Sistema de apoyo al diagnóstico de cáncer de mama utilizando termogramas y aplicando modelo de características con parámetros no lineales

2do Congreso Iberoamericano de Instrumentación y Ciencias Aplicadas-SOMI XXXI Congreso de Instrumentación Cd. de Guatemala, Gua., del 26-28 de octubre, 2016

Sistema de apoyo al diagnóstico de cáncer de mama utilizando termogramas y aplicando modelo de características con parámetros no lineales Mayra Bastida1, Luis Rodríguez1, María-Eugenia Cabello 2 Centro de Física Aplicada y Tecnología Avanzada, Universidad Nacional Autónoma de México, Blvd. Juriquilla 3000, Juriquilla, Santiago de Querétaro, Qro., México 2 Facultad de Telemática, Universidad de Colima, Av. Universidad 333, Las Víboras, Colima, Col., México [email protected]; [email protected]; [email protected] 1

3

Rocío Estévez1, Julián García3 Unidad de Especialidades Médicas en Detección y Diagnóstico de Cáncer de Mama, Av. Fray Luis de León S/N, Centro Sur, Santiago de Querétaro, Qro., México [email protected]; [email protected]

RESUMEN Debido al gran interés, manifestado en las últimas décadas, hacia la mejora de los sistemas de detección y diagnóstico de cáncer de mama, se presenta un modelo de características con factores de peso implementados por funciones no lineales adecuado para auxiliar en la toma de decisiones destinadas al prediagnóstico de las glándulas mamarias, posterior a la realización de la prueba termográfica con el fin de detectar patologías en las mismas. Los termogramas fueron obtenidos de la base de datos generada por el Grupo de Detección Óptica Tumoral del Centro de Física Aplicada y Tecnología Avanzada (CFATA) de la UNAM. El procesamiento de la minería de datos y la clasificación estadística de las patologías se implementó según los valores térmicos apreciados en termogramas de mujeres sanas y con padecimientos diagnosticados mediante otras técnicas de imagen y confirmados con biopsia, así como su correlación con otros parámetros fisiológicos. La corroboración clínica se realizó en las instalaciones de la Unidad de Especialidades Médicas en Detección y Diagnóstico de Cáncer de Mama (UNEME-DEDICAM) del Estado de Querétaro y otras dependencias del Sector Salud. La determinación de los parámetros cualitativos se llevó a cabo, de manera heurística, de acuerdo al historial clínico y familiar de la paciente, aunado con los hábitos de vida y los patrones térmicos observados en cada caso de estudio. Éstos, en su conjunto, suponen un indicador ponderable de la probabilidad de desarrollo y/o padecimiento de las enfermedades mamarias más comunes. Se muestran resultados de la efectividad de prediagnóstico en mujeres sanas, con patologías benignas y con cáncer de seno. La principal contribución del modelo desarrollado es su capacidad de catalogar, con base en datos estadísticos y elementos probabilísticos, las características termográficas en contexto con la situación fisiológica individual. PALABRAS CLAVE: Modelo de características, cáncer de mama, clasificación patológica, prediagnóstico, termografía. 1

INTRODUCCIÓN

El cáncer de mama es una de las mayores afecciones de la mujer a nivel mundial al ser la neoplasia maligna femenina más frecuente en países desarrollados y en vías de desarrollo [1]. Nacionalmente, en 2013 supuso casi el 15% de fallecimientos en México por tumores malignos en mujeres mexicanas de 20 años y más [2], colocándose como la segunda mayor causa de muerte del sexo femenino que se encuentra, sobre todo, entre los 30 y 54 años [3]. Complementariamente, la infraestructura y tecnologías utilizadas para el cribado de dicha afección presentan limitantes en cuanto a la detección, el costo y el riesgo que 1

