Определение релевантных факторов риска для рака молочной железы

Рак молочной железы представляет собой серьезную угрозу для здоровья женщин во всем мире. Хотя точные причины этого заболевания до сих пор неизвестны, известно, что заболеваемость раком молочной железы связана с некоторыми факторами. Факторы риска при раке – это любые генетические, репродуктивные, гормональные, физические, биологические или связанные с образом жизни состояния, которые увеличивают вероятность развития рака молочной железы. Настоящее исследование направлено на выявление наиболее значимых факторов риска у пациентов с раком молочной железы по набору данных, следуя процессу «Обнаружение знаний в базах данных». Чтобы определить актуальность факторов риска, реализованы два метода отбора признаков: критерий Хи-квадрат и взаимная информация; для проверки полученных результатов используются семь классификаторов. Результаты показывают, что наиболее важные факторы риска связаны с возрастом пациентки, ее менопаузальным статусом, прохождением гормональной терапии и типом менопаузы.

1. Global Cancer Observatory, “Cancer Today”, https://gco.iarc.fr/today/online-analysis-pie (accessed Apr. 25, 2023).

2. Cancer.Net, “Breast Cancer: Risk Factors and Prevention”, https://www.cancer.net/cancer-types/breast-cancer/risk-factors-and-prevention (accessed Apr. 25, 2023).

3. P. H. Abreu, M. S. Santos, M. H. Abreu, B. Andrade, and D. C. Silva, “Predicting Breast Cancer Recurrence Using Machine Learning Techniques”, ACM Comput. Surv., vol. 49, no. 3, pp. 1–40, Dec. 2016, doi: 10.1145/2988544.

4. H. Kawano, “Knowledge Discovery and Data Mining”, J. Japan Soc. Fuzzy Theory Syst., vol. 9, no. 6, pp. 851–860, 1997, doi: 10.3156/jfuzzy.9.6_851.

5. A. Li et al., “Association Rule-Based Breast Cancer Prevention and Control System”, IEEE Trans. Comput. Soc. Syst., vol. 6, no. 5, pp. 1106–1114, Oct. 2019, doi: 10.1109/TCSS.2019.2912629.

6. M. F. Kabir, S. A. Ludwig, and A. S. Abdullah, “Rule Discovery from Breast Cancer Risk Factors using Association Rule Mining”, in 2018 IEEE International Conference on Big Data (Big Data), Dec. 2018, pp. 2433–2441, doi: 10.1109/BigData.2018.8622028.

7. M. F. Kabir and S. Ludwig, “Classification of Breast Cancer Risk Factors Using Several Resampling Approaches”, in 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), Dec. 2018, pp. 1243–1248, doi: 10.1109/ICMLA.2018.00202.

8. W. E. Barlow et al., “Prospective Breast Cancer Risk Prediction Model for Women Undergoing Screening Mammography”, JNCI J. Natl. Cancer Inst., vol. 98, no. 17, pp. 1204–1214, Sep. 2006, doi: 10.1093/jnci/djj331.

9. K. Pearson, “On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling”, London, Edinburgh, Dublin Philos. Mag. J. Sci., vol. 50, no. 302, pp. 157–175, Jul. 1900, doi: 10.1080/14786440009463897.

10. D. J. C. MacKay, "Information Theory, Inference & Learning Algorithms". USA: Cambridge University Press, 2002.

11. H. Kaur, H. S. Pannu and A. K. Malhi, "A Systematic Review on Imbalanced Data Challenges in Machine Learning: Applications and Solutions", ACM Computing Surveys, vol. 52, no. 4, pp. 1-36, 2019, doi: 10.1145/3343440.

12. L. Breiman, “Bagging Predictors”, Mach. Learn., vol. 24, no. 2, pp. 123–140, 1996, doi: 10.1023/A:1018054314350.

13. I. Volkov, G. Radchenko, and A. Tchernykh, "Digital Twins, Internet of Things and Mobile Medicine: A Review of Current Platforms to Support Smart Healthcare". Programming and Computer Software, vol. 47, pp. 578–590, 2021, doi: 10.1134/S0361768821080284.

14. I. Vasilev, M. Petrovskiy, I. Mashechkin, et al. "Predicting COVID-19-Induced Lung Damage Based on Machine Learning Methods". Programming and Computer Software, vol. 48, pp. 243–255, 2022, doi: 10.1134/S0361768822040065.