Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một hệ thống trí tuệ tính toán mới và đáng tin cậy cho việc phát hiện ung thư vú
Tóm tắt
Ung thư là yếu tố gây bệnh và tử vong quan trọng thứ hai ở phụ nữ, trong đó ung thư vú là loại thường gặp nhất. Bài báo này đề xuất một mô hình trí tuệ tính toán kết hợp dựa trên kỹ thuật học không giám sát và giám sát, cụ thể là bản đồ tự tổ chức (SOM) và mạng nơ-ron giá trị phức (CVNN), nhằm phát hiện ung thư vú một cách đáng tin cậy. Tập dữ liệu được sử dụng trong bài báo này bao gồm 822 bệnh nhân với năm đặc trưng (hình dạng khối u vú của bệnh nhân, viền, mật độ, độ tuổi của bệnh nhân và đánh giá theo Hệ thống Báo cáo và Dữ liệu Hình ảnh Vú). Mô hình được đề xuất lần đầu tiên được sử dụng và có thể được phân loại thành hai giai đoạn. Ở giai đoạn đầu tiên, dựa trên các đặc trưng đầu vào, kỹ thuật SOM được sử dụng để phân nhóm bệnh nhân có sự tương đồng cao nhất. Sau đó, ở giai đoạn thứ hai, đối với mỗi nhóm, các đặc trưng của bệnh nhân được áp dụng vào mạng nơ-ron giá trị phức và được xử lý để phân loại mức độ nghiêm trọng của ung thư vú (lành tính hoặc ác tính). Các kết quả thu được tương ứng với từng bệnh nhân được so sánh với kết quả chẩn đoán y học bằng cách sử dụng phân tích đặc điểm hoạt động nhận diện (ROC) và ma trận nhầm lẫn. Trong giai đoạn kiểm tra, tỷ lệ phát hiện sức khỏe và bệnh tật lần lượt là 94% và 95%. Do đó, ưu điểm của mô hình được đề xuất đã được chứng minh và có thể được sử dụng cho việc phát hiện ung thư vú một cách đáng tin cậy và mạnh mẽ.
Từ khóa
#ung thư vú #trí tuệ tính toán #mạng nơ-ron giá trị phức #bản đồ tự tổ chức #học máyTài liệu tham khảo
World Cancer Report. (2014). http://publications.iarc.fr/Non-Series-Publications/World-Cancer-Reports/World-Cancer-Report-2014
Ferlay J SI, Ervik M, Dikshit R, Eser S, Mathers C, Rebelo M, Parkin DM, Forman D, Bray, F (2013) Cancer Incidence and Mortality Worldwide: IARC CancerBase No 11. http://globocan.iarc.fr
Saritas I, Ozkan IA, Sert IU (2010) Prognosis of prostate cancer by artificial neural networks. Expert Syst Appl 37(9):6646–6650. https://doi.org/10.1016/j.eswa.2010.03.056
Saritas I (2012) Prediction of breast cancer using artificial neural networks. J Med Syst 36(5):2901–2907. https://doi.org/10.1007/s10916-011-9768-0
Saad G, Khadour A, Kanafani Q (2016) ANN and Adaboost application for automatic detection of microcalcifications in breast cancer. Egypt J Radiol Nucl Med 47(4):1803–1814. https://doi.org/10.1016/j.ejrnm.2016.08.020
Groshev A (2016) Chapter 18—recent advances of biochemical analysis: ANN as a tool for earlier cancer detection and treatment A2—Puri, Munish. In: Pathak Y, Sutariya VK, Tipparaju S, Moreno W (eds) Artificial neural network for drug design, delivery and disposition. Academic Press, Boston, pp 357–375. https://doi.org/10.1016/B978-0-12-801559-9.00018-1
Wahab N, Khan A, Lee YS (2017) Two-phase deep convolutional neural network for reducing class skewness in histopathological images based breast cancer detection. Comput Biol Med 85:86–97. https://doi.org/10.1016/j.compbiomed.2017.04.012
Karabatak M, Ince MC (2009) An expert system for detection of breast cancer based on association rules and neural network. Expert Syst Appl 36(2, Part 2):3465–3469. https://doi.org/10.1016/j.eswa.2008.02.064
Huang M-L, Hung Y-H, Chen W-Y (2010) Neural network classifier with entropy based feature selection on breast cancer diagnosis. J Med Syst 34(5):865–873. https://doi.org/10.1007/s10916-009-9301-x
Senapati MR, Mohanty AK, Dash S, Dash PK (2013) Local linear wavelet neural network for breast cancer recognition. Neural Comput & Applic 22(1):125–131. https://doi.org/10.1007/s00521-011-0670-y
Ludwig SA, Roos S (2010) Prognosis of breast cancer using genetic programming. In: Setchi R, Jordanov I, Howlett RJ, Jain LC (eds) Knowledge-based and intelligent information and engineering systems: 14th international conference, KES 2010, Cardiff, UK, September 8–10, 2010, proceedings, Part IV. Springer, Berlin Heidelberg, pp 536–545. https://doi.org/10.1007/978-3-642-15384-6_57
Chao C-M, Y-W Y, Cheng B-W, Kuo Y-L (2014) Construction the model on the breast cancer survival analysis use support vector machine, logistic regression and decision tree. J Med Syst 38(10):106. https://doi.org/10.1007/s10916-014-0106-1
Shin HJ, Kim HH, Shin KC, Sung YS, Cha JH, Lee JW, Son BH, Ahn SH (2016) Prediction of low-risk breast cancer using perfusion parameters and apparent diffusion coefficient. Magn Reson Imaging 34(2):67–74. https://doi.org/10.1016/j.mri.2015.10.028
