We have presented two CAD systems t

We have presented two CAD systems that both emphasize an intelligible decision process for the prediction of breast cancer biopsy outcomes from BI-RADS input attributes. The first approach is based on decision-tree learning and the second on case-based reasoning using an entropic distance measure. We have evaluated and compared the performance of both systems using ROC analysis and bootstrap sampling. Both systems outperform the diagnosis decisions of the physicians. Hence, both systems have the potential to reduce the number of unnecessary breast biopsies. However, these results have been obtained using a retrospective approach using relatively small case databases containing only a few thousand cases. Therefore further investigations are needed, and these results probably need to be confirmed in a larger
prospective clinical study. A comparison of the ROC performances of the two proposed CAD approaches with a state of the art ANN approach shows that the CBR approach significantly outperforms the ANN approach, which in turn significantly outperforms the decision-tree approach. While there are significant but only small performance differences between the two proposed CAD approaches, there are fundamental differences regarding their properties. Hence, a decision to choose one over the other should be mainly based on evaluating these properties with regard to the intended clinical application. One fundamental difference is that while decision-tree systems are so-called eager learners, which induce a global model from the training data, their CBR counterparts are lazy learners, which directly use the training data to deduce a diagnosis suggestion. The advantage of a global decision-tree model is that it is a compact representation of the decision process, which can be understood simply by looking at the decision tree. Once the model is induced from the training data it can even be printed on a paper and applied to new cases without the need of a computer system. In contrast, the decision process of a CBR system is transparent to the physician in a different way. While it does not induce a global model, it induces local models for each new query case. These local models, which are simply based on the attributes and classification of the most similar database cases for a query case are also intelligible for the physician and can potentially model more complex decision processes than a global model.

ผลลัพธ์ (ไทย) 1:

เราได้นำเสนอสองระบบ CAD ทั้งเน้นกระบวนการตัดสินใจ intelligible สำหรับทำนายของผลตรวจชิ้นเนื้อมะเร็งเต้านมจาก BI RADS ใส่แอตทริบิวต์ วิธีแรกขึ้นอยู่กับการเรียนรู้ต้นไม้ตัดสินใจและที่สองในกรณีตามเหตุผลโดยใช้การวัดระยะทาง entropic เรามีประเมิน และเปรียบเทียบประสิทธิภาพของทั้งระบบที่ใช้วิเคราะห์ ROC และการเริ่มต้นระบบ ทั้งสองระบบมีประสิทธิภาพสูงกว่าการตัดสินใจการวินิจฉัยของแพทย์ที่ ดังนั้น ทั้งสองระบบมีศักยภาพในการลดจำนวนของประสาทการตรวจชิ้นเนื้อเต้านมไม่จำเป็น อย่างไรก็ตาม ผลลัพธ์เหล่านี้ได้ถูกรับใช้วิธีคาดที่ใช้ฐานข้อมูลกรณีที่ค่อนข้างเล็กประกอบด้วยเพียงไม่กี่พันกรณี ดังนั้น ต้องตรวจสอบเพิ่มเติม และผลลัพธ์เหล่านี้อาจจำเป็นต้องได้รับการยืนยันในขนาดใหญ่ prospective clinical study. A comparison of the ROC performances of the two proposed CAD approaches with a state of the art ANN approach shows that the CBR approach significantly outperforms the ANN approach, which in turn significantly outperforms the decision-tree approach. While there are significant but only small performance differences between the two proposed CAD approaches, there are fundamental differences regarding their properties. Hence, a decision to choose one over the other should be mainly based on evaluating these properties with regard to the intended clinical application. One fundamental difference is that while decision-tree systems are so-called eager learners, which induce a global model from the training data, their CBR counterparts are lazy learners, which directly use the training data to deduce a diagnosis suggestion. The advantage of a global decision-tree model is that it is a compact representation of the decision process, which can be understood simply by looking at the decision tree. Once the model is induced from the training data it can even be printed on a paper and applied to new cases without the need of a computer system. In contrast, the decision process of a CBR system is transparent to the physician in a different way. While it does not induce a global model, it induces local models for each new query case. These local models, which are simply based on the attributes and classification of the most similar database cases for a query case are also intelligible for the physician and can potentially model more complex decision processes than a global model.

