence nulle. Le passage aux réseaux neuronaux artificiels (RNA) a permis d'améliorer les résultats à 90 % pour les classifications bénignes et à 92 % pour les classifications malignes, mais n'a toujours pas donné de résultats optimaux. La recherche a finalement utilisé des techniques de machines à vecteurs de support (SVM), qui ont atteint la plus grande précision, avec 97 % pour les tumeurs bénignes et 95 % pour les tumeurs malignes. Cette méthode permet de distinguer efficacement les types de tumeurs à l'aide d'un modèle linéaire basé sur des hyperplans.

Full Product Details

9786202418669

Table of Contents

Reviews

Author Information

Tab Content 6

Countries Available