DE202022105865U1

DE202022105865U1 - Ein System zur Erkennung von Brustkrebs basierend auf IoT und maschinellen Lernalgorithmen

Info

Publication number: DE202022105865U1
Application number: DE202022105865.2U
Authority: DE
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-10-18
Filing date: 2022-10-18
Publication date: 2022-11-25
Anticipated expiration: 2032-10-19

Abstract

Ein auf IoT und maschinellem Lernen basierendes System zur Erkennung von Brustkrebs, wobei das System umfasst:
a) einen Datenvorverarbeitungsprozessor (102) zum Transformieren eines Datensatzes in ein nützliches und effizientes Format;
b) Ein Merkmalsauswahlmodul (104), um irrelevante Merkmale aus dem Datensatz zu entfernen und relevante Merkmale auszuwählen;
c) Ein Klassifikator (110) zur Vereinfachung des Datensatzes in verschiedene Krebsklassen;
d) Ein Datenpartitionsmodul (106) zur weiteren Vereinfachung der Daten in einen Trainingsklassifikator und einen Validierungsklassifikator-Datensatz;
e) ein Bewertungsmodul (108) zur Bewertung der Leistung des Klassifizierers;
f) ein Speichermodul (116) zum Speichern der erzielten Ergebnisse.

Description

TECHNISCHES GEBIET
Die vorliegende Offenlegung bezieht sich auf ein auf IOT und maschinellem Lernen basierendes System zur Erkennung von Brustkrebs. Das Erkennungssystem arbeitet an der Früherkennung von Brustkrebs aus einem Rohdatensatz, indem es den Datensatz vorverarbeitet und klassifiziert und verschiedene auf maschinellem Lernen basierende Module anwendet, um ein Ergebnis zu erzeugen, das ausgewertet wird, um die Art des Krebses zu erhalten.
HINTERGRUND
Die Hintergrundbeschreibung enthält Informationen, die für das Verständnis der vorliegenden Erfindung nützlich sein können. Es ist kein Eingeständnis, dass eine der hierin enthaltenen Informationen zum Stand der Technik gehört oder für die vorliegende Erfindung relevant ist, oder dass eine Veröffentlichung, auf die ausdrücklich oder implizit Bezug genommen wird, zum Stand der Technik gehört.
Die schwerwiegendste und am weitesten verbreitete Krankheit, die Frauen auf der ganzen Welt betrifft, ist Brustkrebs (BC). Brustkrebs wird durch Brustkrebszellen ausgelöst, die in Brustkrebsgeweben unkontrolliert wachsen und schließlich die Zahl der betroffenen Zellen erhöhen. Die Brustzellen entwickeln sich zu einem bösartigen Tumor, was Brustkrebs in Wirklichkeit ist. Tumore entstehen, wenn sich eine Ansammlung von sich teilenden Zellen zu einem Klumpen oder einer Masse von überschüssigem Gewebe zusammenballt. Tumore können krebsartig (bösartig) oder nicht krebsartig (gutartig) sein. Für die Diagnose von Brustkrebs wurden verschiedene rechnungsbasierte Strategien verwendet. Die Methoden, die für diese rechnungsbasierten Diagnosen verwendet werden, sind jedoch sehr schwierig durchzuführen, und die Ergebnisse identifizieren Brustkrebs nicht zuverlässig und genau.
Eine nicht-invasive Methodik wie das maschinelle Lernen ist effizienter und zuverlässiger, um diese Herausforderungen bei invasiven Methoden zur Diagnose von Brustkrebs zu bewältigen. Vor einigen Jahren schlugen Azar und El-Said eine Methode zur Erkennung von Brustkrebs vor. Als ihre drei Klassifizierungsmethoden (MLP) wurden die Radialbasisfunktion (RBF), das probabilistische neuronale Netz (PNN) und das mehrschichtige Perzeptron eingesetzt. Der Brustkrebsdatensatz wurde zum Trainieren und Testen dieser Klassifikatoren verwendet. Azar und El-Said [4] schlugen mit ihrer Methode einen Weg zur Diagnose von Brustkrebs vor. Als ihre drei Klassifizierungsmethoden (MLP) wurden die Radialbasisfunktion (RBF), das probabilistische neuronale Netz (PNN) und das mehrschichtige Perzeptron eingesetzt. Der Brustkrebsdatensatz wurde zum Trainieren und Testen dieser Klassifikatoren verwendet.
Die Überlebenswahrscheinlichkeit ist extrem hoch, wenn Brustkrebs schnell entdeckt und behandelt wird. Allerdings können soziale, wirtschaftliche, geografische und andere damit zusammenhängende Variablen den Zugang von Frauen zu rechtzeitigen, preisgünstigen und effizienten Brustgesundheitsdiensten einschränken. Diese Hindernisse können es Frauen in vielen Situationen erschweren, eine Frühdiagnose zu erhalten. Die Weltgesundheitsorganisation (WHO) hat zwei unterschiedliche, aber verwandte Strategien zur Unterstützung der Krebsfrüherkennung identifiziert: die Frühdiagnose, d. h. die frühzeitige Erkennung von Krebssymptomen, und das Screening, d. h. die Erkennung asymptomatischer Erkrankungen in einer Zielpopulation scheinbar gesunder Menschen.
