Explicabilidade em Modelos Preditivos de Machine Learning no Câncer de Mama

Autores

  • Erika Yahata Universidade Federal do ABC
  • Erik Paul Winnikow Universidade do Extremo Sul Catarinense
  • Ricardo Suyama Universidade Federal do ABC
  • Priscyla Waleska Simões Universidade Federal do ABC

DOI:

https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1090

Palavras-chave:

Câncer de Mama, Aprendizado de Máquina, Inteligência Artificial

Resumo

Objetivo: A Inteligência Artificial se mostra promissora como apoio à decisão no câncer de mama, porém, a interpretabilidade dos algoritmos como os de caixa preta pode contribuir na adoção na prática clínica. Esse estudo apresenta a explicabilidade em Modelos Preditivos de Aprendizado de Máquina no Câncer de Mama. Métodos: Avaliou-se duas abordagens distintas de Aprendizado de Máquina, Multilayer Perceptron (MLP) e Extreme Gradient Boosting (XGBoost), considerando amostra de 164 mulheres submetidas a Core Biópsia entre 2014 e 2015. Utilizou-se o Shapley Additive Explanation para a explicabilidade dos modelos. Resultados: Os modelos preditivos apresentaram, ambos, acurácia de 98,0% (IC95%:94,2%-100,0%) e o BI-RADS® 5 no ultrassom foi considerado como o atributo mais importante. Conclusão: Os modelos mostraram alta capacidade preditiva para o câncer de mama; no MLP o BI-RADS® 3 e 5 do ultrassom foram os atributos mais importantes, e no XGB, além do ultrassom, destacaram-se a idade e o nódulo palpável.

Biografia do Autor

Erika Yahata, Universidade Federal do ABC

Programa de Pós-Graduação em Engenharia da Informação, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, Santo André (SP), Brasil. Curso de Engenharia Biomédica, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, São Bernardo do Campo (SP), Brasil.

Erik Paul Winnikow, Universidade do Extremo Sul Catarinense

Curso de Medicina, Universidade do Extremo Sul Catarinense – UNESC, Criciúma (SC), Brasil.

Ricardo Suyama, Universidade Federal do ABC

Programa de Pós-Graduação em Engenharia da Informação, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, Santo André (SP), Brasil.

Priscyla Waleska Simões, Universidade Federal do ABC

Programa de Pós-Graduação em Engenharia da Informação, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, Santo André (SP), Brasil. Curso de Engenharia Biomédica, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, São Bernardo do Campo (SP), Brasil. Programa de Pós-Graduação em Engenharia Biomédica, Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas - CECS, Universidade Federal do ABC - UFABC, São Bernardo do Campo (SP), Brasil.

Referências

MINISTÉRIO DA SAÚDE. Câncer de mama: vamos falar sobre isso? [Internet]. 2021 [cited 2022 jul 01]. Available from: https://www.inca.gov.br/sites/ufu.sti.inca.local/files//media/document//cartilha-mama-6-edicao-2021.pdf

IARC marks Breast Cancer Awareness Month 2021 – IARC [Internet]. 2021 [cited 2022 Aug 12]. Available from: https://www.iarc.who.int/news-events/iarc-marks-breast-cancer-awareness-month-2021/

World Health Organization International Agency for Research on Cancer (IARC). Cancer today [Internet]. 2021. [cited 2022 Aug 12]. Available from: https://gco.iarc.fr/today/data/factsheets/cancers/20-Breast-fact-sheet.pdf

American Cancer Society. American cancer society recommendations for the early detection of breast cancer [Internet]. 2022 [cited 2022 jul 22]. Available from: https://www.cancer.org/cancer/breast-cancer/screening-tests-and-early-detection/american-cancer-society-recommendations-for-the-early-detection-of-breast-cancer.html

Caplan, L. Delay in breast cancer: implications for stage at diagnosis and survival. Front Public Health. 2014 Jul;2:87.

Verma B, McLeod P, Klevansky A. Classification of benign and malignant patterns in digital mammograms for the diagnosis of breast cancer. Expert Systems with Applications. 2010 Apr;37(4):3344–51

Chugh, G., Kumar, S., Singh, N. Survey on Machine Learning and Deep Learning Applications in Breast Cancer Diagnosis. Cogn Comput. 2021 Jan;13:1451–1470.

Battineni G, Sagaro GG, Chinatalapudi N, Amenta F. Applications of Machine Learning Predictive Models in the Chronic Disease Diagnosis. J Pers Med. 2020 Mar;10(2):21.

Handelman GS, Kok HK, Chandra RV, Razavi AH, Lee MJ, Asadi H. eDoctor: machine learning and the future of medicine. J Intern Med. 2018 Dec;284(6):603-619

Moncada-Torres A, van Maaren MC, Hendriks MP, Siesling S, Geleijnse G. Explainable machine learning can outperform Cox regression predictions and provide insights in breast cancer survival. Sci Rep. 2021 Mar 26;11(1):6968.

Amann J, Blasimme A, Vayena E, Frey D, Madai VI; Precise4Q consortium. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Med Inform Decis Mak. 2020 Nov 30;20(1):310.

Cutillo CM, Sharma KR, Foschini L, Kundu S, Mackintosh M, Mandl KD; MI in Healthcare Workshop Working Group. Machine intelligence in healthcare-perspectives on trustworthiness, explainability, usability, and transparency. NPJ Digit Med. 2020 Mar 26;3:47.

Agostin G de, Formigoni RR, Yokoi LM, Winnikow EP, Simões PW. Redes Bayesianas e Regressão Logística em pacientes submetidas a core biópsia. Journal of Health Informatics. 2021 Mar 15 ;12.

Dahouda MK, Joe I. A Deep-Learned Embedding Technique for Categorical Features Encoding. IEEE Access. 2021;9:114381–91

Khalid S, Khalil T, Nasreen S. A survey of feature selection and feature extraction techniques in machine learning. In: 2014 science and information conference; 2014 Aug. p. 372-378.

Akoglu H. User's guide to correlation coefficients. Turk J Emerg Med. 2018 Aug 7;18(3):91-93.

Chan JY-L, Leow SMH, Bea KT, Cheng WK, Phoong SW, Hong Z-W, et al. Mitigating the Multicollinearity Problem and Its Machine Learning Approach: A Review. Mathematics. 2022 Apr 12;10(8):1283

Uddin S, Khan A, Hossain ME, Moni MA. Comparing different supervised machine learning algorithms for disease prediction. BMC Med Inform Decis Mak. 2019 Dec 21;19(1):281.

Molnar, C. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable [Internet]. 2022. [cited 2022 jul 15]. Available from: christophm.github.io/interpretable-ml-book/

Hille H, Vetter M, Hackelöer BJ. The accuracy of BI-RADS classification of breast ultrasound as a first-line imaging method. Ultraschall Med. 2012 Apr;33(2):160-3.

Kim BK, Ryu JM, Oh SJ, Han J, Choi JE, Jeong J, Suh YJ, Lee J, Sun WY; Korean Breast Cancer Society. Comparison of clinicopathological characteristics and prognosis in breast cancer patients with different Breast Imaging Reporting and Data System categories. Ann Surg Treat Res. 2021 Sep;101(3):131-139.

Sun YS, Zhao Z, Yang ZN, Xu F, Lu HJ, Zhu ZY, Shi W, Jiang J, Yao PP, Zhu HP. Risk Factors and Preventions of Breast Cancer. Int J Biol Sci. 2017 Nov 1;13(11):1387-1397.

National Cancer Institute. Female Breast Cancer - Cancer Stat Facts [Internet]. SEER. 2022 [cited 2022 jul 01]. Available from: https://seer.cancer.gov/statfacts/html/breast.html

Cancer Research UK. Breast cancer mortality statistics [Internet]. 2015. [cited 2022 jul 15]. Available from: https://www.cancerresearchuk.org/health-professional/cancer-statistics/statistics-by-cancer-type/breast-cancer/mortality#heading-One

IARC. Breast Cancer Screening [Internet]. 2016 [cited 2022 jul 15]. Available from: https://publications.iarc.fr/Book-And-Report-Series/Iarc-Handbooks-Of-Cancer-Prevention/Breast-Cancer-Screening-2016

Downloads

Publicado

20-07-2023

Como Citar

Yahata, E., Winnikow, E. P., Suyama, R., & Simões, P. W. (2023). Explicabilidade em Modelos Preditivos de Machine Learning no Câncer de Mama. Journal of Health Informatics, 15(Especial). https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1090

Artigos Semelhantes

1 2 3 4 5 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.

Artigos mais lidos pelo mesmo(s) autor(es)