Discriminación de masas mamográficas mediante K-Nearest Neighbor y atributos BIRADS
Revista científica de sistemas e informática · 2022
DOI: 10.51252/rcsi.v2i1.225 ↗Kurz gefasst
Fachartikel in der Zeitschrift Revista científica de sistemas e informática, 2022. Verfasst von Daniel Lévano-Rodriguez und 1 weiteren Autor:innen. Die Arbeit wurde bisher 3-mal zitiert (Crossref). Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
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
Zitieren
APA
Lévano-Rodriguez, D., & Cerdán-León, F. E. (2022). Discriminación de masas mamográficas mediante K-Nearest Neighbor y atributos BIRADS. Revista científica de sistemas e informática. https://doi.org/10.51252/rcsi.v2i1.225
Vancouver
Lévano-Rodriguez D, Cerdán-León FE. Discriminación de masas mamográficas mediante K-Nearest Neighbor y atributos BIRADS. Revista científica de sistemas e informática. 2022. doi:10.51252/rcsi.v2i1.225
BibTeX
@article{LvanoRodriguez2022,
author = {Lévano-Rodriguez, Daniel and Cerdán-León, Flor Elizabeth},
title = {Discriminación de masas mamográficas mediante K-Nearest Neighbor y atributos BIRADS},
journal = {Revista científica de sistemas e informática},
year = {2022},
doi = {10.51252/rcsi.v2i1.225}
}
EUVIMED