Uso de machine learning no diagnóstico de câncer de mama através de ultrassonografia
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1289Palavras-chave:
Ultrassonografia Mamária, Aprendizado de Máquina, Câncer da MamaResumo
Objetivo: Aplicar técnicas de machine learning para avaliar a eficiência e precisão no diagnóstico de câncer de mama por meio de imagens de ultrassonografia. Métodos: Utilizando a ferramenta Orange Data Mining, foram processadas imagens de um banco obtido na plataforma Kaggle contendo ultrassonografias de mamas que apresentavam nódulos benignos e malignos. Resultados: A análise das imagens nos testes foi realizada por meio das técnicas de machine learning, Neural Network e KNN, que demonstraram altas taxas de precisão na classificação de nódulos benignos e malignos com resultados acima de 90% de assertividade. Conclusão: A pesquisa sublinha a importância de ferramentas de machine learning para criar modelos preditivos robustos e precisos, melhorando significativamente a precisão do diagnóstico clínico e aumentando as chances de recuperação dos pacientes.
Referências
Oracle Brasil. O que é Machine learning? [202-].Available from: https://www.oracle.com/br/artificial-intelligence/machine-learning/what-is-machine- learning/. Accessed 2024 Feb 17.
IBM. O que é machine learning? [202-]. Available from: https://www.ibm.com/br- pt/topics/machine-learning. Accessed 2024 Feb 18.
Silva ME, et al. Proposta e avaliação de um modelo híbrido de seleção de características para o prognóstico do câncer de mama. 2022.
O que é câncer? [Internet]. Instituto Nacional de Câncer - INCA. [citado 18 de janeiro de 2024]. Disponível em: https://www.gov.br/inca/pt-br/assuntos/cancer/o-que-e- cancer
Ministério da Saúde. Câncer de mama. [202-]. Available from: https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/c/cancer-de-mama. Accessed 2024 Jan 18.
Ferreira CSC. Uso de inteligência artificial em deep learning na segmentação da mama em imagens de ressonância magnética como ferramenta para o diagnóstico de câncer de mama: uma revisão sistemática. 2023.
Instituto Nacional de Câncer. Outubro Rosa 2023. (2023). Available from: https://www.gov.br/inca/pt-br/assuntos/campanhas/2023/outubro-rosa. Accessed 2024 Feb 19.
McKinney SM, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89-94. DOI: https://doi.org/10.1038/s41586-019-1799-6
Dembrower K, et al. Effect of artificial intelligence-based triaging of breast cancer screening mammograms on cancer detection and radiologist workload: a retrospective simulation study. The Lancet Digital Health. 2020;2(9) DOI: https://doi.org/10.1016/S2589-7500(20)30185-0
Campos KFA. Importância da mamografia no rastreio do câncer de mama: uma revisão de literatura. 2023.
Aguiar YM, et al. Desenvolvimento e aplicação de metodologia de aprendizagem de máquina para classificação de imagens termográficas na área médica. 2021. Dissertação de Mestrado. Universidade Federal de Pernambuco.
Calas MJG, et al. Estudo preliminar das limitações técnicas da ultrassonografia automatizada da mama: do procedimento ao diagnóstico. Radiologia Brasileira. 2020;53:293-300. DOI: https://doi.org/10.1590/0100-3984.2019.0079
Vieira WL, et al. A importância da Ultrassonografia no Câncer de Mama. Março de 2018 24ª EDIÇÃO, p. 41, 2018.
Braga AV, et al. Machine learning: O Uso da Inteligência Artificial na Medicina. Brazilian Journal of Development. 2019;5(9):16407-13. DOI: https://doi.org/10.34117/bjdv5n9-190
Sairam VA. Ultrasound Breast Images for Breast Cancer. (2024). Available from: https://www.kaggle.com/datasets/vuppalaadithyasairam/ultrasound-breast-images- for-breast-cancer/data. Accessed 2024 Jan 14.
Hochman B, Nahas FX, Oliveira Filho RS, Ferreira LM. Desenhos de pesquisa. Acta Cir Bras. 2005;20(suppl 2):2-9. doi: 10.1590/S0102-86502005000800002. DOI: https://doi.org/10.1590/S0102-86502005000800002
De Rezende MR, Maimone TS. Uso de inteligência artificial para identificação de fatores influenciadores do câncer de mama a partir de dados clínicos. 2022.
Diniz JOB, Dias DA Jr, Cruz LB da, Marques RCS, Gomes DL Jr, Cortês OAC, et al. EfficientEnsemble: Diagnóstico de câncer de mama em imagens de ultrassom utilizando processamento de imagens e Ensemble de EfficientNets. Em: Anais do XXIV Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2024). Sociedade Brasileira de Computação - SBC; 2024. p. 202–13. DOI: https://doi.org/10.5753/sbcas.2024.2155
Downloads
Publicado
Como Citar
Edição
Secção
Licença
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
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.