典型文献
基于Fisher线性判别分析对乳腺微钙化性质的预测研究
文献摘要：
目的:使用基于机器学习的Fisher线性分类判别方法,对分割的乳腺微钙化数据进行线性变换,预测乳腺微钙化的性质.方法:基于Fisher线性分类判别分析原理,建立预测判别模型对乳腺微钙化的良、恶性进行分类.选取在医院行乳腺癌筛查的432例患者的原始数据,将原始数据中的30项569条乳腺癌特征数据为输入变量,以乳腺微钙化良、恶性的预测准确率为输出变量,建立乳腺微钙化分类判别模型.结果:将测试样本代入训练后的Fisher线性判别模型中,其预测乳腺微钙化的良、恶性分类准确率达到93.86％,受试者工作特征(ROC)曲线下面积(AUC)值为0.99,模型的分类性能良好.结论:建立的Fisher线性判别模型对乳腺微钙化良、恶性的预测分类效果较好,能够方便快捷地为乳腺疾病的临床诊断起辅助作用.
文献关键词：
乳腺微钙化;Fisher线性判别;线性变换;预测分类;机器学习
中图分类号：
作者姓名：
汪家清;张鑫;曹彤;王能才;张海英
作者机构：
嘉峪关市酒钢医院乳腺专科 甘肃 嘉峪关 735199;兰州理工大学电气工程与信息工程学院 甘肃 兰州 730050;解放军联勤保障部队第九四〇医院信息科 甘肃 兰州 730050
文献出处：
引用格式：
[1]汪家清;张鑫;曹彤;王能才;张海英-.基于Fisher线性判别分析对乳腺微钙化性质的预测研究)[J].中国医学装备,2022(02):5-9
A类：
B类：
Fisher,线性判别分析,乳腺微钙化,钙化性,预测研究,基于机器学习,分类判别,判别方法,线性变换,判别模型,乳腺癌筛查,原始数据,特征数据,预测准确率,代入,分类准确率,受试者工作特征,分类性能,预测分类,分类效果,方便快捷,乳腺疾病,辅助作用
AB值：
0.211221
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
