Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightAşırı rassal ağaçlar algoritmasından Hinselmann, Schiller, sitoloji ve biyopsi tarama yöntemlerinin hastaların serviks kanseri olması riskini tahmin başarısı sırasıyla %99, %96, %97 ve %97 olmuştur.
📌 3 Maddede Bu Makale
Özet
Çok değişkenli desen analizi (ÇDDA) klinik verilerin incelenmesi için yaygın olarak kullanılan güçlü bir tekniktir. ÇDDA uygulamalarında genellikle makine öğrenmesi yöntemleri kullanılmaktadır. Kolektif öğrenme algoritmaları çok sayıda makine öğrenmesi metodunu bir araya getirilerek sınıflama performansını arttırmaktadır. Kadınlarda en sık görülen ikinci kanser türü olan serviks kanseri düşük gelirli ülkelerde önemli bir ölüm nedenidir. İlk evrelerinde belirti göstermeyen serviks kanseri erken teşhis edildiğinde tamamen tedavi edilebilmektedir. Bu çalışmada rastgele ormanlar, aşırı rassal ağaçlar ve Adaboost kolektif öğrenme yöntemleri kullanılarak hastaların serviks kanseri riskini çeşitli risk faktörlerinden faydalanarak farklı tarama yöntemleri açısından tahmin eden bir ÇDDA uygulaması yapılmıştır. Aşırı rassal ağaçlar algoritmasından Hinselmann, Schiller, sitoloji ve biyopsi tarama yöntemlerinin hastaların serviks kanseri olması riskini tahmin başarısı sırasıyla %99, %96, %97 ve %97 olmuştur.
Abstract
Multivariable pattern analysis (MVPA) is a powerful technique that is used widely to examine clinical data. Machine learning methods are generally used in MVPA applications. Ensemble learning algorithms increase the classification performance by combining a large number of machine learning methods. Cervical cancer that is the second most common cancer type in women is a major cause of death in low-income countries. Cervical cancer, which has no symptoms in its initial stages, can be completely cured if it is diagnosed early. In this study a MVPA application is performed that uses random forests, extremely randomized trees and Adaboost ensemble learning methods to estimate the risk of cervical cancer of the patients by using the various risk factors for different screening strategies. Prediction performance of the extremely randomized trees for the cervical cancer risk was 99%, 96%, 97% and 97% for the Hinselmann, Schiller, citology and biopy screening methods.