A Comparative study of cancer detection models using deep learning

Sammanfattning: Leukemi är en form av cancer som kan vara en dödlig sjukdom. För att rehabilitera och behandla sjukdomen krävs det en korrekt och tidig diagnostisering. För att minska väntetiden för testresultaten har de ordinära metoderna transformerats till automatiserade datorverktyg som kan analyser och diagnostisera symtom.I detta arbete, utfördes det en komparativ studie. Det man jämförde var två olika metoder som detekterar leukemia. Den ena metoden är en genetisk sekvenserings metod som är en binär klassificering och den andra metoden en bildbehandlings metod som är en fler-klassad klassificeringsmodell. Modellerna hade olika inmatningsvärden, däremot använde sig de båda av Convolutional neural network (CNN) som nätverksarkitektur och fördelade datavärdena med en 3-way cross-validation teknik. Utvärderings metoderna för att analysera resultaten är learning curves, confusion matrix och klassifikation rapport. Resultaten visade att den genetiska sekvenserings metoden hade fler antal värden som var korrekt förutsagda med 98 % noggrannhet. Den presterade bättre än bildbehandlings metoden som hade värde på 81% noggrannhet. Storlek på de olika datauppsättningar kan vara en orsak till algoritmernas olika testresultat.