人工智能模型：利用机器学习和深度学习方法优化癌症风险水平预测

本研究强调了计算技术在癌症风险评估中的潜力，为特异化和数据驱动的医疗保健解决方案带来了机遇。本研究考察了利用人工智能（AI）、机器学习（ML）和深度学习（DL）方法，基于 Kaggle 数据集提升癌症风险评估的应用。研究采用基于 Java 的机器学习软件来构建和评估多个预测模型，借助其强大的库和框架对癌症风险指标进行处理与分析。本研究通过 10 折交叉验证分析模型性能，从而获得可靠的泛化能力和准确性估计。研究采用了多种分类技术，如随机森林（RF）、逻辑回归（LR）、决策树（DT）、朴素贝叶斯（NB）和多层感知机（MLP），以评估它们在预测不同癌症类型风险水平方面的有效性。为衡量分类效果，除多分类混淆矩阵外，还给出了准确率、精确率、召回率和 F1 分数等关键性能指标。结果表明，RF 模型是表现最佳的分类器，其准确率为 99.85%，F1 值为 99.80%，精确率为 99.80%，敏感性为 99.90%。这些发现表明，该模型能够有效估计个体的癌症风险水平，从而有助于更早发现癌症并提供更有效的医疗护理。

本研究强调了计算技术在癌症风险评估中的潜力，凸显了实现特异化和数据驱动型医疗保健解决方案的机遇。本研究考察了利用人工智能（AI）、机器学习（ML）和深度学习（DL）方法，基于一个Kaggle数据集改进癌症风险评估的应用。研究采用基于Java的机器学习软件来构建和评估多个预测模型，并利用其强大的库和框架对癌症风险指标进行处理与分析。本研究通过10折交叉验证分析模型性能，从而获得可靠的泛化能力和准确性估计。采用了多种分类技术，如随机森林（RF）、逻辑回归（LR）、决策树（DT）、朴素贝叶斯（NB）和多层感知机（MLP），以评估其在预测不同癌症类型风险水平方面的有效性。为衡量分类效果，研究给出了准确率、精确率、召回率和F1分数等关键性能指标，并辅以多分类混淆矩阵。结果表明，RF模型是分类任务中的最佳分类器，其准确率为99.85%，F-measure为99.80%，精确率为99.80%，敏感性为99.90%。这些发现表明，该模型能够有效估计个体的癌症风险水平，从而提升癌症风险估计的能力，实现更早期的发现和更有效的医疗护理。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.20.745910v1?rss=1

🏷️ 癌症风险预测 机器学习 深度学习 随机森林 交叉验证