Detecção de Câncer de Mama com Conjunto de Recursos Reduzido

Este artigo explora as propriedades de redução de características da análise de componentes independentes (ICA) em sistemas de suporte à decisão para câncer de mama. O conjunto de dados de câncer de mama diagnóstico de Wisconsin (WDBC) é reduzido a um vetor de características unidimensional, computando um componente independente (IC). Os dados originais com 30 características e a característica reduzida (IC) são usados para avaliar a precisão diagnóstica de classificadores como k-vizinhos mais próximos (k-NN), rede neural artificial (ANN), rede neural de função de base radial (RBFNN) e máquina de vetor de suporte (SVM). A comparação da classificação proposta usando o IC com o conjunto de características original também é testada em diferentes métodos de validação (validações cruzadas de 5/10) e particionamento (20%-40%). Esses classificadores são avaliados quanto a como categorizar efetivamente os tumores como benignos e malignos em termos de especificidade, sensibilidade, precisão, F-score, índice de Youden, poder discriminante e a curva característica de operação do receptor (ROC) com seus valores de critério, incluindo a área sob a curva (AUC) e intervalo de confiança (IC) de 95%. Isso representa uma melhoria no sistema de suporte à decisão diagnóstica, reduzindo a complexidade computacional.