Sistemas inmunes artificiales aplicados al diagnóstico clínico de muestras de cáncer de mama
DOI:
https://doi.org/10.33448/rsd-v11i5.21941Palabras clave:
Diagnóstico de cáncer de mama; Sistemas inmunes artificiales; Algoritmo de selección negativa.Resumen
Este trabajo emplea estructuras resistentes fabricadas conectadas para el diagnóstico de pruebas de cáncer de mama. Tomando como premisa un preparado inmunológico, se utilizó el Algoritmo de Selección Negativa para segregar las pruebas, logrando una clasificación para casos generosos o dañinos. La mayor aplicación de la estrategia es ayudar a los expertos en la demostración del cáncer de mama a prepararse, dando así agilidad en la toma de decisiones, planificación eficaz del tratamiento, calidad inquebrantable y la mediación necesaria para salvar vidas. Para evaluar esta estrategia, se utilizó la base de datos de determinación de cáncer de mama de Wisconsin. Esta es a menudo una base de datos de cáncer de mama real. Los resultados obtenidos utilizando la técnica, en comparación con la escritura especializada, parecen precisión, fuerza y habilidad en el manejo demostrativo del cáncer de mama.
Citas
Bennett, K. P., & Mangasarian, O. L. (1992). Robust Linear Programming Discrimination of Two Linearly Inseparable Sets, Optimization Methods and Software, Gordon & Breach Science Publishers, 23-34.
Bradley, D. W., & Tyrrell, A.M. (2002). Immunotronics - Novel Finite-State-Machine Architectures with Built-In Self-Test Using Self-Nonself Differentiation. IEEE Trans. on Evolutionary Computation. 6 (3), 227-238.
Camastra, F. (2006). Kernel Methods for Clustering. Lecture Notes in Computer Science. 3931, 1–9.
Castro, L. N. (2001). Immune engineering: development and application of computational tools inspired by artificial immune systems. PhD. Thesis. UNICAMP. Campinas, São Paulo, Brazil. (In Portuguese).
Castro, L. N. & Timmis, J. (2002). Artificial Immune Systems: A New Computational Intelligence Approach, Springer.
Dasgupta, D. (1998). Artificial Immune Systems and Their Applications, Springer, New York, USA.
Dasgupta, D. (2006). Advances in Artificial Immune Systems. IEEE Computational Intelligence Magazine, 40-49.
Forrest, S., Hofmeyr, S. A., & Somayaji, A. (1997). Computer Immunology. Communications of the AC. 88-96.
Forrest, S., Perelson, A., Allen, L., & Cherukuri, R. (1994). Self-Nonself Discrimination in a Computer, Proc. of IEEE Symposium on Research in Security and Privacy. 202-212.
Hamdi, R. El., Njah, M., & Chtourou, M. (2010). An Evolutionary Neuro-Fuzzy Approach to Breast Cancer Diagnosis. IEEE International Conference on Systems, Man and Cybernetics, 142-146.
INCA – National Institute of Cancer (Brazil). Available at: http://www.inca.gov.br.
Jung, J-S. R. (1993) ANFIS: Adaptive Network-Based Fuzzy Inference System. IEEE Trans. on Systems, Man, and Cybernetics. 23 (3), 665-685.
Karabatak, M., Ince, M. C., & Avci, E. (2008). An Expert System for Diagnosis Breast Cancer Based on Principal Component Analyses Method. IEEE Proceedings on Communication and Applications Conference, 1-4.
Lima, F. P. A., Lotufo, A. D. P., & Minussi, C. R. (2013). Artificial Immune Systems Applied to Voltage Disturbance Diagnosis in Distribution Electrical Systems, PowerTech-2013, Grenoble, France, 1-6.
Mangasarian O. L., Setiono, R., & Wolberg, W. H. (1990). Pattern Recognition Via Linear Programming: Theory and Application to Medical Diagnosis. Large-scale Numerical Optimization, 22-30.
Manikantan, K., Sayed, S.I., Syrigos, K.N., Rhys-Evans, P., Nutting, C.M., Harrington, K.J., & Kazi, R. Challenges for The Future Modifications of The TNM Staging System for Head and Neck Cancer: Case for a New Computational Model. Cancer Treatment Reviews, 35 (7), 639-644.
MATLAB 7.8 version, Mathworks Company.
Meesad, P. & Yen, G. G. (2003). Combined Numerical and Linguistic Knowledge Representation and Its Application to Medical Diagnosis. IEEE Trans. on Systems, Man, and Cybernetics -Part A: Systems and Humans. 33 (2), 206-222.
Naghibi, S. S., Teshnehlab, M. & Shoorehdeli, M. A. “Breast Cancer Detection by Using Hierarchical Fuzzy Neural System with EKF Trainer”, IEEE Proceedings of the 17th Iranian Conference of Biomedical Engineering - ICBME2010, November-2010, pp. 1-4.
OMS – World Health Organization. http://www.who.int/en/
Pena-Reyes, C. A., & Sipper, M. (1999). Designing Breast Cancer Diagnostic System Via Hybrid Fuzzy-Genetic Methodology. IEEE International Fuzzy Systems Conference Proceeding. 135-139.
Polat, K., Sahan, S., Kodaz, H. E., & Gunes, S. (2007). Breast Cancer and Liver Disorders Classifications Using Artificial Immune Recognition System (AIRS) With Performance Evaluation by Fuzzy Resource Allocation Mechanism, Expert Systems with Applications, 32 (1), 172–183.
Song, H-J, Lee, S-G., & Park, G-T. (2005). A Methodology of Computer Aided Diagnostic System on Breast Cancer. Proceedings of the 2005 IEEE Conference on Control Applications Toronto, 831-836.
Wang, J-S., & Lee, C.S.G. Self-Adaptive Neuro-Fuzzy Inference Systems for Classification Applications. IEEE Transactions on Fuzzy Systems, 10 (6), 790-802.
Wang, J.-Y. (2005). Data Mining Analysis (Breast-Cancer Data). http://www.csie.ntu.edu.tw/ p88012/AI-final.pdf.
WBCD – Wisconsin Breast Cancer Data – UCI Machine Learning Repository. www.arquives.ics.uci.edu/ml/
Wolberg, W. H., & Mangasarian, O. L. (1990). Multisurface Method of Pattern Separation for Medical Diagnosis Applied to Breast Cytology. Proceedings of the National Academy of Sciences of USA, 87 (23), 9193-9196.
Zhao, W. & Davis, C. E. (2011). A Modified Artificial Immune System Based Pattern Recognition Approach – An Application to Clinical Diagnostics. Artificial Intelligence in Medicine. 52 (1), 1-9.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Simone Silva Frutuoso de Souza; Fábio Roberto Chavarette; Fernando Parra dos Anjos Lima
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
