Técnicas de soft computing para la detección del cáncer de mama

La Soft Computing (SC) se ha revelado como una herramienta versátil para resolver problemas computacionales complejos en diversos campos. Aprovecha las capacidades de reconocimiento y aprendizaje similares a las humanas para ofrecer soluciones innovadoras a los retos del mundo real. En una era de explosión de datos, el procesamiento eficaz de los mismos requiere la selección de atributos clave para el modelado predictivo, lo que lleva a la demanda de selección de subconjuntos de características. La selección de subconjuntos de características es un problema difícil NP-Hard, con varios métodos que se clasifican en enfoques de filtro, envolvente e incrustado. Los algoritmos metaheurísticos, conocidos por su capacidad de búsqueda global, se han utilizado en la selección de características para maximizar la precisión de la clasificación. Centrándose en las aplicaciones médicas, este estudio explora el diagnóstico asistido por ordenador, donde los métodos de selección de características basados en la población mejoran la precisión de la clasificación reduciendo el tiempo de análisis. La investigación presenta dos nuevos métodos metaheurísticos, el Algoritmo de Dragón Dirigido por Enemigos Separados (SEDDA) y el Algoritmo de Búsqueda de Cuervos Basado en la Aptitud (FSCA), y los compara con técnicas ya establecidas.