Detecção de câncer de mama utilizando Fuzzy Unordered Rule Induction Algorithm
DOI:
https://doi.org/10.5540/03.2025.011.01.0377Keywords:
Aprendizado de Máquina, Câncer de mama, Inteligência Artificial, Lógica FuzzyAbstract
Estratégias para detecção precoce do câncer de mama incluem mamografia, ultrassom, ressonância magnética, biópsia, exame clínico das mamas e testes genéticos. No entanto, há lacunas quanto à interpretação de alguns exames e dificuldade quanto aos custos e procedimentos no paciente. A aplicação de Aprendizado de Máquina no setor da saúde tem sido cada vez mais frequente e desempenha um papel significativo. Objetivou-se diagnosticar o câncer de mama como benigno ou maligno com base na aplicação do algoritmo FURIA. A proposta do presente estudo foi utilizar o algoritmo FURIA, por meio do Software Waikato Environment for Knowledge Analysis, utilizando o conjunto de dados Breast Cancer Wisconsin disponibilizado gratuitamente no UCI Machine Learning. Observou-se que o FURIA gerou resultados satisfatórios com uma Acurácia de 94,56%, dezenove regras e Coeficiente Kappa de 87,94%, identificou-se ainda um elevado Fator de Certeza das regras geradas pelo FURIA.
Downloads
References
M. Arnold, E. Morgan, H. Rumgay, A. Mafra, D. Singh, M. Laversanne, J. Vignat, J. R. Gralow, F. Cardoso, S. Siesling e I. Soerjomataram. “Current and future burden of breast cancer: Global statistics for 2020 and 2040”. Em: The Breast 66 (2022), pp. 15–23. doi: 10.1016/j.breast.2022.08.010.
K. P. S. Attwal e A. S. Dhiman. “Exploring data mining tool-Weka and using Weka to build and evaluate predictive models”. Em: Advances and Applications in Mathematical Sciences 19.6 (2020), pp. 451–469.
J. L. Fleiss e J. Cohen. “The Equivalence of Weighted Kappa and the Intraclass Correlation Coefficient as Measures of Reliability”. Em: Educational and Psychological Measurement 33 (1973), pp. 613–619. doi: 10.1177/001316447303300309.
J. Hühn e E. Hüllermeier. “FURIA: an algorithm for unordered fuzzy rule induction”. Em: Data Mining and Knowledge Discovery 19 (2009), pp. 293–319. doi: 10.1007/s10618-009-0131-8.
S. Loibl, S. N. Han, V. G. Minckwitz, M. Bontenbal, A. Ring, J. Giermek, T. Fehm, V. K. Calsteren, S. C. Linn, B. Schlehe, M. M. Gziri, P. J. Westenend, V. Müller, L. Heyns, B. Rack, B. V. Calster, N. Harbeck, M. Lenhard, M. J. Halaska, M. Kaufmann, V. Nekljudova e F. Amant. “Treatment of breast cancer during pregnancy: an observational study”. Em: The lancet oncology 13.9 (2012), pp. 887–896. doi: 10.1016/S1470-2045(12)70261-9.
M. O. Santos, F. C. S. Lima, L. F. L. Martins, J. F. P. Oliveira, L. M. Almeida e M. C. Cancela. “Estimativa de Incidência de Câncer no Brasil, 2023-2025”. Em: Revista Brasileira de Cancerologia 69 (2023). doi: 10.32635/2176-9745.RBC.2023v69n1.3700.
E. A. M. G. Soares, L. C. L. Damascena, L. M. M. Lima e R. M. Moraes. “Analysis of the Fuzzy Unordered Rule Induction Algorithm as a Method for Classification”. Em: Quinto Congresso Brasileiro de Sistemas Fuzzy (V CBSF). 2018, pp. 17–28. isbn: 978-85-8215-085-6.
S. V. Stehman. “Selecting and interpreting measures of thematic classification accuracy”. Em: Remote sensing of Environment 62 (1997), pp. 77–89. doi: 10.1016/S0034-4257(97)00083-7.
J. A. Swets. “Measuring the Accuracy of Diagnostic Systems”. Em: Science 240 (1988), pp. 1285–1293. doi: 10.1126/science.3287615.
W. Wolberg. Breast Cancer Wisconsin (Original). UCI Machine Learning Repository. 1992. doi: 10.24432/C5HP4Z.
