In recent years, many breast cancer

In recent years, many breast cancer CAD studies have focused on the use of artificial neural
network (ANN) models. ANN models have been developed to predict malignancy among suspicious
breast lesions based upon mammographic and history findings. Most networks for CAD are
based on classic feed-forward, error-backpropagation paradigms, which are trained to minimize mean
squared error (MSE) using a gradient descent technique. In “weight space”, the ANN modifies
a vector of weights, descending down a multi-dimensional error surface in search of the global
minimum in MSE. Once trained, however, these ANNs are often evaluated according to other more
clinically relevant measures of performance from receiver operating characteristic (ROC) analysis.
Such measures include the ROC area index (Az) and the partial area index (0:90A
z) corresponding to
the portion of the ROC curve in the high sensitivity range of 0.9–1.0 [9,10]. (More information on
the 0:90A
z is provided in the Methods section.)

ผลลัพธ์ (ไทย) 1:

ในปีล่าสุด CAD ในเต้านมมะเร็งการศึกษาได้มุ่งเน้นการใช้ประดิษฐ์ประสาทเครือข่ายแบบจำลอง (แอน) รุ่นแอนได้ถูกพัฒนาขึ้นเพื่อทำนาย malignancy นี่น่าสงสัยเต้านมตาม mammographic ได้ค้นพบประวัติศาสตร์และการ มีเครือข่ายมากที่สุดสำหรับ CADตามไปดึงคลาสสิก หมายถึงข้อผิดพลาด backpropagation paradigms ซึ่งมีการฝึกอบรมเพื่อลดยกกำลังสองข้อผิดพลาด (MSE) การใช้เทคนิคไล่ระดับสีโคตร ใน "พื้นที่น้ำหนัก" แอนปรับเปลี่ยนเวกเตอร์ของน้ำหนัก น้อยลงผิวข้อผิดพลาดในหลายมิติในการค้นหาโลกต่ำสุดใน MSE เมื่อผ่านการฝึกอบรม ไร ANNs เหล่านี้จะมักจะถูกประเมินตามต่าง ๆ มากมายมาตรการที่เกี่ยวข้องทางคลินิกของประสิทธิภาพการทำงานจากรับทำวิเคราะห์ลักษณะ (ROC)มาตรการดังกล่าวได้แก่ดัชนีตั้ง ROC (Az) และดัชนีพื้นที่บางส่วน (0:90A z) ที่สอดคล้องกับส่วนของเส้นโค้ง ROC ในช่วงความไวสูง 0.9-1.0 [9,10] (ข้อมูลเพิ่มเติมเกี่ยวกับ0:90A z ไว้ในส่วนของวิธีการ)

ผลลัพธ์ (ไทย) 2:

ในปีที่ผ่านมาการศึกษา CAD
มะเร็งเต้านมจำนวนมากได้มุ่งเน้นไปที่การใช้งานของประสาทเทียมเครือข่าย(ANN) รุ่น รุ่นแอนได้รับการพัฒนาที่จะคาดการณ์มะเร็งในหมู่ที่น่าสงสัยแผลที่เต้านมขึ้นอยู่กับผลการวิจัย mammographic และประวัติศาสตร์
เครือข่ายมากที่สุดสำหรับ CAD
จะขึ้นอยู่กับฟีดไปข้างหน้าคลาสสิกกระบวนทัศน์ข้อผิดพลาดbackpropagation
ซึ่งได้รับการฝึกฝนที่จะลดค่าเฉลี่ยความผิดพลาดกำลังสอง(MSE) โดยใช้เทคนิคการไล่ระดับสีโคตร ใน "พื้นที่น้ำหนัก" ANN
ปรับเปลี่ยนเวกเตอร์ของน้ำหนักที่ลดหลั่นลงมาพื้นผิวข้อผิดพลาดหลายมิติในการค้นหาของทั่วโลกขั้นต่ำ
MSE การฝึกอบรมครั้งเดียว แต่ ANNs เหล่านี้ได้รับการประเมินมักจะตามไปที่อื่น ๆ
มากขึ้นมาตรการที่เกี่ยวข้องทางคลินิกของการปฏิบัติงานจากตัวรับลักษณะการดำเนินงาน(ROC) การวิเคราะห์.
มาตรการดังกล่าวรวมถึงดัชนีพื้นที่ร็อค (Az) และดัชนีพื้นที่บางส่วน (0: 90A ซี)
ที่สอดคล้องกับส่วนของเส้นโค้งร็อคในช่วงความไวแสงสูงของ0.9-1.0 เมื่อ [9,10] (ข้อมูลเพิ่มเติมเกี่ยวกับ
0: 90A ซีมีให้ในส่วนของวิธีการ.)

ผลลัพธ์ (ไทย) 3:

ในปีล่าสุดหลายโรคมะเร็งเต้านม CAD การศึกษาได้เน้นการใช้โครงข่ายประสาทเทียม ( ANN )
รุ่น แอนรุ่นได้ถูกพัฒนาขึ้นเพื่อทำนายเนื้อร้ายของเต้านมสงสัย
แผลตามประวัติศาสตร์และปัญหาที่พบ เครือข่ายส่วนใหญ่สำหรับ CAD
ขึ้นอยู่กับคลาสสิก feed-forward ข้อผิดพลาดแบบกระบวนทัศน์ซึ่งมีการฝึกอบรมเพื่อลดหมายถึง
ความคลาดเคลื่อนกำลังสอง ( MSE ) โดยใช้การไล่ระดับสีโคตร ) " น้ำหนักพื้นที่ " , แอน ปรับเปลี่ยน
เวกเตอร์น้ำหนักลงมาลงข้อผิดพลาดหลายมิติพื้นผิวในการค้นหาของโลกใน MSE ต่ำสุด
. เมื่อผ่านการอบรม แต่แอนน์ เหล่านี้มักจะประเมินตามอื่น ๆทางการแพทย์ที่เกี่ยวข้องมากขึ้น
มาตรการของประสิทธิภาพจากรับปฏิบัติการ ( ROC )
ลักษณะการวิเคราะห์มาตรการดังกล่าวรวมถึง : ดัชนีพื้นที่ ( AZ ) และดัชนีพื้นที่บางส่วน ( 0:90a
Z ) เหมือนกัน

ส่วนของโค้ง ROC ในความไวสูงช่วง 0.9 และ 1.0 [ 9,10 ] ( ข้อมูลเพิ่มเติมเกี่ยวกับ 0:90a

Z มีให้ในส่วน วิธีการ )