The prime advantage of CBR over the

The prime advantage of CBR over the earlier proposed approaches is the intelligible reasoning process that leads to the systems diagnosis suggestion. 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) 1:

ประโยชน์เฉพาะของ CBR ผ่านวิธีนำเสนอก่อนหน้านี้คือ กระบวนการเหตุผล intelligible ที่นำไปสู่ข้อเสนอแนะวินิจฉัยระบบ เหตุผลระบบ CAD ที่ใช้คนตามความรู้เก็บไว้กรณีก่อนความจริงดินสัมพันธ์ และแนะนำการวินิจฉัยขั้นสุดท้ายขึ้นอยู่กับพื้นความจริงกรณีเก็บที่สุดคล้ายกับกรณีแบบสอบถาม ดังนั้น กระบวนการของเหตุผลเป็นมากง่ายต่อการเข้าใจสำหรับแพทย์กว่าแอนเป็นระบบที่ทำหน้าที่เหมือนกล่องดำ ในเอกสารนี้เราเสนอวิธีนวนิยาย ตาม decisiontree DT การเรียนรู้สำหรับการสร้างระบบ CAD ที่ทำนายผลตรวจชิ้นเนื้อมะเร็งเต้านมตามคำอธิบายตามรอยโรค BI RADS เช่นเดียวกับระบบ CAD อ้างอิงตามเหตุผลตามกรณี ระบบ CAD ตามลักษณะต้นไม้ตัดสินใจเป็นกระบวนการที่โปร่งใสมากเหตุผล อย่างไรก็ตาม ตรงข้ามระบบ CBR ผู้เรียนต้นไม้การตัดสินใจเป็นบทคัดย่อแบบสากลของกระบวนการตัดสินใจจากกรณีก่อนหน้านี้ความจริงเกี่ยวข้องล่างแทนที่จะใช้กรณีนี้โดยตรงในกระบวนการตัดสินใจ รุ่นนี้ทั่วโลกจะได้ง่ายต่อการเข้าใจ และคาดการณ์นั้นจะได้ง่ายต่อการเข้าใจสำหรับแพทย์กว่าระบบ CBR ในแนวทางที่สอง เราเสนอขยายวิธีคนทันสมัยที่มีการวัดระยะทาง entropic มีพื้นฐานทางคณิตศาสตร์ของแข็งสำหรับวัดเฉพาะกรณีที่มีแอตทริบิวต์ของชนิดต่าง ๆ เช่น nominal และตัวเลข นอกจากนี้ให้สะอาดคณิตศาสตร์พื้นฐานสำหรับแอตทริบิวต์ที่หายไป ตรงข้าม approaches.15 ก่อนหน้านี้ เราได้ประเมินแนวทาง CAD นำเสนอบนฐานข้อมูลขนาดใหญ่ เผย mammography สองเพื่อเปรียบเทียบความประสิทธิภาพและคุณลักษณะ

ผลลัพธ์ (ไทย) 2:

ข้อได้เปรียบที่สำคัญของ CBR มากกว่าวิธีการที่นำเสนอก่อนหน้านี้เป็นกระบวนการที่เข้าใจเหตุผลที่นำไปสู่​​ข้อเสนอแนะระบบการวินิจฉัย เหตุผลที่ระบบ CAD CBR-based บนพื้นฐานความรู้ที่เก็บไว้? กรณีก่อนที่พื้นดินด้วยความจริงที่เกี่ยวข้อง? และข้อเสนอแนะการวินิจฉัยขั้นสุดท้ายจะขึ้นอยู่กับความจริงที่พื้นดินของกรณีที่เก็บไว้ที่ส่วนใหญ่คล้ายกับกรณีที่แบบสอบถาม ดังนั้นขั้นตอนการให้เหตุผลของมันเป็นเรื่องง่ายที่จะเข้าใจสำหรับแพทย์กว่าระบบแอนที่ทำหน้าที่เหมือนกล่องดำ ในบทความนี้เรานำเสนอแนวทางใหม่บนพื้นฐานของการเรียนรู้ decisiontree? DT ?, สำหรับการสร้างระบบ CAD คาดการณ์ว่าผลการตรวจชิ้นเนื้อมะเร็งเต้านมขึ้นอยู่กับ BI-RADS รายละเอียดแผลตาม คล้ายกับระบบ CAD อ้างขึ้นอยู่กับเหตุผลกรณีที่ใช้ระบบ CAD ขึ้นอยู่กับการตัดสินใจของต้นไม้มีกระบวนการที่โปร่งใสเหตุผลมาก แต่ในทางตรงกันข้ามกับระบบ CBR เป็นบทคัดย่อเรียนการตัดสินใจต้นไม้รูปแบบระดับโลกของกระบวนการตัดสินใจจากกรณีที่ก่อนหน้านี้ด้วยความจริงที่เกี่ยวข้องพื้นดินแทนการใช้โดยตรงกรณีเหล่านี้อยู่ในขั้นตอนการตัดสินใจ รุ่นนี้ทั่วโลกจะยิ่งง่ายต่อการเข้าใจและการคาดการณ์บนพื้นฐานของมันจะได้ง่ายต่อการเข้าใจสำหรับแพทย์กว่าของระบบ CBR ในแนวทางที่สองเราเสนอส่วนหนึ่งของรัฐของศิลปะวิธี CBR ที่มีการวัดระยะทางสึกกร่อน มันมีพื้นฐานทางคณิตศาสตร์ที่มั่นคงสำหรับการวัดความคล้ายคลึงกันของกรณีที่มีแอตทริบิวต์ที่แตกต่างกันหรือไม่เช่นชื่อและตัวเลข ?. นอกจากนี้มันมีพื้นฐานทางคณิตศาสตร์ที่สะอาดสำหรับการจัดการคุณลักษณะที่ขาดหายไปในทางตรงกันข้ามกับที่ก่อนหน้านี้เราได้ approaches.15 ประเมินวิธีการที่นำเสนอ CAD สองขนาดใหญ่ฐานข้อมูลที่เปิดเผยต่อสาธารณชนตรวจเต้านมเพื่อเปรียบเทียบผลการดำเนินงานทั้งในและคุณสมบัติ

