Discriminación de masas mamográficas mediante K-Nearest Neighbor y atributos BIRADS

Autores/as

DOI:

https://doi.org/10.51252/rcsi.v2i1.225

Palabras clave:

cáncer de mama, knn, machine learning, pronóstico

Resumen

La mamografía es el método más eficaz para la detección del cáncer de mama; sin embargo, el bajo valor predictivo, puede conducir a biopsias innecesarias. Esta investigación tiene como objetivo desarrollar un modelo predictivo para la discriminación de masas mamográficas mediante KNN y el atributo BIRADS con un nivel aceptable de exactitud, precisión, sensibilidad y puntaje-F1. Para ello, realizamos las siguientes fases: limpieza de los datos, entrenamiento del algoritmo KNN y selección del modelo. El resultado obtenido fue un modelo de discriminación de masas mamográficas con una exactitud del 85% así como niveles aceptables de precisión, sensibilidad y puntaje F1. Se concluye que es posible utilizar este modelo como un elemento de juicio para el diagnóstico de cáncer de mama; asimismo, a través de la tasa de error es posible encontrar modelos óptimos en KNN

Citas

Aguilar, R. M., Torres, J. M., & Martín, C. A. (2018). Aprendizaje Automático en la Identificación de Sistemas. Un Caso de Estudio en la Predicción de la Generación Eléctrica de un Parque Eólico. Revista Iberoamericana de Automática e Informática Industrial, 16(1), 114. https://doi.org/10.4995/riai.2018.9421

Al-Azzam, N., & Shatnawi, I. (2021). Comparing supervised and semi-supervised Machine Learning Models on Diagnosing Breast Cancer. Annals of Medicine and Surgery, 53–64. https://doi.org/10.1016/j.amsu.2020.12.043

Alegría Delgado, D., & Huamani Navarro, M. (2019). Factores asociados a la toma de mamografía en mujeres peruanas: análisis de la Encuesta Demográfica de Salud Familiar, 2015. Anales de La Facultad de Medicina, 80(3), 327–331. https://doi.org/10.15381/anales.803.16204

Arslan, H., & Arslan, H. (2021). A new COVID-19 detection method from human genome sequences using CpG island features and KNN classifier. Engineering Science and Technology, an International Journal, 24(4), 839–847. https://doi.org/10.1016/j.jestch.2020.12.026

Blanc Pihuave, G., Cevallos Torres, L., & Arteaga Vera, J. (2020). Modelo computacional de clasificación de aprendizaje de máquina supervisado, para el análisis de datos cardiovasculares y pronóstico médico. Ecuadorian Science Journal, 4(2), 71–79. https://doi.org/10.46480/esj.4.2.83

Pathanjali, C., Vimuktha, E. S., Jalaja, G., & Latha, A. (2018). A Comparative Study of Indian Food Image Classification Using K-Nearest-Neighbour and Support-Vector-Machines. International Journal of Engineering & Technology, 7(3.12), 521. https://doi.org/10.14419/ijet.v7i3.12.16171

Chachaima-Mar, J. E., Pineda-Reyes, J., Marin, R., Lozano-Miranda, Z., & Chian-García, C. (2021). Perfil inmunofenotípico de cáncer de mama de pacientes atendidas en un hospital general de Lima, Perú. Revista Medica Herediana, 31(4), 235–241. https://doi.org/10.20453/rmh.v31i4.3855

Cherif, W. (2018). Optimization of K-NN algorithm by clustering and reliability coefficients: Application to breast-cancer diagnosis. Procedia Computer Science, 127, 293–299. https://doi.org/10.1016/j.procs.2018.01.125

Comarela, G., Franco, G., Trois, C., Liberato, A., Martinello, M., Corrêa, J. H., & Villaça, R. (2019). Introdução à Ciência de Dados: Uma Visão Pragmática utilizando Python, Aplicações e Oportunidades em Redes de Computadores. In Minicursos do XXXVII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (2019). https://doi.org/10.5753/sbc.6555.9.6

Dhahri, H., Al Maghayreh, E., Mahmood, A., Elkilani, W., & Faisal Nagi, M. (2019). Automated Breast Cancer Diagnosis Based on Machine Learning Algorithms. Journal of Healthcare Engineering, 2019. https://doi.org/10.1155/2019/4253641

Eedi, H., & Kolla, M. (2020). Machine learning approaches for healthcare data analysis. Journal of Critical Reviews, 7(4), 806–811. https://doi.org/10.31838/jcr.07.04.149

Ehsani, R., & Drabløs, F. (2020). Robust Distance Measures for kNN Classification of Cancer Data. Cancer Informatics, 19. https://doi.org/10.1177/1176935120965542

Elter, M. (2007). Mammographic Mass Data Set. UCI Machine Learning Repository. http://archive.ics.uci.edu/ml/datasets/mammographic+mass

Franco, E. F., & Ramos, R. J. (2019). Aprendizaje de Máquina y Aprendizaje Profundo en Biotecnología: Aplicaciones, impactos y desafíos. Ciencia, Ambiente y Clima, 2(2), 7–26. https://doi.org/10.22206/cac.2019.v2i2.pp7-26

