Tecniche di Machine learning per la classificazione di microcalcificazioni al seno con dati di spettroscopia Raman.

A typical Raman study can quickly accumulate a large, information-rich spectral data set. However, with the expansion of this dataset, the extraction of biological information becomes increasingly difficult. For this reason, various analytical approaches are often used in order to effectively extrapolate the chemical and biological information that has proved valuable in the field of breast cancer diagnosis and beyond. In our case, we chose to apply supervised analysis techniques, which, following an initial pre-processing phase during which data reduction and manipulation techniques were made in order to extrapolate the most significant attributes for the analysis, allowed to classify the microcalcifications in question as benign or malignant.

Un tipico studio Raman può accumulare rapidamente un ampio set di dati spettrali ricchi di informazioni. Tuttavia, con l'espansione di questo set di dati, l'estrazione di informazioni biologiche diventa sempre più difficile. Per questo motivo, vengono spesso utilizzati vari approcci di analisi al fine di estrapolare efficacemente le informazioni chimiche e biologiche che si sono rivelate preziose nel campo della diagnosi del carcinoma mammario e non solo. Nel nostro caso, si è scelto di applicare tecniche di analisi supervisionata, che, in seguito ad una fase di pre-processing iniziale durante la quale sono state apportate tecniche di riduzione e manipolazione dei dati al fine di estrapolare gli attributi più significativi per l'analisi, ha consentito di classificare le microcalcificazioni in esame come benigne o maligne.