論文の概要: Fuzzy Soft Set Theory based Expert System for the Risk Assessment in Breast Cancer Patients

• arxiv url: http://arxiv.org/abs/2511.02392v1
• Date: Tue, 04 Nov 2025 09:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.868198
• Title: Fuzzy Soft Set Theory based Expert System for the Risk Assessment in Breast Cancer Patients
• Title（参考訳）: 乳がん患者のリスクアセスメントのためのファジィソフトセット理論に基づくエキスパートシステム
• Authors: Muhammad Sheharyar Liaqat,
• Abstract要約: 本研究では,乳がんのリスクを評価するために,ファジィソフトセット理論に基づくエキスパートシステムを提案する。 提案システムは,乳がんリスクを推定するために,Body Mass Index,Insulin Level,Leptin Level,Adiponectin Level,および年齢を入力変数として統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer remains one of the leading causes of mortality among women worldwide, with early diagnosis being critical for effective treatment and improved survival rates. However, timely detection continues to be a challenge due to the complex nature of the disease and variability in patient risk factors. This study presents a fuzzy soft set theory-based expert system designed to assess the risk of breast cancer in patients using measurable clinical and physiological parameters. The proposed system integrates Body Mass Index, Insulin Level, Leptin Level, Adiponectin Level, and age as input variables to estimate breast cancer risk through a set of fuzzy inference rules and soft set computations. These parameters can be obtained from routine blood analyses, enabling a non-invasive and accessible method for preliminary assessment. The dataset used for model development and validation was obtained from the UCI Machine Learning Repository. The proposed expert system aims to support healthcare professionals in identifying high-risk patients and determining the necessity of further diagnostic procedures such as biopsies.
• Abstract（参考訳）: 乳がんは、世界中の女性の死亡率の主要な原因の1つであり、早期診断は効果的な治療と生存率の改善に不可欠である。 しかし、患者のリスクファクターの複雑な性質と変動性のため、タイムリーな検出は引き続き課題である。 本研究は,乳がんのリスクを計測可能な臨床・生理学的パラメータを用いて評価するためのファジィソフトセット理論に基づくエキスパートシステムを提案する。 提案システムは,入力変数としてBody Mass Index, Insulin Level, Leptin Level, Adiponectin Level, Ageを統合し,ファジィ推論ルールとソフトセット計算を用いて乳がんリスクを推定する。 これらのパラメータは、定期的な血液分析から得ることができ、予備評価のための非侵襲的でアクセス可能な方法を可能にする。 UCI Machine Learning Repositoryからモデル開発と検証に使用されるデータセットを得た。 本システムの目的は,高リスク患者を特定し,生検などのさらなる診断手順の必要性を判定する医療従事者を支援することである。

関連論文リスト

• PSO-XAI: A PSO-Enhanced Explainable AI Framework for Reliable Breast Cancer Detection [2.5631347250059577]
  本研究では、機能選択のためのカスタマイズされたParticle Swarm Optimization (PSO)を組み込んだ統合フレームワークを提案する。 提案手法は、精度と精度を含む全てのパフォーマンス指標において99.1%の優れたスコアを得た。 結果は,Swarmインテリジェンスと説明可能なMLを組み合わせることで,堅牢で信頼性が高く,臨床的に有意義な乳癌診断の可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-23T14:42:50Z)
• Machine Learning Meets Transparency in Osteoporosis Risk Assessment: A Comparative Study of ML and Explainability Analysis [0.0]
  本研究は,機械学習(ML)による骨粗しょう症のリスク予測の難しさに対処するものである。 XGBoostは評価モデルの中で最大の精度(91%)で、他のモデルの精度(0.92)、リコール(0.91)、F1スコア(0.90)を上回った。 本研究は, 加齢が骨粗しょう症のリスク予測の主要な要因であり, ホルモン変動と家族歴が続くことを示唆している。
  論文  参考訳（メタデータ） (2025-05-01T09:05:02Z)
• Deep learning-based identification of patients at increased risk of cancer using routine laboratory markers [2.482109221766753]
  がんスクリーニングは、スクリーニング方法と頻度を決定するために、最初のリスク階層化ステップを含む。 ほとんどのスクリーニングプログラムでは、年齢や家族歴などの臨床リスク要因は、最初のリスク階層化アルゴリズムの一部である。 本研究は, 大腸癌, 肝癌, 肺癌のリスクのある患者を鑑別するために, 血液計数や完全代謝パネルなどの簡便な血液検査を併用できることを実証した。
  論文  参考訳（メタデータ） (2024-10-25T15:50:27Z)
• Breast Cancer Diagnosis: A Comprehensive Exploration of Explainable Artificial Intelligence (XAI) Techniques [37.9243470221619]
  乳がんの診断・診断における説明可能な人工知能(XAI)技術の適用について検討する。 複雑なAIモデルと実用的な医療アプリケーションの間のギャップを埋めることにおけるXAIの可能性を強調することを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T18:50:03Z)
• Region-specific Risk Quantification for Interpretable Prognosis of COVID-19 [36.731054010197035]
  新型コロナウイルス(COVID-19)のパンデミックは、世界的な公衆衛生を悪化させ、正確な診断と疾病対策の介入を必要とし、死亡率を下げている。 胸部X線画像(CXR)を用いて、新型コロナウイルスの予後に対する理解と信頼の向上を目的とした、解釈可能な深層生存予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-05T05:08:38Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。