No abstract

Breast cancer is one of the leading causes of mortality globally, but early diagnosis and treatment can increase the cancer survival rate. In this context, thermography is a suitable approach to help early diagnosis due to the temperature difference between cancerous tissues and healthy neighboring tissues. This work proposes an ensemble method for selecting models and features by combining a Genetic Algorithm (GA) and the Support Vector Machine (SVM) classifier to diagnose breast cancer. Our evaluation demonstrates that the approach presents a significant contribution to the early diagnosis of breast cancer, presenting results with 94.79% Area Under the Receiver Operating Characteristic Curve and 97.18% of Accuracy.

No abstract

No abstract

Este artigo descreve o relato de experiência do planejamento e da execução de oficinas que integram conteúdos sobre mulheres na computação, fundamentos de hardware e software, programação de jogos usando Python e o mercado de trabalho local na área de informática. O Programa ofertou 03 turmas, com 08 encontros de 04 horas cada, dessa oficina, para estudantes de uma escola pública estadual de bairro periférico da cidade. As oficinas foram oferecidas como forma de atrair o interesse de meninas para a área, no entanto, meninos também puderam participar. O uso da abordagem de Aprendizagem Dialógica foi o diferencial desse Programa, uma vez que seus princípios nortearam todas as ações e atividades realizadas.

Câncer de mama é o segundo tipo de câncer mais comum no mundo. Atualmente não existem métodos efetivos para prevenir esta doença. Porém, o diagnóstico e o tratamento em estágios iniciais aumentam as chances de cura. Depois de ser constatado que a temperatura de tecidos cancerosos é geralmente mais alta do que a de tecidos vizinhos saudáveis, a termografia passou a ser uma opção a ser considerada em estratégias para identificar esse tipo de câncer. Este artigo propõe um método híbrido de análise de Termografia Infravermelha Dinâmica com o objetivo de identificar pacientes com câncer de mama. Imagens desta modalidade de exame são processadas a fim de gerar sinais térmicos de ambas as mamas. Tais sinais são analisados por técnicas de aprendizagem de máquina supervisionada e não supervisionada. Na fase de testes, cinco modelos de classificação foram gerados, usando redes Bayesianas, redes neurais, tabelas de decisão, bagging e florestas randômicas. Os resultados dos testes mostraram que o método apresentado neste artigo é capaz de identificar pacientes com câncer de mama como também mostraram que redes Bayesianas é a melhor técnica de aprendizagem, pois apresentou acurácia de 100%. Além disso, foi obtida uma acurácia média de 93,63% entre todos os modelos de classificação testados.

No abstract

No abstract