Soft-Computing-Techniken für die Erkennung von Brustkrebs

Soft Computing (SC) hat sich als vielseitiges Werkzeug f die L飉ung komplexer Berechnungsprobleme in verschiedenen Bereichen erwiesen. SC nutzt menschen鄣nliche Erkennungs- und Lernf鄣igkeiten, um innovative L飉ungen f reale Herausforderungen zu finden. In einer 礪a der Datenexplosion erfordert eine effektive Datenverarbeitung die Auswahl von Schlselattributen f die Vorhersagemodellierung, was zu der Forderung nach einer Auswahl von Teilmengen von Merkmalen frt. Die Auswahl von Teilmengen von Merkmalen ist ein schwieriges NP-Hard-Problem, wobei verschiedene Methoden in Filter-, Wrapper- und eingebettete Ans酹ze unterteilt werden k霵nen. Metaheuristische Algorithmen, die f ihre globalen Suchf鄣igkeiten bekannt sind, wurden f die Merkmalsauswahl genutzt, um die Klassifizierungsgenauigkeit zu maximieren. Mit einem Schwerpunkt auf medizinischen Anwendungen wird in dieser Studie die computergestzte Diagnose untersucht, bei der populationsbasierte Merkmalsauswahlmethoden die Klassifizierungsgenauigkeit verbessern, indem sie die Analysezeit reduzieren. In der Studie werden zwei neue metaheuristische Methoden, der Separated Enemy Driven Dragon Algorithm (SEDDA) und der Fitness-based Crow Search Algorithm (FSCA), vorgestellt und mit etablierten Verfahren verglichen.