Estudo sobre a utilização de redes neurais artificiais multicamadas para a detecção de câncer de mama

Abstract

O câncer de mama representa uma das principais causas de morbidade e mortalidade entre as mulheres em todo o mundo, sendo o diagnóstico precoce a principal estratégia para reduzir sua letalidade. Assim, a aplicação de modelos computacionais no auxílio aos profissionais médicos no diagnóstico da neoplasia de mama é um tema relevante para a sociedade. Neste estudo, realizou-se um levantamento bibliográfico de trabalhos científicos que abordaram redes neurais do tipo MLP (Multilayer Perceptron) e se aplicou uma rede neural multicamadas com variações na configuração da função de ativação e na arquitetura das camadas ocultas para auxiliar no diagnóstico do câncer de mama. Os testes realizados revelaram que a MLP com função de ativação hiperbólica tangente e uma arquitetura de duas camadas (com 100 neurônios na primeira camada e 50 neurônios na segunda camada) obteve o melhor desempenho nos testes de validação cruzada utilizando a base de dados WDBC, alcançando uma acurácia de 97,8884%. Esse desempenho demonstrou ser equivalente ao observado em outras publicações e está em consonância com estudos que apontam a função de ativação hiperbólica tangente como adequada para esse tipo de pesquisa. Portanto, os resultados deste estudo reforçam a importância da aplicação de redes neurais MLP na detecção precoce do câncer de mama e destacam a relevância da configuração específica adotada, que se mostrou eficaz na melhoria do diagnóstico da doença.

Breast cancer is one of the leading causes of morbidity and mortality among women worldwide, and early diagnosis is the primary strategy to reduce its lethality. Therefore, the application of computational models to assist medical professionals in the diagnosis of breast neoplasm is a relevant topic for society. In this study, a literature review of scientific papers that addressed Multilayer Perceptron (MLP) neural networks was conducted, and a multilayer neural network with variations in activation function configuration and hidden layer architecture was applied to aid in the diagnosis of breast cancer. The conducted tests revealed that the MLP with a hyperbolic tangent activation function and a two-layer architecture (with 100 neurons in the first layer and 50 neurons in the second layer) achieved the best performance in cross-validation tests using the WDBC database, achieving an accuracy of 97.8884%. This performance was found to be equivalent to that observed in other publications and is consistent with studies indicating that the hyperbolic tangent activation function is suitable for this type of research. Therefore, the results of this study reinforce the importance of applying MLP neural networks in the early detection of breast cancer and highlight the relevance of the adopted specific configuration, which proved to be effective in improving the diagnosis of the disease.