Classificador baseado em comitê de máquinas de vetores de suporte aplicado a imagens de câncer de mama
DOI:
https://doi.org/10.5540/03.2025.011.01.0359Palavras-chave:
Imagens de câncer de mama, comitê, classificação de padrões, aprendizagem de máquinaResumo
Os índices elevados de casos de câncer de mama tornam necessário o desenvolvimento de tecnologias que sejam capazes de auxiliar a medicina em diagnósticos desta doença. Nesse contexto, o objetivo deste trabalho é o desenvolvimento de um modelo de comitês de SVMs (Support Vector Machines) e sua comparação com outros métodos de aprendizagem de máquina para classificação de imagens médicas de câncer de mama que foram adquiridas por meio de um microscópio de alta resolução. A classificação de comitês de SVMs se dá através do voto majoritário. Além do pré-processamento dos dados, fez-se várias execuções de treinamento/teste usando a validação hold-out com todos os modelos. A principal conclusão é que o modelo baseado em comitê de SVMs conseguiu ter um desempenho melhor que os demais métodos analisados, implementados usando os classificadores Vizinho mais próximo (KNN), Árvore de decisão, Floresta aleatória, CNN (Convolutional Neural Network) e Comitê de CNNs.
Downloads
Referências
A. Mohammad. A, S. Mohammad, S. Iman e R. Reza. “Artificial intelligence in automatic classification of invasive ductal carcinoma breast cancer in digital pathology images”. Em: Medical Journal of the Islamic Republic of Iran 34 (2020), p. 140.
J. Doe. “Breast Cancer: Causes, Diagnosis, and Treatment”. Em: Journal of Oncology 25.2 (2020), pp. 123–145.
X. Dong, Z. Yu, W. Cao, Y. Shi e Q. Ma. “A survey on ensemble learning”. Em: Frontiers of Computer Science 14 (2020), pp. 241–258.
K. Duan, S. S. Keerthi e A. N. Poo. “Evaluation of simple performance measures for tuning SVM hyperparameters”. Em: Neurocomputing 51 (2003), pp. 41–59. issn: 0925-2312. doi: https://doi.org/10.1016/S0925-2312(02)00601-X. url: https://www.sciencedirect.com/science/article/pii/S092523120200601X.
T Filisbino, G Giraldi e C Thomaz. “Multi-class nonlinear discriminant feature analysis”. Em: 38th Ibero-Latin Am. Cong. on Comp. Meth. in Eng.(CILAMCE) (2017).
T. Filisbino, G. Giraldi, C. Thomaz e D. Leite. “Multi-Class Discriminant Analysis Based on SVM Ensembles for Ranking Principal Components”. Em: jan. de 2015. doi: 10.20906/CPS/CILAMCE2015-0375.
R. Fletcher. “A new variational result for quasi-Newton formulae”. Em: SIAM Journal on Optimization 1.1 (1991), pp. 18–21. url: https://doi.org/10.1137/0801002.
A. Janowczyk. Andrew Janowczyk website. 2015. url: https://www.kaggle.com/datasets/simjeg/lymphoma-subtype-classification-fl-vs-c.
A. Janowczyk e A. Madabhushi. “Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases”. Em: Journal of Pathology Informatics 7.1 (2016), p. 29.
S. B. Kotsiantis. “Decision trees: a recent overview”. Em: Artificial Intelligence Review 39 (2013), pp. 261–283.
D. A. Lamino, D. D. C. F. Mota e C. A. M. Pimenta. Prevalência e comorbidade de dor e fadiga em mulheres com câncer de mama. 2011. url: https://doi.org/10.1590/S0080-62342011000200029.
S. Mani, Y. Chen, X. Li, L. Arlinghaus, A. B. Chakravarthy, V. Abramson, S. R. Bhave, M. A. Levy, H. Xu e T. E. Yankeelov. “Machine learning for predicting the response of breast cancer to neoadjuvant chemotherapy”. Em: Journal of the American Medical Informatics Association 20.4 (2013), pp. 688–695.
R. Mendonca-Neto, J. Reis, L. Okimoto, D. Fenyö, C. Silva, F. Nakamura e E. Nakamura. “Classification of breast cancer subtypes: A study based on representative genes”. Em: Journal of the Brazilian Computer Society 28.1 (2022), pp. 59–68.
S. J. Rigatti. “Random forest”. Em: Journal of Insurance Medicine 47.1 (2017), pp. 31–39.
A. M. Romano e A. A. Hernandez. “Enhanced deep learning approach for predicting invasive ductal carcinoma from histopathology images”. Em: 2019 2nd International Conference on Artificial Intelligence and Big Data (ICAIBD). IEEE. 2019, pp. 142–148.
J. R. Scarff. “The prospects of cariprazine in the treatment of schizophrenia”. Em: Therapeutic Advances in Psychopharmacology 7.11 (2017), pp. 237–239.
B. Scholkopf e A. J. Smola. Learning with kernels: support vector machines, regularization, optimization, and beyond. MIT Press, 2018.
E. A. Shishkina, A. Yu. Volchkova, D. V. Ivanov, P. Fattibene, A. Wieser, V. A. Krivoschapov, M. O. Degteva e B. A. Napier. “Application of EPR tooth dosimetry for validation of the calculated external doses: Experience in dosimetry for the Techa River Cohort”. Em: Radiation Protection Dosimetry 186.1 (2019), pp. 70–77.
X. Wang e K. Yan. “Gait classification through CNN-based ensemble learning”. Em: Multimedia Tools and Applications 80 (2021), pp. 1565–1581.
L. Xie e A. Yuille. “Genetic CNN”. Em: Proceedings of the IEEE International Conference on Computer Vision. 2017, pp. 1379–1388.
S. Zhang, X. Li, M. Zong, X. Zhu e D. Cheng. “Learning k for KNN Classification”. Em: ACM Transactions on Intelligent Systems and Technology (TIST) 8.3 (2017), pp. 1–19.
