Mammography is the most effective m

Mammography is the most effective method for breast cancer screening available today. However,
the low positive predictive value of breast biopsy resulting from mammogram interpretation leads
to approximately 70% unnecessary biopsies with benign outcomes. To reduce the high number of
unnecessary breast biopsies, several computer-aided diagnosis
CAD systems have been proposed
in the last several years. These systems help physicians in their decision to perform a breast biopsy
on a suspicious lesion seen in a mammogram or to perform a short term follow-up examination
instead. We present two novel CAD approaches that both emphasize an intelligible decision process
to predict breast biopsy outcomes from BI-RADS™ findings. An intelligible reasoning process is an
important requirement for the acceptance of CAD systems by physicians. The first approach induces a global model based on decison-tree learning. The second approach is based on case-based
reasoning and applies an entropic similarity measure. We have evaluated the performance of both
CAD approaches on two large publicly available mammography reference databases using receiver
operating characteristic
ROC analysis, bootstrap sampling, and the ANOVA statistical significance
test. Both approaches outperform the diagnosis decisions of the physicians. Hence, both systems
have the potential to reduce the number of unnecessary breast biopsies in clinical practice. A
comparison of the performance of the proposed decision tree and CBR approaches with a state of
the art approach based on artificial neural networks
ANN shows that the CBR approach performs
slightly better than the ANN approach, which in turn results in slightly better performance than the
decision-tree approach. The differences are statistically significant
p value
0.001. On 2100
masses extracted from the DDSM database, the CRB approach for example resulted in an area
under the ROC curve of A
z=0.89±0.01, the decision-tree approach in A
z=0.87±0.01, and the
ANN approach in A
z=0.88±0.01

ผลลัพธ์ (ไทย) 1:

Mammography เป็นวิธีมีประสิทธิภาพสูงสุดสำหรับการคัดกรองมะเร็งเต้านมมีวันนี้ อย่างไรก็ตามต่ำค่าคาดการณ์บวกของการตรวจชิ้นเนื้อเต้านมที่เกิดจากการเอ็กซเรย์เต้านมตีเป้าหมายไปประมาณ 70% ไม่จำเป็นประสาทการตรวจชิ้นเนื้อด้วยผลลัพธ์ที่อ่อนโยน การลดจำนวนของสูงประสาทการตรวจชิ้นเนื้อเต้านมไม่จำเป็น ระบบคอมพิวเตอร์ช่วยวินิจฉัย CAD หลายได้รับการเสนอชื่อในหลายปีที่ ระบบเหล่านี้ช่วยแพทย์ในการตัดสินใจทำการเจาะตรวจเต้านมบนแผลสงสัยที่เห็น ในการเอ็กซเรย์เต้านม หรือการตรวจสอบติดตามผลเป็นระยะสั้นแทน เรานำเสนอสอง CAD นวนิยายยื่นทั้งเน้นกระบวนการตัดสินใจ intelligibleเพื่อทำนายผลการตรวจชิ้นเนื้อเต้านมจากพบ BI RADS ™ กระบวนการเหตุผล intelligible เป็นการข้อกำหนดสำคัญสำหรับการยอมรับระบบ CAD โดยแพทย์ วิธีการแรกแท้จริงแบบสากลที่ใช้ในการเรียนรู้ต้นไม้ตัดสินใจ วิธีที่สองตามกรณีตามใช้เหตุผล และใช้การวัดความคล้ายคลึงกันที่ entropic เราได้ประเมินประสิทธิภาพของทั้งสองวิธี CAD บนสอง mammography เผยอ้างอิงฐานข้อมูลขนาดใหญ่โดยใช้ตัวรับสัญญาณลักษณะวิเคราะห์ ROC สุ่มตัวอย่างเริ่มต้นระบบ และนัยสำคัญทางสถิติในการวิเคราะห์ความแปรปรวนการทดสอบ ทั้งสองวิธีมีประสิทธิภาพสูงกว่าการวินิจฉัยการตัดสินใจของแพทย์ที่ ดังนั้น ทั้งสองระบบมีศักยภาพในการลดจำนวนของประสาทการตรวจชิ้นเนื้อในเต้านมไม่จำเป็นในทางปฏิบัติทางคลินิก Aเปรียบเทียบประสิทธิภาพของต้นไม้การตัดสินใจนำเสนอและแนวทาง CBR กับสถานะของวิธีศิลปะตามเครือข่ายประสาทเทียมแอนแสดงให้เห็นว่าวิธีคนทำเล็กน้อยดีกว่าวิธีแบบแอน ซึ่งจะส่งผลประสิทธิภาพการทำงานเล็กน้อยดีกว่าต้นไม้การตัดสินใจแนวทางการ ความแตกต่างกันอย่างมีนัยสำคัญทางสถิติ p ค่า 0.001 บน 2100ฝูงที่ดึงข้อมูลจากฐานข้อมูล DDSM วิธี crb ข้ามแบเช่นผลในพื้นที่ภายใต้เส้นโค้ง ROC ของตัว z = 0.89±0.01 วิธีต้นไม้การตัดสินใจในการ z = 0.87±0.01 และแอนเข้าหาในตัว z = 0.88±0.01