algunas técnicas suponen para el paciente. Por otro lado, debido a la estrecha relación hormonal que presenta esta enfermedad, los factores que modifican el riesgo de padecerla varían de acuerdo a la edad en que ocurre cada evento hormonal y su duración, también influyen cuestiones ambientales tales como la exposición a la contaminación y radiación, en adición a los hábitos de vida, saludables o no, que cada individuo acostumbre; aunque el nivel exacto de afectación no se conoce hasta el momento. Como resultado, últimamente se han promovido distintas técnicas para la detección y diagnóstico de cáncer de mama. Entre ellas, la termografía se ha utilizado desde hace varias décadas debido al incremento en el avance tecnológico orientado al desarrollo de las cámaras infrarrojas o termográficas. Esto ha mejorado la resolución de las imágenes térmicas (termogramas) adquiridas, con lo cual se ha destinado la aplicación de la termografía para uso clínico, particularmente para la evaluación diagnóstica de las glándulas mamarias. Así, es posible realizar la detección temprana de patologías en las mamas tanto en mujeres como en hombres, sin existir como limitante la edad del paciente, densidad de tejido mamario o situación de salud (presencia de cardiopatías, desórdenes hormonales, embarazo, lactancia, problemas de tiroides, entre otros). Sin embargo, un prediagnóstico requiere información sobre el historial clínico y familiar del paciente así como las características de imagen. La detección mediante termografía se basa en la medición de los gradientes térmicos superficiales de la piel asociados a la temperatura de órganos y tejidos, los cuales, en casos con carcinoma u otras patologías, resultan del incremento de la vascularización, la vasodilatación y la perfusión regional [4], así como la generación de un hipermetabolismo y la congregación de células inflamatorias asociadas a la zona del crecimiento tumoral [5]. Dichos cambios fisiológicos normalmente no son detectados por los métodos de imagenología médica más comunes, pues éstos proporcionan información acerca de la morfología y estructura anatómica [6]. En contraste, la termografía es funcional [7], pues, de acuerdo a las características metabólicas (repercutidas en cierta medida por los hábitos saludables y la situación hormonal individual) del paciente, se apreciarán patrones térmicos distintos, los cuales deben tomarse en cuenta con el fin de examinar correctamente los resultados termográficos. En este ámbito, es importante destacar que existe una pequeña cantidad de expertos, lo cual lleva a la necesidad de buscar apoyo en distintos procedimientos para lograr un diagnóstico correcto. En pos de ello, el dominio del software y hardware ha sufrido un gran progreso tecnológico (sin importar el ámbito), con lo que se han convertido en una herramienta integradora y han incrementado la capacidad de manejar gran cantidad de datos [8]. Entonces, la interpretación de las imágenes puede ser asistida mediante el procesamiento con computadoras y la aplicación de algoritmos de inteligencia artificial (árboles de decisión o redes neuronales, entre otros) [9,10]. Últimamente se han realizado intentos por mejorar la clasificación diagnóstica termográfica haciendo uso de árboles de decisión, tal es el caso de [11] y [12] pues éstos conforman uno de los modelos de aprendizaje más populares en distintas áreas del conocimiento, sobre todo para aplicación médica, al ser capaces de proporcionar reglas fáciles de entender para los usuarios. Además, los árboles dividen los datos de manera recursiva en pequeños conjuntos o clases de acuerdo a un criterio de discriminación [13]. Por otro lado, las redes neuronales poseen mejor especificidad, pero una complejidad proporcional así como mayor requerimiento computacional, asimismo los factores de peso deben estar bien definidos al momento del entrenamiento pues, la red neuronal es capaz de autoaprender pero, si se modifican las ponderaciones implicadas, será necesario repetir el entrenamiento con los nuevos valores. Por lo tanto, a causa de la versatilidad y gran variedad de parámetros que definen un prediagnóstico termográfico, se requiere un modelo que se acople a estas necesidades y que sea fácil de implementar y entender. Los modelos de características (feature models, en inglés) o árboles de características pueden considerarse como una variante de los árboles de decisión. Comúnmente utilizados para aplicarse en líneas de productos software, definen particularidades de un sistema y sus dependencias. Típicamente lo hacen en forma de diagramas jerárquicos de características que describen visualmente la variedad de soluciones existentes (instancias del modelo) y las dividen en grupos que incrementan su nivel de detalle a medida que se recorre el diagrama hacia abajo. Asimismo, permiten elegir opciones de las variantes de cada característica (donde se toman las decisiones) ubicados en el mismo grupo y nivel jerárquico; y se aplican restricciones entre características, variantes e incluso entre los modelos que conforman el modelo de 2

