RO128066A2 - Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive, bazat pe inteligenţa artificială - Google Patents
Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive, bazat pe inteligenţa artificială Download PDFInfo
- Publication number
- RO128066A2 RO128066A2 ROA201001327A RO201001327A RO128066A2 RO 128066 A2 RO128066 A2 RO 128066A2 RO A201001327 A ROA201001327 A RO A201001327A RO 201001327 A RO201001327 A RO 201001327A RO 128066 A2 RO128066 A2 RO 128066A2
- Authority
- RO
- Romania
- Prior art keywords
- patient
- breast cancer
- data
- diagnosis
- value
- Prior art date
Links
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 31
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims description 12
- 238000010200 validation analysis Methods 0.000 claims abstract description 23
- 238000013178 mathematical model Methods 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 108010081589 Becaplermin Proteins 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 238000013479 data entry Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims 2
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 210000000349 chromosome Anatomy 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 5
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000009402 cross-breeding Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 230000033115 angiogenesis Effects 0.000 description 1
- 239000002870 angiogenesis inducing agent Substances 0.000 description 1
- 230000002491 angiogenic effect Effects 0.000 description 1
- 230000006907 apoptotic process Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000030776 invasive breast carcinoma Diseases 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000472 traumatic effect 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 clinice pentru diagnosticarea cancerului de sân prin metode neinvazive. Sistemul conform invenţiei este alcătuit dintr-un subsistem (A) de generare a unui model matematic, şi dintr-un subsistem (B) de exploatare; primul subsistem (A) este, la rândul lui, alcătuit dintr-un bloc (1) de introducere a unor date i, k=1,...,4 şi j=1,...,79, constând din valoarea (i) concentraţiei moleculei KGF pentru pacientul j, valoarea (i) concentraţiei moleculei Angiopoi2 pentru pacientul j, valoarea (i) concentraţiei moleculei PDGF-bb pentru pacientul j, şi vârsta (i) pacientului j, dintr-un bloc (2) de împărţire aleatorie a setului de date de intrare în date de antrenare (a), de testare (t) şi de validare (v), dintr-un bloc (3) de procesare cu algoritmi genetici, care oferă un program selectat, care va fi validat într-un bloc (6), iar după validare, programul oferă un model matematic (5) ce va fi descris într-un limbaj de programare, obţinându-se un program care va fi utilizat la diagnosticarea cancerului de sân, în cadrul celui de-al doilea subsistem (B), de exploatare, care cuprinde un modul de calcul ce implementează modelul matematic (5), rezultatele obţinute fiind afişate de un modul (10) de afişare.
Description
Sistem inteligent de suport ai deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive, bazat pe inteligență artificială
Invenția se referă la un sistem inteligent de suport al deciziilor clinice pentru stabilirea, cu acuratețe mergând până la 100%, a diagnosticului de cancer de sân, folosind metode neinvazive.
Utilizarea metodelor neinvazive reprezintă un avantaj al acestui sistem, în comparație cu alte tehnici propuse până în prezent pentru stabilirea diagnosticului de cancer de sân. Probele se recoltează doar din sângele pacienților, fără ca aceștia să fie supuși unei biopsii.
Problema pe care o rezolvă invenția propusă este de a oferi un sistem inteligent de diagnoză a cancerului de sân, pe cale neinvazivă, care oferă un grad mare de certitudine.
Sistemul inteligent de suport al deciziilor clinice pentru diagnosticul cancerului de sân prin metode neinvazive, bazat pe inteligență artificială, conform invenției, înlătură dezavantajele soluțiilor clasice, prin aceea că sistemul este alcătuit dintr-un subsistem A, de generare a modelului matematic pe baza unor algoritmi genetici, compus dintr-un bloc de introducere a datelor, dintr-un bloc de împărțire aleatorie a setului datelor de intrare în date de antrenare, de testare și de validare, dintr-un bloc de procesare cu algoritmi genetici, care oferă un program selectat care va fi validat într-un bloc de validare, programul validat generând un model matematic care va fi utilizat în subsistemul B, de exploatare în care se introduc concentrația moleculelor KGF și PDGF-bb și vârsta pacientului și care furnizează diagnosticul cu o acuratețe foarte ridicată.
