Case based reasoning applied to medical diagnosis using multi-class classifiera preliminary study

  1. Viveros-Melo, D. 1
  2. Ortega-Adarme, M. 1
  3. Blanco Valencia, X. 2
  4. Castro-Ospina, A. E. 3
  5. Murillo Rendón, S. 4
  6. Peluffo-Ordóñez, D. H. 5
  1. 1 Universidad de Nariño Pasto - Colombia
  2. 2 Universidad de Salamanca, Salamanca - Spain
  3. 3 Tecnológico Metropolitano, Medellín - Colombia
  4. 4 Universidad Autónoma de Manizales, Manizales - Colombia
  5. 5 Universidad Técnica del Norte Ibarra - Ecuador
Mostrar afiliaciones +
Revista:
Enfoque UTE: Facultad de Ciencias de la Ingeniería e Industrias - Universidad UTE

Año de publicación: 2017

Volumen: 8

Número: 1

Páginas: 232-243

Tipo: Artículo

DOI: 10.29019/ENFOQUEUTE.V8N1.141 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

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.

Referencias bibliográficas

  • 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.
Fuente de los datos: Dialnet