論文の概要: Supervised Machine Learning for Breast Cancer Risk Factors Analysis and
Survival Prediction
- arxiv url: http://arxiv.org/abs/2304.07299v1
- Date: Thu, 13 Apr 2023 12:32:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 19:49:55.747878
- Title: Supervised Machine Learning for Breast Cancer Risk Factors Analysis and
Survival Prediction
- Title(参考訳): 乳がんリスク因子分析と生存予測のための教師付き機械学習
- Authors: Khaoula Chtouki, Maryem Rhanoui, Mounia Mikram, Kamelia Amazian, Siham
Yousfi
- Abstract要約: 最も効果的な治療法の選択は、最終的には乳がん生存予測に影響されるかもしれない。
本研究では,1904年の患者記録を用いて5年間の乳癌生存を機械学習を用いて予測した。
- 参考スコア(独自算出の注目度): 0.5249805590164902
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The choice of the most effective treatment may eventually be influenced by
breast cancer survival prediction. To predict the chances of a patient
surviving, a variety of techniques were employed, such as statistical, machine
learning, and deep learning models. In the current study, 1904 patient records
from the METABRIC dataset were utilized to predict a 5-year breast cancer
survival using a machine learning approach. In this study, we compare the
outcomes of seven classification models to evaluate how well they perform using
the following metrics: recall, AUC, confusion matrix, accuracy, precision,
false positive rate, and true positive rate. The findings demonstrate that the
classifiers for Logistic Regression (LR), Support Vector Machines (SVM),
Decision Tree (DT), Random Forest (RD), Extremely Randomized Trees (ET),
K-Nearest Neighbor (KNN), and Adaptive Boosting (AdaBoost) can accurately
predict the survival rate of the tested samples, which is 75,4\%, 74,7\%,
71,5\%, 75,5\%, 70,3\%, and 78 percent.
- Abstract(参考訳): 最も効果的な治療法の選択は、最終的に乳癌の生存予測に影響される可能性がある。
患者が生存する確率を予測するために、統計学、機械学習、ディープラーニングモデルなど様々な手法が採用された。
本研究は,METABRICデータセットから得られた1904年の患者記録を用いて,機械学習を用いた5年間の乳癌生存率の予測を行った。
本研究では、7つの分類モデルの結果を比較し、リコール、AUC、混乱行列、精度、精度、偽陽性率、真正率の指標を用いて、それらがどれだけうまく機能するかを評価する。
その結果,ロジスティック回帰 (LR), サポートベクターマシン (SVM), 決定木 (DT), ランダムフォレスト (RD), 極端ランダム化木 (ET), K-Nearest Neighbor (KNN), 適応ブースティング (AdaBoost), 適応ブースティング (AdaBoost) の分類器は, 試験試料の生存率を, 75,4\%, 74,7\%, 71,5\%, 75,5\%, 70,3\%, 78パーセントを正確に予測できることがわかった。
関連論文リスト
- Improving Cardiovascular Disease Prediction Through Comparative Analysis
of Machine Learning Models: A Case Study on Myocardial Infarction [0.0]
心臓血管疾患は現代世界でも主要な死因である。
正確な予測は、医療戦略の精査に欠かせない。
XGBoostがトップパフォーマンスモデルとして登場します。
論文 参考訳(メタデータ) (2023-11-01T13:41:44Z) - Multitask Deep Learning for Accurate Risk Stratification and Prediction
of Next Steps for Coronary CT Angiography Patients [26.50934421749854]
リスク階層化と下流テスト選択を支援するマルチタスク深層学習モデルを提案する。
提案手法は,CADのリスク層化において0.76AUC,下流試験では0.72AUCの受信機動作特性を持つCurve(AUC)のエリアを達成した。
論文 参考訳(メタデータ) (2023-09-01T08:34:13Z) - A new methodology to predict the oncotype scores based on
clinico-pathological data with similar tumor profiles [0.0]
Oncotype DX (ODX) は乳がんの分子検査である。
本研究の目的は,医師の意思決定を支援する新しい手法を提案することである。
論文 参考訳(メタデータ) (2023-03-13T10:08:13Z) - Analysis and Evaluation of Explainable Artificial Intelligence on
Suicide Risk Assessment [32.04382293817763]
本研究では,自殺リスク予測における説明可能な人工知能(XAI)技術の有効性について検討した。
データ拡張技術とMLモデルは、関連するリスクを予測するために使用される。
高い収入、高い職業、大学教育を持つ患者は、最もリスクが低い。
論文 参考訳(メタデータ) (2023-03-09T05:11:46Z) - Machine Learning-Assisted Recurrence Prediction for Early-Stage
Non-Small-Cell Lung Cancer Patients [10.127130900852405]
再発リスクによるがん患者の成層化は、自身のケアをパーソナライズすることができる。
本研究では,早期非小細胞肺癌患者の再発確率を機械学習を用いて推定する方法を提案する。
論文 参考訳(メタデータ) (2022-11-17T19:34:16Z) - Interpretability methods of machine learning algorithms with
applications in breast cancer diagnosis [1.1470070927586016]
我々は,グローバルサロゲート(GS)法,個人期待(ICE)プロット,条件シェープ値(SV)などの解釈可能性技術を用いた。
乳がん診断における最良の成績は,提案したERN(精度96.6%,ROC曲線0.96)により得られた。
論文 参考訳(メタデータ) (2022-02-04T13:41:30Z) - Performance of multilabel machine learning models and risk
stratification schemas for predicting stroke and bleeding risk in patients
with non-valvular atrial fibrillation [22.45448597986172]
マルチラベル勾配押し上げ機は、脳卒中、大出血、死亡に最適な識別力を与えた。
モデルでは、それぞれの結果に対して追加のリスク特徴(ヘモグロビンレベル、腎機能など)を同定した。
論文 参考訳(メタデータ) (2022-02-02T15:15:03Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Glioblastoma Multiforme Patient Survival Prediction [1.0650780147044159]
そこで我々は,手作り画像とラジオミクス機能を利用した4つの回帰器を用いた生存予後モデルを提案する。
その結果,手作りの特徴は生存予測と強い相関を示した。
勾配上昇と放射能形状の特徴を持つコンセンサスベースの回帰器は生存予測に最適である。
論文 参考訳(メタデータ) (2021-01-26T06:47:14Z) - COVID-19 Prognosis via Self-Supervised Representation Learning and
Multi-Image Prediction [32.91440827855392]
胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。
新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。
本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
論文 参考訳(メタデータ) (2021-01-13T07:03:17Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳(メタデータ) (2020-05-07T12:16:37Z)
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。