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.

L'apprentissage automatique a pu aider au management correcte du cancer de langue

Imaginez une technologie qui peut prévoir les résultats des malades du cancer - si le cancer se reproduirait après demande de règlement, quel un peu plan de traitement l'avantage le patient et la survie générale possibilité des patients ? L'apprentissage automatique, un sous-domaine d'artificial intelligence est porté en équilibre pour révolutionner le management de cancer. La recherche doctorale de Rasheed Alabi à l'université des techniques d'apprentissage automatique d'expositions de Vaasa a pu aider au management correcte du cancer de langue.

Le cancer de langue est le cancer le plus courant qui est trouvé dans la région de tête et de col. Elle a entraîné une importante quantité de morts mondiales. Indépendamment de cela, elle peut occasionner le handicap et les difficultés de la parole en avalant et la mastication.

Le défi majeur a été dans le management correcte du cancer de langue - diagnostic précoce, planification de la demande de règlement, et prise des décisions au courant par les cliniciens.

En sa dissertation, Rasheed Alabi propose l'utilisation des techniques d'apprentissage automatique pour le management efficace du cancer de langue. Il a développé un outil web qui stratifie correctement des malades du cancer dans les groupes à haut risque ou à faible risque. Cela aide avec produire un traitement efficace pour des malades du cancer de langue.

Il est important de planification correctement pour la demande de règlement des malades du cancer de langue pour augmenter la qualité des soins fournie à eux et à la chance de survie. »

Rasheed Alabi, université de Vaasa

Les techniques d'apprentissage automatique ont surpassé les méthodes traditionnelles

Le modèle prévisionnel d'apprentissage automatique développé par Rasheed a produit une exactitude de 88,2% pour prévoir si le cancer de langue se reproduirait après demande de règlement. De même, le modèle d'apprentissage automatique a surpassé d'autres méthodes de management de cancer telles que l'utilisation de l'échafaudage et de l'abaque de cancer en estimant la survie générale des malades du cancer de langue.

Le médicament personnalisé et précisent le management de cancer de langue

Le modèle proposé est capable d'alléger le fardeau psychologique, social, et économique provoqué par le cancer oral de langue. L'outil pronostique basé sur le WEB développé s'assure que chaque patient est considéré comme comme entité d'aseparate (médicament personnalisé) tracer à l'extérieur une stratégie de management efficace de cancer de langue. Le modèle prévisionnel proposé peut offrir la planification de demande de règlement personnalisée, éviter des traitements inutiles, la prise de décision efficace de management de cancer, la consultation réaliste, des décisions au courant, et la survie générale améliorée. La prévision tôt de la récidive de cancer diminue des taux de mortalité de malades du cancer de langue.

Préoccupations d'apprentissage automatique dans la pratique clinique quotidienne

En sa dissertation, Alabi recense plusieurs préoccupations qui peuvent affecter l'utilisation clinique quotidienne réelle du modèle développé pour la pratique clinique quotidienne. Ces préoccupations sont groupées dans les défis éthiques qui sont inhérents à la science de l'apprentissage automatique et des réalisations cliniques.

Les défis éthiques comprennent le secret et la confidentialité, le désaccord de pairs, la liberté des patients pour choisir la méthode de demande de règlement thepreferred, la prise de décision partagée, et le cadre juridique pour la mise en place sans heurt.

Quelques préoccupations proviennent de l'apprentissage automatique comme technologie, telle qu'effectuer l'explicable modèle (explainability), comprendre comment la décision ou la prévision est effectuée (interpretability), et permettre au modèle thedeveloped de fonctionner pour une tâche assimilée (generalisability).

La défense publique

L'inspection publique de M.Sc. La thèse de doctorat de Rasheed Alabi « apprentissage automatique pour la pronostication personnalisée du cancer de langue " sera retenue jeudi 15 avril 2021 à midi.

L'événement sera dispensé en ligne : https://uwasa.zoom.us/j/8515167887

Prof. Simo Saarakkala (université d'Oulu) agira en tant qu'adversaire et professeur Mohamed Elmusrati comme custos.

Alabi, 2021) apprentissages automatiques de Rasheed (pour la pronostication personnalisée du cancer de langue. Acta Wasaensia 457. Thèse de doctorat, yliopisto de Vaasan - université de Vaasa.