論文の概要: Predicting Cancer Using Supervised Machine Learning: Mesothelioma
- arxiv url: http://arxiv.org/abs/2111.01912v1
- Date: Sun, 31 Oct 2021 16:49:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-05 01:54:13.811833
- Title: Predicting Cancer Using Supervised Machine Learning: Mesothelioma
- Title(参考訳): 機械学習による癌予知:中皮腫
- Authors: Avishek Choudhury
- Abstract要約: 胸膜中皮腫は年間に米国で診断された中皮腫の約75%を占める。
我々は、MPMの早期診断に最適なモデルを提案する人工知能アルゴリズムを使用している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Pleural Mesothelioma (PM) is an unusual, belligerent tumor that
rapidly develops into cancer in the pleura of the lungs. Pleural Mesothelioma
is a common type of Mesothelioma that accounts for about 75% of all
Mesothelioma diagnosed yearly in the U.S. Diagnosis of Mesothelioma takes
several months and is expensive. Given the risk and constraints associated with
PM diagnosis, early identification of this ailment is essential for patient
health. Objective: In this study, we use artificial intelligence algorithms
recommending the best fit model for early diagnosis and prognosis of MPM.
Methods: We retrospectively retrieved patients clinical data collected by Dicle
University, Turkey, and applied multilayered perceptron (MLP), voted perceptron
(VP), Clojure classifier (CC), kernel logistic regression (KLR), stochastic
gradient decent SGD), adaptive boosting (AdaBoost), Hoeffding tree (VFDT), and
primal estimated sub-gradient solver for support vector machine (s-Pegasos). We
evaluated the models, compared and tested using paired T-test (corrected) at
0.05 significance based on their respective classification accuracy, f-measure,
precision, recall, root mean squared error, receivers characteristic curve
(ROC), and precision-recall curve (PRC). Results: In phase-1, SGD, AdaBoost.
M1, KLR, MLP, VFDT generate optimal results with the highest possible
performance measures. In phase 2, AdaBoost, with a classification accuracy of
71.29%, outperformed all other algorithms. C-reactive protein, platelet count,
duration of symptoms, gender, and pleural protein were found to be the most
relevant predictors that can prognosticate Mesothelioma. Conclusion: This study
confirms that data obtained from Biopsy and imagining tests are strong
predictors of Mesothelioma but are associated with a high cost; however, they
can identify Mesothelioma with optimal accuracy.
- Abstract(参考訳): 背景: 胸膜中皮腫 (Pleural Mesothelioma, PM) は異常な悪性腫瘍であり, 肺胸膜癌に急速に進展する。
胸膜中皮腫(英: pleural mesothelioma)は、アメリカ合衆国で毎年診断される中皮腫の約75%を占める、一般的な中皮腫の一種である。
PM診断に伴うリスクと制約を考えると,早期診断は患者の健康に不可欠である。
目的:本研究では,MPMの早期診断と予後に最適な適合モデルを提案する人工知能アルゴリズムを用いた。
方法: トルコ, ディクル大学, および応用多層型パーセプトロン (mlp), 投票型パーセプトロン (vp), clojure分類器 (cc), カーネルロジスティック回帰 (klr), 確率勾配有意なsgd), アダプティブ・ブースティング (adaboost), ホッフィンディングツリー (vfdt), サポートベクターマシン (s-pegasos) のサブグレード・ソルバ (primal estimated sub-gradient solver) によって収集された臨床データをふりかえりに検索した。
それぞれの分類精度、f測定、精度、リコール、ルート平均二乗誤差、レシーバ特性曲線(ROC)、精度-リコール曲線(PRC)に基づいて、ペアTテスト(補正)を0.05の精度で比較、評価した。
結果: フェーズ1, SGD, AdaBoost。
M1,KLR,MLP,VFDTは最高性能測定値で最適結果を生成する。
フェーズ2では、分類精度71.29%のadaboostが、他のアルゴリズムよりも優れていた。
C-reactive protein, platelet count, duration of symptoms, gender, and pleural proteinが中皮腫の診断に最も有用であった。
結論: 生検および想像検査から得られたデータは中皮腫の強い予測因子であるが, 高いコストを伴っているが, 最適な精度で中皮腫を同定できる。
関連論文リスト
- Breast Cancer Classification Using Gradient Boosting Algorithms Focusing on Reducing the False Negative and SHAP for Explainability [0.6906005491572401]
本研究は,乳がん予測のためのブースティングに基づく各種機械学習アルゴリズムの性能評価に焦点をあてる。
本研究の目的は,AdaBoost,XGBoost,CatBoost,LightGBMといった最先端の促進アルゴリズムを用いて乳癌の予測と診断を行うことである。
論文 参考訳(メタデータ) (2024-03-14T16:35:43Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳(メタデータ) (2023-03-23T18:50:18Z) - Deep Learning for Predicting Metastasis on Melanoma WSIs [1.4724454726700604]
北ヨーロッパではメラノーマの死亡率が世界第2位である。
悪性黒色腫の予後は、病理医が患者の腫瘍を主観的に分析することに基づいている。
本稿では,VGG16をベースとした畳み込みニューラルネットワーク(CNN)を用いて,転移の有無を5年以内に予測する。
論文 参考訳(メタデータ) (2023-03-10T07:40:09Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Improving the diagnosis of breast cancer based on biophysical ultrasound
features utilizing machine learning [0.0]
乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。
以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
論文 参考訳(メタデータ) (2022-07-13T23:53:09Z) - Optimizing Prediction of MGMT Promoter Methylation from MRI Scans using
Adversarial Learning [0.0]
Glioblastoma Multiforme (GBM) による米国では毎年13,000人以上が死亡していると推定されている。
非侵襲磁気共鳴画像(MRI)ベースの機械学習(ML)モデルを用いてMGMTプロモーターの状態を特定することが重要である。
2つの放射能モデルと2つのCNNモデルという4つの主要モデルを開発した。
論文 参考訳(メタデータ) (2022-01-12T11:04:34Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳(メタデータ) (2021-09-14T09:42:37Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳(メタデータ) (2021-02-10T15:10:37Z) - Applying a random projection algorithm to optimize machine learning
model for predicting peritoneal metastasis in gastric cancer patients using
CT images [0.3120960917423201]
手術前の癌転移のリスクを非侵襲的に予測することは、最適な治療方法を決定する上で重要な役割を担っている。
本研究では,小・不均衡の画像データセットを用いて最適な機械学習モデルを構築するための新しいアプローチについて検討する。
論文 参考訳(メタデータ) (2020-09-01T19:53:09Z)
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。