V. CONCLUSION AND FUTURE WORKIn thi

V. CONCLUSION AND FUTURE WORK
In this research report, we introduced the neural network classification model and ROC evaluation method to diagnose and classify malignant breast cancer and benign disease for breast biopsy outcome predictions based on the 830 clinical instances from the mammographic mass dataset. Our classification model, based on the two-stage back-propagation neural network classification approach, included both linear and nonlinear components for calculations as well as an input vector processor, adjustable learning rate controller, and training control center that allowed implementation of the iterative training processes. During each of the iterative training processes, the training model gradually increased the input data size to reuse the final trained weights from the previous iterative training stage as the initial weights for the next iterative training stage. Accordingly, the learning rate controller adjusted the learning rate. The proposed iterative training processes ensured that our model had a low SSE or MMSE. In order to obtain a highly accurate neural network diagnostic model, the proposed iterative training processes were especially useful for training our model when a large input of data and a large number of hidden neurons were present. Our research results showed that the neural network classification model had a specificity of 89.93% in diagnosing benign disease, a sensitivity of 89.33% in diagnosing malignant breast cancer, and an overall accuracy of 89.64% in diagnosing both malignant breast cancer and benign disease. An estimated area of the ROC curve for breast biopsy outcome predictions was 0.9626±0.0069. Therefore, our model along with mammography can provide highly accurate and consistent diagnoses for breast biopsy outcome predictions, allowing patients to bypass unnecessary surgical biopsies.

ผลลัพธ์ (ไทย) 1:

V. บทสรุปและการทำงานในอนาคตในรายงานวิจัยนี้ เรานำแบบจำลองโครงข่ายประสาทประเภทและ ROC ประเมินวิธีการวิเคราะห์ และจัดประเภทไข้ร้ายแรงและโรคอ่อนโยนสำหรับคาดคะเนผลตรวจชิ้นเนื้อเต้านมตามกรณีคลินิก 830 จากชุดข้อมูลขนาดใหญ่ mammographic รุ่นที่ใช้ในการจัดประเภทของเรา ตามวิธีการจัดประเภทเครือข่ายประสาทกลับเผยแพร่สอง รวมทั้งเชิงเส้น และส่วนประกอบไม่เชิงเส้นสำหรับการคำนวณเช่นเดียวกับอินพุตเวกเตอร์หน่วยประมวลผล ปรับตัวควบคุมอัตราการเรียนรู้ และการฝึกอบรมศูนย์ควบคุมที่ได้รับอนุญาตใช้งานของกระบวนการฝึกอบรมซ้ำ ระหว่างแต่ละกระบวนการฝึกอบรมซ้ำ แบบฝึกค่อย ๆ เพิ่มขนาดข้อมูลการป้อนเข้าเพื่อใช้น้ำหนักฝึกสุดท้ายจากระยะการฝึกอบรมซ้ำก่อนหน้าเป็นน้ำหนักเริ่มต้นสำหรับขั้นตอนการฝึกอบรมซ้ำถัดไป ตามลำดับ การเรียนรู้อัตราการเรียนรู้การปรับปรุงตัวควบคุมอัตราการ กระบวนการฝึกอบรมซ้ำเสนอมั่นใจว่า รุ่นของเรามี SSE ต่ำหรือ MMSE เพื่อให้ได้แบบจำลองการวินิจฉัยเครือข่ายประสาทความถูกต้องสูง กระบวนการฝึกอบรมซ้ำนำเสนอมีประโยชน์สำหรับการฝึกอบรมแบบจำลองของเราเมื่อป้อนข้อมูลขนาดใหญ่ของข้อมูลและจำนวน neurons ที่ซ่อนถูกแสดง ผลการวิจัยของเราพบว่า รูปแบบจัดประเภทเครือข่ายประสาทมี specificity 89.93% ในการวินิจฉัยโรคอ่อนโยน ไว 89.33% ในการวินิจฉัยมะเร็งเต้านมที่ร้ายแรง และความถูกต้องโดยรวมของ 89.64% ในการวินิจฉัยมะเร็งเต้านมที่ร้ายแรงและโรคที่อ่อนโยน พื้นที่โดยประมาณของเส้นโค้ง ROC สำหรับคาดคะเนผลการตรวจชิ้นเนื้อเต้านมถูก 0.9626±0.0069 ดังนั้น รุ่นของเรา ด้วย mammography สามารถให้การวิเคราะห์ถูกต้องสูง และสอดคล้องสำหรับเจาะตรวจเต้านมคาดคะเนผล ให้ผู้ป่วยหลีกเลี่ยงประสาทการตรวจชิ้นเนื้อผ่าตัดไม่จำเป็น

ผลลัพธ์ (ไทย) 2:

