Revisión Literaria. Fuzzy Techniques for Cancer Cell Clasification. Presentado Por: Wilmer Garzón

Transcripción

1 Revisión Literaria Fuzzy Techniques for Cancer Cell Clasification Presentado Por: Wilmer Garzón Comité: Dr. Rogelio Palomera Dr. Fernando Vega Dr. Jaime Ramírez 03 de Mayo de 2011

2 Objetivos Conocer algunos de los trabajos realizados relacionados con los temas: Fuzzy Logic, Cancer Genetics, Experts systems and microarrays. Identificar la metodología principal y las técnicas de investigación que se han usado hasta el momento. Conocer nuevo vocabulario, variables importantes, relevantes al tema.

3 Selección de los Artículos A continuación se presenta la información relacionada con el proceso de selección del material: TOTAL DE ARTICULOS Tipo de Cancer No. Articulos BREAST 52 CERVICAL 1 GENERAL 31 LUNG 2 ORAL 2 OVARIAN 2 PANCREATIC 1 SKIN 1 PROSTATE 6 NO APLICA 10 EXPERT SYSTEMS 23 PRIMERA SELECCIÓN Tipo de Cancer No. Articulos BREAST 25 CERVICAL 0 GENERAL 15 LUNG 1 ORAL 1 OVARIAN 1 PANCREATIC 1 SKIN 0 PROSTATE 4 NO APLICA 0 EXPERT SYSTEMS 16 SEGUNDA SELECCIÓN Tipo de Cancer No. Articulos BREAST 6 CERVICAL 0 GENERAL 0 LUNG 0 ORAL 1 OVARIAN 0 PANCREATIC 0 SKIN 0 PROSTATE 2 NO APLICA 0 EXPERT SYSTEMS 4 TOTAL 131 TOTAL 64 TOTAL 13

4

5 Boosting a Genetic Fuzzy Classifier 1 Presenta un nuevo algoritmo para impulsar el aprendizaje genético de las reglas de clasificación difusa. El proceso de construcción y entrenamiento del clasificador se realiza utilizando el algoritmo desarrollado por los autores. El diagnóstico se realiza a partir rasgos extraídos de imágenes digitales, obtenidas mediante examen microscópico de Biopsias de Aguja Fina.

6 Boosting a Genetic Fuzzy Classifier 1 El clasificador fue construido utilizando la base de datos obtenida por los Hospitales de la Universidad de Wisconsin (WDBC), para el diagnóstico de cáncer de mama. Se tienen atributos correspondientes a 10 características como la textura, suavidad, número de células obtenidas del tumor de entre otros.

7 Boosting a Genetic Fuzzy Classifier 1 La arquitectura del clasificador es la siguiente: Instancias de Entrenamiento Generar la Regla fuzzy Sistema Fuzzy-Genético Adicionar La regla Base de reglas fuzzy Adaptarla distribuciónde lasinstanciasde entrenamiento Clasificaciónde lasinstanciasde entrenamiento Algoritmo Mejorado Adaptar la regla fuzzy

8 Boosting a Genetic Fuzzy Classifier 1 El sistema de aproximación genético identifica las reglas difusas que mejor se adaptan y clasifica correctamente con base en los ejemplos de entrenamiento. Se han realizado experimentos sobre los datos de cáncer de mama de Wisconsin de 569 pacientes; 312 se clasifican como benignos y 257 como malignos, con gran precisión según el diagnostico real de cada paciente.

9 Boosting a Genetic Fuzzy Classifier 1 Tasa media de clasificación del clasificador difuso: El algoritmo reduce sistemáticamente el costo de clasificar los ejemplos de entrenamiento.

10 Neuro-Fuzzy System For Prostate Cancer Diagnosis 2 Desarrollar un sistema Neuro-Fuzzy para predecir la presencia de cáncer de próstata. El sistema Neuro-Fuzzy aprende las características del conjunto de datos y ajusta los parámetros del sistema de acuerdo a un criterio dado. Se comparó la capacidad predictiva de este sistema Neuro-Fuzzy con el obtenido por tpsa y%fpsa. Este sistema Neuro-Fuzzy requiere de un número reducido de variables de entrada (tpsa, %fpsa y la edad).

