Mål: Tidlig anerkjennelse av brystkreft, det oftest diagnostisert formen for kreft hos kvinner, er av avgjørende betydning, gitt at det fører til betydelig økt sjanse for å overleve., Medisinsk termografering, som benytter et infrarødt kamera for termografi, har vist seg som en spesielt nyttig teknikk for tidlig diagnose, fordi den oppdager mindre svulster enn standard modalitet av mammografi.

Metoder og materiale: I dette innlegget, vi analysere bryst thermograms ved å trekke funksjoner som beskriver bilaterale symmetrier mellom de to bryst områder, og presentere et klassifiseringssystem for beslutningstaking. Klart, de omkostninger som er forbundet med mangler en kreft-saken er mye høyere enn for feilmerking et mildt tilfelle., På samme tid, datasett inneholder betydelig færre ondartet tilfeller enn godartet seg. Standard classification tilnærminger ikke klarer å vurdere noen av disse aspektene. I denne artikkelen vil vi diskutere en hybrid kostnadssensitive classifier ensemble for å løse dette utfordrende problem. Vår tilnærming innebærer en pool av kost-sensitive avgjørelsen trær som gir en høyere feilklassifikasjon kostnader til ondartet klasse, og dermed øke sin anerkjennelse pris. En genetisk algoritme er ansatt for samtidig har utvalget og classifier fusion., Som en optimalisering kriteriet, bruker vi en kombinasjon av feilklassifikasjon kostnader og mangfold for å oppnå både høy følsomhet og en sammensatt ensemble. Videre, vi sviske vårt ensemble ved å forkaste classifiers som bidrar minimalt til beslutningstaking.

Resultater: For en utfordrende dataset på ca 150 thermograms, vår tilnærming oppnår en utmerket følsomhet av 83.10%, og samtidig opprettholde en høy spesifisitet av 89.44%., Dette ikke bare betyr økt anerkjennelse av ondartet tilfeller er det også statistisk utkonkurrerer andre state-of-the-art algoritmer utviklet for ubalansert klassifisering, og dermed gir en effektiv tilnærming for å analysere bryst thermograms.

Konklusjon: Våre forslag hybrid kostnadssensitive ensemble kan legge til rette for en svært nøyaktig tidlig diagnostikk av brystkreft basert på thermogram funksjoner. Det overvinner vanskelighetene som utgjøres av ubalansert fordeling av pasienter i de to analyserte grupper.