ผลลัพธ์ (ไทย) 2:

ตรวจเต้านมเป็นวิธีที่มีประสิทธิภาพมากที่สุดสำหรับการตรวจคัดกรองมะเร็งเต้านมที่มีในปัจจุบัน อย่างไรก็ตามมูลค่าการคาดการณ์ในเชิงบวกของการตรวจชิ้นเนื้อต่ำเต้านมที่เกิดจากการตีความการคัดกรองนำไปประมาณ70% ขริบไม่จำเป็นกับผลลัพธ์ที่เป็นพิษเป็นภัย เพื่อลดจำนวนการตรวจชิ้นเนื้อเต้านมที่ไม่จำเป็นหลายวินิจฉัยคอมพิวเตอร์ช่วย CAD? ระบบได้รับการเสนอในหลายปีที่ผ่านมา ระบบเหล่านี้ช่วยให้แพทย์ในการตัดสินใจของพวกเขาที่จะดำเนินการตรวจชิ้นเนื้อเต้านมในแผลที่น่าสงสัยเห็นในการคัดกรองหรือการดำเนินการสั้นการตรวจสอบติดตามแทน เรานำเสนอสองวิธี CAD ใหม่ที่เน้นทั้งกระบวนการตัดสินใจเข้าใจในการทำนายผลการตรวจชิ้นเนื้อเต้านมจากBI-RADS ™ผลการวิจัย กระบวนการเข้าใจเหตุผลที่เป็นความต้องการที่สำคัญสำหรับการยอมรับของระบบ CAD โดยแพทย์ วิธีแรกก่อให้เกิดรูปแบบระดับโลกที่อยู่บนพื้นฐานของการเรียนรู้ decison ต้นไม้ แนวทางที่สองจะขึ้นอยู่กับกรณีที่ใช้เหตุผลและการใช้มาตรการที่คล้ายคลึงกันสึกกร่อน เรามีการประเมินผลการดำเนินงานของทั้งสองCAD แนวทางสองขนาดใหญ่ที่เปิดเผยต่อสาธารณชนฐานข้อมูลอ้างอิงตรวจเต้านมโดยใช้ตัวรับสัญญาณลักษณะการดำเนินงาน? ร็อค? การวิเคราะห์การสุ่มตัวอย่างบูตและนัยสำคัญทางสถิติ ANOVA ทดสอบ ทั้งสองวิธีมีประสิทธิภาพสูงกว่าการตัดสินใจการวินิจฉัยของแพทย์ ดังนั้นทั้งสองระบบมีศักยภาพที่จะลดจำนวนของการตรวจชิ้นเนื้อเต้านมที่ไม่จำเป็นในการปฏิบัติทางคลินิก เปรียบเทียบประสิทธิภาพการทำงานของต้นไม้ตัดสินใจเสนอและวิธีการที่มี CBR รัฐหนึ่งของวิธีการศิลปะบนพื้นฐานของเครือข่ายประสาทเทียม? แอน? แสดงให้เห็นว่าวิธีการดำเนินการ CBR เล็กน้อยดีกว่าวิธี ANN ซึ่งผลการเปิดในการทำงานที่ดีกว่าเล็กน้อยกว่าวิธีการตัดสินใจต้นไม้ ความแตกต่างที่มีนัยสำคัญทางสถิติ? ค่าพี? 0.001 ?. เมื่อวันที่ 2100 ฝูงสกัดจากฐานข้อมูล DDSM ที่วิธีการ CRB เช่นผลในพื้นที่ภายใต้เส้นโค้งROC ของ? ซี? = 0.89 ± 0.01, วิธีการตัดสินใจต้นไม้หรือไม่? ซี? = 0.87 ± 0.01 และANN ในวิธีการหรือไม่? ซี? = 0.88 ± 0.01

