RO127573A2 - Sistem inteligent de suport a deciziilor pentru diagnosticul neinvaziv al cancerului de prostată bazat pe inteligenţa artificială - Google Patents
Sistem inteligent de suport a deciziilor pentru diagnosticul neinvaziv al cancerului de prostată bazat pe inteligenţa artificială Download PDFInfo
- Publication number
- RO127573A2 RO127573A2 ROA201001122A RO201001122A RO127573A2 RO 127573 A2 RO127573 A2 RO 127573A2 RO A201001122 A ROA201001122 A RO A201001122A RO 201001122 A RO201001122 A RO 201001122A RO 127573 A2 RO127573 A2 RO 127573A2
- Authority
- RO
- Romania
- Prior art keywords
- diagnosis
- prostate cancer
- artificial intelligence
- support system
- decision support
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 206010060862 Prostate cancer Diseases 0.000 title claims abstract description 19
- 208000000236 Prostatic Neoplasms Diseases 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 108090000385 Fibroblast growth factor 7 Proteins 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 210000002307 prostate Anatomy 0.000 claims description 12
- 210000002966 serum Anatomy 0.000 claims description 11
- 238000001574 biopsy Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 7
- 239000000427 antigen Substances 0.000 claims description 6
- 102000036639 antigens Human genes 0.000 claims description 6
- 108091007433 antigens Proteins 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 108050007372 Fibroblast Growth Factor Proteins 0.000 claims description 5
- 102000018233 Fibroblast Growth Factor Human genes 0.000 claims description 5
- 102000003972 Fibroblast growth factor 7 Human genes 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 229940126864 fibroblast growth factor Drugs 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 239000012503 blood component Substances 0.000 claims description 2
- 238000005119 centrifugation Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 10
- 108010048036 Angiopoietin-2 Proteins 0.000 description 8
- 102000009075 Angiopoietin-2 Human genes 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 6
- 230000003211 malignant effect Effects 0.000 description 5
- 102000005789 Vascular Endothelial Growth Factors Human genes 0.000 description 4
- 108010019530 Vascular Endothelial Growth Factors Proteins 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 102100022987 Angiogenin Human genes 0.000 description 3
- 230000033115 angiogenesis Effects 0.000 description 3
- 108010072788 angiogenin Proteins 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 108010064593 Intercellular Adhesion Molecule-1 Proteins 0.000 description 2
- 102000015271 Intercellular Adhesion Molecule-1 Human genes 0.000 description 2
- 102100039364 Metalloproteinase inhibitor 1 Human genes 0.000 description 2
- 108010031374 Tissue Inhibitor of Metalloproteinase-1 Proteins 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 108010081589 Becaplermin Proteins 0.000 description 1
- 206010004446 Benign prostatic hyperplasia Diseases 0.000 description 1
- -1 FGF-basic Proteins 0.000 description 1
- 101000651890 Homo sapiens Slit homolog 2 protein Proteins 0.000 description 1
- 101000651893 Homo sapiens Slit homolog 3 protein Proteins 0.000 description 1
- 208000004403 Prostatic Hyperplasia Diseases 0.000 description 1
- 102100027340 Slit homolog 2 protein Human genes 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000002870 angiogenesis inducing agent Substances 0.000 description 1
- 230000006907 apoptotic process Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 208000013507 chronic prostatitis Diseases 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 201000007094 prostatitis Diseases 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005748 tumor development Effects 0.000 description 1
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Invenţia se referă la un sistem inteligent de suport al deciziilor pentru diagnosticul neinvaziv al cancerului de prostată, bazat pe inteligenţa artificială. Sistemul conform invenţiei conţine un bloc (1) de calcul evolutiv, care generează, prin rularea unor date (2), un model (3) matematic ce se implementează într-un program (4) pe un sistem (8) de calcul cu o interfaţă (5) grafică, cu nişte câmpuri (6) în care se introduc date de analiză, şi un câmp (7) în care programul oferă diagnosticul rezultat.
