mål: tidigt erkännande av bröstcancer, den vanligast diagnostiserade formen av cancer hos kvinnor, är av avgörande betydelse, med tanke på att det leder till betydligt bättre chanser att överleva., Medicinsk termografi, som använder en infraröd kamera för termisk avbildning, har visats som en särskilt användbar teknik för tidig diagnos, eftersom den detekterar mindre tumörer än standardmodaliteten hos mammografi.

metoder och material: i detta dokument analyserar vi brösttermogram genom att extrahera funktioner som beskriver bilaterala symmetrier mellan de två bröstområdena och presenterar ett klassificeringssystem för beslutsfattande. Det är uppenbart att kostnaderna i samband med att ett cancerfall saknas är mycket högre än de för felmärkning av ett godartat fall., Samtidigt innehåller dataset betydligt färre maligna fall än godartade. Standardklassificeringsmetoder beaktar inte någon av dessa aspekter. I detta dokument introducerar vi en hybrid kostnadskänslig klassificerare ensemble för att ta itu med detta utmanande problem. Vårt tillvägagångssätt innebär en pool av kostnadskänsliga beslutsträd som tilldelar en högre felklassificeringskostnad till den maligna klassen,vilket ökar dess erkännande. En genetisk algoritm används för samtidig funktion urval och klassificerare fusion., Som optimeringskriterium använder vi en kombination av felklassificeringskostnad och mångfald för att uppnå både en hög känslighet och en heterogen ensemble. Dessutom Beskär vi vår ensemble genom att kasta klassificerare som bidrar minimalt till beslutsfattandet.

resultat: för en utmanande datauppsättning på cirka 150 termogram uppnår vårt tillvägagångssätt en utmärkt känslighet på 83.10%, samtidigt som vi behåller en hög specificitet på 89.44%., Detta betyder inte bara förbättrat erkännande av maligna fall, det överträffar också statistiskt andra toppmoderna algoritmer avsedda för obalanserad klassificering och ger därmed ett effektivt tillvägagångssätt för att analysera brösttermogram.

slutsatser: vårt föreslagna hybridkostnadskänsliga ensemble kan underlätta en mycket noggrann tidig diagnos av bröstcancer baserat på termogramfunktioner. Det övervinner svårigheterna med den obalanserade fördelningen av patienter i de två analyserade grupperna.