論文の概要: Ovarian Cancer Prediction from Ovarian Cysts Based on TVUS Using Machine Learning Algorithms

• arxiv url: http://arxiv.org/abs/2108.13387v1
• Date: Mon, 30 Aug 2021 17:16:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:52:08.997438
• Title: Ovarian Cancer Prediction from Ovarian Cysts Based on TVUS Using Machine Learning Algorithms
• Title（参考訳）: 機械学習アルゴリズムを用いたTVUSに基づく卵巣嚢胞からの卵巣癌の予知
• Authors: Laboni Akter, Nasrin Akhter
• Abstract要約: 卵巣癌(Ovarian Cancer, OC)は、女性生殖器腫瘍の一種で、少女にみられる。 本研究では,TVUSスクリーニングと3つの機械学習(ML)技術を用いたPLCOと呼ばれる実際のデータセットを用いた。 99.50%, 99.50%, 99.49%, 99.50%の近似を用いて, このアルゴリズムの精度, リコール, f1スコア, 精度で最高の性能を得た。
• 参考スコア（独自算出の注目度）: 1.90365714903665
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ovarian Cancer (OC) is type of female reproductive malignancy which can be found among young girls and mostly the women in their fertile or reproductive. There are few number of cysts are dangerous and may it cause cancer. So, it is very important to predict and it can be from different types of screening are used for this detection using Transvaginal Ultrasonography (TVUS) screening. In this research, we employed an actual datasets called PLCO with TVUS screening and three machine learning (ML) techniques, respectively Random Forest KNN, and XGBoost within three target variables. We obtained a best performance from this algorithms as far as accuracy, recall, f1 score and precision with the approximations of 99.50%, 99.50%, 99.49% and 99.50% individually. The AUC score of 99.87%, 98.97% and 99.88% are observed in these Random Forest, KNN and XGB algorithms .This approach helps assist physicians and suspects in identifying ovarian risks early on, reducing ovarian malignancy-related complications and deaths.
• Abstract（参考訳）: 卵巣癌(おんがくがん、英: ovarian cancer、oc)は、若い女性の生殖悪性腫瘍の一種で、若い女性や主に生殖または生殖において見られる。 多くの嚢胞が危険であり、がんを引き起こす可能性がある。 そこで,この検出にはトランスヴァージナル超音波(TVUS)スクリーニングを用いて,異なる種類のスクリーニングから行うことが可能である,予測が極めて重要である。 本研究では,TVUSスクリーニングと3つの機械学習(ML)技術を備えたPLCOと呼ばれる実際のデータセットを,それぞれRandom Forest KNN,XGBoostの3変数に導入した。 99.50%, 99.50%, 99.49%, 99.50%の近似を用いて, このアルゴリズムの精度, リコール, f1スコア, 精度で最高の性能を得た。 AUCの99.87%、98.97%、99.88%のスコアは、これらのランダムフォレスト、KNN、XGBアルゴリズムで観測されている。

関連論文リスト

• Coalitions of AI-based Methods Predict 15-Year Risks of Breast Cancer Metastasis Using Real-World Clinical Data with AUC up to 0.9 [6.712251433139411]
  乳がんは女性の死亡率が最も高い2つのがんのうちの1つで、米国では毎年約4万2000人が死亡している。 現在の予後指標は、局所治療後に治癒したと思われる5人の女性のうち4人にはほとんど効果がない。 我々は、既存のデータのみを用いて、ROC分析において最大0.9のAUCを示すアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-08-29T04:35:36Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Cluster-Induced Mask Transformers for Effective Opportunistic Gastric Cancer Screening on Non-contrast CT Scans [38.46196471197819]
  世界第3位の死因は胃癌である。 既存の方法は侵襲的であり、高価であり、早期胃癌を特定する感度が欠如している。 マルチタスク方式で腫瘍を共同分割し異常を分類する新規なクラスタ誘導型マスクトランスを提案する。
  論文  参考訳（メタデータ） (2023-07-10T12:49:36Z)
• A Deep Analysis of Transfer Learning Based Breast Cancer Detection Using Histopathology Images [0.0]
  ディープニューラルネットワーク(Deep Neural Network, DNN)は、乳がんの検出精度を向上させるために一般的に用いられる。 病理組織像のデータセットを用いて,乳がん検出のための事前訓練深達度学習モデルの解析を行った。 転送学習モデルを解析した結果,ResNet50の精度は90.2%,曲線下面積(AUC)は90.0%,リコール率は94.7%,限界損失は3.5%であった。
  論文  参考訳（メタデータ） (2023-04-11T07:17:55Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• BIO-CXRNET: A Robust Multimodal Stacking Machine Learning Technique for Mortality Risk Prediction of COVID-19 Patients using Chest X-Ray Images and Clinical Data [0.0]
  本研究は、イタリアで入院した930人の新型コロナウイルス患者のリスクを予測するために、25のバイオマーカーとCXR画像を用いている。 提案手法は精度、感度、F1スコアをそれぞれ89.03%、90.44%、89.03%とした。 ノモグラムに基づく採点法では、F1スコア92.88 %の高リスク患者の死亡確率を予測することができた。
  論文  参考訳（メタデータ） (2022-06-15T15:23:43Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Using deep learning to detect patients at risk for prostate cancer despite benign biopsies [0.7739635712759623]
  良性前立腺生検全スライド画像における形態的パターンを識別するために, 深部畳み込みニューラルネットワークモデルを開発し, 検証した。 提案モデルは, 定期的前立腺生検における偽陰性症例数を減少させる可能性がある。
  論文  参考訳（メタデータ） (2021-06-27T15:21:33Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Reducing false-positive biopsies with deep neural networks that utilize local and global information in screening mammograms [45.19322938294639]
  良性組織となる生検の頻度を下げることが重要である。 本研究では, 生検病変を悪性か良性のいずれかと分類するために, ディープニューラルネットワーク(DNN)を構築した。
  論文  参考訳（メタデータ） (2020-09-19T18:54:01Z)
• CNN-based Approach for Cervical Cancer Classification in Whole-Slide Histopathology Images [0.0]
  頸部がんは2040年までに年間460万人が死亡し、約90%がサハラ以南のアフリカ人女性である。 TCGAデータポータルからの頚部組織デジタルスライドはほとんどなく、全スライディング画像の障害物を克服するために前処理された。 その結果,F1スコアは98,26%,F1スコアは97,9%であった。
  論文  参考訳（メタデータ） (2020-05-28T11:45:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。