Korkmaz SA, Korkmaz MF, Poyraz M (2016) Diagnosis of breast cancer in light microscopic and mammographic images textures using relative entropy via kernel estimation. Med Biol Eng Comput 54(4):561–573. https://doi.org/10.1007/s11517-015-1361-0
Nugroho KA, Setiawan NA, Adji TB (2013) Cascade generalization for breast cancer detection. In: Information Technology and Electrical Engineering (ed) (ICITEE), 2013 International Conference on. IEEE, New York, pp 57–61
Meng L, Xu Y, Xu C, Zhang W (2016) Biomarker discovery to improve prediction of breast cancer survival: using gene expression profiling, meta-analysis, and tissue validation. Onco Targets Ther 9:6177
Ding X, Cao J, Alsaedi A, Alsaadi FE, Hayat T (2017) Robust fixed-time synchronization for uncertain complex-valued neural networks with discontinuous activation functions. Neural Netw 90:42–55. https://doi.org/10.1016/j.neunet.2017.03.006
Song Q, Shu H, Zhao Z, Liu Y, Alsaadi FE (2017) Lagrange stability analysis for complex-valued neural networks with leakage delay and mixed time-varying delays. Neurocomputing 244:33–41. https://doi.org/10.1016/j.neucom.2017.03.015
Wang L, Song Q, Liu Y, Zhao Z, Alsaadi FE (2017) Global asymptotic stability of impulsive fractional-order complex-valued neural networks with time delay. Neurocomputing 243:49–59. https://doi.org/10.1016/j.neucom.2017.02.086
Borkowska EM, Kruk A, Jedrzejczyk A, Rozniecki M, Jablonowski Z, Traczyk M, Constantinou M, Banaszkiewicz M, Pietrusinski M, Sosnowski M, Hamdy FC, Peter S, Catto JWF, Kaluzewski B C105 Molecular subtyping of bladder cancer using Kohonen self-organizing maps. European Urology Supplements 12(4):e1213–C1105. https://doi.org/10.1016/S1569-9056(13)61953-3
Borkowska EM, Kruk A, Jedrzejczyk A, Rozniecki M, Jablonowski Z, Traczyk M, Constantinou M, Banaszkiewicz M, Pietrusinski M, Sosnowski M, Hamdy FC, Peter S, Catto JW, Kaluzewski B (2014) 995 Kohonen’s self-organizing map for molecular subtyping in bladder cancer. European urology supplements 13(1):e995. https://doi.org/10.1016/S1569-9056(14)60978-7
Elter M, Schulz-Wendtland R, Wittenberg T (2007) The prediction of breast cancer biopsy outcomes using two CAD approaches that both emphasize an intelligible decision process. Med Phys 34(11):4164–4172
Santen RJ (2014) Benign breast disease in women. MDText.com, Inc, South Dartmouth (MA)
McKenna RJ (1994) The abnormal mammogram radiographic findings, diagnostic options, pathology, and stage of cancer diagnosis. Cancer 74(S1):244–255. https://doi.org/10.1002/cncr.2820741308
Boyd NF, Martin LJ, Rommens JM, Paterson AD, Minkin S, Yaffe MJ, Stone J, Hopper JL (2009) Mammographic density: a heritable risk factor for breast cancer. In: Verma M (ed) Cancer epidemiology: modifiable factors. Humana Press, Totowa, NJ, pp 343–360. https://doi.org/10.1007/978-1-60327-492-0_15
Gülsün M, Demirkazık FB, Köksal A, Arıyürek M (2002) According to BI-RADS assessment of breast microcalcifications and to investigate the agreement between reviewers. Off J Turkish Soc Radiol 8(3):358–363
Edward T, Rick K, Robert R (2011) Conn’s current therapy. Elsevier INC. Saunders, Philadelphia
Kohonen T (1982) Self-organized formation of topologically correct feature maps. Biol Cybern 43(1):59–69
Douzas G, Bacao F (2017) Self-organizing map oversampling (SOMO) for imbalanced data set learning. Expert Syst Appl 82:40–52. https://doi.org/10.1016/j.eswa.2017.03.073
Novaes CG, Romão ILS, Santos BG, Ribeiro JP, Bezerra MA, da Silva EGP (2017) Screening of Passiflora L. mineral content using principal component analysis and Kohonen self-organizing maps. Food Chem 233:507–513. https://doi.org/10.1016/j.foodchem.2017.04.111
Shirazi AZ, Mohammadi Z (2016) A hybrid intelligent model combining ANN and imperialist competitive algorithm for prediction of corrosion rate in 3C steel under seawater environment. Neural Comput & Applic:1–10
Shirazi AZ, Hatami M, Yaghoobi M, Chabok SJSM (2016) An intelligent approach to predict vibration rate in a real gas turbine. Intell Ind Syst 2(3):253–267
Suresh S, Sundararajan N, Savitha R (2013) Erratum: supervised learning with complex-valued neural networks. In: Supervised learning with complex-valued neural networks. Springer, Berlin, pp E1–E1
Chang L-C, Shen H-Y, Chang F-J (2014) Regional flood inundation nowcast using hybrid SOM and dynamic neural networks. J Hydrol 519:476–489
Saito T, Rehmsmeier M (2016) Precrec: fast and accurate precision-recall and ROC curve calculations in R. Bioinformatics: btw570