作为全球女性中最常见的癌症之一，乳腺癌引起了研究人员的最多关注。 经证实，准确及早发现乳腺癌可以增加患者采取正确治疗方案并长期生存的机会。 本文旨在探讨可用于从常规血液分析数据预测乳腺癌的生物标志物的范围。 支持向量机（SVM）已经为癌症分类领域做出了重要贡献。 然而，不同的核函数配置及其参数会显着影响 SVM 分类器的性能。 为了提高 SVM 分类器对乳腺癌诊断的分类精度，本文提出了一种新的癌症分类算法，该算法基于使用网格搜索算法的智能算法优化 SVM 分类器的相关参数这些参数是： 高斯径向基函数 (GRBF) 核SVM分类器的参数g和C惩罚参数。 我们的实验表明，使用网格搜索的 SVM 参数优化总是在给定范围内找到接近最佳的参数组合，以评估所提出模型的性能，使用取自 UCI 库的乳腺癌科英布拉数据集。 在这个数据集时代，使用了体重指数 (BMI)、葡萄糖、胰岛素、稳态模型评估 (HOMA)、瘦素、脂联素、抵抗素和趋化因子单核细胞趋化蛋白 1 (MCP1) 属性。 在该数据集上将所提出方法的性能与其他方法的性能进行比较。 获得的结果显示了对最先进算法的改进，具有改进的性能参数，例如疾病预测准确性、灵敏度和更好的 F1 分数等。 资金声明：作者表示，这项研究没有获得外部资金。利益声明：作者声明没有利益冲突。道德批准声明：不需要。

RIDER Breast 是乳腺癌 MRI 影像数据，旨在对各种类型的癌症诊治过程进行全程数字化的跟踪，以数字档案的形式记录检查结果、处方和疗效。

Breast_Cancer_Classification 利用逻辑回归和神经网络模型基于数字化活检图像将乳腺癌肿瘤分类为恶性或良性

乳腺癌主要是在女性中发现的，并且是增加女性死亡率的一个主要原因。 乳腺癌的诊断非常耗时，并且由于系统的可用性较低，因此有必要开发一种可以在早期阶段自动诊断乳腺癌的系统。 各种机器学习和深度学习算法已被用于良性和恶性肿瘤的分类。 已使用威斯康星乳腺癌数据集，其中包含 569 个样本和 30 个特征。 本文重点介绍了在从存储库中提取的数据集上实现的各种模型，例如逻辑回归、支持向量机 (SVM) 和 K 最近邻 (KNN)、多层感知器分类器、人工神经网络 (ANN) 等Kaggle 的。 这些算法中的每一个都已经过测量，并就获得的准确度和精确度进行了比较。 所有技术都用 Python 编码并在 Google Colab 中执行，这是一个科学的 Python 开发环境。 实验表明，SVM 和随机森林分类器最适合预测分析，准确率为 96.5%。 为了提高预测的准确性，已经实施了 CNN 和 ANN 等深度学习算法。 在 ANN 和 CNN 的情况下获得的最大准确率分别为 99.3% 和 97.3%。 Relu 和 sigmoid 等激活函数已被用于根据概率预测结果。

决策树 对新患者进行分类的乳腺癌数据集的决策树。 训练数据 该模型是使用699例乳腺癌患者的数据集构建的。 数据集经过归一化和清洗，最终使500名患者接受了培训和测试的最终数据集。 共有500例患者，其中262例（52.4％）患有良性肿瘤，238例（47.6％）患有恶性肿瘤。 为了进行训练，使用了80％的数据，其中40％是良性肿瘤，40％是恶性肿瘤，其余20％用于测试。 在这20％中，12.4％来自良性肿瘤，而7.6％来自恶性肿瘤。 怎么跑 克隆存储库 启动你的服务器 现在，您可以从“决策树”中访问预测结果。 要查看命中率，请inspecionar并检查console 。 注释 src目录中的decision-tree.js文件已从以下存储库中删除，该存储库允许使用和修改： :

支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断

在 breast_cancer_wisconsin_data_set数据集上使用贝叶斯算法，对是目标否患乳腺癌进行预测分类。

为实现对乳腺癌组织病理图像的准确自动分级,提出了一种改进的卷积神经网络,依次引入两种不同的卷积结构,以提高网络对病理图像的识别准确率。以深度残差网络(ResNeXt)为基础网络,用八度卷积(OctConv)替代传统卷积层,在特征提取阶段降低特征图中的冗余特征,提高了细节特征的提取效果;用异构卷积(HetConv)代替网络中的部分传统卷积层,以降低模型的训练参数。为了克服因数据样本较少出现的过拟合问题,采用一种基于图像分块思想的数据增强方法。实验结果表明,该网络在图像级别的四分类任务中准确率达到91.25%,表明所设计的网络模型具有较高的识别率和较好的实时性。

乳腺癌的抗癌药物是一个研究热点，ERα被认为是治疗乳腺癌的一个重要候选药物。本文基于抗癌药物筛选的热点问题，对候选药物化合物的多种分子标识符特征与其生物活性、ADMET性质之间的关系建立了数学模型，使用了线性回归、机器学习、神经网络、支持向量机、多目标优化等方法对化合物的生物数据进行了处理、预测、分类和参数值最优化，对候选药物化合物的选择提供了数据参考和可行思路。

代码很全，注释很仔细，题目要求分别为特征选择问题、回归预测问题、二分类问题、最优化问题