DOI: https://doi.org/10.11591/ijai.v15.i2.pp1327-1338
تاريخ النشر: 2026-04-01
المؤلف: Raghavendra Srinivasaiah وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول هذه الورقة البحثية تحسين خصائص مجموعة البيانات في تشخيص سرطان الثدي (BC) لتعزيز دقة التنبؤ وتقليل الوقت المطلوب لنتائج الاختبارات. يؤثر سرطان الثدي بشكل أساسي على النساء، ويمكن أن تعيق عملية الاختبار الطويلة العلاج في الوقت المناسب. تستخدم الدراسة تقنية الإزالة التكرارية للميزات (RFE) لتبسيط مجموعة البيانات، مع التركيز على مجموعة بيانات تشخيص سرطان الثدي في ويسكونسن واستخدام خوارزمية الغابة العشوائية (RF). يحقق النموذج المحسن دقة مثيرة للإعجاب تبلغ 96.49% مع ثمانية عشر خاصية فقط، مما يحسن بشكل كبير من كفاءة تشخيص سرطان الثدي.
في الختام، تؤكد النتائج على الدور الحاسم لتقليل خصائص مجموعة البيانات لتعزيز دقة التنبؤ لسرطان الثدي. من خلال تقليل عدد الخصائص بنسبة 60%، تُظهر الدراسة أنه من الممكن تسريع نتائج الاختبارات وتحسين خيارات العلاج للمرضى. لا تسهل هذه الطريقة الوصول الأسرع إلى العلاجات المناسبة فحسب، بل لديها أيضًا القدرة على خفض معدلات الوفيات المرتبطة بسرطان الثدي، خاصة في مراحله المبكرة.
مقدمة
تناقش مقدمة الورقة البحثية القضية الحرجة لسرطان الثدي (BC)، مع التأكيد على أهمية التشخيص المبكر والدقيق للعلاج الفعال وتحسين نتائج المرضى. تبرز الزيادة في انتشار سرطان الثدي بين النساء والعبء المالي المرتبط بالعلاج في المراحل المتأخرة. تشير الورقة إلى الدور المتزايد لتقنيات التعلم الآلي (ML)، مثل الشبكات العصبية الاصطناعية (ANN)، وآلات الدعم الشعاعي (SVM)، وجيران الأقرب (KNN)، في تحسين تشخيص سرطان الثدي. بالإضافة إلى ذلك، تذكر فائدة تقنيات معالجة الصور مثل تعديل تباين الهيستوغرام التكيفي المحدود (CLAHE) في تحسين جودة الصورة لتحديد الخلايا السرطانية بشكل أفضل.
تركز الدراسة بشكل خاص على تطبيق استخراج الميزات التكرارية (RFE) كطريقة لاختيار الميزات لتعزيز قابلية التنبؤ لنماذج سرطان الثدي. تقلل RFE بشكل منهجي من البيانات غير ذات الصلة، مما يحسن كفاءة النموذج وقابليته للتفسير. يهدف المؤلفون إلى استكشاف فعالية RFE في التنبؤ بسرطان الثدي، مع تسليط الضوء على إمكانيته في تحديد المتغيرات الهامة التي تسهم في التشخيص الدقيق. ستفصل الأقسام اللاحقة من الورقة التقنيات المستخدمة، وخصائص مجموعة البيانات، ونتائج التجارب المتعلقة بـ RFE، مما يدعو في النهاية إلى دوره في تسهيل التشخيص المبكر واستراتيجيات العلاج الشخصية لسرطان الثدي.
النتائج
تشير نتائج الدراسة إلى أن الطريقة المقترحة، التي تستخدم الإزالة التكرارية للميزات (RFE) مع الغابة العشوائية (RF)، تحقق دقة تنافسية مع تقليل كبير في عدد الميزات المطلوبة للتنبؤ. كما هو موضح في الجدول 2، فإن طرق اختيار الميزات الحالية (FS) تحقق دقة أعلى مع عدد أقل من الخصائص مقارنة بالنهج المقترح، الذي يستخدم 18 خاصية. ومع ذلك، تتفوق الطريقة المقترحة في تقليل وقت التنبؤ، حيث تحقق تقليصًا بنسبة 40% في الخصائص مع الحفاظ على مستويات دقة مماثلة. على وجه التحديد، انخفض الوقت المستغرق لحساب الدقة إلى 3 وحدات من الوقت الأصلي لمجموعة البيانات، مما يبرز كفاءة الطريقة في الإعدادات السريرية.
تظهر الأشكال 4 و5 قوة نموذج RF المحسن بواسطة RFE، مع درجات عالية للدقة (96.49%)، والدقة (95.89%)، والاسترجاع (98.59%)، ودرجة F1 (97.22%). تشير مصفوفة الارتباك إلى معدلات تصنيف خاطئة منخفضة، مع وجود حالة سلبية خاطئة واحدة وثلاث حالات إيجابية خاطئة، مما يؤكد موثوقية النموذج في التمييز بين الحالات الحميدة والخبيثة. علاوة على ذلك، توضح منحنى الدقة والاسترجاع دقة عالية عبر نطاق الاسترجاع، مع دقة متوسطة تبلغ 0.997، مما يشير إلى توقعات إيجابية خاطئة قليلة. تتماشى الميزات المختارة عن كثب مع الأوصاف الشكلية السريرية ذات الصلة، مما يشير إلى أن النموذج المقترح لا يعزز فقط كفاءة التشخيص ولكن أيضًا يدعم التدخلات الطبية في الوقت المناسب، مما يساهم في تقليل معدلات الوفيات المرتبطة بسرطان الثدي (BC).
المناقشة
تستعرض قسم المناقشة من الورقة مجموعة متنوعة من خوارزميات التعلم الآلي (ML) المستخدمة في التنبؤ وتشخيص سرطان الثدي (BC)، مع تسليط الضوء على دقتها وفعاليتها. تؤكد على ضرورة وجود نماذج متقدمة، وخاصة المصنفات التجميعية، لتعزيز الكشف المبكر عن سرطان الثدي، الذي غالبًا ما تعيقه حجم خلايا السرطان الصغيرة وعمليات الاختبار الطويلة. من بين الخوارزميات التي تم تحليلها، حققت الشبكات العصبية الاصطناعية (ANN) دقة تبلغ 98.57%، بينما أدت الانحدار اللوجستي (LR) بشكل أفضل قليلاً في بعض الحالات. كما تلاحظ الدراسة التطبيق الناجح لتقنيات معالجة الصور، مثل تعديل تباين الهيستوغرام التكيفي المحدود (CLAHE)، الذي حسن جودة الصورة لتحليل الماموجرام، مما أدى إلى دقة SVM ضبابية تبلغ 94%.
بالإضافة إلى ذلك، تقدم الورقة تقنية تجميع متداخلة تستخدم ضبط المعلمات الفائقة واختيار الميزات (FS) للتمييز بين الأورام الحميدة والخبيثة، محققة دقة تبلغ 98.07% مع مصنفات محددة. تؤكد الأبحاث على أهمية طرق اختيار الميزات، مثل الإزالة التكرارية للميزات (RFE)، التي قللت مجموعة البيانات من 30 إلى 18 خاصية مع الحفاظ على الدقة. لا يعزز هذا التخفيض أداء النموذج فحسب، بل يسرع أيضًا من أوقات التنبؤ، مما يساهم في النهاية في تحسين خيارات العلاج للمرضى. تدعو النتائج إلى مزيد من استكشاف تقنيات التعلم الآلي ودمجها مع الذكاء الاصطناعي لتحسين تشخيص سرطان الثدي ونتائج العلاج.
DOI: https://doi.org/10.11591/ijai.v15.i2.pp1327-1338
Publication Date: 2026-04-01
Author(s): Raghavendra Srinivasaiah et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This research paper addresses the optimization of dataset attributes in breast cancer (BC) diagnosis to enhance prediction accuracy and reduce the time required for test results. Breast cancer predominantly affects women, and the lengthy testing process can hinder timely treatment. The study employs recursive feature elimination (RFE) to streamline the dataset, focusing on the Wisconsin BC diagnostic dataset and utilizing the random forest (RF) algorithm. The optimized model achieves an impressive accuracy of 96.49% with only eighteen attributes, significantly improving the efficiency of BC diagnosis.
In conclusion, the findings emphasize the critical role of minimizing dataset characteristics to enhance predictive accuracy for BC. By reducing the number of attributes by 60%, the study demonstrates that it is possible to accelerate test results and improve treatment options for patients. This approach not only facilitates quicker access to appropriate treatments but also has the potential to lower mortality rates associated with BC, especially in its early stages.
Introduction
The introduction of the research paper discusses the critical issue of breast cancer (BC), emphasizing the importance of early and accurate diagnosis for effective treatment and improved patient outcomes. It highlights the rising prevalence of BC among women and the financial burden associated with late-stage treatment. The paper notes the growing role of machine learning (ML) techniques, such as artificial neural networks (ANN), support vector machines (SVM), and k-nearest neighbors (KNN), in enhancing BC diagnosis. Additionally, it mentions the utility of image processing techniques like contrast-limited adaptive histogram equalization (CLAHE) in improving image quality for better identification of cancerous cells.
The research specifically focuses on the application of recursive feature extraction (RFE) as a feature selection technique to enhance the predictability of BC models. RFE systematically reduces irrelevant data, thereby improving model efficiency and interpretability. The authors aim to explore the effectiveness of RFE in BC prediction, highlighting its potential to identify significant variables that contribute to accurate diagnosis. The subsequent sections of the paper will detail the technologies employed, dataset features, and experimental outcomes related to RFE, ultimately advocating for its role in facilitating early diagnosis and personalized treatment strategies for breast cancer.
Results
The results of the study indicate that the proposed method, utilizing Recursive Feature Elimination (RFE) with Random Forest (RF), achieves competitive accuracy while significantly reducing the number of features required for prediction. As shown in Table 2, existing feature selection (FS) methods yield higher accuracy with fewer attributes compared to the proposed approach, which employs 18 features. However, the proposed method excels in reducing prediction time, achieving a 40% reduction in attributes while maintaining similar accuracy levels. Specifically, the time taken to compute accuracy decreased to 3 units from the original dataset’s time, highlighting the method’s efficiency in clinical settings.
Figures 4 and 5 demonstrate the robustness of the RFE-optimized RF model, with high scores for accuracy (96.49%), precision (95.89%), recall (98.59%), and F1-score (97.22%). The confusion matrix indicates low misclassification rates, with only one false negative and three false positives, affirming the model’s reliability in distinguishing between benign and malignant instances. Furthermore, the precision-recall curve illustrates high precision across the recall range, with an average precision of 0.997, indicating minimal false-positive predictions. The selected features align closely with clinically relevant morphological descriptors, suggesting that the proposed model not only enhances diagnostic efficiency but also supports timely medical interventions, potentially contributing to reduced mortality rates associated with breast cancer (BC).
Discussion
The discussion section of the paper reviews various machine learning (ML) algorithms employed for breast cancer (BC) prediction and diagnosis, highlighting their accuracy and effectiveness. It emphasizes the necessity for advanced models, particularly ensemble classifiers, to enhance early detection of BC, which is often hindered by the small size of cancer cells and lengthy testing processes. Among the algorithms analyzed, Artificial Neural Networks (ANN) achieved an accuracy of 98.57%, while Logistic Regression (LR) performed slightly better in some instances. The study also notes the successful application of image processing techniques, such as Contrast Limited Adaptive Histogram Equalization (CLAHE), which improved image quality for mammography analysis, leading to a fuzzy SVM accuracy of 94%.
Additionally, the paper introduces a nested ensemble technique that utilizes hyperparameter tuning and feature selection (FS) to distinguish between benign and malignant tumors, achieving an accuracy of 98.07% with specific classifiers. The research underscores the importance of feature selection methods, such as Recursive Feature Elimination (RFE), which reduced the dataset from 30 to 18 attributes while maintaining accuracy. This reduction not only enhances model performance but also accelerates prediction times, ultimately contributing to better treatment options for patients. The findings advocate for further exploration of ML techniques and their integration with artificial intelligence to improve BC diagnosis and treatment outcomes.