Ein Random-Forest-Modell zur Klassifizierung von Brustkrebs

Dieses Buch befasst sich mit der Entwicklung und Optimierung eines Random-Forest-Modells (RF) zur Klassifizierung von Brustkrebs als gutartig oder bösartig unter Verwendung des Wisconsin Breast Cancer Dataset. Nach der Vorverarbeitung von 569 Proben (357 gutartig, 212 bösartig) erreichte ein Standard-RF-Modell eine Genauigkeit von 95,61 %. Um die Ergebnisse zu verbessern, wurden die Hyperparameter mit Hilfe der Gittersuche optimiert, wobei Parameter wie die Anzahl der Bäume (150), die maximale Tiefe (keine), die Mindestanzahl der geteilten Stichproben (2), die Mindestanzahl der Blattproben (1) und die Zufallsauswahl (123) angepasst wurden. Das optimierte RF-Modell erreichte 99,12 % Genauigkeit, Präzision, Wiedererkennung und F1-Score und übertraf damit andere Methoden wie SVM, XGBoost und frühere RF-Implementierungen. Die Ergebnisse zeigen eine geringere Anzahl falsch negativer und keine falsch positiven Ergebnisse, was auf eine hohe Sensitivität und Spezifität hinweist. Die Arbeit unterstreicht den Wert einer sorgfältigen Abstimmung der Hyperparameter bei medizinischen KI-Anwendungen und schlägt eine zukünftige Integration mit neuronalen Netzen und hybriden Modellen zur Leistungssteigerung bei der klinischen Brustkrebsdiagnose vor.