کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6920481 1447922 2018 28 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Evaluation of machine learning algorithms for improved risk assessment for Down's syndrome
ترجمه فارسی عنوان
ارزیابی الگوریتم های یادگیری ماشین برای ارزیابی بهبود خطر برای سندرم داون
کلمات کلیدی
سندرم داون، تریستومی 21، چند لایه شبکه عصبی، مدل سازی پیش بینی کننده ارزیابی خطر قبل از زایمان،
ترجمه چکیده
غربالگری قبل از زایمان مقدار زیادی از اطلاعات را تولید می کند که برای پیش بینی خطر اختلالات مختلف استفاده می شود. ارزیابی ریسک پرناتال بر مبنای متغیرهای بالینی متعدد است و عملکرد کلی بر اساس این که چگونه الگوریتم خطر برای جمعیت مورد نظر بهینه می شود تعریف می شود. این مقاله الگوریتم های یادگیری ماشین را برای بهبود عملکرد غربالگری سه ماهه ی اول سندرم داون ارزیابی می کند. الگوریتم های یادگیری ماشین جایگزین سازنده ای برای ایجاد مدل های ارزیابی ریسک بهتر با استفاده از متغیرهای بالینی موجود است. دو مجموعه داده دیتا واقعی برای آزمایش با الگوریتم های طبقه بندی چندگانه استفاده شد. مدل های اعمال شده با یک مجموعه داده سوم، دنیای واقعی، و عملکرد با یک روش پیش فرض، نرم افزار ارزیابی ریسک تجاری مقایسه شد. بهترین عملکرد مدل شبکه عصبی عمیق به منحنی 0.96 و نرخ تشخیص 78٪ با نرخ مثبت کاذب 1٪ با داده های آزمون داده شد. مدل ماشین بردار پشتیبانی به منحنی 0.95 و نرخ تشخیص 61٪ با نرخ مثبت کاذب 1٪ با داده های مشابه داده شد. در مقایسه با روش پیشنهادی، مدل بهترین مدل بردار پشتیبانی، کمی پایین تر بود، اما یک مدل شبکه عمیق بهینه شده، قادر بود نرخ تشخیص بالاتر را با همان نرخ مثبت کاذب یا میزان تشخیص مشابه، اما با نرخ بسیار مثبت کاذب پایین تر نشان دهد. این یافته می تواند با استفاده از متغیرهای بالینی موجود و داده های تمرین گسترده ای که از یک جمع خاص مشخص می شود، غربالگری سه ماهه اول سندرم داون را بهبود بخشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
ارزیابی الگوریتم های یادگیری ماشین برای ارزیابی بهبود خطر برای سندرم داون
چکیده انگلیسی
Prenatal screening generates a great amount of data that is used for predicting risk of various disorders. Prenatal risk assessment is based on multiple clinical variables and overall performance is defined by how well the risk algorithm is optimized for the population in question. This article evaluates machine learning algorithms to improve performance of first trimester screening of Down syndrome. Machine learning algorithms pose an adaptive alternative to develop better risk assessment models using the existing clinical variables. Two real-world data sets were used to experiment with multiple classification algorithms. Implemented models were tested with a third, real-world, data set and performance was compared to a predicate method, a commercial risk assessment software. Best performing deep neural network model gave an area under the curve of 0.96 and detection rate of 78% with 1% false positive rate with the test data. Support vector machine model gave area under the curve of 0.95 and detection rate of 61% with 1% false positive rate with the same test data. When compared with the predicate method, the best support vector machine model was slightly inferior, but an optimized deep neural network model was able to give higher detection rates with same false positive rate or similar detection rate but with markedly lower false positive rate. This finding could further improve the first trimester screening for Down syndrome, by using existing clinical variables and a large training data derived from a specific population.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers in Biology and Medicine - Volume 98, 1 July 2018, Pages 1-7
نویسندگان
, , , , ,