ผลลัพธ์ (ไทย) 3:

ตรวจเต้านมเป็นวิธีที่มีประสิทธิภาพมากที่สุดสำหรับตรวจคัดกรองมะเร็งเต้านมมีวันนี้ อย่างไรก็ตาม
บวกค่าพยากรณ์ของเนื้อเต้านมน้อย ที่เกิดจากการตีความเร็วนัก
ประมาณ 70% จึงไม่จำเป็นกับผลลัพธ์เนื้องอก เพื่อลดจำนวนของเต้านม
จึงไม่จำเป็น หลาย
CAD ระบบคอมพิวเตอร์ช่วยวินิจฉัย  ได้รับการเสนอ
ในช่วงหลายปีที่ผ่านมา ระบบดังกล่าวช่วยให้แพทย์ในการตัดสินใจผ่าตัดเต้านมเนื้อเยื่อ
บนสงสัยแผลเห็นในราชการหรือดำเนินการระยะสั้นติดตามตรวจ
แทน เราเสนอ 2 แนวทางใหม่ที่เน้นกระบวนการ CAD ทั้งการตัดสินใจเข้าใจ
ทำนายผลตรวจชิ้นเนื้อเต้านม จาก bi-rads ™ค่า เป็นการใช้เหตุผล
เข้าใจเป็นความต้องการที่สำคัญสำหรับการยอมรับของระบบ CAD โดยแพทย์ วิธีการแรกก่อให้เกิดรูปแบบสากลตามต้นไม้แห่งการเรียนรู้เป็นคนตัดสินใจ . วิธีที่สองคือใช้กรณีศึกษา
เหตุผล และใช้มาตรการที่คล้ายคลึงกัน entropic . เราได้ประเมินประสิทธิภาพของวิธีทั้งสอง
CAD สองขนาดใหญ่ที่มีอยู่ทั่วไป mammography อ้างอิงฐานข้อมูลโดยใช้ตัวรับ
ลักษณะงาน
ร็อค  วิเคราะห์การสุ่มตัวอย่างบูทและ ANOVA ความสำคัญ
สถิติทดสอบ ทั้งสองวิธีลงวินิจฉัยคำวินิจฉัยของแพทย์ ดังนั้นทั้งสองระบบ
มีศักยภาพที่จะลดจำนวนของเต้านม จึงไม่จำเป็นในการปฏิบัติทางคลินิก a
เปรียบเทียบประสิทธิภาพของการตัดสินใจและวิธีการเสนอต้นไม้ CBR กับรัฐของ
ศิลปะแนวคิดบนพื้นฐานของโครงข่ายประสาทเทียม
แอน  แสดงให้เห็นว่าวิธีการดําเนินงาน
เล็กน้อยดีกว่าวิธีการ แอน ซึ่งจะส่งผลให้ประสิทธิภาพดีขึ้นเล็กน้อยกว่า
โครงสร้างการตัดสินใจวิธีการ ความแตกต่างอย่างมีนัยสำคัญทางสถิติ
ค่า P
0.001  . บน 2100
มวล สารสกัดจาก ddsm ฐานข้อมูลวิธีการกรณีตัวอย่างให้พื้นที่
ใต้โค้ง ROC ของ
Z  = 0.89 ± 0.01 , ต้นไม้การตัดสินใจแนวทางใน
Z  = 0.87 ± 0.01 และ
แอนวิธีการใน
Z  = 0.88 ± 0.01