Breast cancer detection by imaging with hybrid classifier
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1353Palabras clave:
Clasificación de imágenes, Cáncer de mama, Aprendizaje híbridoResumen
Objetivos: Desarrollar algoritmos de aprendizaje automático (ML) para una clasificación precisa de imágenes de ultrasonido para respaldar el diagnóstico de cáncer de mama. Método: Implementación de un nuevo modelo de aprendizaje híbrido que combina las técnicas de LightGBM, Multilayer Perceptron Network (MLP), Support Vector Machine (SVM) y Relativistic Particle Swarm Weight Optimization (RPSO). Resultados: El modelo clasificador obtenido arrojó una precisión del 98% en los datos de prueba, por lo que ofrece una alta precisión. Conclusión: El modelo propuesto obtuvo resultados superiores a los trabajos encontrados en la literatura, lo que lo convierte en una herramienta de apoyo al diagnóstico prometedora.Objetivos: El cáncer de mama es una de las condiciones más prevalentes y letales entre las mujeres, con una alta tasa de mortalidad. Es esencial garantizar un diagnóstico preciso y precoz para iniciar el tratamiento en las etapas iniciales y aumentar las probabilidades de supervivencia.
Citas
INCA. (2022). Instituto Nacional de Câncer. Recuperado de: <https://www.gov.br/inca/pt-br/assuntos/cancer/numeros/>. Acessado em 18 mar 2023.
Chamorro HM, Colturato PL, Fattori NCM. "Câncer de mama: fatores de risco e a importância da detecção precoce." Revista Científica Eletrônica de Ciências Aplicadas. 2021; 1 (1).
Raza A, et al. "DeepBreastCancerNet: A novel deep learning model for breast cancer detection using ultrasound images." Applied Sciences. 2023; 13(4): 2082.
Abdul Halim AA, Andrew AM, Mohd Yasin MN, Abd Rahman MA, Jusoh M, Veeraperumal V, Rahim HA, Illahi U, Abdul Karim MK, Scavino E. Existing and Emerging Breast Cancer Detection Technologies and Its Challenges: A Review. Applied Sciences. 2021; 11(22):10753.
Rehman MZU, et al. "An Efficient Automated Technique for Classification of Breast Cancer Using Deep Ensemble Model." Computer Systems Science and Engineering. 2023; 46(1).
Joshi RC et al. "An efficient deep neural network based abnormality detection and multi-class breast tumor classification." Multimedia Tools and Applications. 2022; 81(10).
Almutairi SM et al. "An efficient USE-Net deep learning model for cancer detection." International Journal of Intelligent Systems 2023..
Manzari ON et al. "MedViT: a robust vision transformer for generalized medical image classification." Computers in Biology and Medicine. 2023; 157: 106791.
Yahata E, Winnikow EP, Suyama R, Simões PW. Explicabilidade em Modelos Preditivos de Machine Learning no Câncer de Mama. Journal Health Informatics. 2023 jul; 15(1): 1-14.
Ke G, Meng Q, Finley T, Wang T, Chen W, Ma W, Ye Q, Liu TY. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Anais do 31st Conference on Neural Information Processing Systems. 2017; 3146-3154.
Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-propagating errors. Nature. 1986; 323(1): 533–536.
Cortes C, Vapnik V. Support-vector networks. Machine Learning. 1995; 20(3): 273-297.
Roder M et al. "Harnessing particle swarm optimization through relativistic velocity." 2020 IEEE Congress on Evolutionary Computation (CEC). IEEE. 2020.
Procópio, Fábio. "Otimização por enxames de partículas: usando uma adaptação de serendipidade". 2018.
Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Blondel M, Prettenhofer P, Weiss R, Dubourg V, Vanderplas J, Passos A, Cournapeau D, Brucher M, Duchesnay MPE. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 2011; 12: 2825-2830.
Walt S, Schönberger JL, Nunez-Iglesias J, Boulogne F, Warner JD, Yager N, Gouillart E, Yu T. Scikit-image: image processing in Python. PeerJ. 2014; 2: 2-18.
Virtanen P, Gommers R, Oliphant T.E et al. SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python. Nature Methods. 2020; 17: 261-272.
McKinney W. Data Structures for Statistical Computing in Python. Proceedings of the 9th Python in Science Conference (SciPy 2010). 2010; 56-61.
Harris CR, Millman KJ, Walt SJ, Gommers R, Virtanen P, Cournapeau D et al. Array programming with NumPy. Nature. 2020;585: 357-362.
Lemenkova P. Python Libraries Matplotlib, Seaborn and Pandas for Visualization Geo-spatial Datasets Generated by QGIS. Anais do Universitatii "Alexandru Ioan Cuza" din Iasi - seria Geografie. 2020; 64(1): 13-32.
Rosa GH, Rodrigues D, Papa JP. Opytimizer: A Nature-Inspired Python Optimizer. Universidade de São Paulo. 2020.
Al-Dhabyani W, Gomaa M, Khaled H, Fahmy A. Dataset of breast ultrasound images. Data in Brief. 2020; 28: 104863.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
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.
