دانلود مقاله کاربردهای یادگیری ماشین در تشخیص سرطان سینه
تعداد صفحات فایل انگلیسی : 14 صفحه pdf
تعداد صفحات فایل ترجمه : 19 صفجه word فونت 14 B Nazanin تعداد کلمات 6246
خلاصه: سرطان سینه یکی از شایع ترین سرطان در میان زنان در سراسر دنیا است که اغلب موارد سرطان های جدید شناخته شده و بیشتر موارد سرطان های که موجب مرگ شده است بر اساس امار های جهانی مربوط به سرطان سینه می باشد. که موجب شده است این مسئله به عنوان یکی از مشکلات اساسی سلامت جامعه تبدیل شود. تشخیص زودهنگام سرطان سینه می تواند پیش بینی و شانس زنده ماندن را به طور قابل ملاحظه افزایش دهد. و درمان های به موقع بالینی بیماران را بهبود دهد. علاوه براین تشخیص صحیح تومور خوش خیم از تحت درمان های بی مورد قرارگرفتن بیماران جلوگیری می کند. بنابراین تشخیص صحیح سرطان سینه و طبقه بندی بیماران به خوش خیم و بدخیم هدف بسیاری از مطالعات است. به دلیل مزیت یکتای آن در تشخیص مشخصه های بحرانی از مجموعه داده های سدطان سینه پیچیده یادگیری ماشین به عنوان متدولوژی شناخته شده برای انتخاب الگوی طبقه بندی سرطان سینه در بیماران و مدلسازی پیش بینی می باشد. در این مقاله هدف ما مطالعه تکنیک های ML و کاربرد ان در تشخیص و پیش بینی سرطان سینه می باشد. در ابتدا مروری بر تکنیک های ML شامل artificial neural networks (ANNs), support vector machines (SVMs), decision trees (DTs), and k-nearest neighbors (k-NNs) انجام شد. سپس کاربرد ان در سرطان سینه بررسی شد. داده های اولیه ما از مجموعه داده Wisconsin breast cancer database (WBCD) که پایگاه داده معیار برای مقایسه نتایج از طریق الگوریتم های گوناگون است گرفته شد. در نهایت مدل سیستم مراقبت های بهداشتی ما در کار اخیر نشان داده شد.
Machine Learning with Applications in Breast Cancer Diagnosis and Prognosis
Abstract: Breast cancer (BC) is one of the most common cancers among women worldwide, representing the majority of new cancer cases and cancer-related deaths according to global statistics, making it a significant public health problem in today’s society. The early diagnosis of BC can improve the prognosis and chance of survival significantly, as it can promote timely clinical treatment to patients. Further accurate classification of benign tumours can prevent patients undergoing unnecessary treatments. Thus, the correct diagnosis of BC and classification of patients into malignant or benign groups is the subject of much research. Because of its unique advantages in critical features detection from complex BC datasets, machine learning (ML) is widely recognised as the methodology of choice in BC pattern classification and forecast modelling. In this paper, we aim to review ML techniques and their applications in BC diagnosis and prognosis. Firstly, we provide an overview of ML techniques including artificial neural networks (ANNs), support vector machines (SVMs), decision trees (DTs), and fc-nearest neighbors (fc-NNs). Then, we investigate their applications in BC. Our primary data is drawn from the Wisconsin breast cancer database (WBCD) which is the benchmark database for comparing the results through different algorithms. Finally, a healthcare system model of our recent work is also shown.
Keywords: breast cancer; machine learning; artificial neural networks; decision tree; support vector machine; fc-nearest neighbor; healthcare system; Wisconsin breast cancer database
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله کاربردهای یادگیری ماشین در تشخیص سرطان سینه
تعداد صفحات فایل انگلیسی : 14 صفحه pdf
تعداد صفحات فایل ترجمه : 19 صفجه word فونت 14 B Nazanin تعداد کلمات 6246
خلاصه: سرطان سینه یکی از شایع ترین سرطان در میان زنان در سراسر دنیا است که اغلب موارد سرطان های جدید شناخته شده و بیشتر موارد سرطان های که موجب مرگ شده است بر اساس امار های جهانی مربوط به سرطان سینه می باشد. که موجب شده است این مسئله به عنوان یکی از مشکلات اساسی سلامت جامعه تبدیل شود. تشخیص زودهنگام سرطان سینه می تواند پیش بینی و شانس زنده ماندن را به طور قابل ملاحظه افزایش دهد. و درمان های به موقع بالینی بیماران را بهبود دهد. علاوه براین تشخیص صحیح تومور خوش خیم از تحت درمان های بی مورد قرارگرفتن بیماران جلوگیری می کند. بنابراین تشخیص صحیح سرطان سینه و طبقه بندی بیماران به خوش خیم و بدخیم هدف بسیاری از مطالعات است. به دلیل مزیت یکتای آن در تشخیص مشخصه های بحرانی از مجموعه داده های سدطان سینه پیچیده یادگیری ماشین به عنوان متدولوژی شناخته شده برای انتخاب الگوی طبقه بندی سرطان سینه در بیماران و مدلسازی پیش بینی می باشد. در این مقاله هدف ما مطالعه تکنیک های ML و کاربرد ان در تشخیص و پیش بینی سرطان سینه می باشد. در ابتدا مروری بر تکنیک های ML شامل artificial neural networks (ANNs), support vector machines (SVMs),
decision trees (DTs), and k-nearest neighbors (k-NNs) انجام شد. سپس کاربرد ان در سرطان سینه بررسی شد. داده های اولیه ما از مجموعه داده Wisconsin breast cancer database (WBCD) که پایگاه داده معیار برای مقایسه نتایج از طریق الگوریتم های گوناگون است گرفته شد. در نهایت مدل سیستم مراقبت های بهداشتی ما در کار اخیر نشان داده شد.
Machine Learning with Applications in Breast Cancer Diagnosis and Prognosis
Abstract: Breast cancer (BC) is one of the most common cancers among women worldwide, representing the majority of new cancer cases and cancer-related deaths according to global statistics, making it a significant public health problem in today’s society. The early diagnosis of BC can improve the prognosis and chance of survival significantly, as it can promote timely clinical treatment to patients. Further accurate classification of benign tumours can prevent patients undergoing unnecessary treatments. Thus, the correct diagnosis of BC and classification of patients into malignant or benign groups is the subject of much research. Because of its unique advantages in critical features detection from complex BC datasets, machine learning (ML) is widely recognised as the methodology of choice in BC pattern classification and forecast modelling. In this paper, we aim to review ML techniques and their applications in BC diagnosis and prognosis. Firstly, we provide an overview of ML techniques including artificial neural networks (ANNs), support vector machines (SVMs), decision trees (DTs), and fc-nearest neighbors (fc-NNs). Then, we investigate their applications in BC. Our primary data is drawn from the Wisconsin breast cancer database (WBCD) which is the benchmark database for comparing the results through different algorithms. Finally, a healthcare system model of our recent work is also shown.
Keywords: breast cancer; machine learning; artificial neural networks; decision tree; support vector machine; fc-nearest neighbor; healthcare system; Wisconsin breast cancer database
دانلود رایگان مقاله انگلیسی