Breast cancer is a widespread disease and one of the primary causes of cancer mortality among women all over the world. Computer-aided methods are used to assist medical doctors to make early diagnosis of the disease. The aim of this study is to build an effective prediction model for breast cancer diagnosis based on anthropometric data and parameters collected through routine blood analysis. The proposed approach innovatively exploits principal component analysis (PCA) technique cascaded by median filtering so as to transform original features into a form of containing less distractive noise not to cause overfitting. Since a generalized regression neural network (GRNN) model is adopted to classify patterns of the transformed features, the computational load imposed in the training of artificial neural network model is kept minimized thanks to the non-iterative nature of GRNN training. The proposed method has been devised and tested on the recent Breast Cancer Coimbra Dataset (BCCD) that contains 9 clinical features measured for each of 116 subjects. Outperforming all of the existing studies on BCCD, our method achieved a mean accuracy rate of 0.9773. Experimental results evidence that this study achieves the best prediction performance ever reported on this dataset. The fact that our proposed approach has accomplished such a boosted performance of breast cancer diagnosis based on routine blood analysis features offers a great potential to be used in a widespread manner to detect the disease in its inception phase. Graphical abstract.

中文翻译：

---

基于常规血液分析功能的一种有效的乳腺癌诊断方法。

乳腺癌是一种普遍的疾病，并且是全世界女性癌症死亡的主要原因之一。使用计算机辅助方法来协助医生对疾病进行早期诊断。这项研究的目的是基于人体测量数据和通过常规血液分析收集的参数，建立有效的乳腺癌诊断预测模型。所提出的方法创新地利用了由中值滤波级联的主成分分析（PCA）技术，从而将原始特征转换为包含较少干扰性噪声而不引起过度拟合的形式。由于采用了广义回归神经网络（GRNN）模型来对变换后的特征的模式进行分类，由于GRNN训练具有非迭代性质，因此使人工神经网络模型训练中施加的计算负荷保持最小。该提议的方法已经在最近的乳腺癌Coimbra数据集（BCCD）上进行了设计和测试，该数据集包含针对116位受试者中的每位测量的9种临床特征。优于现有的所有有关BCCD的研究，我们的方法实现了0.9773的平均准确率。实验结果证明，该研究获得了该数据集上所报告的最佳预测性能。基于常规血液分析功能，我们提出的方法已经实现了如此出色的乳腺癌诊断性能，这一事实提供了巨大的潜力，可以被广泛用于在发病初期检测该疾病。图形概要。提议的方法已经在最近的乳腺癌Coimbra数据集（BCCD）上进行了设计和测试，该数据集包含针对116位受试者测量的9种临床特征。优于现有的所有有关BCCD的研究，我们的方法的平均准确率为0.9773。实验结果证明，该研究获得了该数据集上所报告的最佳预测性能。基于常规血液分析功能，我们提出的方法已经实现了如此出色的乳腺癌诊断性能，这一事实提供了巨大的潜力，可以被广泛用于在发病初期检测该疾病。图形概要。提议的方法已经在最近的乳腺癌Coimbra数据集（BCCD）上进行了设计和测试，该数据集包含针对116位受试者测量的9种临床特征。优于现有的所有有关BCCD的研究，我们的方法实现了0.9773的平均准确率。实验结果证明，该研究实现了该数据集上所报告的最佳预测性能。基于常规血液分析功能，我们提出的方法已经实现了如此出色的乳腺癌诊断性能，这一事实提供了巨大的潜力，可以广泛地用于在发病初期检测该疾病。图形概要。优于现有的所有有关BCCD的研究，我们的方法的平均准确率为0.9773。实验结果证明，该研究实现了该数据集上所报告的最佳预测性能。基于常规血液分析功能，我们提出的方法已经实现了如此出色的乳腺癌诊断性能，这一事实提供了巨大的潜力，可以被广泛用于在发病初期检测该疾病。图形概要。优于现有的所有有关BCCD的研究，我们的方法实现了0.9773的平均准确率。实验结果证明，该研究实现了该数据集上所报告的最佳预测性能。基于常规血液分析功能，我们提出的方法已经实现了如此出色的乳腺癌诊断性能，这一事实提供了巨大的潜力，可广泛用于在发病初期检测该疾病。图形概要。基于常规血液分析功能，我们提出的方法已经实现了如此出色的乳腺癌诊断性能，这一事实提供了巨大的潜力，可广泛用于在发病初期检测该疾病。图形概要。基于常规血液分析功能，我们提出的方法已经实现了如此出色的乳腺癌诊断性能，这一事实提供了巨大的潜力，可广泛用于在发病初期检测该疾病。图形概要。