Obiettivi: Il riconoscimento precoce del cancro al seno, la forma di cancro più comunemente diagnosticata nelle donne, è di fondamentale importanza, dato che porta a un significativo miglioramento delle possibilità di sopravvivenza., La termografia medica, che utilizza una telecamera a infrarossi per l’imaging termico, è stata dimostrata come una tecnica particolarmente utile per la diagnosi precoce, perché rileva tumori più piccoli rispetto alla modalità standard della mammografia.

Metodi e materiali: In questo lavoro, analizziamo i termogrammi del seno estraendo caratteristiche che descrivono simmetrie bilaterali tra le due aree del seno e presentiamo un sistema di classificazione per il processo decisionale. Chiaramente, i costi associati alla mancanza di un caso di cancro sono molto più alti di quelli per l’etichettatura errata di un caso benigno., Allo stesso tempo, i set di dati contengono significativamente meno casi maligni rispetto a quelli benigni. Gli approcci di classificazione standard non considerano nessuno di questi aspetti. In questo documento, introduciamo un insieme di classificatori ibridi sensibili ai costi per affrontare questo problema impegnativo. Il nostro approccio comporta un pool di alberi decisionali sensibili ai costi che assegnano un costo di errata classificazione più elevato alla classe maligna, aumentando così il suo tasso di riconoscimento. Un algoritmo genetico è impiegato per la selezione simultanea delle caratteristiche e la fusione dei classificatori., Come criterio di ottimizzazione, utilizziamo una combinazione di costi di errata classificazione e diversità per ottenere sia un’elevata sensibilità che un insieme eterogeneo. Inoltre, potiamo il nostro ensemble scartando classificatori che contribuiscono minimamente al processo decisionale.

Risultati: Per un dataset impegnativo di circa 150 termogrammi, il nostro approccio raggiunge un’eccellente sensibilità dell ‘83,10%, pur mantenendo un’elevata specificità dell’ 89,44%., Ciò non solo significa un migliore riconoscimento dei casi maligni, ma supera anche statisticamente altri algoritmi all’avanguardia progettati per una classificazione squilibrata, e quindi fornisce un approccio efficace per l’analisi dei termogrammi del seno.

Conclusioni: Il nostro complesso ibrido sensibile ai costi proposto può facilitare una diagnosi precoce altamente accurata del cancro al seno basata sulle caratteristiche del termogramma. Supera le difficoltà poste dalla distribuzione squilibrata dei pazienti nei due gruppi analizzati.