ผลลัพธ์ (ไทย) 2:

เราได้นำเสนอสองระบบ CAD ว่าทั้งเน้นกระบวนการตัดสินใจเข้าใจการทำนายผลการตรวจชิ้นเนื้อมะเร็งเต้านมจาก BI-RADS คุณลักษณะการป้อนข้อมูล วิธีแรกจะขึ้นอยู่กับการเรียนรู้การตัดสินใจของต้นไม้และครั้งที่สองในกรณีที่การให้เหตุผลโดยใช้มาตรการระยะสึกกร่อน เราได้รับการประเมินและเปรียบเทียบประสิทธิภาพการทำงานของทั้งสองระบบโดยใช้การวิเคราะห์ร็อคและการสุ่มตัวอย่างบูต ทั้งสองระบบมีประสิทธิภาพสูงกว่าการตัดสินใจการวินิจฉัยของแพทย์ ดังนั้นทั้งสองระบบมีศักยภาพที่จะลดจำนวนของการตรวจชิ้นเนื้อเต้านมที่ไม่จำเป็นที่ อย่างไรก็ตามผลเหล่านี้ได้รับโดยใช้วิธีการใช้ฐานข้อมูลย้อนหลังกรณีที่มีขนาดค่อนข้างเล็กที่มีเพียงไม่กี่พันกรณี
สืบสวนต่อไปดังนั้นจึงมีความจำเป็นและผลเหล่านี้อาจจะต้องได้รับการยืนยันในที่มีขนาดใหญ่ในอนาคตการศึกษาทางคลินิก การเปรียบเทียบการแสดงร็อคของทั้งสอง CAD เสนอแนวทางที่มีสถานะของศิลปะวิธี ANN ที่แสดงให้เห็นว่าวิธีการที่มีประสิทธิภาพดีกว่าอย่างมีนัยสำคัญ CBR วิธี ANN ซึ่งจะมีประสิทธิภาพดีกว่าอย่างมีนัยสำคัญวิธีการตัดสินใจต้นไม้ ในขณะที่มีอย่างมีนัยสำคัญ แต่มีขนาดเล็กเพียงความแตกต่างของผลการดำเนินงานระหว่างทั้งสองที่นำเสนอวิธีการ CAD มีความแตกต่างพื้นฐานเกี่ยวกับคุณสมบัติของพวกเขา ดังนั้นการตัดสินใจที่จะเลือกหนึ่งในช่วงอื่น ๆ ควรจะได้รับตามหลักในการประเมินคุณสมบัติเหล่านี้เกี่ยวกับการประยุกต์ใช้ทางคลินิกตั้งใจ หนึ่งความแตกต่างพื้นฐานคือว่าในขณะที่ระบบการตัดสินใจต้นไม้จะเรียกว่าผู้เรียนมีความกระตือรือร้นที่ก่อให้เกิดรูปแบบทั่วโลกจากข้อมูลการฝึกอบรมคู่ CBR ของพวกเขาจะขี้เกียจเรียนที่โดยตรงใช้ข้อมูลการฝึกอบรมที่จะอนุมานข้อเสนอแนะการวินิจฉัย ประโยชน์จากรูปแบบการตัดสินใจต้นไม้ทั่วโลกก็คือว่ามันเป็นตัวแทนที่มีขนาดกะทัดรัดของกระบวนการตัดสินใจซึ่งสามารถเข้าใจได้ง่ายๆโดยการมองไปที่ต้นไม้การตัดสินใจ เมื่อรูปแบบการชักนำจากข้อมูลการฝึกอบรมก็ยังสามารถที่จะพิมพ์บนกระดาษและนำไปใช้กับผู้ป่วยรายใหม่โดยไม่จำเป็นต้องของระบบคอมพิวเตอร์ ในทางตรงกันข้ามการตัดสินใจของระบบ CBR โปร่งใสให้กับแพทย์ในทางที่แตกต่างกัน ในขณะที่มันไม่ได้ก่อให้เกิดรูปแบบทั่วโลกก็ก่อให้เกิดรูปแบบท้องถิ่นสำหรับกรณีแบบสอบถามใหม่แต่ละ โมเดลเหล่านี้ในท้องถิ่นซึ่งจะขึ้นอยู่เพียงแค่ในลักษณะและประเภทของฐานข้อมูลกรณีที่คล้ายกันมากที่สุดสำหรับกรณีนี้ยังมีการสอบถามเข้าใจสำหรับแพทย์และอาจจะสามารถสร้างแบบจำลองกระบวนการตัดสินใจที่ซับซ้อนมากขึ้นกว่ารูปแบบทั่วโลก

