Resumen

Motivos. El cáncer de mama es la segunda causa de mortalidad por cáncer entre las mujeres, según la Organización Mundial de la Salud (OMS), y una de las enfermedades más frecuentes entre todas las mujeres de hoy. Su influencia no se limita a las naciones industrializadas, sino que también incluye a los países emergentes, ya que los autores creen que el aumento de la urbanización y la adopción de estilos de vida occidentales provocarán un aumento de la prevalencia de la enfermedad. Planteamiento del problema. El cáncer de mama se ha convertido en una de las enfermedades más mortíferas a las que se enfrentan las mujeres en la actualidad. Sin embargo, las causas de esta enfermedad son numerosas y no pueden establecerse adecuadamente. Sin embargo, existe una enorme dificultad para no reconocer con precisión el cáncer de mama en sus primeras fases o para prolongar el proceso de detección. Metodología. En esta investigación, el aprendizaje automático es un campo de la inteligencia artificial que emplea una variedad de enfoques probabilísticos, de optimización y estadísticos para permitir que los ordenadores aprendan de datos pasados y encuentren y reconozcan patrones de grupos grandes o complicados. Esta ventaja es especialmente adecuada para las aplicaciones médicas, sobre todo las que tienen que ver con proteínas complicadas y mediciones genéticas. Resultado e implicaciones. Sin embargo, al utilizar el método PCA para reducir las características, la precisión de la detección bajó al 89,9%. IG-ANFIS nos proporcionó una precisión de detección (98,24%) al reducir el número de variables mediante el método de "ganancia de información". Mientras que el algoritmo ANFIS tuvo una precisión de detección del 59,9% sin utilizar características, J48, que es uno de los enfoques de árbol de decisión, tuvo una precisión de detección del 92,86% sin utilizar métodos de extracción de características. Al aplicar técnicas de PCA para minimizar las características, la precisión de la detección se redujo de la misma manera (91,1%) que el algoritmo de detección Naive Bayes (96,4%).

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:precisión de la detección, cáncer de mama, causa del cáncer, algoritmo de detección bayes, número de variables, segunda mayor causa, enfoque de árbol de decisión, detección bayes ingenua, métodos de extracción de características, características
• Keywords:detection accuracy, breast cancer, cause of cancer, bayes detection algorithm, number of variable, second greatest cause, decision tree approach, naive bayes detection, features extraction methods, features