S-a luat în considerare faptul că prezența unui cancer de sân în organism determină anumite anormalități biochimice. Modificările survenite în echilibrul dintre factorii angiogenici pozitivi și cei negativi conduc la angiogeneza, a cărei promovare este facilitata de anormalitatile intervenite în organism, concomitent cu prevenirea apoptozei.
Astfel, analiza în laborator a probelor recoltate de la pacienti stabilește concentrația în sângele acestora a următoarelor molecule: Angiopoi2, KGF și PDGF-bb.
ca- 2 O 1 O - o 1 3 2 7 ’ 1 3 Ί2- 2010
Alegerea moleculelor s-a realizat conform unor criterii biomedical-oncologice și statisticoinformatice, dintr-o multitudine de posibilități.
Sistemul propus prin această invenție presupune utilizarea valorilor unui grup de molecule, din cadrul a 8 tipuri de molecule analizate și a vârstei pacientului pentru a stabili, cu acuratețe mergând până la 100%, prin intermediul unui program ce descrie un model matematic pentru diagnosticul de cancer de sân sau normal (fără cancer) la pacient.
Dezvoltarea sistemului s-a realizat în două etape:
1. Efectuarea unui studiu pe un grup de 79 de pacienți și obținerea, prin aplicarea unei metode de inteligență artificială dovedită a fi alegerea optimă pentru problema propusă, a unui model matematic prin intermediul căruia se poate stabili diagnosticul de cancer de sân.
2. Implementarea modelului matematic într-un limbaj de programare cunoscut (C, Java, C#) pentru ca acesta să poată fi utilizat ca suport al deciziilor clinice în diagnosticarea cancerului de sân.
Cele două etape au presupus parcurgerea mai multor pași: selectarea grupului de pacienți și efectuarea analizelor de laborator; prelucrarea datelor prin tehnici de analiză statistică și procesarea lor prin diferite metode de inteligență artificială; obținerea formulei prin care se face clasificarea unui pacient, ca avand cancer de san sau nu, cu acuratețe foarte ridicată; implementarea formulei într-un limbaj de programare cunoscut.
Studiul s-a efectuat pe un grup de 79 de pacienți, împărțiți în două categorii: 58 de pacienți cu cancer de sân, ale căror probe s-au recoltat înainte de a fi supusi unei chimio-terapii și 21 de pacienți fără cancer de sân (normal) care au reprezentat grupul de control.
Concentrația moleculelor Angiopoi2, KGF și PDGF-bb s-a obtinut prin evaluarea lor simultană folosind tehnologia FASTQuant.
Datele de la care s-a pornit în aplicarea metodelor de inteligență artificială au cuprins astfel valorile concentrației moleculelor - KGF, Angiopoi2 și PDGF-bb - și vârsta celor 79 de pacienți, împărțiți în cele două clase: cu cancer de san sau normal (fara cancer de sân).
Ο 1 Ο - 0 1 3 2 7 - 1 3 -12- 2010 ίο!'
Alegerea tehnicii de inteligență artificială s-a bazat pe evaluarea acuratetii cu care diverșii algoritmi testați clasificau pacienții în cele două clase, folosind datele de intrare. Astfel, cele mai bune rezultate s-au obtinut prin programare genetică, versiunea liniară (termenul nu se referă la obținerea unor modele liniare). Aceasta este o tehnică de învățare automată, supervizată, care presupune dezvoltarea unor programe folosind concepte ale evoluției biologice, implementate prin algoritmi genetici, o subclasă de algoritmi evolutivi.
