Predição do Câncer de Mama com Aplicação de Modelos de Inteligência Computacional
DOI:
https://doi.org/10.5540/tema.2019.020.02.229Palavras-chave:
Rede Neural, Máquina de Vetor de Suporte, Câncer de Mama.Resumo
O uso de modelos para diagnóstico auxiliado por computador (CAD) tem sido proposto para auxiliar na detecção e classificação do câncer de mama. Neste trabalho, avaliou-se o desempenho dos modelos de rede neural de perceptrons de múltiplas camadas e máquina de vetores de suporte não linear, para classificar nódulos de câncer de mama. Dez características morfológicas, do contorno de 569 amostras, foram usadas como entrada nos classificadores. Os melhores resultados obtidos para a acurácia e taxa de falso negativo no modelo de máquina de vetor de suporte não linear foram 98,58% e 1,96%, respectivamente. O modelo de rede neural apresentou desempenho inferior ao classificador de máquina de vetor de suporte não linear. Os resultados médios obtidos, com a aplicação dos modelos propostos, mostram-se promissores, na classificação do câncer de mama.Referências
W. H. Organization, Cancer Report. International Agency for Research on Cancer. Geneva, Switzerland, who library ed., 2014.
INCA, Estimativas 2018. Incidência de Câncer no Brasil. Instituto Nacional do Câncer, 2018.
M. Mavroforakis, H. Georgiou, N. Dimitropoulos, D. Cavouras, and S. Theodoridis, "Significance analysis of qualitative mammographic features, using linear classifiers, neural networks and support vector machines",European Journal of Radiology, vol. 54, no. 1, pp. 80-89, 2005.
R. Kala, R. Janghel, R. Tiwari, and A. Shukla, "Diagnosis of breast cancer by modular evolutionary neural networks", International Journal of Biomedical Engineering and Technology, vol. 7, no. 2, pp. 194-211, 2011.
I. Saritas, "Prediction of breast cancer using artificial neural networks",Journal of Medical Systems, vol. 36, no. 5, pp. 2901-2907, 2012.
S. Agrawal and J. Agrawal, "Neural network techniques for cancer prediction: A survey", Procedia Computer Science, vol. 60, pp. 769-774, 2015.
M. Pérez, M. E. Benalcázar, E. Tusa, W. Rivas, and A. Conci, "Mammogram classification using back-propagation neural networks and texture feature descriptors", in Ecuador Technical Chapters Meeting (ETCM), 2017 IEEE, pp. 1- 6, IEEE, 2017.
K. Menaka and S. Karpagavalli, "Breast cancer classfication using support vector machine and genetic programming", International Journal of Innovative Research in Computer and Communication Engineering, vol. 1, no. 7, 2013.
H. Asri, H. Mousannif, H. Al Moatassime, and T. Noel, "Using machine learning algorithms for breast cancer risk prediction and diagnosis", Procedia Computer Science, vol. 83, pp. 1064-1069, 2016.
H. Jiang, W.-K. Ching, W.-S. Cheung, W. Hou, and H. Yin, "Hadamard kernel svm with applications for breast cancer outcome predictions", BMC systems biology, vol. 11, no. 7, p. 138, 2017.
M.-W. Huang, C.-W. Chen, W.-C. Lin, S.-W. Ke, and C.-F. Tsai, "Svm and svm ensembles in breast cancer prediction", PloS one, vol. 12, no. 1, 2017.
S. Haykin, Redes neurais: princípios e prática 2 ed. Bookman Editora, 2001.
A. de Pádua Braga, A. C. P. de Leon Ferreira, and T. B. Ludermir, Redes neurais artificiais: teoria e aplicações. LTC Editora, 2012.
A. J. Smola and B. Schölkopf, "A tutorial on support vector regression", Statistics and computing, vol. 14, no. 3, pp. 199-222, 2004.
V. Vapnik, Statistical learning theory. 1998. Wiley, New York, 1998.
A. Karatzoglou, A. Smola, K. Hornik, and A. Zeileis, "kernlab-an s4 package for kernel methods in r", Journal of statistical software, vol. 11, no. 9, pp. 1-20, 2014.
S. Fritsch, F. Guenther, and M. F. Guenther, "Package neuralnet", The Comprehensive R Archive Network, 2016.
S. Shanthi and V. M. Bhaskaran, "A novel approach for detecting and classifying breast cancer in mammogram images", International Journal of Intelligent Information Technologies (IJIIT), vol. 9, no. 1, pp. 21-39, 2013.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
- Esta é uma revista de acesso aberto, o que significa que todo o conteúdo é livremente disponível gratuitamente para o usuário ou sua instituição. Os usuários estão autorizados a ler, baixar, copiar, distribuir, imprimir, pesquisar ou vincular os textos completos dos artigos, ou usá-los para qualquer outro propósito legal, sem pedir permissão prévia do editor ou do autor. Isso está de acordo com a definição de acesso aberto do BOAI.
Todo o conteúdo do periódico está licenciado sob uma Licença Creative Commons do tipo atribuição BY.