Mål: Tidlig diagnosticering af brystkræft, der er den hyppigst diagnosticerede kræftform hos kvinder, er af afgørende betydning, eftersom det fører til betydeligt bedre chancer for at overleve., Medicinsk termografi, der bruger et infrarødt kamera til termisk billeddannelse, er blevet påvist som en særlig nyttig teknik til tidlig diagnose, fordi den registrerer mindre tumorer end mammografiens standardmodalitet.

metoder og materiale: i dette papir analyserer vi brysttermogrammer ved at udtrække funktioner, der beskriver bilaterale symmetrier mellem de to brystområder, og præsenterer et klassificeringssystem til beslutningstagning. Det er klart, at omkostningerne forbundet med manglende kræfttilfælde er meget højere end for mislabelling en godartet sag., Samtidig indeholder datasæt betydeligt færre ondartede tilfælde end godartede. Standard klassifikation tilgange undlader at overveje nogen af disse aspekter. I dette papir introducerer vi et hybrid-omkostningsfølsomt klassificeringsensemble for at løse dette udfordrende problem. Vores tilgang indebærer en pulje af omkostningsfølsomme beslutningstræer, der tildeler en højere fejlklassificeringsomkostninger til den ondartede klasse og derved øger dens anerkendelsesrate. En genetisk algoritme anvendes til samtidig funktion udvælgelse og klassifikator fusion., Som et optimeringskriterium bruger vi en kombination af fejlklassificeringsomkostninger og mangfoldighed for at opnå både en høj følsomhed og et heterogent ensemble. Desuden beskærer vi vores ensemble ved at kassere klassifikatorer, der bidrager minimalt til beslutningsprocessen. 150 termogrammer opnår vores tilgang en fremragende følsomhed på 83.10%, samtidig med at vi opretholder en høj specificitet på 89.44%., Dette betyder ikke kun forbedret anerkendelse af ondartede tilfælde, Det overgår også statistisk andre avancerede algoritmer designet til ubalanceret klassificering, og giver derfor en effektiv tilgang til analyse af brysttermogrammer. konklusioner: vores foreslåede hybrid-omkostningsfølsomme ensemble kan lette en meget nøjagtig tidlig diagnose af brystkræft baseret på termogramfunktioner. Det overvinder vanskelighederne ved den ubalancerede fordeling af patienter i de to analyserede grupper.