Discriminación de masas mamográficas mediante K-Nearest Neighbor y atributos BIRADS

• Lévano-Rodriguez, Daniel ^[1] ; Cerdán-León, Flor Elizabeth ^[1]
  1. [1] Universidad Nacional Tecnológica de Lima Sur

     Universidad Nacional Tecnológica de Lima Sur

     Perú

     
• Localización: Revista científica de sistemas e informática, ISSN-e 2709-992X, Vol. 2, Nº. 1, 2022 (Ejemplar dedicado a: Best practices in the role of authorship in scientific publications; e296), págs. 1-12
• Idioma: español
• Títulos paralelos:
  • Mammographic mass discrimination using K-Nearest Neighbor and BIRADS attribute
• Enlaces
  • Texto completo
• Resumen
  • español

    La mamografía es el método más eficaz para la detección del cáncer de mama; sin embargo, el bajo valor predictivo, puede conducir a biopsias innecesarias. Esta investigación tiene como objetivo desarrollar un modelo predictivo para la discriminación de masas mamográficas mediante KNN y el atributo BIRADS con un nivel aceptable de exactitud, precisión, sensibilidad y puntaje-F1. Para ello, realizamos las siguientes fases: limpieza de los datos, entrenamiento del algoritmo KNN y selección del modelo. El resultado obtenido fue un modelo de discriminación de masas mamográficas con una exactitud del 85% así como niveles aceptables de precisión, sensibilidad y puntaje F1. Se concluye que es posible utilizar este modelo como un elemento de juicio para el diagnóstico de cáncer de mama; asimismo, a través de la tasa de error es posible encontrar modelos óptimos en KNN

  • English

    The mammography is the most effective method for the detection of breast cancer, however, the predictive value is low, and it can lead to unnecessary biopsies with benign results. This research aims to develop a predictive model for discrimination of mammographic masses using KNN and BIRADS attributes with an acceptable level of Accuracy, Precision, Recall and F1-Score. For this, we carried out the following phases: Data cleaning, KNN algorithm training and selection. The result obtained was a mammographic mass discrimination model with an accuracy=85% and acceptable levels of precision, sensitivity and F1-score. We concluded that it is possible to use this model as an element of judgment for the diagnosis of breast cancer; also that through the error rate it is possible to find optimal KNN models