Clasificación de Cáncer de Mama con Implementación de Técnicas de Análisis de Componente Principal
Barra lateral del artículo
Contenido principal del artículo
Resumen
El cáncer de mama es una de las principales causas de mortalidad en mujeres a nivel mundial, lo que subraya la importancia de implementar herramientas de diagnóstico precisas y eficientes. Este estudio evaluó el desempeño de varios algoritmos de aprendizaje automático para la clasificación de tumores mamarios utilizando el Wisconsin Breast Cancer Dataset. Se aplicó Análisis de Componentes Principales (PCA) para reducir la dimensionalidad del conjunto de datos, mejorando la eficiencia computacional y manteniendo la información crítica para la clasificación.
Los modelos evaluados incluyeron Regresión Logística, Máquinas de Soporte Vectorial (SVM), Redes Neuronales, alcanzando valores máximos de AUC-ROC de 0.96, 0.95 y 0.99, respectivamente. Los resultados se compararon con estudios previos, evidenciando la solidez y aplicabilidad del enfoque propuesto.
Aunque los hallazgos son prometedores, el estudio reconoce limitaciones, como el uso de un único dataset, y sugiere integrar características clínicas adicionales en investigaciones futuras. Este trabajo demuestra la capacidad del aprendizaje automático para mejorar el diagnóstico temprano del cáncer de mama, con potencial para aplicaciones en entornos clínicos.
Descargas
Métricas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Citas
M. M. Cedeño Cedeño et al., «Impact of primary prevention in the early diagnosis and mortality of breast cancer in Ecuador», Rev. Latinoam. Hipertens., vol. 19, n.o 3, abr. 2024, http://doi.org/10.5281/zenodo.10980345.
J. Álvarez Fernández, P. Palacios Ozores, V. Cebey López, A. Cortegoso Mosquera, y R. López López, «Cáncer de mama», Medicine (Baltimore), vol. 13, n.o 27, pp. 1506-1517, mar. 2021, https://10.1016/j.med.2021.03.002.
IBM, «¿Qué es el análisis de componentes principales (PCA)?» [En línea]. Disponible en: https://www.ibm.com/es-es/think/topics/principal-component-analysis
H. Ait Brahim, S. El-Hadaj, y A. Metrane, «Machine learning analysis of breast cancer treatment protocols and cycle counts: A case study at Mohammed vi hospital, Morocco», Syst. Soft Comput., vol. 6, p. 200097, dic. 2024, https://doi.org/10.1016/j.sasc.2024.200097.
M. Emily, F. Meidioktaviana, G. Z. Nabiilah, y J. V. Moniaga, «Comparative analysis of machine learning and survival analysis for breast cancer prediction», Procedia Comput. Sci., vol. 245, pp. 759-767, nov. 2024, https://doi.org/10.1016/j.procs.2024.10.302.
V. Nemade y V. Fegade, «Machine Learning Techniques for Breast Cancer Prediction», Procedia Comput. Sci., vol. 218, pp. 1314-1320, ene. 2023, https://doi.org/10.1016/j.procs.2023.01.110.
A. F. Agarap, «On Breast Cancer Detection: An Application of Machine Learning Algorithms on the Wisconsin Diagnostic Dataset», en Proceedings of the 2nd International Conference on Machine Learning and Soft Computing, feb. 2018, pp. 5-9. https://doi.org/10.48550/arXiv.1711.07831.
R. Entezari, «Breast Cancer Diagnosis via Classification Algorithms», 3 de julio de 2018, arXiv, Toronto, Canadá: 1807.01334. https://doi.org/10.48550/arXiv.1807.01334.
H. Benbrahim, H. Hachimi, y A. Amine, «Comparative Study of Machine Learning Algorithms Using the Breast Cancer Dataset», en AI2SD 2019, Cham, Springer: Springer International Publishing, feb. 2020, pp. 83-91. https://doi.org/10.1007/978-3-030-36664-3_10.
E. S. Simant Prakoonwit, «Effective Feature Engineering and Classification of Breast Cancer Diagnosis: A Comparative Study», BioMedInformatics, n.o 3, pp. 616-631, agosto de 2023.
S. Aamir et al., «Predicting Breast Cancer Leveraging Supervised Machine Learning Techniques», Comput. Math. Methods Med., vol. 2022, n.o 1, p. 5869529, ago. 2022, https://doi.org/10.1155/2022/5869529.
W. W. Olvi Mangasarian, «Breast Cancer Wisconsin (Diagnostic)». UCI Machine Learning Repository, 1993. https://doi.org/10.24432/C5DW2B.
H.-Y. Kim, «Statistical notes for clinical researchers: logistic regression», Restor. Dent. Endod., vol. 42, n.o 4, pp. 342-348, sep. 2017, https://doi.org/10.5395/rde.2017.42.4.342.
E. Kavlakoglu, «What Is Support Vector Machine? », IBM. [En línea]. Disponible en: https://www.ibm.com/think/topics/support-vector-machine
F. Chollet, «Keras documentation: The Sequential model». [En línea]. Disponible en: https://keras.io/guides/sequential_model/
Keras Team, «Keras documentation: Dense layer». [En línea]. Disponible en: https://keras.io/api/layers/core_layers/dense/
Keras Team, «Keras documentation: Dropout layer». [En línea]. Disponible en: https://keras.io/api/layers/regularization_layers/dropout/
Keras Team, «Keras documentation: Model plotting utilities». [En línea]. Disponible en: https://keras.io/api/utils/model_plotting_utils/
Keras Team, «Keras documentation: EarlyStopping». [En línea]. Disponible en: https://keras.io/api/callbacks/early_stopping/
Keras Team, «Keras documentation: ReduceLROnPlateau». [En línea]. Disponible en: https://keras.io/api/callbacks/reduce_lr_on_plateau/
Y. Feng et al., «Predicting breast cancer-specific survival in metaplastic breast cancer patients using machine learning algorithms», J. Pathol. Inform., vol. 14, p. 100329, ago. 2023, https://doi.org/10.1016/j.jpi.2023.100329.
S. R. Gupta, «Prediction time of breast cancer tumor recurrence using Machine Learning», Cancer Treat. Res. Commun., vol. 32, p. 100602, jul. 2022, https://doi.org/10.1016/j.ctarc.2022.100602.
K. Bian, M. Zhou, F. Hu, y W. Lai, «RF-PCA: A New Solution for Rapid Identification of Breast Cancer Categorical Data Based on Attribute Selection and Feature Extraction», Front. Genet., vol. 11, sep. 2020, https://doi.org/10.3389/fgene.2020.566057.
R. Pirchio, «Clasificación de cáncer de mama con técnicas de análisis de la componente principal-Kernel PCA, algoritmos de máquina de vectores de soporte y regresión logística», MediSur, vol. 20, n.o 2, pp. 199-209, abr. 2022.
G. Esen, A. Altaibek, J. Amankulov, B. Matkerim, y M. Nurtas, «Enhancing Breast Cancer Detection with Dimensionality Reduction Techniques: A Study Using PCA and LDA on Wisconsin Breast Cancer Data», Procedia Comput. Sci., vol. 251, pp. 414-421, dic. 2024, https://doi.org/10.1016/j.procs.2024.11.128.