Die Überlebenswahrscheinlichkeit ist extrem hoch, wenn Brustkrebs schnell entdeckt und behandelt wird. Allerdings können soziale, wirtschaftliche, geografische und andere damit zusammenhängende Variablen den Zugang von Frauen zu rechtzeitigen, preisgünstigen und effizienten Brustgesundheitsdiensten einschränken. Diese Hindernisse können es Frauen in vielen Situationen erschweren, eine Frühdiagnose zu erhalten. Die Weltgesundheitsorganisation (WHO) hat zwei unterschiedliche, aber verwandte Strategien zur Unterstützung der Krebsfrüherkennung identifiziert: die Frühdiagnose, d. h. die frühzeitige Erkennung von Krebssymptomen, und das Screening, d. h. die Erkennung einer asymptomatischen Erkrankung in einer Zielpopulation von scheinbar gesunden Menschen. Ein erheblicher Teil der Brustkrebspatientinnen in Ländern mit niedrigem und mittlerem Einkommen (LMICs) wird erst in einem späteren Stadium (lokal fortgeschritten oder metastasiert) diagnostiziert oder erhält schließlich eine solche Diagnose.
Daher überwindet die vorliegende Erfindung das oben genannte Problem, das mit der traditionell verfügbaren Methode oder dem System verbunden ist, mit einer Modifikation, um es besser, erschwinglich und für die Verbraucher leicht verfügbar zu machen.
GEGENSTÄNDE DER ERFINDUNG
Ziel der vorliegenden Offenlegung ist es, eine auf IoT und maschinellem Lernen basierende Brustkrebserkennung in der IoT-Gesundheitsumgebung unter Verwendung einer Merkmalsauswahlmethode zu entwickeln. Das modifizierte REF-Modul, das für die Merkmalsauswahl verwendet wird, und der SVM-Klassifikator werden anhand ausgewählter Merkmale, die aus Brustkrebsdaten gewonnen wurden, trainiert und getestet.
Ziel der vorliegenden Offenlegung ist es, ein System zur Frühdiagnose von Brustkrebs mit genauer und effizienter Erkennung zu entwickeln, um eine frühzeitige Behandlung von Brustkrebs einzuleiten und Frauen vor dieser gefährlichen Krankheit zu schützen.
ZUSAMMENFASSUNG
Die vorliegende Offenlegung offenbart ein auf IoT und maschinellem Lernen basierendes System zur Erkennung von Brustkrebs. Das Erkennungssystem arbeitet an der Früherkennung von Brustkrebs aus einem Rohdatensatz, indem es den Datensatz vorverarbeitet und klassifiziert und verschiedene auf maschinellem Lernen basierende Module anwendet, um ein Ergebnis zu erzeugen, das ausgewertet wird, um die Art des Krebses zu erhalten.
In einem Aspekt der vorliegenden Offenlegung bezieht sich auf ein System zur Früherkennung von Brustkrebs stellt ein erhebliches Problem dar. Eine auf IoT und maschinellem Lernen basierende Diagnosemethode, die erfolgreich zwischen bösartigen und gutartigen Personen in der IoT-Umgebung unterscheidet, um das Problem der frühen Brustkrebsdiagnose anzugehen. Bei der Entwicklung unseres vorgeschlagenen Systems wird ein maschineller Lernklassifikator (Support Vector Machine) eingesetzt, um die bösartigen und gutartigen Personen zu kategorisieren. Um die Klassifizierungsleistung zu verbessern, wird eine rekursive Merkmalsauswahltechnik verwendet, um aus dem Brustkrebsdatensatz geeignetere Merkmale auszuwählen. Radialbasisfunktion (RBF), probabilistisches neuronales Netzwerk (PNN) und mehrschichtiges Perzeptron sind drei Methoden zur Kategorisierung (MLP). Der Brustkrebsdatensatz wurde zum Trainieren und Testen dieser Klassifikatoren verwendet.
In einem Aspekt der vorliegenden Offenlegung werden die bösartigen und gutartigen Individuen mit Hilfe eines maschinellen Lernklassifizierers (Support Vector) unterteilt. Ein rekursives Merkmalsauswahlmodul wurde verwendet, um geeignetere Merkmale aus dem Brustkrebsdatensatz auszuwählen, um die Klassifikationsleistung des Klassifikationssystems zu verbessern. Der Klassifikator für das beste Vorhersagesystem wird mit Hilfe des Training/Testing-Split-Ansatzes trainiert und getestet. Leistungsbewertungskriterien wie Klassifizierung, Spezifität, Sensitivität, Matthews-Korrelationskoeffizient, F1-Score und Ausführungszeit wurden ebenfalls verwendet, um die Leistung des Klassifizierers zu bewerten. Eine hohe Klassifizierungsgenauigkeit (99 %), Spezifität (99 %) und Empfindlichkeit (98 %) wurden mit der linearen SVM erreicht, und der Matthews-Korrelationskoeffizient beträgt 99 %.
Ein weiterer Aspekt der vorliegenden Offenlegung ist, dass dieses System für die schnelle und genaue Identifizierung von Brustkrebs in seinen frühen Stadien verwendet werden kann. Daher wird die Heilung und Therapie von Brustkrebs mit diesem System erfolgreicher sein. Schließlich ist die Implementierung des vorgeschlagenen Systems in allen Aspekten der IoT-Brustkrebsversorgung äußerst vertrauenswürdig.
Verschiedene Objekte, Merkmale, Aspekte und Vorteile des Erfindungsgegenstandes werden aus der folgenden detaillierten Beschreibung bevorzugter Ausführungsformen zusammen mit der beigefügten Zeichnung ersichtlich, in der gleiche Ziffern gleiche Komponenten darstellen.
Figurenliste
Die beigefügte Zeichnung dient dem weiteren Verständnis der vorliegenden Offenbarung und ist Bestandteil dieser Beschreibung. Die Zeichnung veranschaulicht beispielhafte Ausführungsformen der vorliegenden Offenbarung und dient zusammen mit der Beschreibung zur Erläuterung der Grundsätze der vorliegenden Offenbarung.