García Aranda, M., & Redondo, M. (2019). Immunotherapy: A challenge of breast cancer treatment. Cancers, 11(12), 1–18. https://doi.org/10.3390/cancers11121822

Gardezi, S. J. S., Elazab, A., Lei, B., & Wang, T. (2019). Breast cancer detection and diagnosis using mammographic data: Systematic Review. Journal of Medical Internet Research, 21(7), 1–22. https://doi.org/10.2196/14464

Jean Sunny, Nikita Rane, Rucha Kanade, & Sulochana Devi. (2020). Breast Cancer Classification and Prediction using Machine Learning. International Journal of Engineering Research And, V9(02), 576–580. https://doi.org/10.17577/ijertv9is020280

Mercaldo, F., Nardone, V., & Santone, A. (2017). Diabetes Mellitus Affected Patients Classification and Diagnosis through Machine Learning Techniques. Procedia Computer Science, 112, 2519–2528. https://doi.org/10.1016/j.procs.2017.08.193

Resolución Ministerial N° 442-2017/MINSA[Ministerio de Salud]. Plan Nacional de Prevención y control de cáncer de mama en el Perú 2017-2021. 01 de enero 2017

Mohana Priya, T., & Punithavalli, M. (2019). An efficient data mining techniques - Multi-objective KNN algorithm to predict breast cancer. International Journal of Recent Technology and Engineering, 8(8), 986–990. https://doi.org/10.35940/ijrte.B1188.0882S819

Naufal, S. A., Adiwijaya, A., & Astuti, W. (2020). Analisis Perbandingan Klasifikasi Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) untuk Deteksi Kanker dengan Data Microarray. JURIKOM (Jurnal Riset Komputer), 7(1), 162. https://doi.org/10.30865/jurikom.v7i1.2014

Rajaguru, H., & Sannasi Chakravarthy, S. R. (2019). Analysis of decision tree and k-nearest neighbor algorithm in the classification of breast cancer. Asian Pacific Journal of Cancer Prevention, 20(12), 3777–3781. https://doi.org/10.31557/APJCP.2019.20.12.3777

Rejón Herrera, E. G., Esparza Sánchez, R., Pasos Ruiz, A., & Moreno Caballero, E. (2021). Clasificación de Indicadores de Interacción del uso de la plataforma Moodle para cursos de modalidad B-learning. Tecnología Educativa Revista CONAIC, 2(1), 78–86. https://doi.org/10.32671/terc.v2i1.170

Thanh Noi, P., & Kappas, M. (2017). Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery. Sensors (Basel, Switzerland), 18(1). https://doi.org/10.3390/s18010018

Uddin, S., Khan, A., Hossain, M. E., & Moni, M. A. (2019). Comparing different supervised machine learning algorithms for disease prediction. BMC Medical Informatics and Decision Making, 19(1), 1–16. https://doi.org/10.1186/s12911-019-1004-8

Vallejos Sologuren, C. S., Aguilar cartagena, A., & Flores Flores, C. J. (2020). Situación del Cáncer en el Perú. Diagnóstico, 52(2), 77–85. https://doi.org/10.33734/diagnostico.v59i2.221

Villavicencio Romero, M. E., Moreno Daza, G. A., Ordóñez Andrade, G. E., & Paredes Colcha, L. M. (2019). Diagnóstico por imágenes de cáncer de mamas. Comparación entre técnica ecográfica y mamografía. Dominio de Las Ciencias, 5(3), 647. https://doi.org/10.23857/dc.v5i3.957

Wu, J., & Hicks, C. (2021). Breast cancer type classification using machine learning. Journal of Personalized Medicine, 11(2), 1–12. https://doi.org/10.3390/jpm11020061

Xing, W., & Bei, Y. (2020). Medical Health Big Data Classification Based on KNN Classification Algorithm. IEEE Access, 8, 28808–28819. https://doi.org/10.1109/ACCESS.2019.2955754

Xu, H., Zhou, J., Asteris, P. G., Armaghani, D. J., & Tahir, M. M. (2019). Supervised machine learning techniques to the prediction of tunnel boring machine penetration rate. Applied Sciences (Switzerland), 9(18), 1–19. https://doi.org/10.3390/app9183715

Zhang, S. (2021). Challenges in KNN Classification. IEEE Transactions on Knowledge and Data Engineering, 1–13. https://doi.org/10.1109/TKDE.2021.3049250

Zielonke, N., Kregting, L. M., Heijnsdijk, E. A. M., Veerus, P., Heinävaara, S., McKee, M., de Kok, I. M. C. M., de Koning, H. J., van Ravesteyn, N. T., Gredinger, G., De Brabander, I., Arbyn, M., Simoens, C., Martens, P., Candeur, M., Arbyn, M., Simoens, C., Burrion, J. B., Dimitrov, P., … Latinovic, R. (2021). The potential of breast cancer screening in Europe. International Journal of Cancer, 148(2), 406–418. https://doi.org/10.1002/ijc.33204

Publicado

2022-01-20

Cómo citar

Lévano-Rodriguez, D., & Cerdán-León, F. E. (2022). Discriminación de masas mamográficas mediante K-Nearest Neighbor y atributos BIRADS. Revista Científica De Sistemas E Informática, 2(1), e225. https://doi.org/10.51252/rcsi.v2i1.225