IV. DISCUSSIONOur neural network cl

IV. DISCUSSION
Our neural network classification model, which was trained via the two-stage back-propagation approach, was used to diagnose and classify malignant breast cancer and benign disease for breast biopsy outcome predictions. The classification model was trained and tested using the pattern dataset based on the resubstitution method. The test accuracy of our classification model in distinguishing malignant breast cancer and benign disease was 89.64%. Accordingly, the sensitivity was 89.33%, specificity was 89.93%, and precision was 89.33%. The estimated area under the ROC curve was 0.9626 and its standard error was 0.0069. This is to say that if mammography was used to obtain the 5 attributes (referred to as BIRADS, age, shape, margin, and density) from a new patient, the diagnostic results via our classification model would be 89.64% accurate in diagnosing and classifying malignant breast cancer and benign disease. In addition, with the high area of the ROC curve results (0.9626±0.0069), our classification model can provide a consistently high accuracy in diagnosing malignant breast cancer and benign disease for breast biopsy outcome predictions.

ผลลัพธ์ (ไทย) 1:

IV. สนทนาเครือข่ายประสาทประเภทรูปแบบของเรา ซึ่งได้รับการฝึกอบรมผ่านวิธีการเผยแพร่หลังสอง ถูกใช้เพื่อวิเคราะห์ และจัดประเภทโรคอ่อนโยนสำหรับคาดคะเนผลการตรวจชิ้นเนื้อเต้านมและมะเร็งเต้านมที่ร้ายแรง แบบจัดประเภทได้เข้าอบรม และทดสอบโดยใช้รูปแบบชุดข้อมูลตามวิธีการ resubstitution ความถูกต้องทดสอบรุ่นของเราจัดประเภทในการแยกโรคมะเร็งเต้านมที่ร้ายแรงและโรคอ่อนโยนถูก 89.64% ตาม ระดับความสำคัญเป็น 89.33%, specificity 89.93% และความแม่นยำเป็น 89.33% ประเมินพื้นที่ใต้โค้ง ROC เป็น 0.9626 และข้อผิดพลาดของมาตรฐานถูก 0.0069 จึงพูดว่า ถ้า mammography ใช้คุณลักษณะ 5 (เรียกว่าเป็น BIRADS อายุ รูปร่าง กำไร และความหนาแน่น) รับจากผู้ป่วยใหม่ ผลการวินิจฉัยทางรุ่นของเราจัดประเภทจะ 89.64% แม่นยำในการวิเคราะห์ และจัดประเภทมะเร็งเต้านมที่ร้ายแรงและโรคที่อ่อนโยน พื้นที่สูงผลโค้ง ROC (0.9626±0.0069), รูปแบบการจัดประเภทของเราสามารถให้ความแม่นยำอย่างสูงในการวินิจฉัยมะเร็งเต้านมที่ร้ายแรงและโรคอ่อนโยนสำหรับคาดคะเนผลการตรวจชิ้นเนื้อเต้านม

ผลลัพธ์ (ไทย) 2:

IV
การอภิปรายของเราประสาทการจำแนกรูปแบบเครือข่ายที่ได้รับการฝึกฝนผ่านสองขั้นตอนวิธีการขยายพันธุ์กลับถูกนำมาใช้ในการวินิจฉัยและการจำแนกโรคมะเร็งเต้านมและโรคมะเร็งเป็นพิษเป็นภัยสำหรับการตรวจชิ้นเนื้อเต้านมการคาดการณ์ผล รูปแบบการจัดหมวดหมู่ที่ได้รับการฝึกอบรมและผ่านการทดสอบโดยใช้ชุดรูปแบบขึ้นอยู่กับวิธีการ resubstitution การทดสอบความถูกต้องของรูปแบบการจัดหมวดหมู่ของเราในการที่แตกต่างจากมะเร็งเต้านมและโรคมะเร็งเป็นพิษเป็นภัยเป็น 89.64% ดังนั้นความไวเป็น 89.33% ความจำเพาะเป็น 89.93% และมีความแม่นยำเป็น 89.33% พื้นที่ประมาณภายใต้โค้ง ROC คือ 0.9626 และข้อผิดพลาดมาตรฐานของมันคือ 0.0069 นี้คือการบอกว่าถ้าตรวจเต้านมถูกนำมาใช้เพื่อให้ได้ 5 คุณลักษณะ (เรียกว่า BIRADS อายุรูปร่างขอบและความหนาแน่น) จากผู้ป่วยใหม่ผลการวินิจฉัยผ่านรูปแบบการจัดหมวดหมู่ของเราจะเป็น 89.64% ที่ถูกต้องในการวินิจฉัยและการจำแนก โรคมะเร็งเต้านมและโรคมะเร็งเป็นพิษเป็นภัย นอกจากนี้ยังมีพื้นที่สูงของผลการโค้ง ROC (0.9626 ± 0.0069) รูปแบบการจัดหมวดหมู่ของเราสามารถให้ความถูกต้องสูงอย่างต่อเนื่องในการวินิจฉัยโรคมะเร็งเต้านมและโรคมะเร็งเป็นพิษเป็นภัยสำหรับการตรวจชิ้นเนื้อเต้านมการคาดการณ์ผล

ผลลัพธ์ (ไทย) 3:

4 . การอภิปราย
รูปแบบการจำแนกเครือข่ายประสาทซึ่งได้รับการฝึกฝนทาง back-propagation สองแนวทางคือใช้ในการวินิจฉัยและแยกประเภทของมะเร็งเต้านมและโรคมะเร็งเนื้องอกเต้านมเนื้อเยื่อคาดคะเนผล การจัดหมวดหมู่แบบฝึกและทดสอบการใช้รูปแบบวันที่ตาม resubstitution วิธีความถูกต้องทดสอบรุ่นแนกแยกมะเร็งเต้านมมะเร็ง และเนื้องอกโรค 89.64 % ดังนั้นความไวเป็น 89.33 % ความจำเพาะ คือ 89.93 % และความแม่นยำเป็น 89.33 % การประมาณพื้นที่ใต้โค้ง ROC คือ 0.9626 ความคลาดเคลื่อนมาตรฐานของ 0.0069 . นี้คือ ว่า ถ้า ตรวจเต้านมถูกใช้เพื่อขอรับ 5 คุณลักษณะ ( เรียกว่าไบแร็ด อายุรูปร่าง , ขอบ , และความหนาแน่น ) จากคนไข้ใหม่ ผลลัพธ์การวินิจฉัยผ่านทางรูปแบบหมวดหมู่ของเราจะ 89.64 % ความถูกต้องในการวินิจฉัยแยกโรคมะเร็งเต้านมและมะเร็ง และเนื้องอก โรค นอกจากนี้ มีพื้นที่สูงผลเส้นโค้ง ROC ( 0.9626 ± 0.0069 )รูปแบบหมวดหมู่ของเราสามารถให้ความถูกต้องสูงอย่างต่อเนื่องในการวินิจฉัยมะเร็งเต้านม มะเร็ง และเนื้องอก โรคเต้านมเนื้อเยื่อคาดคะเนผล .