W tym projekcie podjęliśmy się odtworzenia i oceny zaawansowanej metodologii klasyfi- kacji stopnia złośliwości glejaka, opierając się na pracy naukowców National Institutes of Health (NIH) z roku 2022. Generalnie, naszym celem było sprawdzenie, czy ich wielo- etapowe podejście, łączące selekcję cech i modele zespołowe, jest skuteczne i powtarzalne. Proces opierał się na hierarchicznej selekcji cech, gdzie cztery różne techniki (IV, RFE, Lasy Losowe, LASSO) „głosowały” na najważniejsze predyktory. Następnie, na podstawie tych wybranych cech, zbudowaliśmy i oceniliśmy 16 modeli zespołowych z wykorzystaniem me- chanizmu miękkiego głosowania. Całą analizę przeprowadziliśmy na zbiorze 839 pacjentów w ramach 10-krotnej walidacji krzyżowej. Najlepszy z naszych modeli hybrydowych osią- gnął średnią dokładność 87.1%, co jest wynikiem niemal identycznym z 87.6% zgłoszonym w oryginalnym badaniu. Potwierdza to powtarzalność zaprezentowanej metodologii.
forked from DominikBanach/Glioma-Classification
-
Notifications
You must be signed in to change notification settings - Fork 0
NaviteLogger/Glioma-Classification
Folders and files
Name | Name | Last commit message | Last commit date | |
---|---|---|---|---|
Repository files navigation
About
Second project for data analysis methods (WULS course)
Resources
Stars
Watchers
Forks
Releases
No releases published
Packages 0
No packages published
Languages
- Python 100.0%