صحت شناخت الگوریتم های متفاوت یادگیری ماشین برای محاسبه خطر سرطان سینه آنالیز متا
تعداد کلمات فایل انگلیسی : 6صفحه pdf
تعداد صفحات فایل ترجمه : 8 صفحه word تعداد کلمه: 2677 فونت B Nazanin
هدف: هدف این مطالعه تعیین صحت تشخیص سرطان سینه با استفاده از الگوریتم های گوناگون یادگیری ماشین برای محاسبه رسیک سرطان سینه است. روش ها: روش انالیز متا بر اساس مقالات تحقیقی انجام شده روی تست صحت تشخیص الگوریتم های گوناگون یادگیری ماشین برای سرطان سینه که در بین سالهای 2000 تا 2018 چاپ شده اند و در پایگاه داده Pubmed، ProQuest و EBSCO قرار گرفته اند. نمودار جنگل جفت شده برای انالیز مورد استفاده قرار گرفته است. مقادیر عددی برای اختصاصیت و حساسیت از منفی غلط، مثبت غلط، صحیح منفی، صحیح مثبت بدست امده است که در ارائه های گرافیکی با جعبه هایی که مقادیر را نشانه گذاری می کنند و خطوط افقی که نشان دهنده بازه های اطمینان هستند نشان داده شده اند. نمودارهای Summary receiver operating characteristic (SROC)برای ارزیابی عملکرد تست های تشخیصی مورد استفاده قرار گرفته است. داده ها توسط Review Manager 5.3 پردازش شده اند. نتیجه: تقریبا 1879 مقاله مرور شده است. که 11 مورد انها برای ارزیابی سیستماتیک و انالیز متا انتخاب شدند. پنج الگوریتم یادگیر ماشین که می تواند ریسک سرطان سینه را پیش بینی نماید شناسایی شدند. Super Vector
Machine (SVM); Artificial Neural Networks (ANN); Decision Tree (DT); Naive Bayes (NB) و K-Nearest Neighbor
(KNN). با SVM مساحت زیر منحنی بیشتر از SROC 90 درصد بود. بنابراین در طبقه بندی عالی قرار گرفت. SVM می تواند ریسک سرطان سینه را با مقادیر صحت بهتر نسبت به سایر الگوریتم های یادگیری ماشین محاسبه نماید.
Diagnostic Accuracy of Different Machine Learning Algorithms for Breast Cancer Risk Calculation: a Meta-Analysis
Ricvan Dana Nindrea
Abstract
Objective: The aim of this study was to determine the diagnostic accuracy of different machine learning algorithms for breast cancer risk calculation. Methods: A meta-analysis was conducted of published research articles on diagnostic test accuracy of different machine learning algorithms for breast cancer risk calculation published between January 2000 and May 2018 in the online article databases of PubMed, ProQuest and EBSCO. Paired forest plots were employed for the analysis. Numerical values for sensitivity and specificity were obtained from false negative (FN), false positive (FP), true negative (TN) and true positive (TP) rates, presented alongside graphical representations with boxes marking the values and horizontal lines showing the confidence intervals (CIs). Summary receiver operating characteristic (SROC) curves were applied to assess the performance of diagnostic tests. Data were processed using Review Manager 5.3 (RevMan 5.3). Results: A total of 1,879 articles were reviewed, of which 11 were selected for systematic review and meta-analysis. Fve algorithms for machine learning able to predict breast cancer risk were identified: Super Vector
Machine (SVM); Artificial Neural Networks (ANN); Decision Tree (DT); Naive Bayes (NB); and K-Nearest Neighbor (KNN). With the SVM, the Area Under Curve (AUC) from the SROC was > 90%, therefore classified into the excellent category. Conclusion: The meta-analysis confirmed that the SVM algorithm is able to calculate breast cancer risk with better accuracy value than other machine learning algorithms. Keywords: Breast cancer risk- calculation- machine learning- algorithms
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
