Inteligência computacional aplicada em microcalcificações mamárias

Abstract

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 52.680 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. Apesar da elevada taxa de incidência, a mortalidade causada por esta neoplasia tem diminuído desde o final dos anos oitenta, graças ao avanço das pesquisas em métodos para o diagnóstico precoce. No entanto, diagnosticar corretamente o câncer é um processo complexo e muito difícil em consequência das diversas variáveis envolvidas. Para um diagnóstico preciso, exige-se muita experiência e, principalmente, que a classificação do estadiamento clínico do tumor (estágio do câncer) esteja correta. Os tradicionais sistemas de classificação de patologias utilizados são complexos e em muitas vezes oferecem limitações. Como é o caso da técnica de mamografia, que amplamente utilizada, não é tão eficaz para mulheres com mamas densas, cirurgicamente alteradas ou com menos de 40 anos. 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 a técnica SVM (Máquina de Vetor de Suporte), de sorte a auxiliar na interpretação diagnóstica das microcalcificações detectadas em mamografia de rastreamento. O conjunto de dados utilizado consistiu de 961 amostras de exames mamográficos, obtidos junto ao Instituto de Radiologia da Universidade de Erlangen- Nuremberg. Neste conjunto possuímos informações referentes a idade da paciente, classificação BI-RADS ( Breast Imaging Reporting and Data System), forma, massa, densidade e severidade (benigno|maligno) das microcalcificação. A SVM desenvolvida foi implementada utilizando-se o software R (R Development Core Team; http:// www.R-project.org/ ) . Os dados foram divididos em dois grupos: o conjunto de treinamento composto por 80% das amostras de exames mamográficos, usado para estimar os parâmetros do modelo e o conjunto de teste independente, com 20% das amostras restantes, utilizado para mensurar a performance da SVM. Para avaliar o desempenho do modelo computacional proposto foram utilizados o valor da Precisão Total ou Acurácia (ACC), Sensibilidade (S) e Especificidade(E). Os resultados apresentados pela SVM na identificação das lesões malignas em pacientes portadores de microcalcificações se mantiveram entre 72,7% e 100% o que demonstram que os mesmos alcançaram um grau satisfatório em relação com outras literaturas aplicadas