Clasificación de Cáncer de Mama con Implementación de Técnicas de Análisis de Componente Principal

El cáncer de mama es una de las principales causas de mortalidad en mujeres a nivel mundial, lo que subraya la importancia de implementar herramientas de diagnóstico precisas y eficientes. Este estudio evaluó el desempeño de varios algoritmos de aprendizaje automático para la clasificación de tumores mamarios utilizando el Wisconsin Breast Cancer Dataset. Se aplicó Análisis de Componentes Principales (PCA) para reducir la dimensionalidad del conjunto de datos, mejorando la eficiencia computacional y manteniendo la información crítica para la clasificación. Los modelos evaluados incluyeron Regresión Logística, Máquinas de Soporte Vectorial (SVM), Redes Neuronales, alcanzando valores máximos de AUC-ROC de 0.96, 0.95 y 0.99, respectivamente. Los resultados se compararon con estudios previos, evidenciando la solidez y aplicabilidad del enfoque propuesto. Aunque los hallazgos son prometedores, el estudio reconoce limitaciones, como el uso de un único dataset, y sugiere integrar características clínicas adicionales en investigaciones futuras. Este trabajo demuestra la capacidad del aprendizaje automático para mejorar el diagnóstico temprano del cáncer de mama, con potencial para aplicaciones en entornos clínicos.