@MASTERSTHESIS{ 2018:1549539240,
 	title = {Modelos de intelig?ncia computacional aplicado na predi??o de c?ncer de mama},
 	year = {2018},
 	url = "https://tede.ufrrj.br/jspui/handle/jspui/4855",
 	abstract = "O c?ncer de mama ? a segunda neoplasia mais frequente no mundo. Segundo dados do 
 Instituto Nacional de C?ncer (INCA), no ano de 2014 foram diagnosticados 59.700 novos 
 casos no Brasil, n?mero este que corresponde a um aumento de 22% em rela??o ao ano de 
 2013. Sendo respons?vel por aproximadamente 39% dos ?bitos das mulheres portadores de 
 c?ncer. Para um diagn?stico preciso, exige-se muita experi?ncia e, principalmente, que a 
 classifica??o do estadiamento cl?nico do tumor (est?gio do c?ncer) esteja correta. Desta 
 forma, torna-se necess?rio o desenvolvimento de sistemas integrados que combinados com a 
 experi?ncia dos profissionais da ?rea, possibilite realizar o diagn?stico preciso na detec??o do 
 c?ncer de mama. O objetivo do presente trabalho ? aplicar as t?cnicas RNAs e SVM de sorte a 
 auxiliar na interpreta??o diagn?stica das microcalcifica??es detectadas em mamografia de 
 rastreamento. O conjunto utilizado nesse estudo consiste de 569 dados, proveniente de 
 pacientes com suspeita de c?ncer de mama obtidos junto ao Instituto de Radiologia da 
 Universidade Erlangen-Nuremberg, no per?odo de 2003 a 2006. O banco de dados possui 
 informa??es cl?nicas sobre raio, textura, per?metro, ?rea, suavidade, compacidade, 
 concavidade, c?ncavo, simetria e dimens?o fractal. Os dados foram divididos em dois grupos: 
 o conjunto de treinamento composto por 75% das amostras de exames mamogr?ficos e o 
 conjunto de teste independente, com 25% das amostras restantes. As t?cnicas desenvolvidas 
 foram implementadas utilizando-se o software R. De acordo com a an?lise dos resultados foi 
 poss?vel evidenciar o desempenho promissor da SVM, que obteve na sua melhor simul??o 
 uma acur?cia 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 simula??o uma acur?cia acima de 96% e no que tange aos valores de Falsos Negativos 
 o melhor valor obtido tamb?m foi de 2%, sendo assim sua utiliza??o relevante. Houve 
 diferen?a estat?stica significante a n?vel de 95% (p-valor <0,05) no desempenho do modelo 
 das Redes SVM e Rede Neural MLP na m?trica acur?cia. Indicando um melhor desempenho 
 da Rede SVM. N?o houve diferen?a estat?stica significativa entre os resultados referentes a 
 determina??o dos valores Falso Negativo entre as Redes.",
 	publisher = {Universidade Federal Rural do Rio de Janeiro},
 	scholl = {Programa de P?s-Gradua??o em Modelagem Matem?tica e Computacional},
 	note = {Instituto de Ci?ncias Exatas}
}