Diagnóstico de patologias da coluna vertebral utilizando ensemble com opção de rejeição
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1216Palavras-chave:
Coluna Vertebral, Confiança, Opção de RejeiçãoResumo
Objetivo: propor uma nova abordagem para tomada de decisão com opção de rejeição em comitês de classificadores. Método: O método desenvolvido contempla técnicas de classificação utilizando ensembles com a abordagem de Opção de Rejeição usando o Índice de Gini (IG) como métrica de confiança. Estabelecemos limiares baseados na distribuição da pureza das porcentagens obtidas de cada classe, permitindo que o modelo se abstenha de prever amostras de difícil classificação em diagnósticos médicos relacionados a doenças da coluna vertebral. Resultados: O modelo proposto superou os comparativos, atingindo 97.55% de acurácia e rejeitando 61.69% das amostras no cenário mais conservador. A curva de Acurácia e Rejeição destacou sua superioridade. Conclusão: A definição de intervalos de valores do IG oferece flexibilidade ao ajustar a rigidez do comitê, além disso revelando potencial para otimizar comitês de classificação em diversas aplicações, proporcionando maior confiabilidade no reconhecimento de padrões.
Referências
Reshi AA, Ashraf I, Rustam F, Shahzad HF, Mehmood A, Choi GS. Diagnosis of vertebral column pathologies using concatenated resampling with machine learning algorithms. PeerJ Comput Sci. 22 de julho de 2021;7:e547. DOI: https://doi.org/10.7717/peerj-cs.547
Rocha Neto AR, Sousa R, de A. Barreto G, Cardoso JS. Diagnostic of Pathology on the Vertebral Column with Embedded Reject Option. Em: Vitrià J, Sanches JM, Hernández M, organizadores. Pattern Recognition and Image Analysis. Berlin, Heidelberg: Springer; 2011. p. 588–95. DOI: https://doi.org/10.1007/978-3-642-21257-4_73
Nanglia S, Ahmad M, Ali Khan F, Jhanjhi NZ. An enhanced Predictive heterogeneous ensemble model for breast cancer prediction. Biomed Signal Process Control. 1o de fevereiro de 2022;72:103279. DOI: https://doi.org/10.1016/j.bspc.2021.103279
Zhang XY, Xie G, Li XC, Mei T, Liu CL. A Survey on Learning to Reject. Proc IEEE. 2023. DOI: https://doi.org/10.1109/JPROC.2023.3238024
Mienye ID, Sun Y. A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects. IEEE Access. 2022;10:99129–49. DOI: https://doi.org/10.1109/ACCESS.2022.3207287
Chow C. On optimum recognition error and reject tradeoff. IEEE Trans Inf Theory. 1970. DOI: https://doi.org/10.1109/TIT.1970.1054406
Bartlett PL, Wegkamp MH. Classification with a Reject Option using a Hinge Loss. J Mach Learn Res. 1o de junho de 2008;9:1823–40.
Fukunaga K. Introduction to statistical pattern recognition. 2. ed. San Diego [u.a.]: Acad. Press; 1990. DOI: https://doi.org/10.1016/B978-0-08-047865-4.50007-7
Dubuisson B, Masson M. A statistical decision rule with incomplete knowledge about classes. Pattern Recognit. 1o de janeiro de 1993;26(1):155–65. DOI: https://doi.org/10.1016/0031-3203(93)90097-G
Hellman ME. The Nearest Neighbor Classification Rule with a Reject Option. IEEE Trans Syst Sci Cybern. julho de 1970;6(3):179–85. DOI: https://doi.org/10.1109/TSSC.1970.300339
Cordella LP, Foggia P, Sansone C, Tortorella F, Vento M. Classification reliability and its use in multi-classifier systems. Em: Del Bimbo A, organizador. Image Analysis and Processing. Berlin, Heidelberg: Springer; 1997. p. 46–53. DOI: https://doi.org/10.1007/3-540-63507-6_183
Villon S, Mouillot D, Chaumont M, Subsol G, Claverie T, Villéger S. A new method to control error rates in automated species identification with deep learning algorithms. Sci Rep. 2020. DOI: https://doi.org/10.1038/s41598-020-67573-7
Guilherme Barreto AN. Vertebral Column [Internet]. UCI Machine Learning Repository; 2005. Disponível em: https://archive.ics.uci.edu/dataset/212
Ferreira AJ, Figueiredo MAT. Boosting Algorithms: A Review of Methods, Theory, and Applications. 2012. DOI: https://doi.org/10.1007/978-1-4419-9326-7_2
Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. Em: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, NY, USA: Association for Computing Machinery; 2016. p. 785–94. Disponível em: https://dl.acm.org/doi/10.1145/2939672.2939785 DOI: https://doi.org/10.1145/2939672.2939785
Homenda W, Luckner M, Pedrycz W. Classification with rejection based on various SVM techniques. Em: 2014 International Joint Conference on Neural Networks (IJCNN). Beijing, China: IEEE; 2014. p. 3480–7. Disponível em: https://ieeexplore.ieee.org/document/6889655 DOI: https://doi.org/10.1109/IJCNN.2014.6889655
Tan PN, Steinbach M, Karpatne A, Kumar V. Introduction to Data Mining. Pearson; 2019.
Gamelas Sousa R, Rocha Neto AR, Cardoso JS, Barreto GA. Robust classification with reject option using the self-organizing map. Neural Comput Appl. 1o de outubro de 2015;26(7):1603–19. DOI: https://doi.org/10.1007/s00521-015-1822-2
Anand V, KiranBala B, Srividhya S, C. K, Younus M, Rahman MH. Gaussian Naïve Bayes Algorithm: A Reliable Technique Involved in the Assortment of the Segregation in Cancer. Mob Inf Syst. 17 de junho de 2022;2022:1–7. DOI: https://doi.org/10.1155/2022/2436946
Ballabio D, Todeschini R, Consonni V. Chapter 5 - Recent Advances in High-Level Fusion Methods to Classify Multiple Analytical Chemical Data. Em: Cocchi M, organizador. Data Fusion Methodology and Applications. Elsevier; 2019. p. 129–55. Disponível em: https://www.sciencedirect.com/science/article/pii/B9780444639844000053 DOI: https://doi.org/10.1016/B978-0-444-63984-4.00005-3
Dogan A, Birant D. A Weighted Majority Voting Ensemble Approach for Classification. Em: 2019 4th International Conference on Computer Science and Engineering (UBMK). 2019. p. 1–6. DOI: https://doi.org/10.1109/UBMK.2019.8907028
Yuan Y, Wu L, Zhang X. Gini-Impurity Index Analysis. IEEE Trans Inf Forensics Secur. 2021. DOI: https://doi.org/10.1109/TIFS.2021.3076932
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Reginaldo Pereira Fernandes Ribeiro, Ajalmar Rego da Rocha Neto, Thiago Alves Rocha
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
