کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7689973 1495905 2014 20 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Current trends in machine-learning methods applied to spectroscopic cancer diagnosis
ترجمه فارسی عنوان
روند فعلی در روش های یادگیری ماشین استفاده می شود به تشخیص سرطان اسپکتروسکوپی
کلمات کلیدی
SIMCAANNQDALOOCVCARTIQRPLS-DAPCA - PCAValidation - اعتبار سنجیCross validation - اعتبار سنجی متقابلPrincipal components analysis - تجزیه و تحلیل اجزای اصلیPartial least squares discriminant analysis - تجزیه و تحلیل خرده مقیاس حداقل مربعات جزئیLinear discriminant analysis - تجزیه و تحلیل خطی خطیDiscriminant analysis - تجزیه و تحلیل دائمیQuadratic discriminant analysis - تجزیه و تحلیل متقارنData analysis - تحلیل دادهLDA - تخصیص پنهان دیریکلهLeave-one-out cross-validation - ترک یک اعتبار متقابلcancer diagnosis - تشخیص سرطانSensitivity - حساسیتMultinomial logistic regression - رگرسیون لجستیک چند ملیتیLogistic regression - رگرسیون لوجستیکartificial neural networks - شبکه های عصبی مصنوعیClassification and regression trees - طبقه بندی و رگرسیون درختانVibrational spectroscopy - طیف سنجی ارتعاشیSpectroscopy - طیف‌سنجیSVM - ماشین بردار پشتیبانیSupport vector machine - ماشین بردار پشتیبانیinter-quartile range - محدوده بین محوریCancer staging - مرحله سرطانSpecificity - ویژگیMachine learning - یادگیری ماشین
ترجمه چکیده
استفاده از طیف سنجی ارتعاشی برای تشخیص و پیشگیری از سرطان بسیار جذاب است و امید زیادی به روش های هیستوپاتولوژی در حال حاضر دارد. فرضیه اصلی این رویکرد این است که سرطان دارای اثر انگشت بیوشیمیایی است که می تواند با استفاده از طیف سنجی مورد استفاده قرار گیرد. برای ارتباط طیفهای پیچیده چند متغیره به حالت بیماری، روشهای یادگیری ماشین معمولا برای تشخیص الگوهای طیفی تشخیص استفاده می شود. این مقاله بررسی گسترده ای از این زمینه را ارائه می دهد. میانگین عملکرد تشخیصی مطالعات تجربی چشمگیر است (حساسیت و ویژگی خاص> 90٪)، اما بیشتر مطالعات کوچک بودند (کمتر از 40 نمونه). علاوه بر این، عملکرد تشخیصی اغلب با استفاده از روش هایی که در حال حاضر شناخته شده اند بیش از حد خوش بینانه محاسبه می شود. ما نتیجه گرفتیم که اگر ترکیبی از طیف سنجی و یادگیری ماشین برای ترجمه به عمل بالینی باشد، مطالعات بیشتری لازم است و محققان به طور مرتب داده های طیفی را برای حمایت از انتشارات خود ارائه می کنند تا داده ها بتوانند توسط گروه های دیگر دوباره تجزیه شوند.
موضوعات مرتبط
مهندسی و علوم پایه شیمی شیمی آنالیزی یا شیمی تجزیه
پیش نمایش مقاله
روند فعلی در روش های یادگیری ماشین استفاده می شود به تشخیص سرطان اسپکتروسکوپی
چکیده انگلیسی
The use of vibrational spectroscopy for diagnosis and staging of cancer is extremely attractive, promising many benefits over the currently used histopathology methods. The hypothesis underlying this approach is that cancers have characteristic biochemical fingerprints that can be captured using spectroscopy. To relate complex multivariate spectra to disease state, machine-learning methods are typically used to recognize diagnostic spectral patterns. This article provides an extensive review of this field. The average diagnostic performance of the reviewed studies is impressive (>90% sensitivity and specificity) but most studies were small (<40 samples). Furthermore, diagnostic performance has often been calculated using methods now known to be overoptimistic. We conclude that, if the combination of spectroscopy and machine learning is to translate into clinical practice, larger studies are needed and researchers should routinely provide spectral data in support of their publications so that the data can be reanalyzed by other groups.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: TrAC Trends in Analytical Chemistry - Volume 59, July–August 2014, Pages 17-25
نویسندگان
, , ,