1 zeigt das Blockdiagramm eines KI-basierten Systems zum Ein- und Ausschalten von Straßenlaternen auf der Grundlage der Objekterkennung.

AUSFÜHRLICHE BESCHREIBUNG
Aspekte der vorliegenden Offenbarung beziehen sich auf ein auf IOT und maschinellem Lernen basierendes System zur Erkennung von Brustkrebs. Das Erkennungssystem arbeitet an der Früherkennung von Brustkrebs aus einem Rohdatensatz, indem es den Datensatz vorverarbeitet und klassifiziert und verschiedene auf maschinellem Lernen basierende Module anwendet, um ein Ergebnis zu erzeugen, das ausgewertet wird, um die Art des Krebses zu erhalten.
In einer Ausführungsform der vorliegenden Offenlegung wird ein auf maschinellem Lernen basierendes System zur Erkennung von Brustkrebs anhand eines Rohdatensatzes (100) entwickelt. Der Datensatz besteht aus 569 Teilnehmern und umfasst 32 Attribute und 30 Realwertmerkmale. Die endgültige Diagnose besteht aus zwei Klassen, die angeben, ob das Thema krebsartig oder gutartig ist. In der Klasse befinden sich 357 gutartige und 212 bösartige Patienten. Vor der Verwendung des Moduls für maschinelles Lernen ist eine Datenverarbeitung durch einen Datenvorverarbeitungsprozessor (102) erforderlich. Die modifizierten Daten verbesserten die Klassifizierungsleistung des Klassifikators und verringerten die Berechnungszeit. Für die Aufbereitung der Datensätze werden häufig Techniken wie die Erkennung fehlender Werte, Standardskalare und Min-Max-Skalare verwendet.
Jedes Merkmal hat einen Mittelwert von 0 und eine Varianz von 1 gemäß dem Standardskalar.
In einer Ausführungsform der vorliegenden Offenlegung wird der Merkmalsauswahlprozess von einem Merkmalsauswahlmodul (104) durchgeführt, indem eine Teilmenge der verfügbaren Merkmale ausgewählt wird. Die Merkmalsauswahl bietet zwei Vorteile. Erstens erhöht sie die Genauigkeit des Klassifikators, und zweitens reduziert die Merkmalsauswahl die Rechenzeit des maschinellen Lernalgorithmus. Es wird ein Modul für die Merkmalsauswahl (104), das so genannte Modul für die rekursive Merkmalseliminierung (RFE), verwendet, das alle überflüssigen Merkmale bis zu einer bestimmten Anzahl von Merkmalen eliminiert. Mit diesem Modul können die für die Vorhersage des Testdatensatzes unwichtigsten Merkmale aus dem Merkmalsdatensatz entfernt werden. Wichtige Merkmale aus dem Datensatz, die mehr Informationen über die Art des Brustkrebses liefern und hohe Werte für Sensitivität, Genauigkeit und Spezifität aufweisen, können für die weitere Verarbeitung ausgewählt werden.
In einer Ausführungsform der vorliegenden Offenlegung wird eine Support-Vector-Maschine als Klassifikator (110) für die Klassifizierung der ausgewählten Merkmale verwendet. SVM passt sich der Entscheidungsgrenze an, wenn die Daten linear trennbar sind, kann aber auch nichtlineare Daten trennen. In der vorliegenden Studie wurden drei Klassifizierungsverfahren verwendet, nämlich die Radialbasisfunktion (RBF), das probabilistische neuronale Netz (PNN) und das mehrschichtige Perzeptron (MLP). Diese Klassifikatoren wurden mit dem Brustkrebsdatensatz trainiert und getestet. Der Datensatz wird nun mit Hilfe eines Partitionsmoduls in 70% für das Training des Klassifikators und 30% für die Validierung des Klassifikators aufgeteilt (106). Durch die Anwendung eines Partitionsmoduls kann die Leistung optimiert, die Konkurrenzsituation verringert und die Skalierbarkeit verbessert werden. Es kann auch eine Möglichkeit bieten, Daten nach Nutzungsmustern zu trennen.
