Objectives: Recent studies of breas

Objectives: Recent studies of breast cancer data have identified seven distinct clinical phenotypes (groups)
using immunohistochemical analysis and a range of different clustering techniques. Consensus between
unsupervised classification algorithms has been successfully used to categorise patients into these specific
groups, but often at the expenses of not classifying the whole set. It is known that fuzzy methodologies
can provide linguistic based classification rules. The objective of this study was to investigate the use of
fuzzy methodologies to create an easy to interpret set of classification rules, capable of placing the large
majority of patients into one of the specified groups.
Materials and methods: In this paper, we extend a data-driven fuzzy rule-based system for classification
purposes (called ‘fuzzy quantification subsethood-based algorithm’) and combine it with a novel class
assignment procedure. The whole approach is then applied to a well characterised breast cancer dataset
consisting of ten protein markers for over 1000 patients to refine previously identified groups and to
present clinicians with a linguistic ruleset. A range of statistical approaches was used to compare the
obtained classes to previously obtained groupings and to assess the proportion of unclassified patients.
Results: A rule set was obtained from the algorithm which features one classification rule per class,
using labels of High, Low or Omit for each biomarker, to determine the most appropriate class for each
patient. When applied to the whole set of patients, the distribution of the obtained classes had an agreement
of 0.9 when assessed using Kendall’s Tau with the original reference class distribution. In doing so,
only 38 patients out of 1073 remain unclassified, representing a more clinically usable class assignment
algorithm.
Conclusion: The fuzzy algorithm provides a simple to interpret, linguistic rule set which classifies over
95% of breast cancer patients into one of seven clinical groups.

ผลลัพธ์ (ไทย) 1:

วัตถุประสงค์การศึกษาล่าสุดของข้อมูลที่เป็นมะเร็งเต้านมได้ระบุเจ็ด phenotypes ทางคลินิกที่แตกต่างกัน (กลุ่ม)
โดยใช้การวิเคราะห์อิมมูนวิทยาและช่วงของเทคนิคการจัดกลุ่มที่แตกต่างกัน ฉันทามติระหว่างขั้นตอนวิธีการจัดหมวดหมู่
ใกล้ชิดได้รับการใช้ประสบความสำเร็จที่จะจำแนกเป็นผู้ป่วยกลุ่มนี้
ที่เฉพาะเจาะจง แต่บ่อยครั้งที่ค่าใช้จ่ายของการไม่แบ่งทั้งชุดมันเป็นที่รู้จักกันว่าวิธีการเลือน
สามารถให้กฎการจัดหมวดหมู่หนังสือตาม วัตถุประสงค์ของการศึกษานี้คือการตรวจสอบการใช้วิธีการเลือน
เพื่อสร้างง่ายที่จะตีความชุดของกฎการจัดหมวดหมู่ความสามารถในการวางส่วนใหญ่
ขนาดใหญ่ของผู้ป่วยที่เป็นหนึ่งในกลุ่มที่ระบุวัสดุและวิธีการ
:. ในบทความนี้เราขยายที่ขับเคลื่อนด้วยข้อมูลระบบตามกฎเลือนการจัดหมวดหมู่วัตถุประสงค์
(เรียกว่า 'ปริมาณเลือน subsethood อัลกอริทึมที่ใช้') และรวมกับชั้นนวนิยาย
ขั้นตอนที่ได้รับมอบหมาย วิธีการทั้งหมดจะถูกนำมาใช้แล้วเต้านมข้อมูลที่มีลักษณะเดียวกับโรคมะเร็ง
ประกอบด้วยสิบเครื่องหมายโปรตีนสำหรับผู้ป่วยกว่า 1,000 คนเพื่อปรับแต่งกลุ่มระบุก่อนหน้านี้และ
แพทย์ปัจจุบันกับ ruleset ภาษาศาสตร์ ช่วงของวิธีการทางสถิติที่ใช้ในการเปรียบเทียบการเรียนที่ได้รับ
ที่กลุ่มที่ได้รับก่อนหน้านี้และเพื่อประเมินสัดส่วนของผู้ป่วยที่ยังไม่มีผล
:. ชุดกฎที่ได้รับจากอัลกอริทึมที่มีกฎการจัดหมวดหมู่ต่อหนึ่งชั้นเรียน
ใช้ป้ายสูง ต่ำหรืองดเว้นสำหรับ biomarker แต่ละเพื่อกำหนดระดับที่เหมาะสมที่สุดสำหรับผู้ป่วยแต่ละ
เมื่อนำไปใช้กับชุดทั้งของผู้ป่วยและการกระจายของชั้นเรียนที่ได้มีข้อตกลง
0.9 เมื่อประเมินโดยใช้เอกภาพเคนดอลที่มีการกระจายการอ้างอิงคลาสเดิม ในการทำเช่น
เพียงผู้ป่วย 38 คนจาก 1073 ยังคงไม่เป็นความลับเป็นตัวแทนที่ได้รับมอบหมายในชั้นเรียนมากขึ้นสามารถใช้งานได้ในทางคลินิก

