Computer-aided diagnosis system: A Bayesian hybrid classification method

Abstract

A novel method to classify multi-class biomedical objects is presented. The method is based on a hybrid approach which combines pairwise comparison, Bayesian regression and the k-nearest neighbor technique. It can be applied in a fully automatic way or in a relevance feedback framework. In the latter case, the information obtained from both an expert and the automatic classification is iteratively used to improve the results until a certain accuracy level is achieved, then, the learning process is finished and new classifications can be automatically performed. The method has been applied in two biomedical contexts by following the same cross-validation schemes as in the original studies. The first one refers to cancer diagnosis, leading to an accuracy of 77.35% versus 66.37%, originally obtained. The second one considers the diagnosis of pathologies of the vertebral column. The original method achieves accuracies ranging from 76.5% to 96.7%, and from 82.3% to 97.1% in two different cross-validation schemes. Even with no supervision, the proposed method reaches 96.71% and 97.32% in these two cases. By using a supervised framework the achieved accuracy is 97.74%. Furthermore, all abnormal cases were correctly classified.

Se presenta un método novedoso para clasificar objetos biomédicos de clases múltiples. El método se basa en un enfoque híbrido que combina comparación por pares, regresión bayesiana y la técnica del k-vecino más cercano. Se puede aplicar de forma totalmente automática o en un marco de retroalimentación de relevancia. En este último caso, la información obtenida tanto de un experto como de la clasificación automática se utiliza de forma iterativa para mejorar los resultados hasta alcanzar un cierto nivel de precisión, luego se finaliza el proceso de aprendizaje y se pueden realizar nuevas clasificaciones automáticamente. El método se ha aplicado en dos contextos biomédicos siguiendo los mismos esquemas de validación cruzada que en los estudios originales. El primero se refiere al diagnóstico de cáncer, arrojando una precisión del 77,35% versus el 66,37% obtenido originalmente. El segundo considera el diagnóstico de patologías de la columna vertebral. El método original logra precisiones que oscilan entre el 76,5% y el 96,7% y entre el 82,3% y el 97,1% en dos esquemas de validación cruzada diferentes. Incluso sin supervisión, el método propuesto alcanza el 96,71% y el 97,32% en estos dos casos. Al utilizar un marco supervisado, la precisión lograda es del 97,74%. Además, todos los casos anormales se clasificaron correctamente.