características utilizando lógica booleana (AND, OR, XOR). Esto permite la selección, tal como se requiere en el caso termográfico, pues incluye la correlación de distintos datos capturados durante el estudio térmico de cada paciente, donde cada grupo de características y/o variantes puede tener diferencias en algunos atributos, pero todos comparten una arquitectura similar. En cambio, en los árboles de decisión, sólo es posible tomar un camino determinado a través de cada nodo subsecuente. Aunado a ello, la peculiaridad de un modelo de características, considerado como modelo reactivo, permite incluir nuevas variantes y sus restricciones a medida que aparezca la necesidad de incorporarlas, así como hacer cambios en las funciones de los factores de peso, mejorando entonces la precisión paraclínica al ajustarlos de manera personalizada. Es decir, se comparan las características de imagen de cada paciente con un modelo que se acopla y asemeja lo más posible a las condiciones fisiológicas individuales, con lo que un modelo de características puede servir de apoyo para resumir los datos considerados y sus relaciones destinadas a la evaluación y clasificación termográfica de las patologías mamarias.

2

MATERIALES Y MÉTODOS

Dentro del proyecto de “Identificación de patologías en las glándulas mamarias por medio de termografía”, realizado en el Centro de Física Aplicada y Tecnología Avanzada (CFATA) de la Universidad Nacional Autónoma de México (UNAM), se convoca a voluntarios a acudir a un estudio termográfico, durante el cual se informa a cada uno de las implicaciones del proyecto y sus alcances, así como la importancia de la detección temprana, específicamente, en cuanto a cáncer de mama. Posteriormente se procede a la firma de un consentimiento informado y la adquisición de imágenes dentro de instalaciones con ambiente controlado. Como etapa final, la persona a cargo de la investigación y otros miembros del grupo de trabajo (capacitados para tal tarea) analizan los termogramas y, con sustento en la información recolectada durante la entrevista personal, definen un valor porcentual experimental de la probabilidad de padecer una patología desde el punto de vista térmico. En caso de encontrar discrepancias con el modelo de normalidad estadística, se le informa al interesado y éste es canalizado para la realización de estudios convencionales (mastografía y ultrasonido). Tal proyecto ha recabado desde entonces un acervo de más de 10,000 estudios, todos registrados bajo un estricto protocolo de medición térmica y control de ciclo hormonal (este último, en el caso femenino). 2.1

Casos de estudio

Los casos aquí presentados corresponden a mujeres que acudieron al estudio, donde, aquéllas que mostraron patrones térmicos con características que indican presunción de padecimiento mamario, fueron canalizadas a la Unidad de Especialidades Médicas en Detección y Diagnóstico de Cáncer de Mama (UNEME-DEDICAM) del Estado de Querétaro u otras dependencias del Sector Salud para realizar estudios de imagen complementarios y, finalmente, confirmar con los estudios pertinentes aquéllos en los que se manifestaron masas sospechosas. Una vez hecha la corroboración clínica y, con base en los diagnósticos, las observaciones térmicas y los indicadores fisiológicos de cada voluntaria (edad, peso, estatura, tamaño de seno, etapa del ciclo menstrual, tipo somático, carga genética, hábitos saludables, antecedentes clínicos, consumo de medicamentos, etc.), se realizó el procesamiento de la minería de datos para determinar las correlaciones entre las variables y se crearon grupos con cualidades parecidas que declararan un diagnóstico similar. Así, se estableció la correspondencia entre los atributos existentes y, con ello, se clasificaron estadísticamente las enfermedades más comunes asociadas a la glándula mamaria, incluyendo a mujeres sanas y con padecimientos benignos (MFQ, quistes, etc.) y malignos (carcinoma). Ya que una gran porción de las características consideradas modifican en proporciones no lineales la posibilidad de presentar cierta patología en la mama, se le asignaron funciones de tal forma que generen factores de peso (ponderaciones o ganancias) asociados a cada uno de los parámetros considerados, donde la correlación entre dos o más variables supone la alteración de la ponderación con el fin de adecuarla en mejor proporción a las condiciones reales que inducen el padecimiento de las enfermedades mamarias.

3

2.2

Modelo de características

Los modelos de características distinguen tres tipos principales de variabilidades: i) Comunes, las cuales son aplicables en todos los casos a diagnosticar (i.e., son los puntos de variabilidad o características a considerar en el modelo), por ejemplo la forma de la mancha; ii) Variables, que son comunes en algunos casos a diagnosticar, pero no en todos (i.e., son las variantes de las características), por ejemplo la forma ovoide de la mancha; y iii) Específicos, que pertenecen a un solo caso, por ejemplo padece cáncer en otro órgano. Para el trabajo realizado se utilizaron los primeros dos tipos. En la Figura 1 se presenta la nomenclatura utilizada para el modelo de características implementado, mismo que puede verse en la Figura 2. Éste supone un modelo representativo de las variables consideradas dentro de los hábitos de vida y los datos clínicos fisiológicos, los antecedentes familiares y médicos, además de los parámetros de imagen contemplados para integrar todas las características apreciadas durante el estudio térmico.