In einer Ausführungsform der vorliegenden Offenlegung wird die Leistung des Klassifikators mithilfe eines Bewertungsmoduls bewertet. Für die Auswertung der Daten werden spezifische Parameter verwendet. Die Gesamtwirksamkeit des Klassifikationssystems wird durch die Genauigkeit nachgewiesen. Die Wahrscheinlichkeit, dass ein diagnostischer Test korrekt durchgeführt wird, wird als Genauigkeit bezeichnet, die gemessen wird. Anschließend wird das Verhältnis zwischen den Teilnehmern, die korrekt als Herzpatienten diagnostiziert wurden, und allen Probanden, die korrekt als Herzpatienten klassifiziert wurden, gemessen, das als Sensitivität/Recall bezeichnet wird. Wenn ein diagnostischer Test ein negatives Ergebnis liefert, bedeutet dies, dass der Proband gesund ist. Es wird das harmonische Mittel aus Recall und Precision berechnet, das als klassisches F-Maß oder ausgeglichener F-Score (F1-Score) bekannt ist. MCC erzeugt einen Wert zwischen [1, +1] und zeigt die Fähigkeit eines Klassifikators zur Vorhersage an.
In einer Ausführungsform der vorliegenden Offenlegung bedeutet 1, dass der Klassifikator (110) völlig falsch klassifiziert. Wenn der MCC-Wert nahe bei 0 liegt, erzeugt der Klassifikator zufällige Vorhersagen. Das lineare SVM-Modul wurde in 0,030 Sekunden berechnet und erreichte eine Genauigkeit von 76 %, eine Spezifität von 88 %, eine Empfindlichkeit von 56 %, einen F1-Score von 70, einen MCC-Wert von 72 und einen Klassifikationsfehler von 24 %. Mit zunehmender Anzahl der Merkmale im Merkmalssatz verbessert sich die Leistung des Vorhersagemoduls kontinuierlich. Der Klassifikator zeigte eine hervorragende Leistung bei 18 Ganzzahlen im Merkmalssatz und erreichte 99 % Genauigkeit, 99 % Spezifität, 98 % Empfindlichkeit, 99 F1-Score, 1 % Klassifikationsfehler und eine Ausführungszeit von 0,003 Sekunden. Andererseits nahm die lineare Leistung der SVM ab, als die Anzahl der Merkmale in der Merkmalsmenge von 18 auf 30 stieg.
Es folgt eine detaillierte Beschreibung der in der beigefügten Zeichnung dargestellten Ausführungsformen der Offenbarung. Die Ausführungsformen sind so detailliert, dass sie die Offenbarung klar vermitteln. Es ist jedoch nicht beabsichtigt, mit der gebotenen Ausführlichkeit die vorhersehbaren Variationen von Ausführungsformen einzuschränken; im Gegenteil, es ist beabsichtigt, alle Modifikationen, Äquivalente und Alternativen abzudecken, die in den Geist und den Anwendungsbereich der vorliegenden Offenbarung fallen, wie sie durch die beigefügten Ansprüche definiert sind.
In einer Ausführungsform der vorliegenden Offenbarung illustriert 1 das Blockdiagramm eines auf IOT und maschinellem Lernen basierenden Systems zur Erkennung von Brustkrebs.
In einem Aspekt zeigt 1 das Blockdiagramm eines auf IOT und maschinellem Lernen basierenden Systems zur Erkennung von Brustkrebs.
Für die Diagnose von Brustkrebs wird ein System erstellt. SVM wurde eingesetzt, um den Krebsdatensatz (100) zu klassifizieren und das auf maschinellem Lernen basierende Vorhersagemodul des Systems zu konstruieren, um Brustkrebs zu erkennen. Die Daten wurden durch einen Datenprozessor (102) vorverarbeitet. Für die zielgerichtete Klassifizierung der bösartigen und gutartigen Individuen wird das Modul REF (recursive feature elimination) (104) eingesetzt, um geeignete und zugehörige Merkmale auszuwählen. Ein Partitionsmodul (106) unterteilt den Datensatz in 30% für die Validierung und 70% für das Training. Der Klassifikator (110) und das Bewertungsmodul (108) klassifizieren bzw. bewerten den ausgewählten Merkmalsatz in gutartigen (112) und bösartigen (114) Krebs. Vergleicht man die Klassifizierungsleistungen des REF-SVM mit denen anderer Forschungsvorschläge, so erreicht es eine Klassifizierungsgenauigkeit von 99 %.
Während das Vorstehende verschiedene Ausführungsformen der Erfindung beschreibt, können andere und weitere Ausführungsformen der Erfindung entwickelt werden, ohne vom grundsätzlichen Anwendungsbereich der Erfindung abzuweichen. Der Umfang der Erfindung wird durch die folgenden Ansprüche bestimmt. Die Erfindung ist nicht auf die beschriebenen Ausführungsformen, Varianten oder Beispiele beschränkt, die dazu dienen, eine Person mit normalem Fachwissen auf dem Gebiet der Technik in die Lage zu versetzen, die Erfindung herzustellen und zu verwenden, wenn sie mit Informationen und Kenntnissen kombiniert werden, die der Person mit normalem Fachwissen auf dem Gebiet der Technik zur Verfügung stehen.
Bezugszeichenliste