อัลกอริทึมข้อสรุป.อัลกอริทึมเลือนให้ง่ายในการตีความชุดกฎภาษาศาสตร์ซึ่งจัดกว่า
95% ของผู้ป่วยโรคมะเร็งเต้านมเป็นหนึ่งในเจ็ดของกลุ่มทางคลินิก.

ผลลัพธ์ (ไทย) 2:

วัตถุประสงค์: การศึกษาข้อมูลมะเร็งเต้านมล่าสุดได้ระบุคลินิกฟีเจ็ดหมด (กลุ่ม)
ใช้การวิ immunohistochemical และเทคนิคระบบคลัสเตอร์ต่าง ๆ ให้เลือกมากมาย มติระหว่าง
ประเภท unsupervised อัลกอริทึมได้สำเร็จใช้เพื่อ categorise ผู้ป่วยเหล่านี้เฉพาะใน
กลุ่ม แต่บ่อยครั้งที่ค่าใช้จ่ายของประเภทตั้งค่าทั้งหมดไม่ เป็นที่รู้จักกันว่าปุยสูตร
ให้กฎการจัดประเภทตามภาษาศาสตร์ วัตถุประสงค์ของการศึกษานี้คือการ ตรวจสอบการใช้
ลักษณะเอิบสร้างง่ายแปลชุดของกฎการจัดประเภท ความสามารถในการวางขนาดใหญ่
majority ของผู้ป่วยในของระบุกลุ่ม
วัสดุและวิธีการ: ในเอกสารนี้ เราขยายข้อมูลชัดเจนตามกฎระบบการจัด
เพื่อวัตถุประสงค์ที่ต้องการ (เรียกว่า 'นับเอิบ subsethood ใช้อัลกอริธึม') และรวมกับนวนิยายคลา
กำหนดกระบวนการ ใช้วิธีทั้งหมดที่ต้องการชุดข้อมูลมะเร็งเต้านม characterised ดีแล้ว
ประกอบด้วยเครื่องหมายโปรตีนสิบ สำหรับ 1000 กว่ากลุ่มผู้ป่วยเพื่อการปรับปรุงก่อนหน้านี้ระบุ และการ
clinicians อยู่กับ ruleset ภาษาศาสตร์ ใช้หลากหลายวิธีทางสถิติเพื่อเปรียบเทียบการ
เรียนก่อนหน้านี้ได้รับการจัดกลุ่ม และประเมินสัดส่วนของผู้ป่วยที่ไม่ได้แยกประเภทการรับ
ผลลัพธ์: ชุดกฎได้รับจากอัลกอริทึมที่กฎการจัดประเภทหนึ่งสำหรับแต่ละคลาส,
ใช้ป้ายสูง ต่ำ หรืองดสำหรับแต่ละไบโอมาร์คเกอร์ การกำหนดระดับที่เหมาะสมที่สุดสำหรับแต่ละ
ผู้ป่วย เมื่อใช้การตั้งค่าทั้งหมดของผู้ป่วย การกระจายของชั้นเรียนที่ได้รับมีข้อตกลง
ของ 0.9 เมื่อประเมินด้วยเต่าของเคนดัลกระจายระดับอ้างอิงต้นฉบับ ในการทำเช่นนั้น,
เพียงผู้ป่วย 38 จาก 1073 ยังคงไม่ได้แยกประเภท แสดงกำหนดคลาสใช้ทางคลินิกเพิ่มเติม
อัลกอริทึมการ
สรุป: อัลกอริทึมเอิบให้ง่ายต่อการตีความ ชุดกฎภาษาศาสตร์ซึ่งแบ่งประเภทมากกว่า
95% ของผู้ป่วยมะเร็งเต้านมเป็นหนึ่งในกลุ่มเจ็ดทางคลินิก

ผลลัพธ์ (ไทย) 3:

วัตถุประสงค์ของการศึกษาเมื่อเร็วๆนี้ของข้อมูลเป็นมะเร็งเต้านมได้ระบุเจ็ด phenotypes ทางการแพทย์ที่แตกต่างกัน(กลุ่ม)
โดยใช้การวิเคราะห์ immunohistochemical และกลุ่มที่ใช้เทคนิคการคลัสเตอร์แตกต่างกัน ความสอดคล้องต้องกันระหว่างอัลกอริธึมการแบ่ง ประเภท
ซึ่งจะช่วยโดยไม่ต้องมีการตรวจสอบได้รับการใช้งานในการจัด ประเภท ผู้ป่วยเข้าไปในเฉพาะ
กลุ่มเหล่านี้ได้แต่บ่อยครั้งที่ค่าใช้จ่ายที่ไม่จัด ประเภท ตั้งค่าทั้งหมดเป็นที่รู้กันดีว่าทำงาน Fuzzy Logic อัจฉริยะแห่งระบบหุงวืธีดำเนินงานมาตรฐาน
ซึ่งจะช่วยให้สามารถใช้กฎการแบ่ง ประเภท เทิดพระเกียรติพระบาทสมเด็จพระเจ้าอยู่หัว การศึกษานี้มีวัตถุประสงค์เพื่อศึกษาการใช้
ซึ่งจะช่วยทำงานด้วยระบบ Fuzzy Logic วืธีดำเนินงานมาตรฐานในการสร้างได้อย่างง่ายดายในการตีความตั้งค่ากฎระเบียบของการแบ่ง ประเภท ความสามารถในการวางขนาดใหญ่
ส่วนใหญ่ของผู้ป่วยเป็นหนึ่งในกลุ่มที่ระบุวิธีการและ
วัสดุที่อยู่ในเอกสารนี้เราสามารถขยายระบบกฎข้อที่ซึ่งใช้ Fuzzy logic )ข้อมูลสำหรับการแบ่ง ประเภท
ซึ่งจะช่วยการ(หรือเรียกว่า"จึงจำเป็นต้องมี Fuzzy Logic อัลกอริธึม subsethood - ใช้')และการรวมกับขั้นตอนนวนิยาย Class
ซึ่งจะช่วยให้การกำหนด วิธีการทั้งหมดจากนั้นจะมีการนำไปใช้เป็นอย่างดี dataset โรคมะเร็งเต้านมซึ่งประกอบไปด้วยความโดดเด่นที่
สิบโปรตีนประกบสองตัวสำหรับมากกว่า 1000 ผู้ป่วยเพื่อแก้ไขกลุ่มได้ระบุไว้และเพื่อตอบแทน
ปัจจุบันทำงานเกี่ยวกับ ภาษา ที่พร้อมด้วย ruleset ความหลากหลายของวิธีการทางสถิติได้ถูกใช้เพื่อทำการเปรียบเทียบชั้นเรียนที่ได้รับเพื่อ
ซึ่งจะช่วยกลุ่มที่เคยได้รับและประเมินโดยมีสัดส่วนของผู้ป่วยที่จำแนก ประเภท ไม่ได้.
ผลการตั้งกฎที่ได้มาจากอัลกอริธึมที่โดดเด่นไปด้วยกฎข้อที่หนึ่งการจำแนก ประเภท การต่อ Class
ฉลากการใช้สูงต่ำหรือละเว้นสำหรับ biomarker แต่ละในการตรวจสอบระดับ First Class ที่เหมาะสมที่สุดสำหรับ
ซึ่งจะช่วยให้ผู้ป่วยแต่ละราย เมื่อนำมาใช้ในการตั้งค่าทั้งหมดของผู้ป่วยการกระจายของชั้นเรียนได้รับได้ข้อตกลงที่
ของ 0.9 เมื่อประเมินโดยใช้วุงของ, Kendall ,พร้อมด้วยตัวแทนจำหน่ายระดับ First Class แบบดั้งเดิมที่ใช้อ้างอิง ในการทำเช่นนั้น
เพียง 38 ผู้ป่วยออกจาก 1073 ยังคงอยู่ที่จำแนก ประเภท ไม่ได้เป็นตัวแทนมากขึ้นใช้งานได้ด้วยผลทางการแพทย์ว่าระดับการโอน
อัลกอริธึม.
ข้อสรุปอัลกอริธึม Fuzzy Logic ที่จัดให้บริการอย่างเรียบง่ายที่จะตีความตั้งค่ากฎข้อที่อ่าน"ซึ่งจัดหมวดหมู่มากกว่า
ซึ่งจะช่วย 95% ของผู้ป่วยโรคมะเร็งเต้านมเป็นหนึ่งในเจ็ดกลุ่มทางการแพทย์.