Morphological feature selection and classification of breast cancer samples with machine learning methods: Analytical research

Abstract

Breast cancer is one of the most common malignancies among women worldwide, and early detection is crucial for improving clinical outcomes. This study aims to classify benign and malignant breast tumors using machine learning approaches based on cytomorphological features and to identify the most influential variables contributing to classification performance. Material and Methods: The dataset, obtained from the Kaggle repository, comprised 699 patient records with 9 cytomorphological features scored from 1 to 10. Data preprocessing and feature selection procedures were applied prior to model development. Logistic regression, Random Forest, and XGBoost models were implemented, and their performances were evaluated using accuracy, sensitivity, F1-score, and receiver operating characteristic (ROC)-area under the curve (AUC) metrics. SHAP (SHapley Additive explanations) analysis was employed to interpret model predictions and assess feature-level contributions. Results: Feature importance and SHAP analyses identified Uniformity of Cell Size, Uniformity of Cell Shape, Bare Nuclei, and Bland Chromatin as the most influential predictors. These findings highlight the critical role of cellular and nuclear morphological abnormalities in malignancy discrimination and enhance the interpretability and clinical relevance of the models. Conclusion: Among the evaluated models, XGBoost achieved the best overall performance, demonstrating the highest accuracy, sensitivity, and ROCAUC values. This indicates that ensemble-based learning methods provide superior discriminative capability for breast tumor classification compared to alternative approaches.Meme kanseri, dünya genelinde kadınlar arasında en sık görülen malignitelerden biridir ve erken tanı klinik sonuçların iyileştirilmesinde kritik öneme sahiptir. Bu çalışmanın amacı, sitomorfolojik özelliklere dayalı olarak makine öğrenmesi yöntemleri kullanarak benign ve malign meme tümörlerini sınıflandırmak ve sınıflandırma performansına en fazla katkı sağlayan değişkenleri belirlemektir. Gereç ve Yöntemler: Çalışmada kullanılan veri seti Kaggle deposundan elde edilmiş olup, 1-10 aralığında puanlanmış 9 sitomorfolojik özelliğe sahip 699 hasta kaydını içermektedir. Model geliştirme öncesinde, veri ön işleme ve özellik seçimi prosedürleri uygulanmıştır. Lojistik regresyon, “Random Forest” ve XGBoost modelleri kullanılmış; model performansları doğruluk, duyarlılık, F1-skoru ve alıcı operatör karakteristiği [receiver operating characteristic (ROC)-eğri altında kalan alan [receiver operating characteristic (AUC)] ölçütleri ile değerlendirilmiştir. Model tahminlerini yorumlamak ve değişken düzeyindeki katkıları incelemek amacıyla SHAP (SHapley Additive explanations) analizi uygulanmıştır. Bulgular: Özellik önem analizi ve SHAP sonuçları, Hücre Boyutu Homojenliği (Uniformity of Cell Size), Hücre Şekli Homojenliği (Uniformity of Cell Shape), Çıplak Nükleuslar (Bare Nuclei) ve Bland Kromatin (Bland Chromatin) değişkenlerinin en etkili belirleyiciler olduğunu göstermiştir. Bu bulgular, hücresel ve nükleer morfolojik düzensizliklerin malignite ayrımında kritik rol oynadığını ortaya koymakta ve modellerin yorumlanabilirliğini ile klinik geçerliliğini artırmaktadır. Sonuç: Değerlendirilen modeller arasında XGBoost, en yüksek doğruluk, duyarlılık ve ROC-AUC değerlerini elde ederek en iyi genel performansı göstermiştir. Bu durum, topluluk (ensemble) tabanlı öğrenme yöntemlerinin meme tümörü sınıflandırmasında alternatif yaklaşımlara kıyasla daha üstün ayırt edici güce sahip olduğunu göstermektedir.