Ziele: Früherkennung von Brustkrebs, der am häufigsten diagnostizierten Krebsform bei Frauen, ist von entscheidender Bedeutung, da dies zu deutlich verbesserten Überlebenschancen führt., Die medizinische Thermographie, die eine Infrarotkamera für die Wärmebildgebung verwendet, wurde als besonders nützliche Technik für die Früherkennung nachgewiesen, da sie kleinere Tumore als die Standardmodalität der Mammographie erkennt.

Methoden und material: In diesem Papier analysieren wir die Brust thermograms durch extrahieren Merkmale beschreiben bilaterale Symmetrien zwischen den beiden Brust, und ein Klassifizierungs-system für die Entscheidungsfindung. Offensichtlich sind die Kosten, die mit dem Fehlen eines Krebsfalls verbunden sind, viel höher als die Kosten für die falsche Kennzeichnung eines gutartigen Falls., Gleichzeitig enthalten Datensätze deutlich weniger bösartige Fälle als gutartige. Standardklassifizierungsansätze berücksichtigen keinen dieser Aspekte. In diesem Artikel führen wir ein hybrides kostensensitives Klassifikatorensemble ein, um dieses herausfordernde Problem anzugehen. Unser Ansatz beinhaltet einen Pool kostensensibler Entscheidungsbäume, die der malignen Klasse höhere Fehlklassifizierungskosten zuweisen und dadurch ihre Erkennungsrate erhöhen. Für die gleichzeitige Merkmalsauswahl und Klassifikatorfusion wird ein genetischer Algorithmus verwendet., Als Optimierungskriterium verwenden wir eine Kombination aus Fehlklassifizierungskosten und Diversität, um sowohl eine hohe Sensitivität als auch ein heterogenes Ensemble zu erreichen. Darüber hinaus beschneiden wir unser Ensemble, indem wir Klassifikatoren verwerfen, die minimal zur Entscheidungsfindung beitragen.

Ergebnisse: Für einen anspruchsvollen Datensatz von etwa 150 Thermogrammen erreicht unser Ansatz eine hervorragende Empfindlichkeit von 83,10% bei einer hohen Spezifität von 89,44%., Dies bedeutet nicht nur eine verbesserte Erkennung von malignen Fällen, sondern übertrifft auch statistisch andere hochmoderne Algorithmen, die für eine unausgeglichene Klassifizierung entwickelt wurden, und bietet daher einen effektiven Ansatz für die Analyse von Brustthermogrammen.

Schlussfolgerungen: Unser vorgeschlagenes hybrides kostensensitives Ensemble kann eine hochgenaue Frühdiagnostik von Brustkrebs auf der Grundlage von Thermogrammmerkmalen ermöglichen. Es überwindet die Schwierigkeiten, die durch die unausgewogene Verteilung der Patienten in den beiden analysierten Gruppen entstehen.