Algoritmos de Machine Learning para Predição da Sobrevida do Câncer de Mama

Abstract

Objetivo: O presente artigo apresenta uma análise comparativa de algoritmos de Aprendizado de Máquina aplicados à predição da Sobrevida do Câncer de Mama. Métodos: Estudo descritivo que considerou dados de 1.570 pacientes com câncer de mama estágio I-III. A técnica Synthetic Minority Oversampling Technique foi aplicada devido ao desbalanceamento do conjunto de dados. Foram considerados no estudo os algoritmos Naive Bayes, Random Forest, Multilayer Perceptron e AdaBoost, e como estratégia de aprendizagem a validação cruzada. Resultados: O modelo desenvolvido a partir do algoritmo Random Forest apresentou maior acurácia (96,2%; IC95%: 95,5%-96,9%) e especificidade (97,4%; IC95%: 96,6%-98,2%); e o modelo desenvolvido a partir do AdaBoost, maior sensibilidade (95,3%; IC95%: 94,3%-96,4%). Conclusão: Assim, dentre os modelos apresentados em nosso estudo, o desenvolvido a partir do algoritmo Random Forest apresentou, no geral, as melhores medidas de avaliação na predição da sobrevida do Câncer de Mama.