Description
Sistem inteligent de suport a deciziilor pentru diagnosticul neinvaziv al cancerului de prostată bazat pe inteligența artificială
Declarație privind sponsorizarea invenției
Aceasta invenție s-a bazat pe un studiu de cercetare finanțat de un grant de tip IDEI cod ID_314/2007, nr 397/2009 acordat de către Consiliul Național al Cercetării Științifice din Invatamantul Superior (CNCSIS).
Invenția se referă la realizarea unui sistem inteligent pentru diagnosticul cancerului de prostată, prin metode neevazive, bazate pe inteligența artificială.
Detectarea cancerului de prostată se face, în mod normal, prin efectuarea biopsiei prostatei și analizarea țesutului obținut. Potrivit unor studii, două treimi din totalul biopsiilor indicate pentru cancerul de prostată sunt negative. Biopsia trebuie refăcută în cazul în care se modifică nivelul PSA din sânge sau dacă, la o refacere a ecografiei, apar modificări. Unii pacienți sunt supuși inutil acestei investigații, care presupune extragerea unui fragment de țesut din prostată și analizarea acestuia. Daca biopsia nu este realizata corect pot apărea riscuri, iar pacienții necesita câteva zile de recuperare. Un alt dezavantaj este dat de faptul că pentru a stabili diagnosticul, în cazul în care cancerul se afla în stare incipienta, sunt necesare mai multe biopsii.
Din aceste considerente, această metodă invazivă se dorește a fi înlocuită de o metodă noninvazivă care presupune studierea unor molecule din sânge, care sunt implicate în angiogeneză.
O metodă utilizată pentru investigarea prostatei este tușeul rectal. întrucât 75% din cancere apar în periferia prostatei, ele pot fi depistate ușor prin tușeu rectal. Dezavantajul acestei metode este dat de gradul mare de incertitudine prin faptul că nu indică prezența cancerului cu acuratețe de 100%.
Ecografia transrectală (cu sonda rectală) este o altă metodă de investigare a prostatei. Daca pe ecografie apar modificări sugestive de cancer atunci, pentru 'W α-2 Ο 1 ο - ο 1 1 2 2 - 1 7 -11- 2010 confirmarea diagnosticului, se impune biopsia. Deși se pot observa eventuale modificări ale prostatei, acestea pot indica sau nu prezența cancerului de prostată.
CA2713645 prezintă o metodă pentru detectarea cancerului bazată pe markeri SLIT2. Deși este o metodă neinvazivă, această metodă prezintă dezavantaje deoarece determinarea moleculelor și diagnosticarea prin folosirea programului implica costuri ridicate și, de asemenea, necesită un specialist care utilizează softul și care ridică costul general al diagnosticării.
Problema pe care o rezolvă invenția propusă este de a oferi un sistem inteligent de diagnoză a cancerului de prostată, pe cale neinvazivă, care oferă un grad mare de siguranță (certitudine), care se bazează pe analiza de laborator a unor probe de sânge și pe prelucrarea automată a datelor cu ajutorul unui program de calculator.
Sistemul inteligent de suport a deciziilor pentru diagnosticul cancerului de prostată, bazat pe inteligența artificială, conform invenției, înlătură dezavantajele soluțiilor cunoscute, prin aceea că utilizează rezultatele unor probe de sânge prin care se stabilesc concentrația moleculelor VEGF, PDFG-BB, FGF-b, KGF, angiopoietin-2 (ANGPT2), PSA din ser, iar aceste date se introduc în sistem și sunt procesate printrun algoritm de inteligență artificială, furnizând medicului diagnosticul (malign/benign) cu o acuratețe de 100%.
Cancerul de prostată evidențiază anormalități biochimice care susțin dezvoltarea tumorii prin prevenirea apoptozei și promovarea angiogenezei și proliferării. Angiogeneză este rezultatul modificărilor în echilibrul dintre factorii angiogenici negativi și pozitivi. Moleculele studiate au fost VEGF, PDFG-BB, FGF-b, KGF, angiogenin (ANG), angiopoietin-2 (ANGPT2), ICAM-1 șiTIMP-1.
