2.2 Acute leukemia classificationTh

2.2 Acute leukemia classification
This subtopic presents. Many studies have been devoted to the development of accurate methods for automatically detecting different types of leukemia. Huang et al. reported several methods for the recognition and classification of leukemia [3]. They focused on the seminal work of Golub et al. who presented the first microarray-based and bioinformatics-oriented approaches for identifying and classifying tumor types [4,5]. In that study they used a signal-to-noise statistic to select a small set of genes, before developed aschemebasedon microarray gene expression analysis to distinguish ALL from AML, and they reported recognition rates of 94.1%. Other research studies were inspired by Golub et al. and they used the same ALL/AML data sets presented in [3]. These studies applied models, such as multilayer perceptron networks, support vector machines, and the k-nearest neighbor method, where the accuracy ranged from 58% to 97%.

ผลลัพธ์ (ไทย) 1:

2.2 การจัดประเภทของมะเร็งเม็ดเลือดขาวเฉียบพลัน
subtopic นี้นำเสนอ ศึกษาจำนวนมากมีการทุ่มเทเพื่อพัฒนาวิธีที่ถูกต้องสำหรับการตรวจสอบชนิดของมะเร็งเม็ดเลือดขาวโดยอัตโนมัติ หวง et al. รายงานหลายวิธีสำหรับการรู้จำและจำแนกประเภทของมะเร็งเม็ดเลือดขาว [3] พวกเขาเน้นการทำงานบรรลุถึงของอย่างไร Golub et al ผู้นำเสนอวิธี ใช้ microarray และ bioinformatics มุ่งเน้น การระบุประเภทชนิดเนื้องอก [4,5] ในการศึกษาว่า จะใช้สถิติสัญญาณเสียงเพื่อเลือกชุดเล็กของยีน ก่อนพัฒนา aschemebasedon microarray วิเคราะห์ยีนนิพจน์เพื่อแยกทั้งหมดจากภาษา และพวกเขารายงาน 94.1% อัตราการรู้จำ การศึกษาวิจัยอื่น ๆ ได้แรงบันดาลใจโดยอย่างไร Golub et al. และจะใช้ชุดเดียวกันของข้อมูลทั้งหมด/ภาษาแสดงใน [3] รุ่นนี้ใช้ศึกษา เช่นเพอร์เซปตรอนหลายชั้นเครือข่าย สนับสนุนเครื่องเวกเตอร์ และวิธี k ใกล้บ้าน ที่ถูกต้องอยู่ในช่วงจาก 58% 97%

ผลลัพธ์ (ไทย) 2:

2.2 การจัดหมวดหมู่ลูคีเมียเฉียบพลัน
นี้นำเสนอหัวข้อย่อย การศึกษาจำนวนมากได้รับการอุทิศให้กับการพัฒนาวิธีการที่ถูกต้องสำหรับการตรวจสอบโดยอัตโนมัติชนิดแตกต่างกันของโรคมะเร็งเม็ดเลือด Huang et al, หลายวิธีการรายงานการรับรู้และการจัดหมวดหมู่ของโรคมะเร็ง [3] พวกเขามุ่งเน้นไปที่การทำงานของเชื้อ Golub ตอัล ที่นำเสนอวิธีการ microarray-based และชีวสารสนเทศเชิงแรกสำหรับการระบุและจำแนกชนิดเนื้องอก [4,5] ในการศึกษาที่พวกเขาใช้สถิติสัญญาณต่อเสียงรบกวนเพื่อเลือกชุดเล็ก ๆ ของยีนก่อนที่การวิเคราะห์การแสดงออกของยีนที่พัฒนา aschemebasedon microarray แยกแยะความแตกต่างทั้งหมดจาก AML และพวกเขาก็รายงานอัตราการรับรู้ของ 94.1% การศึกษาวิจัยอื่น ๆ ได้รับแรงบันดาลใจจาก Golub ตอัล และพวกเขาจะใช้เหมือนกันทั้งหมด / AML ชุดข้อมูลที่นำเสนอใน [3] การศึกษาเหล่านี้นำไปใช้รูปแบบเช่นหลาย Perceptron เครือข่ายการสนับสนุนเครื่องเวกเตอร์และวิธีการเพื่อนบ้านที่ใกล้ที่สุด K-ที่ถูกต้องตั้งแต่ 58% ถึง 97%

ผลลัพธ์ (ไทย) 3:

2.2 เม็ดเลือดขาวเฉียบพลันชนิด
นี้หัวข้อย่อยเสนอ การศึกษาจำนวนมากได้รับการอุทิศเพื่อการพัฒนาวิธีการที่ถูกต้องโดยอัตโนมัติตรวจหาชนิดของมะเร็งเม็ดเลือดขาว หวง et al . มีหลายวิธีสำหรับการรับรู้และการจำแนกมะเร็งเม็ดเลือดขาว [ 3 ] พวกเขาเน้นงานสร้างของโกเลิบ et al .ที่นำเสนอครั้งแรกโดยมุ่งเน้นแนวทาง microarray และรสนสำหรับการระบุและการจำแนกเนื้องอกชนิด [ 4 , 5 ] ในการศึกษาที่พวกเขาใช้สัญญาณทางสถิติเพื่อเลือกชุดของยีนขนาดเล็กก่อนที่จะพัฒนา aschemebasedon microarray การแสดงออกของยีนการวิเคราะห์แยกแยะจาก AML และพวกเขามีอัตราการรู้จำร้อยละ %งานวิจัยอื่น ๆที่ได้รับแรงบันดาลใจจากโกเลิบ et al . และพวกเขาใช้เดียวกันทั้งหมด / AML ชุดข้อมูลนำเสนอใน [ 3 ] การศึกษานี้ใช้แบบจำลองเช่นเครือข่ายเพอร์เซปตรอนหลายชั้น , เครื่องเวกเตอร์สนับสนุนและการเพื่อนบ้านใกล้ที่สุดวิธีที่มีความถูกต้องอยู่ระหว่าง 58 %
97%