Explicabilidad en Modelos Predictivos de Machine Learning en Cáncer de Mama
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1090Palabras clave:
Cáncer de Mama, Aprendizaje Automático, Inteligencia ArtificialResumen
Objetivo: La Inteligencia Artificial se muestra prometedora como apoyo a la toma de decisiones en el cáncer de mama; sin embargo, la interpretabilidad de los algoritmos como la caja negra puede contribuir a su adopción en la práctica clínica. El presente estudio presenta la explicabilidad en modelos predictivos de Aprendizaje Automático en cáncer de mama. Métodos: Se evaluaron dos enfoques diferentes de Aprendizaje Automático, Multilayer Perceptron (MLP) y Extreme Gradient Boosting (XGBoost), considerando una muestra de 164 mujeres que se sometieron a Core Biopsy entre 2014 y 2015. Se utilizó el Shapley Additive Explanation para la explicabilidad de los modelos. Resultados: Ambos modelos predictivos presentaron una precisión del 98,0% (95%IC: 94,2%-100,0%) y el BI-RADS® 5 en el ultrasonido fue considerado como el atributo más importante. Conclusión: Los modelos mostraron alta capacidad predictiva para el cáncer de mama; en el MLP, los estadios BI-RADS® 3 y 5 del ultrasonido fueron los más importantes, y en el modelo XGB, además del ultrasonido, se destacó la edad y el nódulo palpable.
Citas
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
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Erika Yahata, Erik Paul Winnikow, Ricardo Suyama, Priscyla Waleska Simões
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