11 Neuro-FuzzySystemForProstateCancerDiagnosis 2 Las curvas ROC (Receiver Operating Characteristic) Neuro-Fuzzy tpsa %fpsa

12 Predicting Breast Cancer Survivability Using Fuzzy Decision Trees for Personalized Healthcare 3 Crear un sistema híbrido basado en árboles de decisión difusos, como una alternativa eficaz a los clasificadores que se aplican de forma independiente. Se seleccionan de forma aleatoria los casos y luego se realiza la búsqueda rigurosa envolviendo los diferentes modelos genéticos seleccionando los mejores.

13 Predicting Breast Cancer Survivability Using Fuzzy Decision Trees for Personalized Healthcare 3 Se utilizan los datos SEER (Surveillance, Epidemiology, and End Results). Se han utilizado tres medidas de desempeño: precisión, sensibilidad y especificidad.

14 Predicting Breast Cancer Survivability Using Fuzzy Decision Trees for Personalized Healthcare 3 La siguiente tabla muestra los diferentes modelos de árbol de decisión, que se generaron durante los experimentos:

15 Unveiling Fuzzy Associations Between Breast Cancer PrognosticFactorsand Gene ExpressionData 4 Buscar relaciones entre los pronósticos en cáncer de mama con los datos de microarrays de todo el genoma. Los pronósticos más utilizados asociados al cáncer de mama son eltamaño deltumor primario, elestado de los ganglios linfáticos, el grado histológico del tumor y elestadoreceptordeltumor. El algoritmo fue implementado en una aplicación web

16 Unveiling Fuzzy Associations Between Breast Cancer PrognosticFactorsand Gene ExpressionData 4 Con esta aplicación se intenta fomentar el uso de técnicas difusas en biomedicina y bioinformática, proporcionando una herramienta que permite el estudio de las relaciones existentes entre un gran número de variables. Unaserie dereglasseobtuvieronsobrelosnivelesde expresión de los genes y los factores pronósticos.

17 Unveiling Fuzzy Associations Between Breast Cancer PrognosticFactorsand Gene ExpressionData 4 Estas reglas fueron seleccionadas de acuerdo a los conocimientos de expertos y la información extraída de la literatura. Se propone un esquema el cual contiene cuatro etapas: Pre-Procesamiento de Imagen Extracción de características Entrenamiento del clasificador Clasificación En nuestro sistema, básicamente se emplea la lógica difusa para la clasificación.

18 Medical image classification using genetic algorithm based fuzzy-logic approach 5 En este estudio se utilizan las funciones de pertenencia de distribución gaussiana (GDMFs: Gaussian distributed fuzzy membership functions). Las GDMFs son inicialmente generadas usando diferentes características obtenidas del conjunto de datos de imágenes. Las GDMF s se optimizan utilizando un algoritmo genético para el proceso de aprendizaje. Después de la optimización, el sistema se utiliza para la discriminación de la enfermedad.

19 Medical image classification using genetic algorithm based fuzzy-logic approach 5 La eficacia se ha demostrado a través de dos aplicaciones: la discriminación de la enfermedad cardíaca del miocardio a partir de imágenes ecocardiográficas y la clasificación de las microcalcificaciones agrupadas en mamografías.

20 A Fuzzy Expert System Design for Diagnosis of Prostate Cancer 6 Se diseño un sistema experto difuso para el diagnóstico, análisis y aprendizaje de las enfermedades asociadas al cáncer de próstata. Para este proceso se utilizó antígeno prostático específico (PSA), el volumen prostático (VP) y la edad como parámetros de entrada y el riesgo de cáncer de próstata(pcr) como salida. El sistema fue desarrollado por la ayuda del Matlab6.5.

21 A Fuzzy Expert System Design for Diagnosis of Prostate Cancer 6 El FES(Fuzzy Expert System) es rápido, económico, no hay riesgo de comparación con los sistemas tradicionales de diagnóstico. Tiene una alta confiabilidad y puede ser utilizado como sistema de aprendizaje para estudiantes de medicina. Comparación de los resultados de FES desarrollados con los datos de pacientes de la literatura demostró resultados cercanos.

22 Fuzzylogicin computer-aidedbreastcáncer diagnosis: analysisof lobulation 7 En este trabajo se muestra cómo un enfoque de la lógica difusa puede ser utilizado para formalizar el léxico de imágenes de los términos del Colegio Americano de Radiología(ACR). En este trabajo, se aplica la lógica difusa para la clasificación de una masa en la mamografía como lobulada o microlobulada, estas características son importantes en el diagnóstico de cáncer de mama.

