Vorhersage von Brustkrebs mittels Data Mining

Inhaltsverzeichnis

Einleitung und Fragestellung

Hypothesen

Theoretischer Hintergrund

Brustkrebs

Vorkommen

Risikofaktoren

Prävention

Früherkennung

Symptome

Tumor-Klassifizierung

Therapie

Nebenwirkung der Behandlung

Data Mining im Gesundheitssektor

Data Mining – Methoden

Clustering

Assoziationsanalyse

Klassifikation

Verwandte Studien

Fazit Literaturrecherche

Methodik

Wisconsin Breast Cancer Datenset - WBCD

Datenvorverarbeitung

WBCD - Feature Selection

Hyperparameter Tuning

Standardisierung

Ergebnisse der Analyse

Ergebnisse KNN

Ergebnisse Support Vector Machine

Ergebnisse Entscheidungsbaum

Diskussion der Ergebnisse

Fazit

Zielsetzung & Themen

Die Arbeit untersucht die Eignung verschiedener Data Mining-Algorithmen zur präzisen Vorhersage von Brustkrebs, basierend auf medizinischen Datensätzen, um die Diagnoseunterstützung zu verbessern.

• Vergleich der Performance von KNN, Support Vector Machine und Entscheidungsbäumen.
• Analyse des Einflusses von Feature Selection auf die Klassifikationsgenauigkeit.
• Optimierung der Modellparameter mittels Hyperparameter-Tuning.
• Evaluation der Ergebnisse anhand von Metriken wie Accuracy, Precision und Recall.

Auszug aus dem Buch

Zusammenfassung der Kapitel

Einleitung und Fragestellung: Einführung in die medizinische Relevanz der Brustkrebsvorhersage und Definition der Forschungsfragen.

Theoretischer Hintergrund: Erläuterung der medizinischen Grundlagen zu Brustkrebs sowie technischer Grundlagen zu Data Mining-Methoden und Klassifikationsalgorithmen.

Verwandte Studien: Review aktueller Forschungsergebnisse zum Einsatz von Data Mining für die Identifikation von Mammakarzinomen.

Fazit Literaturrecherche: Zusammenführung der theoretischen Erkenntnisse und Begründung für die Auswahl der untersuchten Algorithmen.

Methodik: detaillierte Beschreibung des Analyseprozesses, der Datensatzvorbereitung und der angewandten statistischen Verfahren.

Ergebnisse der Analyse: Präsentation der experimentellen Ergebnisse für die verschiedenen Klassifikationsmodelle unter Verwendung unterschiedlicher Feature-Sets.

Diskussion der Ergebnisse: Interpretation der erzielten Genauigkeitswerte und Vergleich mit den Ergebnissen aus den untersuchten Studien.

Fazit: Abschließende Bewertung der Eignung der getesteten Data Mining-Techniken für die Diagnoseunterstützung in der Praxis.

Schlüsselwörter

Brustkrebs, Data Mining, Klassifikation, Support Vector Machine, KNN, Entscheidungsbaum, Wisconsin Breast Cancer Dataset, Feature Selection, Machine Learning, Früherkennung, Medizinische Diagnose, Accuracy, Hyperparameter-Tuning, Modellvergleich, Gesundheitssektor

Häufig gestellte Fragen

Was ist das Hauptziel dieser Bachelorarbeit?

Das primäre Ziel ist der Vergleich der Vorhersagegenauigkeit von drei verschiedenen Klassifikationsalgorithmen (KNN, SVM, Entscheidungsbaum) bei der Identifikation von Brustkrebs.

Welche Datengrundlage wurde für die Analyse verwendet?

Die Arbeit nutzt das publicly available "Wisconsin Breast Cancer Dataset" (WBCD), um die Leistungsfähigkeit der gewählten Modelle zu testen.

Welche wissenschaftliche Methodik kommt zum Einsatz?

Es werden verschiedene Vorverarbeitungsschritte (Preprocessing und Feature Selection) sowie Hyperparameter-Tuning durchgeführt, um die Modelle zu optimieren und mittels Train-Test-Split zu evaluieren.

Welcher Algorithmus erzielte die besten Ergebnisse in dieser Arbeit?

Die Support Vector Machine (SVM) mit vorangegangener Standardisierung der Merkmale lieferte die höchste Accuracy von 98,24 %.

Welche Bedeutung hat die "Feature Selection" für die Arbeit?

Es wird untersucht, ob durch die Auswahl spezifischer Merkmale (Feature Selection) die Komplexität reduziert und die Genauigkeit des Modells signifikant verbessert werden kann.

Warum ist der Recall-Wert bei medizinischen Analysen besonders wichtig?

Der Recall ist entscheidend, um sicherzustellen, dass möglichst wenige Erkrankungsfälle fälschlicherweise als gesund klassifiziert werden, was bei Krebsdiagnosen lebenswichtig ist.

Wie wirkt sich die Standardisierung auf die SVM aus?

Die Standardisierung sorgt dafür, dass die Merkmale in eine einheitliche Größenordnung gebracht werden, was bei distanzbasierten Algorithmen wie SVM die Performance deutlich verbessert.

Wie sicher ist die Vorhersage der KI im Kontext dieser Studie?

Die AUC-Werte zwischen 0,93 und 1 deuten auf eine sehr hohe Trennschärfe hin, wobei betont wird, dass die Ergebnisse interpretative Unterstützung für medizinisches Personal darstellen, keine finale Diagnose.