Resumen de Sistema adaptativo de inferencia neuro difusa aplicado a señales espectroscópicas para descifrar y clasificar tejido mamario sano y dañado

Reinier Cabrera Cabañas, Francisco Javier Luna Rosas, Julio César Martínez Romo, Claudio Frausto Reyes, Marco Antonio Hernández Vargas

• español

  Una de las causas más notables de muerte a nivel mundial es el cáncer. Sabemos que algunas de sus variantes pueden ser eliminadas con algunos métodos como cirugía o quimioterapia. En este artículo presentamos un método optimizado el cual es responsable de clasificar tejido mamario en sano y dañado. Después de tener los espectros uno de los principales retos es la eliminación del ruido compuesto de (a) fondo de fluorescencia y (b) ruido de alta frecuencia; usamos un sistema adaptativo de inferencia neuro-difusa en combinación con filtro de medias móviles para eliminar estas perturbaciones. Cuando aplicamos tecnología multinúcleo sobre el conjunto de espectros biológicos podemos observar claramente una significativa reducción en el tiempo de procesamiento con una ganancia aproximada de 59.67% comparado con el proceso secuencial. Se resaltan las ventajas de aplicar un algoritmo de aprendizaje supervisado como ANFIS sobre componentes principales para llevar a cabo la clasificación del tejido en sano y dañada y los resultados son comparados con los métodos de regresión lineal y máquinas de soporte vectorial usando tabla de pruebas y validación cruzada obteniéndose valores del error cuadrático medio de 0.00458 and 0.002254 respectivamente. basado en los resultados obtenidos con este método consideramos que podría ser una valiosa herramienta clínica para los especialistas para una rápida, eficiente y automática detección de cáncer de mama y considerar la posibilidad de ser aplicable a otras clases de cáncer como próstata estómago e hígado.

• English

  One of the most notable causes of death in the world is cancer. We know that some of these variants can be eliminated with some method such as surgery or chemotherapy. In this paper we present an optimized method which is responsible for classifying breast tissue into healthy and damaged. After getting the spectra one of the main challenges in this process is the elimination of spectral noise composed of (a) fluorescence background and (b) high frequency noise; we used Adaptative Neuro-Fuzzy Inference System (ANFIS) in combination with moving averages filter to eliminate these disturbances. When employing multicore technology to the set of biological spectra (data parallelism), we can clearly observe the significant reduction in processing time with a gain of approximately 59.67% compared to sequential process.

  We highlight the advantages of applying a supervised learning algorithm like ANFIS on the principal components to perform the classification of healthy and damaged tissue and the results are compared with the well-known linear regression methods and vector support machines using testing table and k fold cross validation recording Mean Square Error values of 0.00458 and 0.002254 respectively. Based on the results obtained with this method, we consider that it would be an important clinical tool for specialists for a rapid and efficient automatic detection of breast cancer and consider the possibility of being applicable to other kinds of cancer, e.g., lung, prostate, stomach.

  Keywords: ANFIS, Breast Cancer, Raman Spectroscopy, Automatic Detection.

  We highlight the advantages of applying a supervised learning algorithm like ANFIS applied on the principal components from the point cloud to perform the classification of healthy and damaged tissue and the results are compared with the well-known linear regression methods and vector support machines. We highlight the advantages of using testing table method applied on ANFIS obtaining a considerable decrease in the Mean Square Error factor with a value of 0.00458, when we used cross validation The MSE decrease to 0.002254. Based on the results obtained with this method, we consider that it would be an important clinical tool for specialists for a rapid and efficient automatic detection of breast cancer and consider the possibility of being applicable to other kinds of cancer, e.g., lung, prostate, stomach.