Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

El aprendizaje de máquina podía ayudar a la administración apropiada del cáncer de la lengüeta

¿Imagínese una tecnología que pueda predecir el resultado de enfermos de cáncer - si el cáncer ocurriera de nuevo después del tratamiento, qué clase de plan del tratamiento la ventaja el paciente y la supervivencia total chance de los pacientes? Se contrapesa el aprendizaje de máquina, un subregistro de la inteligencia artificial revolucionar la administración del cáncer. La investigación doctoral de Rasheed Alabi en la universidad de las técnicas de aprendizaje de máquina de las demostraciones de Vaasa podía ayudar a la administración apropiada del cáncer de la lengüeta.

El cáncer de la lengüeta es el cáncer más común que se encuentra en la región de la culata de cilindro y del cuello. Ha causado una cantidad importante de muertes por todo el mundo. Aparte de eso, puede causar la debilitación y la dificultad de discurso en tragar y la masticación.

El reto mayor ha estado en la administración apropiada del cáncer de la lengüeta - diagnóstico precoz, el proyectar del tratamiento, y tomar decisiones informadas por los clínicos.

En su disertación, Rasheed Alabi propone el uso de las técnicas de aprendizaje de máquina para la administración efectiva del cáncer de la lengüeta. Él desarrolló una herramienta en Internet que estratifica correctamente a enfermos de cáncer en grupos de alto riesgo o poco arriesgados. Ese ayuda con crear un tratamiento efectivo para los enfermos de cáncer de la lengüeta.

Es importante proyectar correctamente para el tratamiento de los enfermos de cáncer de la lengüeta aumentar la calidad del cuidado ofrecida a ellos y a la posibilidad de supervivencia.”

Rasheed Alabi, universidad de Vaasa

Las técnicas de aprendizaje de máquina superaron los métodos tradicionales

El modelo profético del aprendizaje de máquina desarrollado por Rasheed produjo una exactitud de 88,2% para predecir si el cáncer de la lengüeta ocurriría de nuevo después del tratamiento. Semejantemente, el modelo de máquina-aprendizaje superó otros métodos de administración del cáncer tales como el uso del andamiaje y del ábaco del cáncer en el cálculo de la supervivencia total de los enfermos de cáncer de la lengüeta.

Remedio personalizado y administración exacta del cáncer de la lengüeta

El modelo propuesto es capaz de aliviar la carga psicológica, social, y económica causada por el cáncer oral de la lengüeta. La herramienta pronóstica en Internet desarrollada se asegura de que consideran a cada paciente como entidad del aseparate (remedio personalizado) proyectar una estrategia de gestión efectiva del cáncer de la lengüeta. El modelo profético propuesto puede ofrecer la formulación de planes de tratamiento personalizada, evitar terapias innecesarias, la toma de decisión efectiva de la administración del cáncer, el asesoramiento realista, decisiones informadas, y supervivencia total perfeccionada. La predicción temprana de la repetición del cáncer disminuye a tasas de mortalidad de enfermos de cáncer de la lengüeta.

Preocupaciones del aprendizaje de máquina en práctica clínica diaria

En su disertación, Alabi determina varias preocupaciones que puedan afectar al uso clínico diario real del modelo desarrollado para la práctica clínica diaria. Estas preocupaciones se agrupan en los retos éticos que son inherentes a la ciencia del aprendizaje de máquina y de puestas en vigor clínicas.

Los retos éticos incluyen aislamiento y confidencialidad, desacuerdo del par, la libertad de los pacientes para elegir método de tratamiento thepreferred, toma de decisión compartida, y marco jurídico para la puesta en vigor lisa.

Algunas preocupaciones provienen el aprendizaje de máquina como tecnología, tal como fabricación del explicable modelo (explainability), comprensión de cómo se hace la decisión o la predicción (interpretability), y permitir al modelo thedeveloped trabajar para una tarea similar (generalisability).

Defensa pública

El examen público de M.Sc. La disertación doctoral “aprendizaje de Rasheed Alabi de máquina para el pronóstico personalizado del cáncer de la lengüeta " será esperada el jueves 15 de abril de 2021 al mediodía.

La acción será ordenada en línea: https://uwasa.zoom.us/j/8515167887

Profesor Simo Saarakkala (universidad de Oulu) actuará como un opositor y profesor Mohammed Elmusrati como tutoría.

Alabi, 2021) aprendizajes de máquina de Rasheed (para el pronóstico personalizado del cáncer de la lengüeta. Acta Wasaensia 457. Disertación doctoral, yliopisto de Vaasan - universidad de Vaasa.