ผลลัพธ์ (ไทย) 3:

เราได้นำเสนอสองระบบ CAD ที่เน้นกระบวนการการตัดสินใจเข้าใจสำหรับการพยากรณ์โรคมะเร็งเต้านมเนื้อเยื่อที่เกิดจาก bi-rads ใส่แอตทริบิวต์ วิธีการแรกคือขึ้นอยู่กับการเรียนรู้ต้นไม้ตัดสินใจกรณีศึกษาการใช้เหตุผลและสองที่ใช้วัดระยะทาง entropic .เราได้ประเมิน และเปรียบเทียบประสิทธิภาพของทั้งสองระบบโดยใช้การวิเคราะห์และการสุ่มตัวอย่างบูทรอค . ทั้งระบบมีประสิทธิภาพสูงกว่าการวินิจฉัย คำวินิจฉัยของแพทย์ ดังนั้น ทั้งสองระบบมีศักยภาพที่จะลดจำนวนเซลล์เต้านมที่ไม่จำเป็น อย่างไรก็ตามผลลัพธ์เหล่านี้ได้รับการเข้าถึงฐานข้อมูลที่มีการใช้ที่ค่อนข้างเล็กย้อนหลังกรณีกรณีเพียงไม่กี่พัน ดังนั้นการสอบสวนเพิ่มเติมเป็น และ ผลลัพธ์เหล่านี้อาจต้องได้รับการยืนยันในขนาดใหญ่
ในอนาคต การศึกษาทางคลินิก .การเปรียบเทียบผลการปฏิบัติงานของทั้งสองแนวทางเสนอ CAD กับรัฐของศิลปะแบบแอนแสดงให้เห็นว่าวิธีการอย่างมีนัยสำคัญมีประสิทธิภาพดีกว่าวิธีการอย่างแอน ซึ่งในทางกลับอย่างมีประสิทธิภาพดีกว่าโครงสร้างการตัดสินใจวิธีการ ในขณะที่มีความสัมพันธ์ แต่เพียงเล็ก ๆแสดงความแตกต่างระหว่างสองเสนอ CAD แนวมีความแตกต่างพื้นฐานเกี่ยวกับคุณสมบัติของพวกเขา ดังนั้น การตัดสินใจที่จะเลือกหนึ่งในช่วงอื่น ๆควรจะใช้เป็นหลักในการประเมินคุณสมบัติเหล่านี้ที่เกี่ยวข้องกับวัตถุประสงค์ทางคลินิกโปรแกรม หนึ่งความแตกต่างคือว่าในขณะที่ระบบการตัดสินใจแบบต้นไม้เพื่อเรียกความกระตือรือร้นของผู้เรียน ซึ่งก่อให้เกิดรูปแบบทั่วโลกจากข้อมูลการฝึกอบรมคู่ CBR ของผู้เรียนขี้เกียจโดยตรง ซึ่งจะใช้ข้อมูลการสรุปการวินิจฉัยโรคข้อเสนอแนะ ประโยชน์ของแบบจำลองการตัดสินใจแบบต้นไม้โลกก็คือว่ามันเป็นตัวแทนกระชับของกระบวนการการตัดสินใจซึ่งสามารถเข้าใจได้โดยเพียงแค่มองไปที่ต้นไม้ การตัดสินใจเมื่อรูปแบบการข้อมูลฝึกอบรมยังสามารถพิมพ์บนกระดาษและใช้กับรายใหม่ โดยไม่มีความต้องการของระบบคอมพิวเตอร์ ในทางตรงกันข้าม , กระบวนการตัดสินใจของระบบ CBR มีความโปร่งใสให้กับแพทย์ในวิธีที่แตกต่าง ในขณะที่มันไม่ได้ก่อให้เกิดรูปแบบทั่วโลก มันก่อให้เกิดรูปแบบท้องถิ่น กรณีสอบถามกันใหม่ . รุ่นท้องถิ่นเหล่านี้ซึ่งก็ขึ้นอยู่กับลักษณะและประเภทของฐานข้อมูลที่คล้ายกันมากที่สุด เพื่อสอบถามกรณีคดียังเข้าใจสำหรับแพทย์และอาจจะซับซ้อนมากขึ้นกว่ารูปแบบการตัดสินใจกระบวนการแบบสากล