این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۲۰، شماره ۳، صفحات ۳-۱۲
عنوان فارسی پیش‌بینی بقای بیماران مبتلا به سرطان پستان با استفاده از بهینه سازی مدل DeepHit
چکیده فارسی مقاله با توجه به اهمیت و شیوع سرطان پستان به‌عنوان دومین علت مرگ در بین بیماری‌های سرطانی در جهان، دسترسی به مدل­هایی که با دقت بالا بتوانند بقای این بیماران را در افراد مبتلا پیش‌بینی نمایند، موردتوجه است. هدف از این مطالعه، استفاده از شبکه عصبی عمیقِ بهینه‌سازی شده برای پیش‌بینی بقای بیماران مبتلا به سرطان پستان است. مطالعه حاضر یک مطالعه تحلیلی هست. داده‌های مورداستفاده از بانک داده‌ای METABRIC مربوط به طبقه‌بندی مولکولی از بیماران مبتلابه سرطان سینه مجمع بین‌المللی هست. تعداد کل بیماران موردبررسی 1981نفر هست. از این تعداد 888 نفر از بیماران تا لحظه مرگ تحت مراقبت و بقیه در حین مطالعه از ادامه مطالعه صرف‌نظر کرده‌اند. در این دیتاست به 21 ویژگی کلینیکی بیماران توجه شده است که در کل شامل 6 ویژگی کمی و 15 ویژگی کیفی هست. جهت پیش‌بینی بقا از مدل شبکه عصبی عمیق DeepHit بهینه‌سازی شده استفاده می­شود. مدل بهینه‌سازی شده توانسته است معیار 73/0 c_index= را، که معیاری برای سنجش قابلیت مدل‌های آنالیز بقا است کسب کند. مقایسه با مدل‌های قبلی بر اساس مجموعه داده‌های واقعی و مصنوعی نشان می‌دهد که DeepHit بهینه‌سازی شده به پیشرفت‌های عملکردی بزرگ و آماری قابل‌توجهی نسبت به روش‌های سطح بالا دست‌یافته است.
 
کلیدواژه‌های فارسی مقاله استخراج ویژگی، یادگیری عمیق، تجزیه و تحلیل بقا، سرطان پستان،
عنوان انگلیسی Predicting the Survival of Breast Cancer Patients via Deep Neural Networks
چکیده انگلیسی مقاله Predicting and estimating the time it takes for an event of interest to occur base on available information is special assistance in how to deal with the event and handle it or provide solution to prevent the occurrence of the event. In medicine, valuable information about evaluating the types of treatments and prognosis and providing solution to handle event can be gained by predicting the time that an event occurrence according to information recorded from patients. Many statistical solutions have been proposed for predicting the time that an event occurrence and the most professional method is Survival Analysis. The purpose of Survival Analysis is to predict the time that an event occurrence a model effective parameters in estimating the time, which can be control or eliminating problematic factors. Due to the importance and prevalence of breast cancer as the second leading cause of death among cancer patients in the world, access to models that can accurately predict the survival of breast cancer patients is very important. The present study is an analytical study. The data used in this study are taken from The Molecular Taxonomy Data of the International Federation of Breast Cancer (METABRIC) database, which is related to which is related to the molecular classification of breast cancer patients. The total number of patients studied was 1981. Of these, 888 patients were in care until the time of death and the rest did not continue the study during the study. In this database, 21 clinical features of patients have been considered, which includes a total of 6 quantitative features and 15 qualitative features. To predict survival, a deep neural network model called the optimized DeepHit is used. The optimized model has achieved the criterion of c_index = 0.73, which is a criterion for measuring the capability of survival analysis models. Comparisons with previous models based on real and synthetic datasets show that the optimized DeepHit has achieved great performance and statistically significant improvements over previous advanced methods.
کلیدواژه‌های انگلیسی مقاله Deep learning, Survival Analysis, Breast cancer
نویسندگان مقاله سهیلا رضایی | Soheila Rezaei
Department of Electrical Engineering, Faculty of Engineering
گروه مهندسی برق

حسین قیومی زاده | Hossein Ghayoumi Zadeh
Department of Electrical Engineering, Faculty of Engineering
گروه مهندسی برق

محمدحسین قلی زاده | Mohammad Hossein Gholizadeh
Department of Electrical Engineering, Faculty of Engineering
گروه مهندسی برق

علی فیاضی | Ali Fayazi
Department of Electrical Engineering, Faculty of Engineering
گروه مهندسی برق

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2317-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات