دوره 20، شماره 3 - ( 10-1402 )
جلد 20 شماره 3 صفحات 12-3 |
برگشت به فهرست نسخه ها
گروه مهندسی برق
چکیده: (708 مشاهده)
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.
شماره‌ی مقاله: 1
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1400/12/26 | پذیرش: 1402/3/12 | انتشار: 1402/10/24 | انتشار الکترونیک: 1402/10/24
دریافت: 1400/12/26 | پذیرش: 1402/3/12 | انتشار: 1402/10/24 | انتشار الکترونیک: 1402/10/24
فهرست منابع
1. [1]. El-Bendary, N. and N.A. Belal, A feature-fusion framework of clinical, genomics, and histopathological data for METABRIC breast cancer subtype classification. Applied Soft Computing, vol.91, pp.106238, 2020.
2. [2]. Singh, D. and A.K. Singh, Role of image thermography in early breast cancer detection-Past, present and future. Computer methods and programs in biomedicine, vol. 183, pp.105074, 2020.
3. [3]. Azamjah N, Soltan-Zadeh Y, Zayeri F. Global trend of breast cancer mortality rate: a 25-year study. Asian Pacific journal of cancer prevention: APJCP. 2019;20(7):2015. [DOI:10.31557/APJCP.2019.20.7.2015] [PMID] []
4. [4]. Forouzanfar, M.H., et al., Breast and cervical cancer in 187 countries between 1980 and 2010: a systematic analysis. The lancet, vol. 378(9801), pp.1461-1484, 2011.
5. [5]. Delen, D., G. Walker, and A. Kadam, Predicting breast cancer survivability: a comparison of three data mining methods. Artificial intelligence in medicine, vol.34(2), pp.113-127, 2005.
6. [6]. Campone, M., et al., Taxanes in adjuvant breast cancer setting: which standard in Europe? Critical reviews in oncology/hematology, vol.55(3), pp.167-175, 2005.
7. [7]. Mohammadpour, A., et al., Breast Cancer, Genetic Factors and Methods of Diagnosis. Sarem Journal of Reproductive Medicine,vol. 4(4): 198-207, 2020.
8. [8]. Mukherjee, A., et al., Associations between genomic stratification of breast cancer and centrally reviewed tumour pathology in the METABRIC cohort. NPJ breast cancer, vol.4(1) ,pp. 1-9, 2018.
9. [9]. Rakha, E.A. and A.R. Green, Molecular classification of breast cancer: what the pathologist needs to know. Pathology, vol.49(2), pp.119, 2017.
10. [10]. Hao, J., et al., Interpretable deep neural network for cancer survival analysis by integrating genomic and clinical data. BMC medical genomics,vol. 12(10) ,pp. 1-13,2019.
11. [11]. Collett, D., Modelling survival data in medical research. 2015: CRC press.
12. [12]. Stevenson, M. and I. EpiCentre, An introduction to survival analysis. EpiCentre, IVABS, Massey University,2009.
13. [13]. Goel, M.K., P. Khanna, and J. Kishore, Understanding survival analysis: Kaplan-Meier estimate. International journal of Ayurveda research,vol.1(4), pp.274, 2010.
14. [14]. Therneau, T.M. and P.M. Grambsch, The cox model, in Modeling survival data: extending the Cox model,pp. 39-7,2000.
15. [15]. O'Brien, R.C., et al., Random Survival Forests Analysis of Intraoperative Complications as Predictors of Descemet Stripping Automated Endothelial Keratoplasty Graft Failure in the Cornea Preservation Time Study. JAMA ophthalmology,vol.139(2) ,pp.191-197,2021.
16. [16]. Gensheimer MF, Narasimhan B. A scalable discrete-time survival model for neural networks. PeerJ. 2019 Jan 25;7:e6257.
17. [17]. Faraggi, D. and R. Simon, A neural network model for survival data. Statistics in medicine,vol.14(1) ,pp.73-82, 1995.
18. [18]. Street, W.N. A Neural Network Model for Prognostic Prediction. in ICML. 1998. Citeseer.
19. [19]. Fotso, S., Deep neural networks for survival analysis based on a multi-task framework. arXiv preprint arXiv:1801.05512, 2018.
20. [20]. Yu, C.-N., et al., Learning patient-specific cancer survival distributions as a sequence of dependent regressors. Advances in neural information processing systems, vol.24, pp.1845-1853, 2011.
21. [21]. Katzman, J.L., et al., DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC medical research methodology, vol.18(1), pp.121, 2018.
22. [22]. Luck M, Sylvain T, Cardinal H, Lodi A, Bengio Y. Deep learning for patient-specific kidney graft survival analysis. arXiv preprint arXiv:1705.10245. 2017 May 29.
23. [23]. Lee, C., et al. Deephit: A deep learning approach to survival analysis with competing risks. in Thirty-second AAAI conference on artificial intelligence,2018.
24. [24]. Bilal, E., et al., Improving breast cancer survival analysis through competition-based multidimensional modeling. PLoS computational biology, vol.9(5), pp.10030-47, 2013.
25. [25]. Lu, J., et al., An efficient kernel discriminant analysis method. Pattern Recognition, vol. 38(10) ,pp.1788-179,2005.
26. [26]. Lee, M.-L.T. and G.A. Whitmore, Threshold regression for survival analysis: modeling event times by a stochastic process reaching a boundary. Statistical Science,21(4) ,pp.501-513, 2006.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |