A CBR-based CAD system reasons base

A CBR-based CAD system reasons based on stored
knowledge
prior cases with associated ground truth and its
final diagnosis suggestion is based on the ground truth of the
stored cases that are most similar to the query case. Hence,
its reasoning process is much easier to comprehend for the
physician than an ANN system that acts like a black box. In
this paper we propose a novel approach, based on decisiontree
learning
DT, for building a CAD system that predicts
breast cancer biopsy outcomes based on BI-RADS compliant
lesion descriptions. Similar to the cited CAD systems based
on case-based reasoning, a CAD system based on decision
trees features a very transparent reasoning process. However,
in contrast to a CBR system, a decision-tree learner abstracts
a global model of the decision process from the prior cases
with associated ground truth instead of directly using these
cases in the decision process. This global model is even
easier to understand and predictions based on it are even
easier to comprehend for the physician than those of a CBR
system. In a second approach, we propose an extension of
the state of the art CBR approaches that features an entropic
distance measure. It provides a solid mathematical basis for
measuring the similarity of cases that have attributes of different
types
e.g., nominal and numeric. It furthermore provides
a clean mathematical foundation for handling missing
attributes, in contrast to previous approaches.15 We have
evaluated the proposed CAD approaches on two large, publicly
available mammography databases to compare both
their performance and features.

ผลลัพธ์ (ไทย) 2:

เหตุผลที่ระบบ CAD CBR
ตามขึ้นอยู่กับการจัดเก็บความรู้กรณีก่อนที่พื้นดินด้วยความจริงที่เกี่ยวข้อง? และที่ข้อเสนอแนะการวินิจฉัยขั้นสุดท้ายจะขึ้นอยู่กับความจริงล่างของกรณีที่เก็บไว้ที่เป็นส่วนใหญ่คล้ายกับกรณีที่แบบสอบถาม ดังนั้นขั้นตอนการให้เหตุผลของมันเป็นเรื่องง่ายที่จะเข้าใจสำหรับแพทย์กว่าระบบแอนที่ทำหน้าที่เหมือนเป็นกล่องสีดำ ในบทความนี้เรานำเสนอแนวทางใหม่บนพื้นฐานของ decisiontree การเรียนรู้? DT ?, สำหรับการสร้างระบบ CAD คาดการณ์ว่าผลการตรวจชิ้นเนื้อมะเร็งเต้านมขึ้นอยู่กับBI-RADS ตามรายละเอียดแผล คล้ายกับระบบ CAD อ้างตามเหตุผลกรณีที่ใช้ระบบ CAD ขึ้นอยู่กับการตัดสินใจของต้นไม้มีกระบวนการที่โปร่งใสเหตุผลมาก แต่ในทางตรงกันข้ามกับระบบ CBR เป็นบทคัดย่อเรียนการตัดสินใจต้นไม้รูปแบบระดับโลกของกระบวนการตัดสินใจจากกรณีที่ก่อนหน้านี้ด้วยความจริงที่เกี่ยวข้องพื้นดินแทนการใช้โดยตรงเหล่านี้ในกรณีกระบวนการตัดสินใจ รุ่นนี้ทั่วโลกจะยิ่งง่ายต่อการเข้าใจและการคาดการณ์บนพื้นฐานของมันจะได้ง่ายต่อการเข้าใจสำหรับแพทย์กว่าผู้ที่มีCBR ระบบ ในแนวทางที่สองเราเสนอส่วนขยายของรัฐของศิลปะวิธี CBR ที่มีสึกกร่อนวัดระยะทาง มันมีพื้นฐานทางคณิตศาสตร์ที่มั่นคงสำหรับการวัดความคล้ายคลึงกันของกรณีที่มีแอตทริบิวต์ของที่แตกต่างกันชนิด? เช่นชื่อและตัวเลข ?. นอกจากนี้มันมีรากฐานทางคณิตศาสตร์ที่สะอาดสำหรับการจัดการที่ขาดหายไปคุณลักษณะในทางตรงกันข้ามกับที่ก่อนหน้านี้เราได้approaches.15 ประเมิน CAD เสนอแนวทางในขนาดใหญ่สองสาธารณะที่มีอยู่ในฐานข้อมูลตรวจเต้านมทั้งสองเพื่อเปรียบเทียบประสิทธิภาพของพวกเขาและคุณสมบัติ

ผลลัพธ์ (ไทย) 3:

เป็น CBR ตาม CAD ระบบเหตุผลบนพื้นฐานความรู้เก็บไว้

ก่อนที่คดีเกี่ยวข้องกับความจริงพื้นดิน  และข้อเสนอแนะการวินิจฉัยสุดท้าย
ตั้งอยู่บนพื้นดินจริง
เก็บไว้กรณีที่คล้ายกันมากที่สุด เพื่อสอบถามกรณี ดังนั้น กระบวนการคิดของ
ง่ายมากที่จะเข้าใจสำหรับ
แพทย์กว่าแอน ระบบที่ทำหน้าที่เหมือนกล่องสีดำ ในกระดาษ
นี้ได้นำเสนอแนวคิดใหม่บนพื้นฐานการเรียนรู้ต้นไม้ตัดสินใจ

DT  เพื่อสร้างระบบ CAD ที่คาดการณ์
มะเร็งเต้านมการตรวจชิ้นเนื้อผลตามมาตรฐาน bi-rads
ของคำอธิบาย คล้ายกับระบบ CAD ที่ใช้อ้างในการให้เหตุผลด้วยกรณีศึกษา
, ระบบ CAD ขึ้นอยู่กับการตัดสินใจต้นไม้
มีการใช้เหตุผลโปร่งใสมาก อย่างไรก็ตาม ในทางตรงกันข้ามกับระบบค่า

เรียน การตัดสินต้นไม้บทคัดย่อนางแบบระดับโลกของการตัดสินใจกระบวนการจากกรณีก่อนที่
เกี่ยวข้องกับความจริงพื้นดินแทนโดยตรงโดยใช้กรณีเหล่านี้
ในกระบวนการการตัดสินใจ รุ่นนี้ ( แม้
ง่ายต่อการเข้าใจและคาดการณ์จากมันแม้แต่
ง่ายเข้าใจเพื่อแพทย์สูงกว่าระบบค่า

ในแบบที่สอง เราเสนอ ส่วนขยายของ
รัฐของศิลปะแนวทาง CBR ที่คุณลักษณะของเครื่องวัดระยะทาง entropic

มันมีพื้นฐานทางคณิตศาสตร์แบบ
วัดความคล้ายคลึงกันของกรณีที่มีคุณลักษณะที่แตกต่างกัน
ประเภท
เช่นตราสารและตัวเลข  . มันนอกจากนี้มีพื้นฐานทางคณิตศาสตร์เพื่อการจัดการความสะอาด

คุณสมบัติที่ขาดหายไปในทางตรงกันข้ามกับก่อนหน้านี้เราได้
approaches.15เพื่อเสนอแนวทางใน CAD สองขนาดใหญ่สาธารณะ
ฐานข้อมูลเปรียบเทียบทั้งบวกที่มีประสิทธิภาพและคุณลักษณะของพวกเขา
.