基于极限学习机和云计算的乳腺癌诊断系统 | MDPI Diagnostics

点击左上角“MDPI医药学”关注我们，为您推送更多最新资讯。

01

文章导读

乳腺癌 (Breast Cancer) 是全球女性癌症死亡的最主要原因之一，因此，及时发现并治疗乳腺癌可降低其死亡风险。云计算 (Cloud Computing) 系统机器学习方法在疾病诊断中发挥着关键作用，基于人工神经网络 (Artificial Neural Networks, ANN) 的极限学习机 (Extreme Learning Machine, ELM) 正是该领域的前沿系统之一，在解决各种分类问题方面具有巨大的潜力。

来自印度达夫大学的 Vivek Lahoura 及其合作者在 Diagnostics 发表的研究长文，提出了一个融合了上述三个研究方向的框架：首先，将 ELM 应用于乳腺癌的诊断；其次，采用增益比特征选择 (Gain Ratio Feature Selection Method) 消除次要特征；最后，提出了一个基于 ELM 和云计算的乳腺癌远程诊断系统。

02

研究方法

本研究的实验方法分为两部分 (图 1)。首先，作者部署了 ELM 分类诊断系统，并通过模拟数据集，比较了在单机环境下，ELM 与 K 近邻算法 (K-Nearest Neighbors)、朴素贝叶斯(Naïve Bayes)、感知器网络 (Perceptron Network)、AdaBoost 和支持向量机 (Support Vector Machine, SVM) 等多种分类模型的诊断性能。然后，作者将 ELM 模型部署在云环境上，修改 ELM 的参数，确定最佳结果，并比较了单机环境和云环境中 ELM 的诊断性能。

图 1. 实验流程图。

03

研究结果

◉ 以往的研究

作者首先总结了一些知名的疾病诊断系统 (表 1)。其中，大多数研究没有将特征选择和 ELM 作为诊断乳腺癌的主要算法，将模型限制在独立的系统或者特定的研究领域。因此，对于乳腺癌的诊断方法仍有改进和发展的空间。

表 1. 疾病诊断相关工作总结。

◉ 基于云计算的乳腺癌诊断模型

本研究设计了一种基于云计算的乳腺癌诊断系统 (图 2)，可用于远程监测用户的健康数据，以诊断乳腺癌。在分析存储在云服务器上的患者健康数据时，该方法具有灵活性高，可以对多种疾病进行诊断和分类的优势。

图 2. 本文提出的诊断框架的主要内容。

在此架构中，当患者前往附近的远程医疗中心，医疗服务供应商将会收集患者的健康数据，并通过互联网把数据发送给医生；然后，医生可以将数据上传到云平台进行进一步处理。在云计算中，处理分为两个阶段：在第一阶段，采用增益比法识别显著特征，然后去除不显著特征，以此降低计算复杂度。第二阶段，应用 ELM 进行分类。

◉ 结果：该系统的诊断表现

作者收集并比较了从单机环境和云环境中收集的结果，以直观地展示该系统从单机环境转向云环境时的性能。

作者通过改变 ELM 模型中隐藏层的节点数量来提高 ELM 的准确性。最小的隐藏层节点数为 50，最大为 250。当改变隐藏层节点数时，ELM 的性能得到了提升，并得到了更好的结果 (图 3)。

图 3. 单机环境中 ELM 的诊断性能。

作者比较了 ELM 与各种分类器的性能，结果显示，ELM 具有最高的准确率 (达到 0.9692) 和最高的查全值 (Recall Value, 1.00)。这表明，基于 ELM 的模型具有最高的分类准确度。

在单机环境中比较了各种模型后，研究人员将 ELM 模型部署在具有不同配置的虚拟机的云环境中，并遵循与单机环境同样的程序，通过改变 ELM 模型中隐藏层的节点数量来提高ELM的性能。随着虚拟 CPU 数量、RAM 和隐藏层节点数量的增加，云环境中 ELM 分类器的准确度也随之提高 (图 4)。作者还比较了云环境和单机环境中 ELM 的诊断性能：在单机环境下，250 个隐藏层节点的 ELM 的分类精度为 0.9648，而在云环境下，当 vCPU 数量为 36，RAM 为 60 GB 时，分类精度为 0.9868。以上结果表明，在云环境中通过 ELM 利用患者提供的数据进行诊断时，具有更高的分类准确率。

图 4. 云环境中 ELM 的诊断性能。

03

研究总结

综上所述，本文提出了一个使用极限学习机作为分类器的、基于云计算的乳腺癌诊断框架。该模型相比其他方法具有更高的诊断准确度，并且，由于该系统部署在云环境中，因此可以实现更高的准确度和更短的执行时间；此外，还可以通过调整 ELM 的各种参数，进一步提高其性能。该模型也可以用于图像处理领域，实现字符识别、医学成像、卫星图像、照片增强等各种应用。

原文出自 Diagnostics 期刊

Lahoura, V.; Singh, H.; Aggarwal, A.; Sharma, B.; Mohammed, M.A.; Damaševičius, R.; Kadry, S.; Cengiz, K. Cloud Computing-Based Framework for Breast Cancer Diagnosis Using Extreme Learning Machine. Diagnostics 2021, 11, 241. 

识别二维码

阅读英文原文

特约撰稿人

Moon Liao

中国科学院

    Diagnostics 期刊介绍

主编：Andreas Kjaer, University of Copenhagen, Denmark

期刊涵盖医学诊断各个方面的研究成果，刊载研究论文、综述及短讯，鼓励学者发表详细的实验和理论结果。

2020 Impact Factor	3.992
2021 CiteScore	2.4
Time to First Decision	17.7 Days
Time to Publication	35 Days

识别左侧二维码，

订阅 Diagnostics 期刊最新资讯。

精选视频

往期回顾

版权声明：

*本文由MDPI中国办公室编辑翻译撰写，文中涉及到的论文翻译部分，为译者在个人理解之上的概述与转达，论文详情及准确信息请参考英文原文。本文遵守 CC BY 4.0 许可 (https://creativecommons.org/licenses/by/4.0/)。如需转载，请于公众号后台留言咨询。

由于微信订阅号推送规则更新，建议您将“MDPI医药学”设为星标，便可在消息栏中便捷地找到我们，及时了解最新开放出版动态资讯！

点击左下方“阅读原文”，阅读英文原文。

喜欢今天的内容？不如来个“三连击”☞【分享，点赞，转发】