家族性乳がんのリスク管理モデル：ファジー認知マップ法を使用した新しいアプリケーション

乳がんは女性に影響を与える最も致命的な疾患であるため、家族性乳がん（FBC）の発症の個人的リスクを評価するために、40〜49歳の女性（乳がんやその他の関連癌の家族歴がある）にとって自然です。さらに、各女性は家族の歴史、遺伝的素因、個人の病歴に応じて乳がんを発症するリスクの異なるレベルを持っているため、適切なリスク評価、カウンセリング、スクリーニング、および予防オプションを医療専門家が決定できるように、個別のケア設定メカニズムを特定する必要があります。提示された研究の目的は、特定の女性のFBCリスクレベルに基づいて個別のケア設定メカニズムを決定するのを支援するファジー認知マップ（FCM）を使用して、ソフトコンピューティングベースの医療意思決定支援システムを開発することを目的としています。FCMベースのFBCリスク管理システムは、NHLを使用して40の患者記録から因果重量を学習し、95％の診断精度を達成します。提案されたモデルから得られた結果は、38/40の患者症例（95％）のTyrer-Cuzickモデルに基づく包括的なリスク評価ツールと同意しています。また、提案されたモデルは、標準のGailおよびNSAPBモデルよりも高い予測の精度を計算することにより、高リスクの女性を特定します。10倍のクロス検証手法を使用した提案されたモデルのテスト精度は、BCの以前のFCMベースのリスク予測方法と同様に、他の標準機械学習に基づく推論エンジンを上回ります。

Breast cancer is the most deadly disease affecting women and thus it is natural for women aged 40-49 years (who have a family history of breast cancer or other related cancers) to assess their personal risk for developing familial breast cancer (FBC). Besides, as each individual woman possesses different levels of risk of developing breast cancer depending on their family history, genetic predispositions and personal medical history, individualized care setting mechanism needs to be identified so that appropriate risk assessment, counseling, screening, and prevention options can be determined by the health care professionals. The presented work aims at developing a soft computing based medical decision support system using Fuzzy Cognitive Map (FCM) that assists health care professionals in deciding the individualized care setting mechanisms based on the FBC risk level of the given women. The FCM based FBC risk management system uses NHL to learn causal weights from 40 patient records and achieves a 95% diagnostic accuracy. The results obtained from the proposed model are in concurrence with the comprehensive risk evaluation tool based on Tyrer-Cuzick model for 38/40 patient cases (95%). Besides, the proposed model identifies high risk women by calculating higher accuracy of prediction than the standard Gail and NSAPB models. The testing accuracy of the proposed model using 10-fold cross validation technique outperforms other standard machine learning based inference engines as well as previous FCM-based risk prediction methods for BC.