23 Fuzzylogicin computer-aidedbreastcáncer diagnosis: analysisof lobulation 7 Una masa tiene forma "lobular" si esta tiene contornos con ondulaciones. Unamasatieneforma"microlobular"silosmárgenes ondulados con ciclos cortos de producción de pequeñas ondulaciones.

24 Interpretation of Mammographic Using Fuzzy Logic for Early Diagnosis of Breast Cancer 8 Se presenta una metodología para ayudar al diagnóstico médico de la mamografía utilizando un software de procesamiento de imágenes. Se interpreta el resultado utilizando un modelo de lógica difusa basado en los factores más importantes que el especialista utiliza para evaluar la imagen. Al final de la evaluación a se obtiene el nivel de BI- RADS.

25 Interpretation of Mammographic Using Fuzzy Logic for Early Diagnosis of Breast Cancer 8 1: Sin lesión 3: Lesión maligna 2: Lesión benigna 4: Dudosa

26 Interpretation of Mammographic Using Fuzzy Logic for Early Diagnosis of Breast Cancer 8

27 Interpretation of Mammographic Using Fuzzy Logic for Early Diagnosis of Breast Cancer 8 Representación de la secuencia del modelo de Lógica Difusa: La metodología propuesta permite identificar áreas con posibles lesiones o detectar calcificaciones.

28 EvolutionaryDesignof a FuzzyClassifierFromData 9 Un nuevo enfoque evolutivo es propuesto para derivar un sistema compacto de clasificación difusa directamente de los datos sin ningún conocimiento a priori de la distribución de los datos. Los clasificadores difusos consisten en un conjunto de reglas difusas si-entonces, que dan una idea de la estructura del clasificador y mejoran la interpretación.

29 EvolutionaryDesignof a FuzzyClassifierFromData 9

30 Constructing interpretable genetic fuzzy rule-based systemforbreastcancerdiagnostic 10 El método consta de dos fases: seleccionar un subconjunto de características basadas en el enfoque Michigan y la formación del sistema difuso basado en reglas con el subconjunto seleccionado de la primera fase.

31 Constructing interpretable genetic fuzzy rule-based systemforbreastcancerdiagnostic 10 El sistema difuso propuesto aprende con las características seleccionadas y con las reglas que resultaron dominantes. El método clasificó todos los datos de la muestra como benignas o malignas con gran precisión.

32 Classification of protein profiles using fuzzy clustering techniques: Anapplicationin earlydiagnosis of oral, cervical and ovariancancer 11 La proteómica es ahora reconocida como una de las áreas más importantes en la detección temprana de dañoseneladn,eldiagnósticodeenfermedadesyel diseño de fármacos. Las dos herramientas principales de la proteómica son la electroforesis en gel bidimensional y espectrometría de masas.

33 Classification of protein profiles using fuzzy clustering techniques: Anapplicationin earlydiagnosis of oral, cervical and ovariancancer 11 Por limitaciones de las herramientas mencionadas se ha desarrollado una técnica llamada HPLC-LIF para el análisis proteómico de muestras clínicas. Después de registrar espectros de HPLC-LIF el principal desafío consiste en clasificar en varios tipos de cáncer con el fin de desarrollar un protocolo de patología óptica.

34 Classification of protein profiles using fuzzy clustering techniques: Anapplicationin earlydiagnosis of oral, cervical and ovariancancer 11 En este trabajo, se trato de responder a estos retos mediante la utilización de técnicas de agrupamiento difuso, donde los puntos de datos puede pertenecer amásdeungrupo. Cada uno de los puntos tienen asociadas funciones que indican el grado en que los puntos de datos pertenecen a los diferentes grupos.

35 Classification of protein profiles using fuzzy clustering techniques: Anapplicationin earlydiagnosis of oral, cervical and ovariancancer 11

36 Applying Fuzzy CoCoto Breast Cancer Diagnosis 12 En este trabajo se combinan la potencia de búsqueda de la computación evolutiva con el poder expresivo de los sistemas difusos. Se demuestra la eficacia de Fuzzy CoCo aplicándolo a un problema difícil, en el mundo real: el diagnóstico decáncerdemama.

37 Applying Fuzzy CoCoto Breast Cancer Diagnosis 12 En la siguiente tabla se comparan los resultados con los altos resultados obtenidos por otros sistemas previos a este trabajo:

38 Handling Fuzzy Gaps in Sequential Patterns: Application to Health 13 Estetrabajosefijaenlosdatosbiológicosdeloschips de ADN que los biólogos estudiaron con el fin de tratar y descubrir nuevas correlaciones de genes que podría ayudar a entender enfermedades como el cáncer de mama. Los valores de los microarrays de ADN, indican el comportamiento de algunos genes, y queremos descubrir cómo estos se correlacionan.

