doelstellingen: vroegtijdige herkenning van borstkanker, de meest gediagnosticeerde vorm van kanker bij vrouwen, is van cruciaal belang, aangezien dit leidt tot aanzienlijk betere overlevingskansen., De medische thermografie, die een infraroodcamera voor thermische beeldvorming gebruikt, is aangetoond als een bijzonder nuttige techniek voor vroege diagnose, omdat het kleinere tumors dan de standaardmodaliteit van mammografie detecteert.

methoden en materiaal: In dit artikel analyseren we borstthermogrammen door kenmerken te extraheren die bilaterale symmetrieën beschrijven tussen de twee borstgebieden, en presenteren we een classificatiesysteem voor besluitvorming. Het is duidelijk dat de kosten verbonden aan het missen van een kankergeval veel hoger zijn dan die voor het verkeerd labelen van een goedaardig geval., Tegelijkertijd bevatten datasets beduidend minder kwaadaardige gevallen dan goedaardige. Bij standaardclassificatiebenaderingen wordt geen van deze aspecten in aanmerking genomen. In deze paper introduceren we een hybride kostengevoelig classifierensemble om dit uitdagende probleem aan te pakken. Onze aanpak omvat een pool van kostengevoelige beslissingsbomen die een hogere misclassificatiekosten toewijzen aan de kwaadaardige klasse, waardoor het herkeningspercentage wordt verhoogd. Een genetisch algoritme wordt gebruikt voor gelijktijdige eigenschap selectie en classifier fusie., Als optimalisatiecriterium gebruiken we een combinatie van misclassificatiekosten en diversiteit om zowel een hoge gevoeligheid als een heterogeen ensemble te bereiken. Bovendien snoeien we ons ensemble door classifiers weg te gooien die minimaal bijdragen aan de besluitvorming.

resultaten: voor een uitdagende dataset van ongeveer 150 thermogrammen bereikt onze aanpak een uitstekende gevoeligheid van 83,10%, met behoud van een hoge specificiteit van 89,44%., Dit betekent niet alleen een verbeterde herkenning van kwaadaardige gevallen, het presteert ook statistisch beter dan andere state-of-the-art algoritmen die zijn ontworpen voor onevenwichtige classificatie, en biedt daarom een effectieve aanpak voor het analyseren van borstthermogrammen.

conclusies: ons voorgestelde hybride kostengevoelige ensemble kan een zeer nauwkeurige vroege diagnose van borstkanker op basis van thermogramfuncties vergemakkelijken. Het overwint de moeilijkheden die voortvloeien uit de onevenwichtige verdeling van de patiënten in de twee geanalyseerde groepen.