Use este identificador para citar ou linkar para este item: https://rima.ufrrj.br/jspui/handle/20.500.14407/14333
Tipo do documento: Dissertação
Título: Modelos de inteligência computacional aplicado na predição de câncer de mama
Título(s) alternativo(s): Models of Applied Computational Intelligence in Breast Cancer Prediction
Autor(es): Leal, Marcelle Rosa Ribeiro
Orientador(a): Silva, Robson Mariano da
Primeiro membro da banca: Teixeira, Rafael Bernardo
Segundo membro da banca: Benac, Marcos Azevedo
Terceiro membro da banca: Golçalves, Reinaldo Bellini
Palavras-chave: Câncer de mama;RNAs;SVM;Breast cancer;RNAs;SVM
Área(s) do CNPq: Ciência da Computação
Idioma: por
Data do documento: 22-Mai-2018
Editor: Universidade Federal Rural do Rio de Janeiro
Sigla da instituição: UFRRJ
Departamento: Instituto de Ciências Exatas
Programa: Programa de Pós-Graduação em Modelagem Matemática e Computacional
Citação: LEAL, Marcelle Rosa Ribeiro. Modelos de inteligência computacional aplicado na predição de câncer de mama. 2018. 66 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica - RJ, 2018.
Resumo: O câncer de mama é a segunda neoplasia mais frequente no mundo. Segundo dados do Instituto Nacional de Câncer (INCA), no ano de 2014 foram diagnosticados 59.700 novos casos no Brasil, número este que corresponde a um aumento de 22% em relação ao ano de 2013. Sendo responsável por aproximadamente 39% dos óbitos das mulheres portadores de câncer. Para um diagnóstico preciso, exige-se muita experiência e, principalmente, que a classificação do estadiamento clínico do tumor (estágio do câncer) esteja correta. Desta forma, torna-se necessário o desenvolvimento de sistemas integrados que combinados com a experiência dos profissionais da área, possibilite realizar o diagnóstico preciso na detecção do câncer de mama. O objetivo do presente trabalho é aplicar as técnicas RNAs e SVM de sorte a auxiliar na interpretação diagnóstica das microcalcificações detectadas em mamografia de rastreamento. O conjunto utilizado nesse estudo consiste de 569 dados, proveniente de pacientes com suspeita de câncer de mama obtidos junto ao Instituto de Radiologia da Universidade Erlangen-Nuremberg, no período de 2003 a 2006. O banco de dados possui informações clínicas sobre raio, textura, perímetro, área, suavidade, compacidade, concavidade, côncavo, simetria e dimensão fractal. Os dados foram divididos em dois grupos: o conjunto de treinamento composto por 75% das amostras de exames mamográficos e o conjunto de teste independente, com 25% das amostras restantes. As técnicas desenvolvidas foram implementadas utilizando-se o software R. De acordo com a análise dos resultados foi possível evidenciar o desempenho promissor da SVM, que obteve na sua melhor simulção uma acurácia acima de 98%, no que tange aos valores de Falsos Negativos o melhor valor obtido foi 1,96%. Contudo, o modelo utilizando as Redes Neurais MLP apresentou na sua melhor simulação uma acurácia acima de 96% e no que tange aos valores de Falsos Negativos o melhor valor obtido também foi de 2%, sendo assim sua utilização relevante. Houve diferença estatística significante a nível de 95% (p-valor <0,05) no desempenho do modelo das Redes SVM e Rede Neural MLP na métrica acurácia. Indicando um melhor desempenho da Rede SVM. Não houve diferença estatística significativa entre os resultados referentes a determinação dos valores Falso Negativo entre as Redes.
Abstract: Breast cancer is the second most frequent neoplasm in the world. According to data from the National Cancer Institute (INCA), 52,680 new cases were diagnosed in Brazil in 2014, an increase of 22% compared to the year 2013. It accounts for approximately 39% of women's deaths cancer patients. For an accurate diagnosis, a lot of experience is required, and especially that the classification of the clinical staging of the tumor (stage of the cancer) is correct. Thus, it is necessary to develop integrated systems that, combined with the experience of the professionals of the area, make it possible to carry out the precise diagnosis in the detection of breast cancer. The objective of the present study is to apply the RNA and SVM techniques to assist in the diagnostic interpretation of microcalcifications detected in screening mammography. The set used in this study consists of 569 data, from patients with suspected breast cancer obtained from the Institute of Radiology of Erlangen-Nuremberg University from 2003 to 2006. The database has clinical information about lightning, texture, perimeter, area, smoothness, compactness, concavity, concave, symmetry and fractal dimension. The data were divided into two groups: the training set consisting of 75% of the mammographic examination samples and the independent test set, with 25% of the remaining samples. The techniques developed were implemented using software R. According to the analysis of the results it was possible to evidence the promising performance of the SVM, which obtained in its best simulation an accuracy above 98%, in relation to the values of False Negatives The best value obtained was 1.96%. However, the model using the MLP Neural Networks presented in its best simulation an accuracy of over 96% and in relation to the values of False Negatives, the best value obtained was also 2%, and therefore its relevant use. There was a statistically significant difference at the level of 95% (p-value <0.05) in the performance of the SVM Networks and MLP Neural Network model in the metric accuracy. Indicating better performance of the SVM Network. There was no statistically significant difference between the results regarding the determination of the false negative values among the Networks.
URI: https://rima.ufrrj.br/jspui/handle/20.500.14407/14333
Aparece nas coleções:Mestrado em Modelagem Matemática e Computacional

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2018 - Marcelle Rosa Ribeiro Leal.pdf2018 - Marcelle Rosa Ribeiro Leal2.31 MBAdobe PDFThumbnail
Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.