39 Handling Fuzzy Gaps in Sequential Patterns: Application to Health 13 El numero de microarrays depende del numero de personas que tenían el tumor(286 muestras). Cada microarray reporta la expresión de 17,816 genes bajo diferentes condiciones representando cada puntoxyenunatabla. Cada punto describe el valor de la expresión que vandesde-07:54a8:57.

40 Handling Fuzzy Gaps in Sequential Patterns: Application to Health 13 Los valores negativos significan que el gen está medio expresado, valor positivo que el gen está sobre expresado y n valor nulo significa que no se detecta ninguna expresión. Estos datos se representan en una matriz que se convierte a menudo a los colores (generalmente de color amarillo, verde y rojo) después de la discretización de los valores.

41 Handling Fuzzy Gaps in Sequential Patterns: Application to Health 13 Consideramos que la diferencia de los genes de expresión es significativa entre estas dos clases utilizando el método SAM (Análisis significativo de MicroArray). Estemétodoseutilizaamenudoporlosbiólogos,yse basa en el FDR(relación de divergencia funcional). El conjunto de datos fue estudiado y permitió encontrar herramientas de clasificación para diferenciar entre dos tipos de cáncer agresivo y no agresivo.

42 Referencias Bibliográficas 1. Hoffmann, F., "Boosting a Genetic Fuzzy Classifier," in IFSA World Congress and 20th NAFIPS International Conference,(Stockholm, Sweden, July 2001). 2. Benecchi, L., "Neuro-Fuzzy System For Prostate Cancer Diagnosis," in Official Journal of the Société internationale D'Urologie,(2006). 3. Muhammad K., Jong C., Hyunjung S., and Minkoo K., "Predicting Breast Cancer Survivability Using Fuzzy Decision Trees for Personalized Healthcare," in 30th Annual International IEEE EMBS Conference,(Vancouver, Canada, August 2004). 4. Du-Yih T., Yongbum L., Masaru S., and Masaki O., "Medical image classification using genetic algorithm based fuzzy-logic approach," in Journal of Electronic Imaging 13(4), ,(October 2004). 5. Saritas I., Allahverdi N., and Sert I., "A Fuzzy Expert System Design for Diagnosis of Prostate Cancer," in International Conference on Computer Systems and Technologies,(2003).

43 Referencias Bibliográficas 6. Lopez J., Cuadros M., Blanco A., and Concha., "Unveiling Fuzzy Associations Between Breast Cancer Prognostic Factors and Gene Expression Data,", in 20th International Workshop on Database and Expert Systems Application,(Linz, Austria August 2009). 7. Kovalerchuk B., Triantaphyllou E., Ruiz J., and Clayton J., "Fuzzy logic in computeraided breast cancer diagnosis: analysis of lobulation," Artificial Intelligence in Medicine 11,(1997). 8. Pérez J., Hernández B., Aguilar and Posada R., "Interpretation of Mammographic Using Fuzzy Logic for Early Diagnosis of Breast Cancer," in Seventh Mexican International Conference on Artificial Intelligence,(2008). 9. Xiaoguang C., and Lilly J., "Evolutionary Design of a Fuzzy Classifier From Data," in IEEE Transactions on Systems, Man, and Cybernetics part b: Cybernetics, vol. 34, no. 4,(August 2004).

44 Referencias Bibliográficas 10. Sedighiani K., and HashemiKhabir S., "Constructing interpretable genetic fuzzy rulebased system for Breast Cancer Diagnostic," in Global Congress on Intelligent Systems,(2009). 11. Karemore G., Mullick J., Sujatha R., Nielsen M. and Santhosh C., "Classification of protein profiles using fuzzy clustering techniques: An application in early diagnosis of oral, cervical and ovarian cancer," in 32nd Annual International Conference of the IEEE EMBS,(Buenos Aires, Argentina, August 2010). 12. Peña C., and Sipper M., "Applying Fuzzy CoCo to Breast Cancer Diagnosis," in IEEE Congress on Evolutionary Computation- CEC,(2000). 13. Bringay S., Laurent A., Orsetti B., Salle P., and Teisseire M., "Handling Fuzzy Gaps in Sequential Patterns: Application to Health," in FUZZ-IEEE,(Korea, August 2009).

45