Sistema multimodal para la evaluación del riesgo de cáncer de mama desde el enfoque de la minería de datos

[ES] A través de la minería de datos, podemos desarrollar sistemas de recomendación que guíen las decisiones de los usuarios. El objetivo del trabajo es el diseño y desarrollo de una aplicación informática que, a partir de la información sobre un determinado paciente, pueda predecir si el tumor de mama en cuestión es benigno o maligno. Más concretamente, la información más relevante que se extraerá del input a clasificar provendrá de descriptores numéricos sobre el tumor, p.ej. radio, textura, área, etc. Este tipo de asistente médico realizará la predicción basándose en métodos supervisados de minería de datos. La entrada de datos del sistema será vía voz o texto escrito en español, tras lo cual se aplicará un preprocesamiento del input con el fin de que el sistema pueda trabajar con datos estructurados. En una siguiente fase, se emplearán métodos como Naïve Bayes, Support Vector Machines (SVM) y aprendizaje profundo con redes neuronales sobre datos de entrenamiento con el fin de que se detecten patrones que permitan la clasificación del input. Este sistema de predicción también será capaz de determinar qué método es más efectivo tras un proceso de autoevaluación. Este sistema se programará en C# dentro del entorno de Microsoft Visual Studio.
[EN] Recommendation systems can be developed to guide users¿ decisions through data mining. The aim of this work is to design and develop a computer application that uses the information about a given patient to predict if a specific breast tumor is benign or not. In particular, the most relevant information extracted from the input is provided by numeric descriptors about the tumor, e.g. radius, texture, area, etc. This type of medical assistant is intended to make predictions based on supervised data mining methods. The input of the system, which is via voice or text in Spanish, should be preprocessed to be converted into structured data. In the next step, we apply methods such as Naïve Bayes, Support Vector Machines (SVM) and deep learning with neural networks to training data, so that patterns are discovered to classify the input. This prediction system will also be able to determine the most effective method by means of self-assessment. The application will be developed with C# within the Microsoft Visual Studio environment.