Sistemas cognitivos para la predicción de cáncer de mama
Palabras clave:
predicción del cáncer de mama, cáncer de mama, comparación de aprendizaje automáticoResumen
El objeto del presente artículo es la comparación de cuatro algoritmos de clasificación existentes con aprendizaje no supervisado: red neuronal, k-means, fuzzy c-means y hierarchical clustering y una alternativa de solución para predecir una eventual enfermedad cancerígena en las glándulas mamarias de una mujer. Para realizar el pronóstico presente, se ha hecho uso de un conjunto de datos que comprende un total de 589 registros; de las cuales podemos citar algunas variables, las según su importancia como son: media de distancias, desviación estándar, perímetro de masa, área de masa y suavidad. Se ha demostrado con los valores de las métricas bases y derivadas usadas para la evaluación de algoritmos de clasificación, que el algoritmo red neuronal presenta mejores resultados de predicción para la configuración del experimento seleccionado. Este modelo entrenado es almacenado en la base de datos a la cual accede el servicio Azure Machine Learning para construir el servicio web. Este servicio web construido, encapsula el proyecto de implementación del algoritmo en una función para poder implementar el resto de la arquitectura REST con un verbo de ejecución disponibles: POST. El formato de intercambio de datos usados es JSON tanto para la solicitud como para la respuesta del servicioDescargas
Citas
Alghunaim, S., & Al-Baity, H. H. (2019). On the scalability of machine-learning algorithms for breast cancer prediction in big data context. IEEE Access, 7, 91535-91546.
Álvarez Vañó, J. M. (2018). Modelo Comparativo de Plataformas Cloud y Evaluación de Microsoft Azure, Google App Engine y AmazonEC2 (Doctoral dissertation, Universitat Politècnica de València).
Bilal, M., Israr, H., Shahid, M., & Khan, A. (2016). Sentiment classification of Roman-Urdu opinions using Naïve Bayesian, Decision Tree and KNN classification techniques. Journal of King Saud University-Computer and Information Sciences, 28(3), 330-344.
BODERO, E. M., LOPEZ, M. P., CONGACHA, A. E., CAJAMARCA, E. E., & MORALES, C. H. (2020). Google Colaboratory como alternativa para el procesamiento de una red neuronal convolucional. Revista ESPACIOS, 41(07).
Caelen, O. (2017). A Bayesian interpretation of the confusion matrix. Annals of Mathematics and Artificial Intelligence, 81(3), 429-450.
Contreras Urgilés, W., Maldonado Ortega, J., & León Japa, R. (2019). Aplicación de una red neuronal feed-forward backpropagation para el diagnóstico de fallas mecánicas en motores de encendido provocado. Ingenius. Revista de Ciencia y Tecnología, 21, 32-40.
Franco, L. A. R. (2014). Psicología cognitiva e inteligencia artificial: mitos y verdades. Avances en Psicología, 22(1), 21-27.
González Ortega, J. M., Morales Wong, M. M., López Cuevas, Z., & Díaz Valdéz, M. (2011). Factores pronósticos del cáncer de mama. Revista Cubana de Cirugía, 50(1), 130-138.
Jerônimo, A. F. de A., Freitas, Â. G. Q., & Weller, M. (2017). Risk factors of breast cancer and knowledge about the disease: An integrative revision of Latin American studies. Ciencia & saude coletiva, 22, 135-149.
Juneja, K., & Rana, C. (2018). An improved weighted decision tree approach for breast cancer prediction. International Journal of Information Technology, 1-8.
Nanglia, S., Ahmad, M., Khan, F. A., & Jhanjhi, N. (2022). An enhanced Predictive heterogeneous ensemble model for breast cancer prediction. Biomedical Signal Processing and Control, 72, 103279.
Talha, A. K., Kushsairy, A. K., Shahzad, N., Muhammad, A., Zeeshan, S., & Mazliham, M. (2020). Proficiency Assessment of Machine Learning Classifiers: An Implementation for the Prognosis of Breast Tumor and Heart Disease Classification.
Zain, Z. M., Alshenaifi, M., Aljaloud, A., Albednah, T., Alghanim, R., Alqifari, A., & Alqahtani, A. (2020). Predicting breast cancer recurrence using principal component analysis as feature extraction: An unbiased comparative analysis. International Journal of Advances in Intelligent Informatics, 6(3), 313-327.
Zhang, Y., Lu, S., Zhou, X., Yang, M., Wu, L., Liu, B., Phillips, P., & Wang, S. (2016). Comparison of machine learning methods for stationary wavelet entropy-based multiple sclerosis detection: Decision tree, k-nearest neighbors, and support vector machine. Simulation, 92(9), 861-871.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Jonathan Stalin Delgado Guerrero, Jhon Rigner Meléndez Meléndez, Raúl Huillca Huallparimachi
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
CC BY-NC-SA : Esta licencia permite a los reutilizadores distribuir, remezclar, adaptar y construir sobre el material en cualquier medio o formato solo con fines no comerciales, y solo siempre y cuando se dé la atribución al creador. Si remezcla, adapta o construye sobre el material, debe licenciar el material modificado bajo términos idénticos.
OAI-PMH URL: https://revista.uniandes.edu.ec/ojs/index.php/mikarimin/oai