Un pseudocod al algoritmului genetic utilizat ar putea fi prezentat în felul următor, ținând cont de notațiile:
p = populație inițială, formată din N cromozomi (programe, pentru programare genetică liniară)
P'=populație formată din «'cromozomi, aleși aleator din P, n<N pk - cromozomi câștigători selectați din P', k = \,...,n” ,n<n' (părinți) pi = probabilitatea (rata) de încrucișare pm = probabilitatea (rata) de mutație
Cj = cromozomi obținuți prin încrucișarea cromozomilor pk, k = 1,..., n si j = 1,..., n-n” (copii) max = numărul maxim de generații (alegeri de subpopulații P') pe care algoritmul le construiește soluție = reține cel mai bun cromozom determinat în cadrul unei generații eroare = eroarea returnată de funcția de performanța pentru cel mai bun cromozom din generație const = eroarea soluției nu se mai îmbunătățește (devine constantă) după un anumit număr de generații
Algoritm Genetic( P,N,ri,n,pi, pm) // se inițializează populația P cu N cromozomi generați aleator
Inițializare! P);
c\- 2 Ο 1 Ο - Ο 1 3 2 ? - 1 3 -12- 2010 contor = 0;
Repeta //se aleg din P, ri cromozomi care formează populația P' și care participa la competiție
Alegere_Aleatoare( P , P’);
contor = contor + 1;
//evaluarea cromozomilor din P' cu ajutorul unei funcții de performanta (fitness)
Evaluare( P');
//se selectează din P', conform unui algoritm de selecție, un număr n de cromozomi câștigători ai competiției
Selectare( P', pk ,k = Ι,.,.,η);
//se încrucișează cromozomii pk,k = Ι,.,.,η, denumiți părinți, conform unei probabilități de încrucișare pi și se obțin noi cromozomi, denumiți copii Cj,j = 1,...,n'—n
Incrucisare( pk,k = Ι,.,.,η ,c}, j = \,...,n'-nf, //copii obținuți prin încrucișare pot suferi mutatie cu o probabilitate pm
Mutatie( c} , j = 1,..., n'-n);
//acești copii înlocuiesc cromozomii necastigatori în P' înlocuire! cjz j = \,...,n'-n, P);
// se reevaluează populația P', și se retine în soluție cromozomul care îndeplinește cel mai bine cerința problemei
Atribui reCso/Mize, cel_mai_bun_cromozom(Evaluare( P'));
CV- 2 Ο 1 Ο - Ο 1 3 2 7
3 -12- 2010
Pana când {contor = max) sau (eroare(solutie) = const) //returneaza cromozomul care a îndeplinit cel mai bine cerințele problemei, fie ca eroarea evaluării acestuia nu s-a mai modificat prin generarea unor noi cromozomi, fie ca s-a atins numărul maxim de generații
Retumeaza(io/niz7);
Sfârșit Algoritm Genetic.
Un astfel de algoritm genetic, în cazul programării genetice liniare, va utiliza datele introduse de utilizator pentru a antrena generații de programe și pentru a retuma ca soluție programul care îndeplinește cel mai bine cerințele problemei, sau altfel spus, a cărui eroare determinată de funcția de performanță este minimă (la baza erorii aflându-se diferența dintre diagnosticul real și cel dat de program).
Pentru aplicarea tehnicii de programare genetică liniară, datele (perechile input-output) s-au împărțit în trei seturi: de antrenare (33%), de testare (33%) și de validare (33%). Inițializarea parametrilor, folosiți în procesul de construire și selectare a programelor optime la un moment dat, s-a efectuat cu valori alese în mod adecvat, în urma a numeroase experimente. Codul celui mai bun program a fost salvat în limbajele de programare C, Java, și C#. Setul de antrenare și cel de testare sunt folosite pentru antrenarea și selectarea programelor, astfel încât rata clasificării corecte să fie cât mai mare. Setul de validare intervine în evaluarea performanței unui program construit și retumat ca fiind cel mai bun dintr-o populație de programe, când algoritmul genetic si-a terminat execuția.
Datele corespunzătoare celor 79 de pacienți au fost împărțite în mod egal și aleator în cele trei seturi de date: de antrenare (27 pacienți), de testare (26 pacienți) și de validare (26 pacienți), iar acuratețea cu care cel mai bun program a clasificat setul de validare a fost de 100%.
Figura 1 reprezintă structura sistemului, necesară pentru obținerea prin programare genetică liniară a celui mai bun program, a cărui rată de clasificare, acceptată în etapa de validare, este de 100%.
A-2 Ο 1 Ο - Ο 1 3 2 ? - 1 3 -12- 2010
Sistemul se compune dintr-un subsistem A, de generare a modelului matematic, și un subsistem B, de explatare. Subsistemul A este alcătuit dintr-un bloc 1, de introducere a datelor, dintr-un bloc 2, de împărțire aleatorie a setului datelor de intrare în date de antrenare, de testare și de validare, dintr-un bloc 3, de procesare cu algoritmi genetici, care oferă un program selectat și considerat ca fiind cel mai bun. Programul va fi validat, într-un bloc 6. După validare programul oferă un model matematic 5, care va conține formula de diagnosticare. Modelul matematic este transferat subsistemului B, de exploatare.
Datele de intrare care se introduc în blocul 1 sunt notate cu itj,k = 1,...,4 și j = 1,...79 și reprezintă:
j = valoarea concentrației moleculei KGF pentru pacientul j;
i2 / = valoarea concentrației moleculei Angiopoi2 pentru pacientul j;
i - valoarea concentrației moleculei PDGF-bb pentru pacientul j;
i4j - varsta pacientului j;
oy, j = 1,...,79, reprezintă diagnosticul pentru pacientul j, cu valoarea ”1”, dacă pacientul are cancer de sân și ”0”, în caz contrar.
Blocul 2 are rolul de împărțire a datelor de intrare, în mod aleator, în cele trei seturi de date de antrenare, testare și validare, după cum urmează:
o. = datele de intrare pentru setul de antrenare, k = 1,... ,4 si j = 1,... ,27 ;
ttj = datele de intrare pentru setul de testare, k = 1,... ,4 si j = 1,... ,26;
vkj = datele de intrare pentru setul de validare, k = 1,... ,4 si j = 1,... ,26;
Pentru a obține programul cu cea mai bună rată de clasificare în cele două categorii (cu cancer de sân sau cu diagnostic normal) datele de antrenare și cele de testare sunt procesate prin algoritmii de programare genetică liniară, implementați în blocul 3, de procesare. Cel mai bun program cV2 010-01327-1 3 -12- 2010 rezultat din prelucrarea genetică este transferat într-un bloc 4, de calcul, după care urmează o procedură de validare într-un bloc 6, numit bloc de validare a programului. Blocul 6 realizează validarea programului prin verificarea acurateții de clasificare a pacienților care se face pe setul de date de validare, date care nu au fost utilizate în antrenarea și selectarea programelor. Datele din setul de validare se oferă ca date de intrare, iar programul oferă, pe baza algoritmului, un diagnostic calculat” pentru fiecare pacient. Diagnosticul calculat” este comparat cu diagnosticul cunoscut al pacientului din setul de validare. Programul este acceptat numai dacă oferă un diagnostic corect pentru toți pacienții din setul de validare, în caz contrar sistemul este reinițializat și se generează un nou program.
Obținerea celui mai bun program presupune operații succesive de încrucișare și mutație, eventual replicări ale programelor existente într-o populație. In cazul programării genetice liniare, aceste modificări au loc la nivelul instrucțiunilor din program, existând astfel posibilitatea ca unele variabile de intrare să nu se mai regăsească în codul celui mai bun program.
Instrucțiunile cuprinse în program descriu un model matematic (bloc 5) care presupune: o funcție matematică care depinde de toate sau numai de o parte din variabilele considerate în analiză și expresii logice cu ajutorul cărora se compară valoarea funcției cu o valoare prag”. în funcție de rezultatul comparației, programul retumează valoarea 1, dacă pacientul ale cărui date au fost prelucrate de funcție are cancer de sân sau valoarea 0, în caz contrar.
în cazul datelor furnizate de studiul propus în cadrul invenției, funcția matematică este descrisă prin relația:
r , li VKGF f[Varsta,KGF,PDGF-bb] = j Versta — ,, x {
0,9487254619598389) κ KGFi ; KGF
PDGF-bb
Se compară valoarea calculată a funcției f cu valoarea „prag”.
Daca /[Versta, KGF, PDGF- bb] > iialearezprag, atunci programul retumează valoarea 1, în caz contrar retumează valoarea 0.
Se observă utilizarea ca și argumente ale funcției doar a variabilelor: Varsta, KGF și PDGF-bb, molecula Angiopoi2 nefiind suficient de relevantă pentru a fi păstrată în cadrul celui mai bun ν 2 ο ' C - ο '3 2 ? 1 3 2010 program. Cel mai bun program este cel pentru care funcția f are o valoare care să ducă la retumarea valorii 1 de către program în cazul pacientului care are cancer de sân și O în caz contrar, când pacientul aparține clasei „normal”.
Acuratețea de 100% a clasificării realizate de cel mai bun program obținut prin programare genetică, a justificat crearea sistemului prin implementarea modelului matematic într-un limbaj de programare astfel încât acesta să poată fi utilizat ca suport al deciziilor clinice pentru diagnosticarea cancerului de sân.
Astfel, sistemul propune aplicarea unui model matematic pentru diagnosticarea unui pacient ca având cancer de sân sau nu folosind metode neinvazive de recoltare a probelor de la acesta.
Implementarea sistemului în practica medicală presupune parcurgerea următoarelor atape:
1. Recoltarea de la pacient a probelor de sânge
2. Determinarea concentrației moleculelor: KGF și PDGF-bb.
3. Introducerea valorilor celor două molecule și a vârstei pacientului în program
4. Interpretarea rezultatului retumat de program cu acuratețe mergând până la 100%:
1, daca pacientul are cancer de sân și 0, în caz contrar.
Se presupune că pasul 3 include și operațiunea de procesare a datelor de intrare pe care medicul le-a furnizat programului care descrie modelul matematic.
Subsietmul B, de exploatare (figura 2) se compune din blocul 7 care conține un bloc 8, de calcul, care, la rândul lui conține modelul matematic de la blocul 5, descris într-un limbaj de programare (C, Java sau C#). Programul din blocul 8 se bazează pe formula matematică prin care se procesează datele, pe expresii logice de evaluare a rezultatelor și de comparare a acestora cu valoarea “prag”. Datele de intrare pentru stabilirea diagnosticului unui pacient se introduc într-un bloc 9, de introducere a datelor, iar diagnosticul rezultat este afișat pe un dispozitiv de ieșire (de exemplu, un ecran) 10.
Datele de intrare necesare pentru stabilirea diagnosticului unui pacient sunt:
3 -12- 2010
I] = concentrația moleculei KGF pentru pacient.
I2 = concentrația moleculei PDGF-bb pentru pacient.
I3 = varsta pacientului.
în concluzie, invenția se referă la un sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân, bazat pe implementarea unui model matematic. Acest model permite clasificarea unui pacient ca având cancer de sân sau nu, utilizând informații ca: vârsta pacientului și concentrația moleculelor angiogenice KGF și PDGF-bb. Probele preluate de la pacient sunt obținute prin metode neinvazive, un factor de maximă importanță în asigurarea unui proces de investigare cât mai puțin traumatizant pentru pacient.
Claims (5)
- REVENDICĂRI1. Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive, bazat pe inteligența artificială, caracterizat prin aceea că, sistemul este alcătuit dintr-un subsistem (A), de generare a modelului matematic și dintr-un subsitem (B), de exploatare, subsistemul (A) constă dintr-un bloc (1), de introducere a datelor, dintr-un bloc (2), de împărțire aleatorie a setului datelor de intrare în date de antrenare, de testare și de validare, dintr-un bloc (3), de procesare cu algoritmi genetici, care oferă un program selectat, care va fi validat într-un bloc (6), iar după validare programul oferă un model matematic (5), care va fi descris într-un limbaj de programare obținându-se un program care se utilizează la diagnosticarea cancerului de sân, în cadrul subsistemului (B), program care conține un modul de introducere a datelor pacientului într-un bloc (9), un modul de calcul care implementează modelul matematic (5) în blocul (8) și un modul (10), de afișare a rezultatului.
- 2. Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive bazat pe inteligență artificială, conform revendicării 1, caracterizat prin aceea că, modelul matematic utilizează funcția f descrisă prin relația: f Varsta,KGF,PDGF-bbj vKCF f arria-PDGF-bb0.9487254619598389) a cărei valoare, calculată pentru datele unui pacient, se compară cu o valoare „prag” , o valoare a funcției f care respectă condiția f[Varsta, KGF, PDGF-bb]> valoarea „prag” indicând prezența cancerului de sân la pacientul diagnosticat, iar în caz contrar, indicând absența acestei boli.
- 3. Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive bazat pe inteligență artificială, conform revendicării 2, caracterizat prin aceea că, argumentele funcției f sunt: KGF, care reprezintă concentrația moleculei KGF, PDGF-bb, care reprezintă concentrația moleculei PDGF-bb și variabila „Varsta” reprezentând vârsta pacientului.
- 4. Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive, bazat pe inteligenta artificiala, conform revendicărilor 1 si 2, caracterizat2010-0152?-1 3 -12- 2010prin aceea că, setul de date analizat și utilizat pentru generarea modelului matematic prin procesare cu algoritmi genetici, împărțit în date de antrenare, testare si validare se prezintă sub forma de vectori, iar un vector corespunzător datelor unui pacient cuprinde:i|y - valoarea concentrației moleculei KGF pentru pacientul j;valoarea concentrației moleculei Angiopoi2 pentru pacientul j;‘3j ~ valoarea concentrației moleculei PDGF-bb pentru pacientul j;i. — Λ 47 varsta pacientului j;°7 ~ diagnosticul (output) pentru pacientul j.
- 5. Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive, bazat pe inteligență artificială, conform revendicărilor 1 si 2, caracterizat prin aceea că, datele introduse în modulul (9) al subsistemului de exploatare (B), date necesare pentru investigarea unui nou pacient constau în: concentrația moleculei KGF pentru pacient (10, concentrația moleculei PDGF-bb pentru pacient (I2) și vârsta pacientului (I3).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ROA201001327A RO128066A2 (ro) | 2010-12-13 | 2010-12-13 | Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive, bazat pe inteligenţa artificială |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ROA201001327A RO128066A2 (ro) | 2010-12-13 | 2010-12-13 | Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive, bazat pe inteligenţa artificială |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RO128066A2 true RO128066A2 (ro) | 2012-12-28 |
Family
ID=47504267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ROA201001327A RO128066A2 (ro) | 2010-12-13 | 2010-12-13 | Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive, bazat pe inteligenţa artificială |
Country Status (1)
| Country | Link |
|---|---|
| RO (1) | RO128066A2 (ro) |
-
2010
- 2010-12-13 RO ROA201001327A patent/RO128066A2/ro unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7610620B2 (ja) | 複数の機械学習モデルに基づく臨床予測器 | |
| CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
| CN111243753B (zh) | 一种面向医疗数据的多因素相关性交互式分析方法 | |
| CN107106016A (zh) | 基于生理数据预测患者的连续心输出量(cco)的方法和系统 | |
| CN108109692A (zh) | 一种治疗方案的选择方法和系统 | |
| Kavitha et al. | Monitoring of diabetes with data mining via CART Method | |
| KR20220150618A (ko) | 앙상블 예측 모델을 포함하는 건강 상태 예측 시스템 및 그 동작 방법 | |
| JP2023548253A (ja) | 医学検査値分析を実行するためのコンピュータ実装された方法、及び、装置 | |
| Alhazmi | [Retracted] Detection of WBC, RBC, and Platelets in Blood Samples Using Deep Learning | |
| KR20230108782A (ko) | 미생물 데이터에 기반하여 질병의 위험도를 예측하기 위한 방법 및 장치 | |
| CN116453656B (zh) | 一种心理健康评估预警系统及方法 | |
| CN117612731A (zh) | 一种慢性病风险模型的构建方法 | |
| CN116344037A (zh) | 一种msi分型确定方法、装置、电子设备及存储介质 | |
| JP7674802B2 (ja) | 診断ツール | |
| CN115662646A (zh) | 医疗决策平台的构建方法及装置、电子设备和存储介质 | |
| RO128066A2 (ro) | Sistem inteligent de suport al deciziilor clinice pentru diagnosticarea cancerului de sân prin metode neinvazive, bazat pe inteligenţa artificială | |
| Widyastuty et al. | Classification and Evaluation of Sleep Disorders Using Random Forest Algorithm in Health and Lifestyle Dataset | |
| CN109102896A (zh) | 一种分类模型生成方法、数据分类方法及装置 | |
| CN119833103A (zh) | 基于机器学习模型的肾结石预测并协助早筛方法 | |
| CN110931082A (zh) | 一种用于基因检测评估的方法及系统 | |
| CN116705302A (zh) | 一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法 | |
| CN105403691B (zh) | 一种血液试剂分析系统 | |
| Singh et al. | A well structured and friendly chatbot for primary level heart disease prediction using symptoms | |
| D’Silva et al. | Prediction of Hypertension using Machine Learning | |
| CN120432077B (zh) | 一种基于人工智能的静脉置管匹配方法及系统 |