این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
محاسبات نرم، جلد ۱۰، شماره ۱، صفحات ۴۸-۶۹
عنوان فارسی پیش‌بینی زمان بقا عاری از بیماری تهاجمی در بیماران مبتلا به سرطان پستان با به‌کارگیری روش‌های یادگیری ماشین نیمه نظارتی مبتنی بر گراف
چکیده فارسی مقاله سرطان پستان در حال حاضر شایع‌ترین سرطان تشخیص‌داده ‌شده و علت اصلی مرگ‌ و میر ناشی از سرطان در زنان در سراسر جهان است. در سال‌های اخیر در حوزه مطالعات سرطان پستان و روند درمان این بیماری، تحلیل زمان بقای بیماران مبتلا، بسیار مورد توجه بوده است. انتخاب مدل مناسب برای تحلیل زمان بقا چالش اصلی در تحلیل بقا این بیماران است. در این پژوهش کاربردی به کمک روش‌های یادگیری ماشین نیمه نظارتی مبتنی بر گراف، مدلی برای تحلیل بقا بیماران مبتلا به سرطان پستان پیشنهاد شده است. اطلاعات بالینی و فارماکوژنومیکی، به همراه نتایج مصرف داروی تاموکسی‌فن در فرایند درمان سرطان تهاجمی مربوط به 3833 بیمار مبتلا به سرطان پستان که در بازه 5 سال تحت پیگیری بوده‌اند، مورد استفاده قرار گرفته است. همچنین با شبیه‌سازی مدل‌ها در نرم‌افزار متلب، عملکرد مدل پیشنهادی در تخمین زمان بقای عاری از بیماری تهاجمی و سایر پارامترهای بقا با مدل‌های رایج تحلیل بقا، مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد که با به‌کارگیری مدل پیشنهادی تحلیل بقا در پیش‌بینی زمان بقا عاری از سرطان پستان تهاجمی و همچنین استفاده ترکیبی از ویژگی‌های بالینی و فارماکوژنومیکی، دقت پیش‌بینی 14 درصد بیشتر از زمانی بود که فقط از ویژگی‌های بالینی استفاده شد و 15 درصد بیشتر از زمانی بود که فقط ویژگی‌های فارماکوژنومیکی به کار گرفته شد. علاوه بر این، مدل پیشنهادی تحلیل بقا در پیش‌بینی زمان بقا عاری از بیماری تهاجمی و پارامتر نسبت خطر در مقایسه با مدل‌های رایج تحلیل بقا دقت بالاتری داشته است.
کلیدواژه‌های فارسی مقاله تاموکسی‌فن، تحلیل بقا، زمان بقا عاری از بیماری تهاجمی، سرطان پستان، مدل شتاب‌دار زمان شکست، مدل خطرهای متناسب کاکس، یادگیری ماشین، یادگیری نیمه نظارتی مبتنی بر گراف،
عنوان انگلیسی Predicting Invasive Disease-Free Survival Time in Breast Cancer Patients Using Graph-based Semi-Supervised Machine Learning Techniques
چکیده انگلیسی مقاله Breast cancer is currently the most frequently diagnosed cancer and leading cause of cancer death in women worldwide. Researchers have been researching the best treatment for breast cancer. Their focus has been on preventing recurrence after the initial treatment of patients. Choosing the appropriate model for survival time analysis is the main challenge in the survival analysis of these patients. In this applied research, using graph-based semi-supervised learning method a new survival analysis model is proposed for analyzing the survival of breast cancer patients. Also, a dataset of 3833 patients with breast cancer who were followed up for 5 years was used. The clinical and pharmacogenomics information, including the results of Tamoxifen use and effect on the treatment of invasive cancer, was also available and used. To validate the proposed model, by introducing the evaluation parameters and simulation of the models in MATLAB software, the model performance is compared with previous models of survival analysis. The results demonstrate that by applying the proposed model in predicting invasive disease-free survival time and when a combination of the clinical and the pharmacogenomics features were used the estimation accuracy was 14% higher than when only the clinical features were used. Moreover, the estimated accuracy was 15% higher than when only the pharmacogenomics features were used. The proposed survival analysis model has a high capability for identifying survival risk and high accuracy in predicting patients' survival time.
کلیدواژه‌های انگلیسی مقاله تاموکسی‌فن, تحلیل بقا, زمان بقا عاری از بیماری تهاجمی, سرطان پستان, مدل شتاب‌دار زمان شکست, مدل خطرهای متناسب کاکس, یادگیری ماشین, یادگیری نیمه نظارتی مبتنی بر گراف
نویسندگان مقاله رمضان تیموری یانسری |
گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

میترا میرزارضایی |
گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

مهدی صادقی |
پژوهشگاه ملی مهندسی ژنتیک و زیست فناوری، تهران، ایران

بابک نجار اعرابی |
دانشکده مهندسی برق و کامپیوتر، دانشکدگان فنی، دانشگاه تهران، تهران، ایران.

نشانی اینترنتی https://scj.kashanu.ac.ir/article_111947_868e23db16e130a3ed63af80dad17d6c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات