Redes Bayesianas para la clasificación de masas en mamografías

Abstract

Actualmente en México, el cáncer de mama ocupa el primer lugar como causa de muerte, por cáncer, entre las mujeres. En este trabajo se explora el uso de las redes Bayesianas en la clasificación de masas en imágenes de mamografías. Dichas redes son modelos gráficos probabilísticos que han sido utilizadas en la Medicina, debido a su capacidad para capturar el conocimiento de expertos y de trabajar en dominios inciertos. Aquí, se presenta una comparación del desempeño de modelos del tipo Naive Bayes, Naive Bayes aumentado a árbol (TAN), Clasificador Bayesiano K-dependiente (KDB) y Naive Bayes aumentado a bosque (FAN). Estos modelos fueron construidos con un conjunto de 67 características de ubicación, intensidad, forma y textura; y evaluados con el método Leave-one-out cross validation. Las características mencionadas fueron extraídas de un conjunto de datos público denominado mini-MIAS. Los resultados experimentales muestran que modelos del tipo TAN y FAN, construidos con un subconjunto de once características, logran un desempeño de 0.81 en exactitud, 0.65 en sensibilidad y 0.89 en especificidad. Por lo tanto, se considera que estos modelos, los cuales permiten dependencias entre variables (características), son adecuados y prometedores para la clasificación automatizada de masas.