ผลลัพธ์ (ไทย) 3:

โดยเฉพาะประโยชน์ของ CBR มากกว่าก่อนหน้านี้เสนอแนวทาง คือเข้าใจเหตุผล กระบวนการที่นำไปสู่การวินิจฉัยระบบข้อเสนอแนะ เป็น CBR ตาม CAD ระบบเหตุผลบนพื้นฐานความรู้
เก็บไว้ก่อนกรณีเกี่ยวข้องกับความจริงพื้นดิน  และข้อเสนอแนะการวินิจฉัยสุดท้ายของมันขึ้นอยู่กับพื้นความจริงของคดีที่คล้ายกันมากที่สุด เพื่อเก็บแบบสอบถามกรณี ดังนั้นกระบวนการคิดของง่ายมากที่จะเข้าใจสำหรับแพทย์กว่าแอน ระบบที่ทำหน้าที่เหมือนกล่องสีดำ ในกระดาษนี้เรานำเสนอแนวคิดใหม่บนพื้นฐานของการเรียนรู้ต้นไม้ตัดสินใจ
DT  เพื่อสร้างระบบ CAD ที่คาดการณ์โรคมะเร็งเต้านมเนื้อเยื่อผลตาม bi-rads เข้ากันได้ของคำอธิบาย คล้ายกับอ้างระบบ CAD ตามกรณีศึกษาการใช้เหตุผลเป็นระบบ CAD ตามต้นไม้ มีกระบวนการคิด การตัดสินใจโปร่งใสมาก อย่างไรก็ตาม ในทางตรงกันข้ามกับระบบ CBR , บทคัดย่อต้นไม้การตัดสินใจการเรียนรู้รูปแบบโลกของการตัดสินใจกระบวนการจากกรณีก่อนที่เกี่ยวข้องกับความจริงพื้นดินแทนโดยตรงโดยใช้กรณีเหล่านี้ในกระบวนการการตัดสินใจรุ่นนี้ทั่วโลกจะง่ายต่อการเข้าใจและคาดการณ์บนพื้นฐานของมันก็ง่ายที่จะเข้าใจสำหรับแพทย์สูงกว่าระบบ CBR . ในแบบที่สอง เราเสนอให้มีการส่งเสริมของรัฐของศิลปะแนวทาง CBR ที่คุณลักษณะของเครื่องวัดระยะทาง entropic .มันมีพื้นฐานทางคณิตศาสตร์เพื่อวัดความทึบของกรณีที่มีคุณลักษณะของชนิดที่แตกต่างกัน
เช่นตราสารและตัวเลข  . มันนอกจากนี้มีพื้นฐานทางคณิตศาสตร์เพื่อการจัดการคุณลักษณะสะอาดที่ขาดหายไปในทางตรงกันข้าม approaches.15 ก่อนหน้านี้เราได้เสนอแนวทางในการประเมิน CAD สองขนาดใหญ่ฐานข้อมูล mammography สาธารณชนเปรียบเทียบทั้งสมรรถนะและคุณลักษณะ