Modelos Baseados em Aprendizado de Máquina para Classificação de Tumores Cerebrais em Imagens de Ressonância Magnética (IRM)

Na profissão médica, os recentes avanços tecnológicos desempenham um papel essencial na detecção precoce e categorização de muitas doenças que causam mortalidade. A técnica que cresce diariamente para detectar doenças em ressonância magnética através de imagens é a inspeção de humanos. A detecção automática (computacional) de doenças em imagens médicas tem encontrado uma região emergente em várias aplicações de diagnóstico médico. Várias doenças que causam morte precisam ser identificadas através de tais técnicas e tecnologias para superar a taxa de mortalidade. O tumor cerebral é uma das causas mais comuns de morte. Pesquisadores já propuseram vários modelos para a classificação e detecção de tumores, cada um com suas forças e fraquezas, mas ainda há necessidade de melhorar o processo de classificação com maior eficiência. No entanto, neste estudo, fazemos uma análise aprofundada de seis algoritmos distintos de aprendizado de máquina (ML), incluindo Random Forest (RF), Naïve Bayes (NB), Redes Neurais (NN), Indução de Regras CN2 (CN2), Máquina de Vetores de Suporte (SVM) e Árvore de Decisão (Tree), para abordar essa lacuna na melhoria da precisão. No conjunto de dados Kaggle, essas estratégias são testadas usando precisão de classificação, a área sob a curva da Característica Operacional do Receptor (ROC), precisão, revocação e F1 Score (F1). O processo de treinamento e teste é fortalecido pelo uso de uma técnica de validação cruzada em 10 vezes. Os resultados mostram que SVM supera outros algoritmos, com 95,3% de precisão.