Predicting Breast Cancer Malignancy from Diagnostic Imaging Features
An Empirical Comparison of Machine Learning Models for Healthcare Analytics
Palabras clave:
healthcare analytics machine learning breast cancer diagnosis, logistic regression random forest, clinical decision support , explainable AI, algorithmic biasResumen
Early and accurate diagnosis of breast cancer has a direct bearing on patient survival, yet interpretation of fine needle aspirate (FNA) imaging features still depends heavily on clinician experience and remains subject to inter-observer disagreement. This paper presents an empirical case study evaluating two supervised machine learning models — logistic regression and random forest — for classifying breast masses as malignant or benign using the Wisconsin Diagnostic Breast Cancer (WDBC) dataset (n = 569, 30 quantitative morphological features). Both models were trained on a stratified 75/25 train-test split and validated with 5-fold stratified cross-validation. Logistic regression produced the stronger held-out result (accuracy = 0.986, ROC-AUC = 0.998), edging out random forest (accuracy = 0.958, ROC-AUC = 0.995); cross-validation confirmed that both models generalized consistently across folds (mean ROC-AUC of 0.995 and 0.989, respectively)....
Descargas
Estadísticas globales ℹ️
|
0
Visualizaciones
|
0
Descargas
|
|
0
Total
|
|
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y el derecho de edición
Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor.
- Los autores/as ceden a la revista el derecho de la primera publicación. La revista también posee los derechos de edición.
- Todos los contenidos publicados se regulan mediante una Licencia Atribución/Reconocimiento-SinDerivados 4.0 Internacional. Acceda a la versión informativa y texto legal de la licencia. En virtud de ello, se permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista. Si transforma el material, no podrá distribuir el trabajo modificado.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales), una vez publicado en la revista y citando a la misma ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