în efectuarea studiului au fost incluși 55 de pacienți, dintre care 49 au efectuat 12 biopsii pentru stabilirea diagnosticului, iar ceilalți 6 au constituit grupul de control. Primul grup avea nivelul tPSA > 4 ng/ml (4.1-351.8 ng/ml), iar grupul de control tPSA < 4 ng/ml (0.6-2.1 ng/ml). Diagnosticele stabilite au fost cancer de prostată (PCa), hiperplazie prostatica benignă și prostatită cronică. De asemenea s-au luat probe de sânge de la fiecare pacient înainte să primească tratament sau să li se efectueze biopsii. Prin centrifugare a fost separat serul de restul componentelor din sânge, ser care a fost analizat folosind tehnologia FAST Quant® array. Moleculele menționate
Λ-2 0 1 0 - 0 1 1 2 2 -1 7 -11- 2010 mai sus au fost determinate folosind tehnologia Whatman, iar concentrația lor a fost stabilită cu ajutorul softului ArrayVision™ FAST®.
în urma analizei statistice s-au eliminat 3 dintre moleculele studiate TIMP-1, ICAM-1 și ANG. Pacienții au fost împărțiți în 2 categorii și anume, pacienți cu cancer și pacienți fără cancer. Pentru a stabili care molecule fac diferența între aceste două categorii, s-a apelat la metodele inteligenței artificiale și anume, la algoritmii genetici.
S-a folosit un soft care utilizează algoritmi evolutivi, prin intermediul cărora se dezvoltă modele, de înaltă precizie, construite pe baza datelor introduse. Prin intermediul softului se descoperă relații între variabila de ieșire (output) și variabilele de intrare (input). Rezultatul obținut este un un model matematic implementat într-un program în C, Java, C# etc. Pentru a fi ușor de exploatat de către medic, pentru programul obținut se poate dezvolta o interfață grafică. Acest program conține formule matematice complexe care, pentru o utilizare facilă, implică dezvoltarea unui soft. Modul în care funcționează algoritmii genetici este următorul:
Algoritm evolutiv (μ, λ, pc, pm, nrMaxGen)
Inițializare (μ, P) t = O
Cat timp (“nu s-a găsit soluție’’ sau t < nrMaxGen)
Evaluare (P)
Creare (P’)
Repeta
Selecție_parinti(P, Ci)
Selectie_parinti(P, c2) încrucișare (ci, c2, pc, Oi, o2) Mutatie (oț, pm, Οι’) (ί,ί,ο) Mutatie (o2, pm, o2) (i,i,o) Daca ΙΡ’Ι<λ atunci Adăugare (P’, Oi) Daca IP’I> λ atunci Adăugare (P\ o2)
Pana când /P’l = λ Reuniune (P, P’, P”) Evaluare (P”) Selectie_supravietuire(P, P) (se selectează cei mai buni indivizi)
2010-01122-1 7 -11- 2010 t = t+ 1 sfarsit cat timp
Cel_mai-bun (P, soluție)
Sfarsit algoritm
Unde:
Ci, c2 = cromozomi
P, P’ = populații (soluții posibile formate din indivizi) nrMaxGen = numărul maxim de generații pm = probabilitatea de mutație pc = probabilitatea de încrucișare λ = numărul de descendenți obținuți prin aplicarea algoritmilor genetici (combinații de variabile) μ = numărul de indivizi din populație (variabilele).
La sfârșitul acestui algoritm se va selecta cea mai bună soluție oferită de algoritm, respectiv modelul care a dus la obținerea acestei soluții. Exista posibilitatea obținerii mai multor modele care oferă soluții acceptabile. Pentru obținerea programului a fost necesară împărțirea setului inițial de date în set de de date de antrenare (instruire) și în set de date de testare (exploatare). Variabilele de intrare (input) au fost VEGF, PDFG-BB, FGF-b, KGF, angiopoietin-2 (ANGPT2), PSA și vârsta pacienților, iar variabila cu rol de ieșire (output) a fost diagnosticul (malign sau benign).
Rezultatul procesării acestor date prin intermediul algoritmilor genetici constă în obținerea unor formule matematice complexe, un exemplu fiind următorul:
/[0]
| si.n~ { | 4 * sin* | sin* | ||
| 3 | k |
ί 1
1.0841S985107421V
1.09415$&51Φ7421$/ 2»aGF νατχία
-KGF] » 0.6342074871063232/·-KGF “ · PSA - KGF)
In relația (1) s-a notat:
/.
(1)·
Cî~l 010-01)22-.
7 -11- 2010
- f(o), reprezintă mărimea de ieșire care poate avea valoarea 0 sau 1; în cazul în care se obține 1 diagnosticul e malign, iar daca se obține 0 rezultatul este benign;
- FGF.b, reprezintă FGF-bazic, un membru al familiei factorilor de creștere fibroblastici (Fibroblast Growth Factor);
- KGF, reprezintă factorul de creștere al keratinocitelor (Keratinocyte Growth Factor);
- PSA, reprezintă antigenul seric de prostată (Prostate Serum Antigen);
- varsta, se refera la vârsta pacienților.
Se poate observa că pentru investigare se utilizează următoarele date de intrare: PDGF-bb, FGF-basic, PSA, Varsta. Calculul valorii acestor formule permite încadrarea pacienților în categoria corespunzătoare. Rezultatul modelului (compus dintr-o echipa de funcții) poate să fie 0 (benign) sau 1 (malign), și va permite medicilor să stabilească diagnosticul pentru pacient.
Formulele sau modelele matematice au fost obținute pe baza setului de date de instruire. Pentru validarea sistemului, s-au efectuat simulări pe modelele obținute cu setul datelor de exploatare, acuratețea predicției fiind de 100%.
Pe baza acestui set de formule se poate dezvolta un sistem care sa ajute medicii în stabilirea diagnosticului pentru pacienții suspecți de cancer de prostată, intr-o maniera neinvazivă. Astfel programul obținut în limbajul de programare C, Java, C#, poate fi implementat de programatori, fapt ce duce la obținerea unui sistem de suport a deciziilor ușor de utilizat de către medici.
Acest set de formule a fost implementat folosind limbajul de programare C++, pentru care s-a dezvoltat o interfață grafică cu rolul de a facilita utilizarea programului de către medici.
Astfel pentru noi pacienți, medicii trebuie să ia probe de sânge, să stabilească concentrația moleculelor VEGF, PDFG-BB, FGF-b, KGF, angiopoietin-2 (ANGPT2), PSA din ser, iar aceste date vor trebui introduse în sistem. Prin procesarea datelor —i ^2010-01122-1 7 -11- 2010 cu ajutorul modelului descoperit se poate stabili diagnosticul pacienților (malign sau benign) cu o acuratețe de 100%.
Un exemplu de aplicare a invenției și de funcționarea a sistemului poate fi descris pe baza figurii 1, care reprezintă schema bloc a sistemului.
Sistemul conține un bloc 1 în care s-a implementat o aplicație specifică prelucrărilor cu algoritmi genetici, în care se introduc niște date de instruire 2. Prin prelucrarea datelor de instruire 2 se generează unul sau mai multe modele matematice 3. Modelul sau modelele matematice 3 se implementează într-un program 4, realizat într-un mediu de programare cunoscut (C, Java, C#). în scopul oferirii unor facilitați de operare de către specialistul care exploatează sistemul și pentru a elimina necesitatea unui specialist IT, pentru programul 4 s-a prevăzut o interfață grafică 5. Interfața grafică 5 are niște câmpuri 6 pentru datele de analiză specifice fiecărui pacient și un câmp 7 în care programul oferă diagnosticul rezultat din calcule. Programul cu interfața grafica 5 ruleaza pe un sistem de calcul 8.
Datele de instruire 2 sunt sub forma unor vectori de forma ikj, k=1 ,k; j=1 j. în cazul de fața datele de instruire s-au cules de la un număr j de 49 de pacienți, dar numărul acestora poate diferi. Creșterea numărului de pacienți conferă o sistemului o mai mare certitudine în timp ce scăderea numărului de date de instruire are efect invers.
Setul datelor de instruire 2, sub forma unor vectori, de variabilă j (j=numărul pacientului) constă în:
Î1j= VEGFj i2j= PDFG-BBj i3j= FGF-bj i4j= KGFj i5j=ANGPT2j i6j=PSAj i7j=varstaj ¢2010-01122-1 7 -11- 2010
Oj=diagnosticulj
Datele de intrare 6, introduse de către specialistul care face investigarea, se prezintă sub forma unui set de date h, l2, ..., Ικ, ele se obținându-se prin analize de laborator. Datele 6 sunt specifice fiecărui pacient investigat și se referă la:
h= FGF.b (Fibroblast Growth Factor);
l2= KGF, (Keratinocyte Growth Factor);
l3= PSA, (Prostate Serum Antigen);
l4= varsta.
Sistemul inteligent de suport a deciziilor pentru diagnosticul cancerului de prostată bazat pe algoritmi genetici oferă rezultate certe pentru orice pacient, nu numai pentru pacienții conținuți în datele instruire. Cu alte cuvinte, la un nou pacient se dtermina inputurile, se aplica modelul matematic si rezulta estimarea diagnosticului.
Claims (5)
- REVENDICĂRI1. Sistem inteligent de suport a deciziilor pentru diagnosticul cancerului de prostată bazat pe inteligența artificială, compus dintr-un bloc (1) de prelucrare cu algoritmi genetici pe baza unor date de instruire (2), caracterizat prin aceea că, în urma instruirii rezultă unul sau mai multe modele matematice (3) care sunt implementate într-un program (4) care rulează pe un sistem de calcul 8, cu o interfață grafică (5) care conține niște câmpuri (6) în care operatorul introduce datele de analiză specifice fiecărui pacient, diagnosticul rezultat din calcule fiind afișat într-un câmp (7).
- 2. Sistem inteligent de suport a deciziilor pentru diagnosticul cancerului de prostata bazat pe inteligența artificială, conform revendicării 1, caracterizat prin aceea că, un model matematic (3) este dat de relația:/[0]
ί 00 > <fgf^ 4 » sin4 < sin2 1.084159851074219/ 1.084159851074219/ “ * KaF — KGF]· 0.6342074871063232/-KGF > · FSA - KGF] varsta λ în care f(o), reprezintă mărimea de ieșire care poate avea valoarea O sau 1 și care oferă diagnosticul (1-malign, O-benign); FGF.b, reprezintă FGF-bazic, (Fibroblast Growth Factor); KGF, reprezintă factorul de creștere al keratinocitelor (Keratinocyte Growth Factor); PSA, reprezintă antigenul seric de prostată (Prostate Serum Antigen), iar varsta, se referă la vârsta pacienților. - 3. Sistem inteligent de suport a deciziilor pentru diagnosticul cancerului de prostată bazat pe inteligența artificială, conform revendicărilor 1 și 2, caracterizat prin aceea că, datele de instruire (2), sub forma unor vectori de variabila j (j=numărul pacientului) constau în:i1j= VEGFj i2j= PDFG-BBj i3j= FGF-bjÎ4j= KGFj i5j=ANGPT2j i6j=PSAj ^2 0 1 0 - 0 1 1 2 2 -1 7 -11- 2010 i7j=varstajOj=diagnosticulj.
- 4. Sistem inteligent de suport a deciziilor pentru diagnosticul cancerului de prostată bazat pe inteligența artificială, conform revendicărilor 1 și 2, caracterizat prin aceea că, datele de analiză (6), specifice fiecărui pacient investigat, se referă la:li= FGF.b (Fibroblast Growth Factor);l2= KGF, (Keratinocyte Growth Factor);l3= PSA, (Prostate Serum Antigen);l4= varsta.
- 5. Sistem inteligent de suport a deciziilor pentru diagnosticul cancerului de prostată bazat pe inteligența artificială, conform revendicării 3, caracterizat prin aceea că, setul datelor de instruire (2) și a datelor de învățare s-a opținut prin efectuarea unui studiu pe 55 de pacienți, de la fiecare pacient s-au luat probe de sânge înainte să primească tratament sau să li se efectueze biopsii, apoi prin centrifugare a fost separat serul de restul componentelor din sânge, ser care a fost analizat folosind tehnologia FAST Quant® array, iar moleculele necesare analizelor au fost determinate folosind tehnologia Whatman, concentrația lor fiind stabilită cu ajutorul softului ArrayVision™ FAST®.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ROA201001122A RO127573A2 (ro) | 2010-11-17 | 2010-11-17 | Sistem inteligent de suport a deciziilor pentru diagnosticul neinvaziv al cancerului de prostată bazat pe inteligenţa artificială |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ROA201001122A RO127573A2 (ro) | 2010-11-17 | 2010-11-17 | Sistem inteligent de suport a deciziilor pentru diagnosticul neinvaziv al cancerului de prostată bazat pe inteligenţa artificială |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RO127573A2 true RO127573A2 (ro) | 2012-06-29 |
Family
ID=46319404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ROA201001122A RO127573A2 (ro) | 2010-11-17 | 2010-11-17 | Sistem inteligent de suport a deciziilor pentru diagnosticul neinvaziv al cancerului de prostată bazat pe inteligenţa artificială |
Country Status (1)
| Country | Link |
|---|---|
| RO (1) | RO127573A2 (ro) |
-
2010
- 2010-11-17 RO ROA201001122A patent/RO127573A2/ro unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Marmor et al. | The rise in appendiceal cancer incidence: 2000–2009 | |
| Buonomo et al. | New insights into the metastatic behavior after breast cancer surgery, according to well-established clinicopathological variables and molecular subtypes | |
| Baxter et al. | An evaluation of the relationship between lymph node number and staging in pT3 colon cancer using population-based data | |
| Zhu et al. | Clinical and pathological staging of gastric cancer: current perspectives and implications | |
| Kumar et al. | Peripheral blood mononuclear cell derived biomarker detection using eXplainable Artificial Intelligence (XAI) provides better diagnosis of breast cancer | |
| Masic et al. | Effects of initial Gleason grade on outcomes during active surveillance for prostate cancer | |
| Saritas et al. | Prognosis of prostate cancer by artificial neural networks | |
| Cham et al. | Utility of radiation therapy for early-stage uterine papillary serous carcinoma | |
| Zuñiga et al. | Biomarkers panels can predict fatigue, depression and pain in persons living with HIV: A pilot study | |
| Kimura et al. | Utility of skin perfusion pressure values with the Society for Vascular Surgery Wound, Ischemia, and foot Infection classification system | |
| Oster et al. | A predictive algorithm using clinical and laboratory parameters may assist in ruling out and in diagnosing MDS | |
| Xiao et al. | Peri-operative blood transfusion does not influence overall and disease-free survival after radical gastrectomy for stage II/III gastric cancer: a propensity score matching analysis | |
| Sugawara et al. | Evaluation of survival following surgical resection for small nonfunctional pancreatic neuroendocrine tumors | |
| Dekker et al. | Lack of standards for the detection of melanoma in sentinel lymph nodes: a survey and recommendations | |
| Wang et al. | Establishment of a machine learning model for early and differential diagnosis of pancreatic ductal adenocarcinoma using laboratory routine data | |
| Tang et al. | Development and verification of prognostic nomogram for ampullary carcinoma based on the SEER database | |
| Thangaraju et al. | Novel classification based approaches over cancer diseases | |
| Blanchi et al. | Prognostic impact of circulating tumor cells in patients with soft‐tissue sarcomas: a prospective study | |
| Zhong et al. | Quantitative histopathology analysis based on label-free multiphoton imaging for breast cancer diagnosis and neoadjuvant immunotherapy response assessment | |
| Reyes et al. | Evaluation of the BiliChek being used on hyperbilirubinemic newborns undergoing home phototherapy | |
| Sugawara et al. | Characteristics and prognosis of patients with pancreatic adenocarcinoma not expressing CA19-9: Analysis of the National Cancer Database | |
| RO127573A2 (ro) | Sistem inteligent de suport a deciziilor pentru diagnosticul neinvaziv al cancerului de prostată bazat pe inteligenţa artificială | |
| Hoag | Molecular biology: marked progress | |
| Tu et al. | Prognostic value of electronic health records-based frailty measures for all-cause mortality in older patients with non-small cell lung cancer | |
| Anthony Delacruz | Using circulating tumor cells as a prognostic indicator in metastatic castration-resistant prostate cancer |