Diagnóstico de Câncer de Mama com Aprendizado de Máquina: Estudo de Caso no UCI-Wisconsin

• Messias Acacy IFPE
• Raldnei Miguel IFPE
• Luciano de Souza Cabral IFPE

DOI: https://doi.org/10.5753/encompif.2025.8748

Resumo

O aprendizado de máquina tem se destacado na detecção do câncer de mama, impulsionado pela necessidade de diagnósticos mais precisos. Este estudo compara algoritmos como Regressão Logística (RL), Floresta Aleatória (RF), Modelagem de Variáveis Latentes (LVM) e Redes Neurais Artificiais (RNA) no conjunto de dados UCI-Wisconsin (Diagnostic). A análise utiliza métricas como acurácia, AUC, sensibilidade e especificidade. Os resultados mostram que a RL equilibra precisão e interpretabilidade, sendo viável para aplicações médicas. O estudo investiga como a otimização algorítmica e a seleção de características impactam a predição, contribuindo para a informática médica ao fornecer um framework comparativo. As descobertas auxiliam na escolha de modelos eficazes, melhorando a precisão diagnóstica e fomentando ferramentas automatizadas de apoio clínico.

Referências

Breiman, L. (2001). Random forests. Machine Learning, 45:5–32.

Chudik, A., Pesaran, M. H., and Sharifvaghefi, M. (2023). Variable selection in high dimensional linear regressions with parameter instability. Technical report, CESifo Working Paper, No. 10223, Center for Economic Studies and ifo Institute (CESifo).

Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine Learning, 20:273–297.

Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., and Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542:115–118.

GEBRIM, L. H. (2016). A detecção precoce do câncer de mama no brasil. Cadernos de Saúde Pública, 32.

Gupta, R., Srivastava, D., Sahu, M., Tiwari, S., Ambasta, R., and Kumar, P. (2021). Artificial intelligence to deep learning: machine intelligence approach for drug discovery. Molecular Diversity, 25.

Hosmer, D. W., Lemeshow, S., and Sturdivant, R. X. (2013). Applied Logistic Regression. John Wiley & Sons, Inc., 3rd edition.

Hossin, M., Shamrat, F., Bhuiyan, M. R., Hira, R., Khan, T., and Molla, S. (2023). Breast cancer detection: an effective comparison of different machine learning algorithms on the wisconsin dataset. Bulletin of Electrical Engineering and Informatics, 12:2446–2456.

Kourou, K., Exarchos, T. P., Exarchos, K. P., Karamouzis, M. V., and Fotiadis, D. I. (2014). Machine learning applications in cancer prognosis and prediction. Computational and structural biotechnology journal, 13:8 – 17.

Lecun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86:2278 – 2324.

Pinto, K. R. T. d. F., Mattias, S. R., Lima, N. d. M., Santos, I. D. d. L., Bernardy, C. C. F., and Sodré, T. M. (2018). Câncer de mama: sentimentos e percepções das mulheres diante do diagnóstico / breast cancer: feelings and perceptions of women before the diagnosis. Revista de Pesquisa Cuidado é Fundamental Online, 10(2):385–390.

Sharma, A., Kulshrestha, S., and Daniel, S. (2018). Machine learning approaches for cancer detection. International Journal of Engineering and Manufacturing, 8:45–55.

Sidey-Gibbons, J. A. M. and Sidey-Gibbons, C. J. (2019). Machine learning in medicine: a practical introduction. BMC Medical Research Methodology, 19.

UNESCO (2022). Recomendação da unesco sobre ciência aberta. Technical report, UNESCO Office Brasilia.

Yadav, A., Jamir, I., Jain, R., and Sohani, M. (2019). Breast cancer prediction using svm with pca feature selection method. International Journal of Scientific Research in Computer Science, Engineering and Information Technology, pages 969–978.