(100): Brustkrebs-Datensatz
(102): Datenvorverarbeitungsprogramm
(104): Modul zur Merkmalsauswahl
(106): Modul zur Datenpartitionierung
(108): Auswertemodul
(110): Klassifikator
(112): gutartiger Krebs
(114): Bösartiger Krebs
(116): Speichermodul

Claims

Ein auf IoT und maschinellem Lernen basierendes System zur Erkennung von Brustkrebs, wobei das System umfasst: a) einen Datenvorverarbeitungsprozessor (102) zum Transformieren eines Datensatzes in ein nützliches und effizientes Format; b) Ein Merkmalsauswahlmodul (104), um irrelevante Merkmale aus dem Datensatz zu entfernen und relevante Merkmale auszuwählen; c) Ein Klassifikator (110) zur Vereinfachung des Datensatzes in verschiedene Krebsklassen; d) Ein Datenpartitionsmodul (106) zur weiteren Vereinfachung der Daten in einen Trainingsklassifikator und einen Validierungsklassifikator-Datensatz; e) ein Bewertungsmodul (108) zur Bewertung der Leistung des Klassifizierers; f) ein Speichermodul (116) zum Speichern der erzielten Ergebnisse.
Auf IoT und maschinellem Lernen basierendes System zur Erkennung von Brustkrebs nach Anspruch 1, wobei der verwendete Klassifikator ein SVM-Klassifikator zur Vorhersage von Brustkrebs ist.
Das auf IoT und maschinellem Lernen basierende System zur Erkennung von Brustkrebs nach Anspruch 1, wobei die ermittelten Bewertungsmaße Genauigkeit, Spezifität, Empfindlichkeit, MCC, F1-Score und Ausführungszeit umfassen.
Das auf IoT und maschinellem Lernen basierende System zur Erkennung von Brustkrebs nach Anspruch 1, wobei der Datensatz (100) in gutartigen (112) und bösartigen (114) Krebs klassifiziert wird.