@MASTERSTHESIS{ 2018:126131965,
 	title = {Modelos de inteligência computacional aplicado na predição de câncer de mama},
 	year = {2018},
 	url = "https://tede.ufrrj.br/jspui/handle/jspui/4855",
 	abstract = "O câncer de mama é a segunda neoplasia mais frequente no mundo. Segundo dados do 
 Instituto Nacional de Câncer (INCA), no ano de 2014 foram diagnosticados 59.700 novos 
 casos no Brasil, número este que corresponde a um aumento de 22% em relação ao ano de 
 2013. Sendo responsável por aproximadamente 39% dos óbitos das mulheres portadores de 
 câncer. Para um diagnóstico preciso, exige-se muita experiência e, principalmente, que a 
 classificação do estadiamento clínico do tumor (estágio do câncer) esteja correta. Desta 
 forma, torna-se necessário o desenvolvimento de sistemas integrados que combinados com a 
 experiência dos profissionais da área, possibilite realizar o diagnóstico preciso na detecção do 
 câncer de mama. O objetivo do presente trabalho é aplicar as técnicas RNAs e SVM de sorte a 
 auxiliar na interpretação diagnóstica das microcalcificações detectadas em mamografia de 
 rastreamento. O conjunto utilizado nesse estudo consiste de 569 dados, proveniente de 
 pacientes com suspeita de câncer de mama obtidos junto ao Instituto de Radiologia da 
 Universidade Erlangen-Nuremberg, no período de 2003 a 2006. O banco de dados possui 
 informações clínicas sobre raio, textura, perímetro, área, suavidade, compacidade, 
 concavidade, côncavo, simetria e dimensão fractal. Os dados foram divididos em dois grupos: 
 o conjunto de treinamento composto por 75% das amostras de exames mamográficos e o 
 conjunto de teste independente, com 25% das amostras restantes. As técnicas desenvolvidas 
 foram implementadas utilizando-se o software R. De acordo com a análise dos resultados foi 
 possível evidenciar o desempenho promissor da SVM, que obteve na sua melhor simulção 
 uma acurácia acima de 98%, no que tange aos valores de Falsos Negativos o melhor valor 
 obtido foi 1,96%. Contudo, o modelo utilizando as Redes Neurais MLP apresentou na sua 
 melhor simulação uma acurácia acima de 96% e no que tange aos valores de Falsos Negativos 
 o melhor valor obtido também foi de 2%, sendo assim sua utilização relevante. Houve 
 diferença estatística significante a nível de 95% (p-valor <0,05) no desempenho do modelo 
 das Redes SVM e Rede Neural MLP na métrica acurácia. Indicando um melhor desempenho 
 da Rede SVM. Não houve diferença estatística significativa entre os resultados referentes a 
 determinação dos valores Falso Negativo entre as Redes.",
 	publisher = {Universidade Federal Rural do Rio de Janeiro},
 	scholl = {Programa de Pós-Graduação em Modelagem Matemática e Computacional},
 	note = {Instituto de Ciências Exatas}
}