Razonamiento basado en casos aplicado al diagnóstico médico utilizando clasificadores multi-clase: Un estudio preliminar

Autores/as

  • D. Viveros-Melo Universidad de Nariño
  • M. Ortega-Adarme Universidad de Nariño
  • X. Blanco Valencia Universidad de Salamanca
  • A. E. Castro-Ospina Tecnológico Metropolitano
  • S. Murillo Rendón Universidad Autónoma de Manizales
  • D. H. Peluffo-Ordóñez Universidad Técnica del Norte

DOI:

https://doi.org/10.29019/enfoqueute.v8n1.141

Palabras clave:

Razonamiento basado en casos, alta dimensión, selección de variables.

Resumen

CBR ha demostrado ser apropiado para trabajar con datos de dominios poco estructurados o situaciones donde es difícil la adquisición de conocimiento, como es el caso del diagnóstico médico, donde es posible identificar enfermedades como: cáncer, predicción de epilepsia y diagnóstico de apendicitis. Algunas de las tendencias que se pueden desarrollar para CBR en la ciencia de la salud están orientadas a reducir el número de características en datos de gran dimensión. Una contribución importante puede ser la estimación de probabilidades de pertenencia a cada clase para los nuevos casos. Con el fin de representar adecuadamente la base de datos y evitar los inconvenientes causados por la alta dimensión, ruido y redundancia de los mimos, en este trabajo, se utiliza varios algoritmos en la etapa de pre-procesamiento para realizar una selección de variables y reducción de dimensiones. Además, se realiza una comparación del rendimiento de algunos clasificadores multi-clase representativos para identificar el más eficaz e incluirlo en un esquema CBR. En particular, se emplean cuatro técnicas de clasificación y dos técnicas de reducción para hacer un estudio comparativo de clasificadores multi-clase sobre CBR

Metrics

Descargas

La descarga de datos todavía no está disponible.

Citas

Aamodt, A., & Plaza, E. (1994). Case-based reasoning: Foundational issues, methodological variations, and system approaches. AI communications 7, 39-59.
Begum, S., Ahmed, M. U., Funk, P., Xiong, N., & Folke, M. (2011). Case-based reasoning systems in the health sciences: a survey of recent trends and developments. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 421-434.
Belkin, M. (2003). Problems of learning on manifolds. The University of Chicago.
Bhatia, S., Praveen , P., & Pillai, G. (2008). SVM based decision support system for heart disease classification with integer-coded genetic algorithm to select critical features. En Proceedings of the World Congress on Engineering and Computer Science, WCECS (págs. 22-24).
Bichindaritz, I. &. (1996). Temporal knowledge representation and organization for case-based reasoning.
Bichindaritz, I., & Conlon, E. (1996). Temporal knowledge representation and organization for case-based reasoning. Temporal Representation and Reasoning, 1996.(TIME'96), Proceedings., Third International Workshop on, 152-159.
Bichindaritz, I., & Marling, C. (2006). Case-based reasoning in the health sciences: What's next? Artificial intelligence in medicine, 127-135.
Gierl, L., Bull, M., & Schmidt, R. (1998). CBR in Medicine. En Case-Based Reasoning Technology (págs. 273-297). pringer Berlin Heidelberg.
Herrero, J. M. (2007). Una aproximación multimodal al diagnostico temporal mediante razonamiento basado en casos y razonamiento basado en modelos. Aplicaciones en la medicina.
Jenal, Gonzales, M., Alejo, S. M., & Ramos López, R. (2006). Sistema CBR para presentación de entrenamientos físicos personalizados en Internet.
Kolodner, J. (1983). Maintaining organization in a dynamic long‐term memory. Cognitive science 7, 243-280.
Kwiatkowska, M., & Atkins, M. (2004). Case representation and retrieval in the diagnosis and treatment of obstructive sleep apnea: a semio-fuzzy approach. En Proceedings of the 7th European Conference on Case-Based Reasoning (págs. 5-35).
Lozano, L., & Fernández, J. (2008). Razonamiento basado en casos: Una visión general.
Montani, S. (2008). Exploring new roles for case-based reasoning in heterogeneous AI systems for medical decision support. Applied Intelligence 28, 275-285.
Phuong, Hoang, N., Prasad, N., Hung, D. H., & Drake, J. (2001). pproach to combining case based reasoning with rule based reasoning for lung disease diagnosis. En IFSA World Congress and 20th NAFIPS International Conference, 2001. Joint 9th (págs. 883-888). IEEE.
Sheather, S. (2004). Density estimation. Statistical Science 19, 588-597.
Sundar, C., Chitradevi, M., & G. , G. (2012). Classification of cardiotocogram data using neural network based machine learning technique. International Journal of Computer Applications 47.
Trendowicz, A., & Jeffery, R. (2014). Software project effort estimation: Foundations and best practice guidelines for success. Springer.
Wang, Hsien-Tseng, & Tansel, A. U. (2013). MedCase: a template medical case store for case-based reasoning in medical decision support. En Proceedings of the 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (págs. 962-967). ACM.

Publicado

2017-02-24

Cómo citar

Viveros-Melo, D., Ortega-Adarme, M., Blanco Valencia, X., Castro-Ospina, A. E., Murillo Rendón, S., & Peluffo-Ordóñez, D. H. (2017). Razonamiento basado en casos aplicado al diagnóstico médico utilizando clasificadores multi-clase: Un estudio preliminar. Enfoque UTE, 8(1), pp. 232-243. https://doi.org/10.29019/enfoqueute.v8n1.141

Número

Vol. 8 Núm. 1 (2017): Edición Especial INCISCOS 2016

Sección

Misceláneos

Los artículos e investigaciones publicadas por la Universidad UTE, se realizan en régimen de Acceso Abierto [Open Access] en formato electrónico. Al enviar un artículo a cualquiera de las revistas científicas de la Universidad UTE, el o los autores aceptan estas condiciones.

La UTE aplica la licencia Creative Commons Attribution (CC-BY) a los artículos de sus revistas científicas. En virtud de esta licencia de acceso abierto, como autor usted acuerda que cualquier persona puede reutilizar su artículo en su totalidad o en parte para cualquier propósito, de forma gratuita, incluso para fines comerciales. Cualquiera puede copiar, distribuir o reutilizar el contenido siempre y cuando el autor y la fuente original estén correctamente citados. Esto facilita la libertad de reutilización y también asegura que el contenido pueda ser extraído sin barreras para necesidades de investigación.

 

Esta obra está bajo una Creative Commons Attribution 3.0 International (CC BY 3.0).

 

Además, la Revista Enfoque UTE garantiza y declara que los autores conservan siempre todos los derechos de autor y de publicación de sus obras originales sin restricciones [© Los Autores].  El reconocimiento (BY) permite cualquier explotación de la obra, incluyendo una finalidad comercial, así como la creación de obras derivadas, la distribución de las cuales también está permitida sin ninguna restricción.