Figura 1. Nomenclatura utilizada en el presente modelo de características.

4

Figura 2. a) Modelo de características que plasma los parámetros identificados más importantes correspondientes a los hábitos y datos clínicos (b), la carga genética e incidencia de patologías benignas (c) y la imagen térmica (d), así como las funciones calculadas (e). El sistema está implementado por medio de 15 funciones de las cuales 11 son no lineales. La función F1, concierne al tamaño de la mama, clasificado a través de las letras A, B, C, D y X. Éste aporta un factor de peso en función de la edad, pues, si el tamaño se encuentra entre A y B y se es joven, el factor de peso es menor que a una edad de 50 con un tamaño D. La edad que expresa la función F2 considera desde los 13 hasta los 70 años donde, de acuerdo a la probabilidad estadística, es mayor el factor de riesgo en mujeres entre 50 y 65 años, conformando un campana de Gauss. El ciclo menstrual de la función F3 está dividido en 4 grupos: menstrual, folicular, ovulatorio y lúteo. Los factores de peso se reducen considerablemente en las fases de menstruación y ovulación debido a que son los instantes en los que se producen cambios hormonales abruptos, afectando en consecuencia a la temperatura superficial. La función F4 pertenece al tipo somático y está divida en 3 grupos: ectomorfo, mesomorfo y endomorfo. Aquí, el factor de peso incrementa a medida que la robustez del cuerpo es mayor. La función F5 compete a los días de actividad física. Se le asigna un factor de peso alto cuando está entre 1 y 2 días de actividad semanal y éste disminuye gradualmente hacia los 3 días, finalmente, la curva se vuelve plana para los días comprendidos entre 3 y 5. En cuanto al hábito de fumar, la función F6 evoca los años de consumo de tabaco y la edad actual del paciente. Ésta tiene forma exponencial, por lo cual se considera no lineal. Por otro lado, en el grupo de carga genética y patologías benignas se tiene la función F7 con factores hereditarios del cáncer de mama sobre la línea materna directa. Dicha función tiene forma de escalón y puede darse en cuatro puntos: (0,0) en los casos donde madre y abuela materna no tuvieron la patología, (0,1) al existir presencia de cáncer de mama en la madre pero no en la abuela, (1,0) que indica patología en la abuela y no en la madre y (1,1) donde ambas padecieron la patología. 5

Complementariamente, la presencia de enfermedades benignas es un elemento importante, sin embargo, los factores de peso se consideran en función de los indicadores de proliferatividad celular y atipias, dando una función no lineal (F8). La función F9 relaciona el factor de peso obtenido de F8 con respecto a la edad. Es decir, la presencia de patologías benignas aumenta la posibilidad de desarrollar una lesión maligna conforme la edad es más avanzada. La función F10 se refiere a los familiares de línea materna con antecedentes de cáncer, es una variable binaria donde se indica si hay presencia o ausencia del mismo. Respecto a los parámetros de imagen, se considera la forma de la mancha como uno de los principales, dando origen a la función F11. En ésta el atributo es elegido por el intérprete del termograma y se define en una escala del 0 al 10, donde 0 hace referencia a una mancha con forma ovoide bien definida y el 10 a una muy espiculada, sometiendo a los números intermedios a una selección subjetiva. La cima térmica es uno de los parámetros más importantes, pues define el valor más alto medido en la superficie de la mama por cada cuadrante. La función F12 relaciona la cima térmica con la edad, esto es, en las mujeres jóvenes comúnmente se localizan manchas térmicas (cima) con valores más altos que en las mujeres de arriba de 40 años. Lo anterior se asocia a los cambios hormonales experimentados en edades tempranas. La diferencia de temperatura de la mancha térmica obtenida de la cima con respecto al tejido circundante (F13) proporciona información sobre la profundidad y tamaño de la lesión. Sin embargo, ésta se relaciona directamente con el ciclo menstrual, donde debe considerarse una función de erosionado (durante el análisis de imagen) en el caso ovulatorio. Por otro lado, en la simetría térmica se miden los valores máximo, mínimo y promedio de cada una de las mamas y se comparan por cuadrantes para determinar el diferencial entre ambas. La función F14 relaciona la edad con este parámetro, considerando que a mayor edad se reduce la simetría térmica. Por último, dentro de la experiencia que se tiene en termografía de mamas, se han encontrado manchas múltiples que han llevado a bautizar este fenómeno como leopardismo. Dicho efecto térmico se asocia a cambios hormonales, entonces, la función F15 relaciona el número de manchas térmicas ubicadas por cuadrante con su respectivo factor de peso. La Tabla 1 resume brevemente las características consideradas en el modelo, así como los atributos relativos a cada uno y el tipo de variable que debe utilizarse al momento de la programación. Tabla 1. Nombre de las características, atributos y tipo de variable utilizadas. Grupo de parámetros

