Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Le modèle d'apprentissage automatique peut guider des décisions de demande de règlement pour des malades du cancer de poumon

Les médecins et les membres du personnel soignant peuvent utilisation jour un modèle d'apprentissage automatique, apprendre profond appelé, à guider leurs décisions de demande de règlement pour des malades du cancer de poumon, selon une équipe des chercheurs grands de vallée d'État de Penn.

Dans une étude, les chercheurs enregistrent qu'ils ont développé un modèle apprenant profond qui, en certaines conditions, était plus de 71% précis dans l'expectance de prévision de survie des malades du cancer de poumon, améliorent de manière significative que les modèles traditionnels d'apprentissage automatique que l'équipe a vérifiés. L'autre apprentissage automatique modélise l'équipe examinée a eu environ un régime d'exactitude de 61%.

L'information sur une expectance de la survie des malades a pu aider des médecins et des travailleurs sociaux de guide en prenant de meilleures décisions sur employer des médicaments, affecter des moyens et déterminer l'intensité des soins pour des patients, selon Youakim Badr, professeur agrégé d'analytique de caractéristiques.

C'est un système haute performance qui est hautement précis et est visé aidant des médecins prennent ces décisions importantes au sujet de fournir des soins à leurs patients. Naturellement, cet outil ne peut pas être utilisé comme substitut pour un docteur en prenant des décisions sur des traitements contre le cancer de poumon. »

Youakim Badr, professeur agrégé d'analytique de caractéristiques, État de Penn

Selon Robin G. Qiu, professeur de la science de l'information et du bureau d'études et une société apparentée de l'institut pour les sciences de calcul et de caractéristiques, le modèle peut analyser un grand nombre de caractéristiques - ; caractéristiques en général appelées dans l'apprentissage automatique - ; cela décrivent les patients et la maladie pour comprendre comment des périodes d'une survie de cancer de poumon d'affect d'association de facteurs. Les caractéristiques peuvent comprendre l'information telle que des types de cancer, la taille des tumeurs, la vitesse de la croissance tumorale, et des caractéristiques démographiques.

Ce que profond apprend ?

Apprendre profond peut être seulement adapté à aborder le pronostic de cancer de poumon parce que le modèle peut fournir l'analyse robuste nécessaire dans la cancérologie, selon les chercheurs, qui enregistrent leurs découvertes en tourillon international de l'informatique médicale. Apprendre profondément est un type d'apprentissage automatique qui est basé sur les réseaux neuronaux artificiels, qui sont généralement modélisés sur la façon dont le propre réseau neuronal de l'esprit humain fonctionne.

En apprenant profondément, cependant, des révélateurs appliquez une structure sophistiquée des couches multiples de ces neurones artificiels, qui est pourquoi le modèle désigné sous le nom de « profondément. » L'aspect apprenant d'apprendre profondément vient de la façon dont le système apprend des liens entre les caractéristiques et les marques, a dit Badr.

« Apprendre profondément est un algorithme d'apprentissage automatique qui effectue des associations entre les caractéristiques, lui-même, et les marques que nous employons pour décrire les exemples de caractéristiques, » a dit Badr. « En effectuant ces associations, il apprend des caractéristiques. »

Qiu a ajouté cela des offres apprenantes profondes de structure plusieurs avantages pour beaucoup de tâches de la science de caractéristiques, particulièrement une fois confronté avec les ensembles de données qui ont un grand nombre de dossiers - ; dans ce cas, patients - ; aussi bien qu'un grand nombre de caractéristiques.

« Elle améliore le rendement énormément, » a dit Qiu. « Dans profondément apprenant nous pouvons entrer plus profonds, qui est pourquoi elles l'appellent cela. Dans l'apprentissage automatique traditionnel, vous avez une structure simple des couches de réseaux neuronaux. Dans chaque couche, vous avez un groupe de cellules. En apprenant profondément, il y a beaucoup de couches de ces cellules qui peuvent architected dans une structure sophistiquée pour exécuter une meilleures transformation et extraction de caractéristique, qui te donne la capacité d'améliorer davantage l'exactitude de n'importe quel modèle. »

À l'avenir, les chercheurs voudraient améliorer le modèle et vérifier sa capacité d'analyser d'autres types des cancers et de conditions médicales.

« Le régime d'exactitude est bon, mais il n'est pas parfait, ainsi une partie de nos travaux futurs est d'améliorer le modèle, » a dit Qiu.

Pour améliorer davantage leur modèle apprenant profond, les chercheurs devraient également brancher aux experts en matière de domaine, qui sont les gens qui ont la connaissance spécifique. Dans ce cas, les chercheurs voudraient brancher aux experts en cancers spécifiques et conditions médicales.

« Dans beaucoup de cas, nous ne pourrions pas connaître beaucoup de caractéristiques qui devraient entrer dans le modèle, » avons dit Qiu. « Mais, par la collaboration avec des experts en matière de domaine, ils pourraient nous aider à rassembler les caractéristiques importantes au sujet des patients que nous ne pourrions pas nous rendre compte de et cela améliorerait davantage le modèle. »

Les chercheurs ont analysé des caractéristiques du programme de contrôle, d'épidémiologie, et de résultats finaux (SCOMBRE). L'ensemble de données de SCOMBRE est l'une des plus grandes et les plus complètes bases de données sur l'information de diagnostic précoce pour des malades du cancer aux Etats-Unis, selon Shreyesh Doppalapudi, une aide à la recherche d'étudiant de troisième cycle et le premier auteur du papier. Les registres du cancer du programme couvrent presque 35% de malades du cancer des États-Unis.

« Une des choses réellement bonnes au sujet de cette caractéristique est qu'elle couvre une grande partie de la population et elle est réellement diverse, » a dit Doppalapudi. Une « autre bonne chose est qu'elle couvre beaucoup de différentes caractéristiques, que vous pouvez employer pour beaucoup de différents buts. Ceci devient très précieux, particulièrement en employant l'apprentissage automatique s'approche. »

Doppalapudi a ajouté que les plusieurs comparés d'équipe apprendre profond approche, y compris les réseaux neuronaux artificiels, les réseaux neuronaux circonvolutionnaires et les réseaux neuronaux récurrents, à l'apprentissage automatique traditionnel modélise. Les approches apprenantes profondes ont exécuté bien mieux que les méthodes traditionnelles d'apprentissage automatique, il a dit.

L'architecture apprenante profonde mieux est adaptée à traiter de tels grands, divers ensembles de données, tels que le programme de SCOMBRE, selon Doppalapudi. Travailler sur ces types d'ensembles de données exige la capacité de calcul robuste. Dans cette étude, les chercheurs ont compté sur le superordinateur de l'hurlement d'ICDS.

Avec environ 800.000 à 900.000 entrées dans l'ensemble de données de SCOMBRE, les chercheurs ont dit que cela manuellement la conclusion de ces associations dans les caractéristiques avec une équipe entière des chercheurs médicaux serait extrêmement difficile sans aide d'apprentissage automatique.

« Si c'étaient seulement trois inducteurs que je dirais que ce serait impossible - ; et nous avons eu environ 150 inducteurs, » a dit Doppalapudi. La « compréhension de tous ces différents inducteurs et puis l'affichage et apprendre de cette information, seraient impossibles. »

Source:
Journal reference:

Doppalapudi, S., et al. (2020) Lung cancer survival period prediction and understanding: Deep learning approaches. International Journal of Medical Informatics. doi.org/10.1016/j.ijmedinf.2020.104371.