1、用于乳腺癌细胞分类的神经网络输入选择

用于乳腺癌细胞分类的神经网络输入选择

1. 引言

神经网络在医疗应用中日益流行，特别是在乳腺癌细胞诊断自动化方面表现出色，部分方法的诊断准确性甚至超过了传统方法。而特征选择对于实现准确诊断至关重要，它是从大量获取的特征中找出主导特征子集的过程，依据的是如分类性能或类可分性等预定义标准，同时会去除数据库中的冗余或无关特征。合适的选择方法有助于提高学习算法的速度，减少系统运行时间。

本文提出了一种用于乳腺癌细胞分类的神经网络输入特征选择的消除方法，该方法基于从乳腺癌细针穿刺（FNA）细胞获取的形态学特征，通过评估单个特征及其组合的影响，来确定神经网络输入的最佳子集。

2. 相关工作

近年来，有许多关于特征选择方法的研究。一些算法被应用于特征选择以提高网络分类准确性：
- Redondo和Espinosa对基于训练多层前馈网络分析的特征选择程序进行了回顾和比较。
- Onnia等人提出的基于前馈神经网络的特征选择方法，根据测试数据的最高分类准确率选择并添加网络输入到输入层，该算法可与其他分类器结合使用，在Monks问题和现实世界问题的测试数据集上都取得了较高的准确率。
- 遗传算法（GA）也可用于人工神经网络输入的特征选择，但随着可用特征数量的增加，其计算需求较大。基于互信息（MI）概念的信息理论方法被用于计算机辅助诊断（CAD）中的特征选择，该概念专注于变量的线性关系，被证明是一种有前景的非线性CAD模型特征选择标准。
- 在医疗应用中，也有许多成功的特征选择方法案例，如Tsymbal等人比较了四种不同的集成特征选择搜索策略用于急性腹痛分类；Hanczar等人开发了结合直接统计基因选择方法和ProGene缩减方法的特征选