Hábitos y datos clínicos

Carga genética y patologías benignas

Nombre

Atributos

Tipo de variable

Tamaño de la mama Edad

A, B, C, D, X 13 a 70 Menstruación, folicular, ovulatoria, lútea Endomorfo, mesomorfo, ectomorfo 1, 2, 3, 5 días semanales Años fumando Presencia o ausencia (combinada) Proliferativas o no, atípicas o no Presencia o ausencia Ovoide-espiculada y variaciones intermedias ≥ 2°C o no ≥ 1.4°C o no Mínimo, máximo y promedio 1-15

Nominal (0-10) Nominal

Ciclo menstrual Tipo somático Actividad física Tabaquismo Antecedentes en madre y abuela materna Patologías benignas Historial familiar materno Forma de la mancha

Parámetros de imagen térmica

Cima térmica Gradiente Simetría térmica Número de manchas

Cadena Cadena Nominal Nominal Binario Binario Binario Nominal (0-10) Flotante Flotante Flotante Nominal 6

3

RESULTADOS

El modelo de características supone una forma sencilla para representar esquemáticamente las particularidades que se buscan evaluar durante el estudio termográfico. Posterior a la realización de este modelo, se implementaron las relaciones entre los parámetros así como sus factores de peso no lineales y se realizó la evaluación del sistema en 300 muestras, entre las que se incluyen casos de 40 mujeres sanas y casos patológicos con confirmación diagnóstica (mediante otros métodos imagenológicos y biopsia). Entonces, se detectaron patologías benignas desde la etapa preclínica en 181 pacientes de 230 diagnosticadas como tal y casos de cáncer en etapas desde IIIA hasta IVB en 26 de las 30 diagnosticadas. Los resultados obtenidos se presentan en la Tabla 2. Tabla 2. Efectividad obtenida con la aplicación del modelo (n=300). Patología Benigna Maligna Ausente (sana)

Real 230 30 40

Estimado con el software 181 26 93

Efectividad 79% 86% 43%

Con base en la experiencia obtenida durante la implementación, por medio de modelo de características se pueden obtener resultados con una confiabilidad del 86% ante patologías malignas y un 79% ante las benignas, esto debido a que la técnica termográfica se basa en los cambios metabólicos, procesos inflamatorios y angiogénicos que no necesariamente se presentan en las lesiones benignas. Por otro lado, existen lesiones malignas en etapas iniciales en donde la vascularidad es mínima y esto reduce la probabilidad de observación de la misma. También debe considerarse de gran importancia la posición en que se encuentra la lesión para la determinación patológica. Se han detectado lesiones en torno a venas en donde se enmascara la mancha térmica. En otros casos, la lesión está demasiado profunda (> 4 cm) y la cantidad de energía liberada por la lesión es disipada por el tejido. Se han podido detectar casos en etapa II de cáncer de mama cuando la lesión se encuentra en posición retroareolar y en el cuadrante inferior interno debido a que la profundidad de la lesión es del orden de 1.5 cm. Sin embargo, no es posible afirmar de manera determinante que la termografía puede detectar todos los casos en estadios tempranos. 4

CONCLUSIONES

El plasmar en un modelo conceptual la principal información de las características que puede presentar un paciente al prediagnosticarlo con padecimientos mamarios a través de un estudio termográfico auxilia en la minería de datos para mejorar la comprensión de la información que se tiene. Éste, a su vez, asiste en el diagnóstico al reducir la carga diagnóstica, ya que permite que el especialista utilice dicho modelo (eligiendo una instancia del mismo) para generar un prediagnóstico rápido, considerando la simplicidad en el análisis de los parámetros más importantes conforme a los factores de peso aplicados (resultado de los parámetros no lineales). Esto permite que sea comprensible de una manera intuitiva en los casos en que se requiera hacer un cambio paramétrico para ajustes de precisión. Con ello es posible que haya mayor enfoque hacia los casos en que el experto conciba como de alta importancia. Así, se incrementa el nivel de atención en los sucesos que así lo requieran. Además, elimina la incertidumbre inherente al analista al conceder un diagnóstico objetivo, confiable y de calidad, pues en el diagnóstico realizado únicamente por humanos, la experiencia y nivel de entrenamiento del experto (además del equipo y método utilizado) influyen sobremanera en la certidumbre del diagnóstico. 5

AGRADECIMIENTOS

Al Consejo de Ciencia y Tecnología del Estado de Querétaro (CONCYTEQ) por el apoyo para el desarrollo del proyecto. A la UNEME-DEDICAM Querétaro por el apoyo en el diagnóstico clínico. Al M. C. Guillermo Vázquez Sánchez por el apoyo técnico en la implementación del software. 7

REFERENCIAS [1]

World Health Organization, "The global burden of disease: 2004 update" WHO Library

Cataloguing-in-Publication

Data

(2008).

Available

at:

http://www.who.int/healthinfo/global_burden_disease/GBD_report_2004update_full.pdf?ua=1 (Accessed on: June 24, 2016). [2]

Instituto Nacional de Estadística y Geografía, INEGI, (2013). Estadísticas de Mortalidad:

Base de Datos. Available at: http://www.inegi.org.mx/inegi/default.aspx?s=est&c=11094 (Accessed on: April 9, 2016). [3]

Knaul FM, Nigenda G, Lozano R, et. al. Breast cancer in Mexico: an urgent priority. Salud

Pública Méx 2009; 51(2): 335-344. [4]

Draper JW, Boag JW. The calculation of skin temperature distributions in thermography.

Phys Med Biol 1971; 16(2): 201–211. [5]

Lawson RN, Chughtai MS. Breast cancer and body temperature. CMAJ 1963; 88(2): 68–70.

[6]

AbdullGaffar B, Ghazi E, Mohamed E, et. al. Breast metaplastic carcinoma with unusual

small cell component. Breast Dis 2012; 34(1): 19–24. [7]

Love TJ. Analysis and application of thermography in medical diagnosis. In: Shitzer A,

Eberhart RC, Eds. Heat transfer in medicine and biology. New York: Plenum Publishing Corp., 1985. [8]

Faust O, Acharya UR, Ng EYK, et. al. Application of infrared thermography in computer

aided diagnosis. Infrared Phys Techn 2014; 66: 160–175. [9]

Acharya UR, Faust O, Sree SV, et. al. An accurate and generalized approach to plaque

characterization in 346 carotid ultrasound scans. IEEE T Instrum Meas 2012; 61(4): 1045–1053. [10] Yao X, Wei W, Li J et. al. A comparison of mammography, ultrasonography, and far-infrared thermography with pathological results in screening and early diagnosis of breast cancer. Asian Biomed 2014; 8(1): 11-19. Available at: http://abm.digitaljournals.org/index.php/abm/article/viewFile/2391/809 [11] Cruz-Ramírez N, Mezura-Montes E, Ameca-Alducin MY, et. al. Evaluation of the diagnostic power of thermography in breast cancer using Bayesian network classifiers. Comput Math Methods Med 2013; 2013: 10. Available at: http://dx.doi.org/10.1155/2013/264246 [12] Silva LF, Sequeiros GO, Santos MLO, et. al. Thermal Signal Analysis for Breast Cancer Risk Verification. In: Sarkar et al. Eds. MEDINFO 2015: eHealth-enabled Health. Open Access. IOS Press 2015: pp. 746-750. Available at: http://www2.ic.uff.br/~lsilva/SHTI216-0746.pdf [13] Mirzamomen Z, Fekri MN, Kangavari M. Cross split decision trees for pattern classification. 5th International Conference on Computer and Knowledge Engineering, ICCKE. Ferdowsi University

of

Mashhad,

Iran,

October,

2015:

pp.

240-245.

Available

at:

https://www.researchgate.net/publication/283571665

8