โวลต์และสรุปการทำงานในอนาคตในรายงานการวิจัยครั้งนี้เราได้นำรูปแบบการจัดหมวดหมู่เครือข่ายประสาทและวิธีการประเมินผลร็อคในการวินิจฉัยและการจำแนกโรคมะเร็งเต้านมและโรคมะเร็งเป็นพิษเป็นภัยสำหรับการตรวจชิ้นเนื้อเต้านมการคาดการณ์ผลขึ้นอยู่กับกรณีคลินิก 830 จากชุดข้อมูลที่มวล mammographic
รูปแบบการจัดหมวดหมู่ของเราขึ้นอยู่กับสองขั้นตอนหลังการขยายพันธุ์วิธีการจัดหมวดหมู่ของเครือข่ายประสาทรวมทั้งเชิงเส้นและส่วนประกอบเชิงเส้นสำหรับการคำนวณเช่นเดียวกับหน่วยประมวลผลเวกเตอร์ป้อนข้อมูลที่สามารถปรับการควบคุมอัตราการเรียนรู้และศูนย์ควบคุมการฝึกอบรมที่ได้รับอนุญาตให้ดำเนินการของการฝึกอบรมซ้ำ กระบวนการ ในแต่ละกระบวนการฝึกอบรมซ้ำแบบการฝึกอบรมค่อยๆเพิ่มขนาดการป้อนข้อมูลที่จะนำมาใช้น้ำหนักการฝึกอบรมขั้นสุดท้ายจากเวทีการฝึกอบรมซ้ำก่อนหน้านี้เป็นน้ำหนักเริ่มต้นสำหรับขั้นตอนการฝึกอบรมซ้ำต่อไป ดังนั้นการควบคุมอัตราการเรียนรู้การปรับอัตราการเรียนรู้ กระบวนการฝึกอบรมที่นำเสนอซ้ำทำให้มั่นใจได้ว่ารูปแบบของเรามี SSE ต่ำหรือ MMSE เพื่อให้ได้เครือข่ายประสาทความถูกต้องสูงรูปแบบการวินิจฉัยกระบวนการฝึกอบรมซ้ำเสนอเป็นประโยชน์อย่างยิ่งสำหรับการฝึกอบรมรูปแบบของเราเมื่อมีการป้อนข้อมูลขนาดใหญ่และจำนวนมากของเซลล์ประสาทที่ซ่อนอยู่ในปัจจุบัน ผลการวิจัยของเราแสดงให้เห็นว่ารูปแบบการจัดหมวดหมู่เครือข่ายประสาทมีความจำเพาะของ 89.93% ในการวินิจฉัยโรคอ่อนโยนความไวของ 89.33% ในการวินิจฉัยมะเร็งโรคมะเร็งเต้านมและความถูกต้องโดยรวมของ 89.64% ในการวินิจฉัยโรคมะเร็งเต้านมทั้งมะเร็งและโรคพิษเป็นภัย พื้นที่ประมาณของเส้นโค้งร็อคสำหรับการตรวจชิ้นเนื้อเต้านมการคาดการณ์ผลเป็น 0.9626 ± 0.0069 ดังนั้นรูปแบบของเราพร้อมกับการตรวจเต้านมสามารถให้การวินิจฉัยที่ถูกต้องแม่นยำสูงและสอดคล้องกันสำหรับการตรวจชิ้นเนื้อเต้านมการคาดการณ์ผลที่ช่วยให้ผู้ป่วยที่จะหลีกเลี่ยงการผ่าตัดขริบที่ไม่จำเป็น

ผลลัพธ์ (ไทย) 3:

V สรุปและ
งานในอนาคตในรายงานวิจัยนี้เราได้เปิดเครือข่ายประสาทการจำแนกรูปแบบและวิธีการประเมินเพื่อวินิจฉัยและจำแนก ROC มะเร็งเต้านมและโรคมะเร็งเนื้องอกเต้านมเนื้อเยื่อผลการคาดการณ์ตามแต่กรณี จากข้อมูลทางคลินิก มวลๆ . รูปแบบหมวดหมู่ของเราตามแบบ back-propagation การจำแนกเครือข่ายประสาทแบบ รวมทั้งระบบสมการเชิงเส้นและไม่เชิงเส้นส่วนประกอบสำหรับการคำนวณเช่นเดียวกับการป้อนข้อมูล ประมวลผลเวกเตอร์ปรับควบคุมอัตราการเรียนรู้และฝึกอบรมศูนย์ควบคุมที่อนุญาติให้ใช้กระบวนการฝึกซ้ำ ในแต่ละขั้นตอนของการฝึกอบรม ,การฝึกแบบค่อย ๆ เพิ่ม ขนาด การใช้ ข้อมูล สุดท้ายฝึกหนักก่อนเวทีอบรมซ้ำเป็นน้ำหนักเริ่มต้นในเวทีอบรมซ้ำ ตาม , ควบคุมอัตราการเรียนรู้ปรับเปลี่ยนอัตราการเรียนรู้ การเสนอซ้ำกระบวนการฝึกอบรมมั่นใจว่าโมเดลของเรามี SSE ต่ำหรือข้อมูล .เพื่อให้ได้ความแม่นยำสูงในการวินิจฉัยเครือข่ายประสาทแบบเสนอการฝึกอบรมซ้ำกระบวนการที่มีประโยชน์โดยเฉพาะอย่างยิ่งสำหรับการฝึกในแบบของเรา เมื่อเข้าขนาดใหญ่ของข้อมูลและตัวเลขขนาดใหญ่ของเซลล์ประสาทที่ซ่อนอยู่ . การวิจัยของเราแสดงให้เห็นว่ารูปแบบการจำแนกเครือข่ายประสาทมีความจำเพาะของ 89.93 % ในการวินิจฉัยเนื้องอกโรค ความไว 8933 % ในการวินิจฉัยมะเร็งเต้านม มะเร็ง และความถูกต้องโดยรวมของ 89.64 % ในการวินิจฉัยมะเร็งเต้านมมะเร็งและเนื้องอก ทั้งโรค การประมาณพื้นที่ของโค้ง ROC เต้านมเนื้อเยื่อผลการคาดการณ์คือ 0.9626 ± 0.0069 . ดังนั้น รูปแบบของเรา พร้อมกับตรวจเต้านมสามารถให้ความถูกต้องสูงและสอดคล้องการวินิจฉัยชิ้นเนื้อเต้านมคาดคะเนผลลัพธ์ช่วยให้ผู้ป่วยหลีกเลี่ยง biopsies การผ่าตัดที่ไม่จำเป็น