صحت شناخت الگوریتم های متفاوت یادگیری ماشین برای محاسبه خطر سرطان سینه آنالیز متا
تعداد کلمات فایل انگلیسی : 6صفحه pdf
تعداد صفحات فایل ترجمه : 8 صفحه word تعداد کلمه: 2677 فونت B Nazanin
هدف: هدف این مطالعه تعیین صحت تشخیص سرطان سینه با استفاده از الگوریتم های گوناگون یادگیری ماشین برای محاسبه رسیک سرطان سینه است. روش ها: روش انالیز متا بر اساس مقالات تحقیقی انجام شده روی تست صحت تشخیص الگوریتم های گوناگون یادگیری ماشین برای سرطان سینه که در بین سالهای 2000 تا 2018 چاپ شده اند و در پایگاه داده Pubmed، ProQuest و EBSCO قرار گرفته اند. نمودار جنگل جفت شده برای انالیز مورد استفاده قرار گرفته است. مقادیر عددی برای اختصاصیت و حساسیت از منفی غلط، مثبت غلط، صحیح منفی، صحیح مثبت بدست امده است که در ارائه های گرافیکی با جعبه هایی که مقادیر را نشانه گذاری می کنند و خطوط افقی که نشان دهنده بازه های اطمینان هستند نشان داده شده اند. نمودارهای Summary receiver operating characteristic (SROC)برای ارزیابی عملکرد تست های تشخیصی مورد استفاده قرار گرفته است. داده ها توسط Review Manager 5.3 پردازش شده اند. نتیجه: تقریبا 1879 مقاله مرور شده است. که 11 مورد انها برای ارزیابی سیستماتیک و انالیز متا انتخاب شدند. پنج الگوریتم یادگیر ماشین که می تواند ریسک سرطان سینه را پیش بینی نماید شناسایی شدند. Super Vector
Machine (SVM); Artificial Neural Networks (ANN); Decision Tree (DT); Naive Bayes (NB) و K-Nearest Neighbor
(KNN). با SVM مساحت زیر منحنی بیشتر از SROC 90 درصد بود. بنابراین در طبقه بندی عالی قرار گرفت. SVM می تواند ریسک سرطان سینه را با مقادیر صحت بهتر نسبت به سایر الگوریتم های یادگیری ماشین محاسبه نماید.
Diagnostic Accuracy of Different Machine Learning Algorithms for Breast Cancer Risk Calculation: a Meta-Analysis
Ricvan Dana Nindrea
Abstract
Objective: The aim of this study was to determine the diagnostic accuracy of different machine learning algorithms for breast cancer risk calculation. Methods: A meta-analysis was conducted of published research articles on diagnostic test accuracy of different machine learning algorithms for breast cancer risk calculation published between January 2000 and May 2018 in the online article databases of PubMed, ProQuest and EBSCO. Paired forest plots were employed for the analysis. Numerical values for sensitivity and specificity were obtained from false negative (FN), false positive (FP), true negative (TN) and true positive (TP) rates, presented alongside graphical representations with boxes marking the values and horizontal lines showing the confidence intervals (CIs). Summary receiver operating characteristic (SROC) curves were applied to assess the performance of diagnostic tests. Data were processed using Review Manager 5.3 (RevMan 5.3). Results: A total of 1,879 articles were reviewed, of which 11 were selected for systematic review and meta-analysis. Fve algorithms for machine learning able to predict breast cancer risk were identified: Super Vector
Machine (SVM); Artificial Neural Networks (ANN); Decision Tree (DT); Naive Bayes (NB); and K-Nearest Neighbor (KNN). With the SVM, the Area Under Curve (AUC) from the SROC was > 90%, therefore classified into the excellent category. Conclusion: The meta-analysis confirmed that the SVM algorithm is able to calculate breast cancer risk with better accuracy value than other machine learning algorithms. Keywords: Breast cancer risk- calculation- machine learning- algorithms
دانلود رایگان مقاله انگلیسی