پیش بینی زمان بقا عاری از بیماری تهاجمی در بیماران مبتلا به سرطان پستان با به کارگیری روش های یادگیری ماشین نیمه نظارتی مبتنی بر گراف

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 186

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SCJKA-10-1_004

تاریخ نمایه سازی: 28 اسفند 1401

چکیده مقاله:

سرطان پستان در حال حاضر شایع ترین سرطان تشخیص داده شده و علت اصلی مرگ و میر ناشی از سرطان در زنان در سراسر جهان است. در سال های 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 روش های 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 تاموکسی فن در فرایند درمان سرطان تهاجمی مربوط به ۳۸۳۳ بیمار مبتلا به سرطان پستان که در بازه ۵ سال تحت پیگیری بوده اند، مورد استفاده قرار گرفته است. همچنین با شبیه سازی مدل ها در نرم افزار متلب، عملکرد مدل پیشنهادی در تخمین زمان بقای عاری از بیماری تهاجمی و سایر پارامترهای بقا با مدل های رایج تحلیل بقا، مورد ارزیابی قرار گرفته است. نتایج نشان می دهد که با به کارگیری مدل پیشنهادی تحلیل بقا در پیش بینی زمان بقا عاری از سرطان پستان تهاجمی و همچنین استفاده ترکیبی از ویژگی های بالینی و فارماکوژنومیکی، دقت پیش بینی ۱۴ درصد بیشتر از زمانی بود که فقط از ویژگی های بالینی استفاده شد و ۱۵ درصد بیشتر از زمانی بود که فقط ویژگی های فارماکوژنومیکی به کار گرفته شد. علاوه بر این، مدل پیشنهادی تحلیل بقا در پیش بینی زمان بقا عاری از بیماری تهاجمی و پارامتر نسبت خطر در مقایسه با مدل های رایج تحلیل بقا دقت بالاتری داشته است.

کلیدواژه ها:

تاموکسی فن ، تحلیل بقا ، زمان بقا عاری از بیماری تهاجمی ، سرطان پستان ، مدل شتاب دار زمان شکست ، مدل خطرهای متناسب کاکس ، یادگیری ماشین ، یادگیری نیمه نظارتی مبتنی بر گراف

نویسندگان

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.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Howell A., Sims A. H., Ong K. R., Harvie M. ...
  • Mego M., Mani S.A., and Cristofanilli M., “Molecular mechanisms of ...
  • Sharma G.N., Dave R., Sanadya J., Sharma P., and Sharma ...
  • Dean L., Pratt V. M., Scott S. A., Pirmohamed M., ...
  • George B., Seals S., and Aban I., “Survival analysis and ...
  • Austin P. C., Lee D. S., and Fine J. P., ...
  • Prinja S., Gupta N., and Verma R., “Censoring in clinical ...
  • Stel V. S., Dekker F. W., Tripepi G., Zoccali C., ...
  • Kleinbaum D.G. and Klein M., “Survival analysis”, Vol. ۳, Springer, ...
  • Zare, A., Hosseini M., Mahmoodi M., Mohammad K., Zeraati H., ...
  • Zhu X., “Semi-supervised learning literature survey”, ۲۰۰۵, http://digital.library.wisc.edu/۱۷۹۳/۶۰۴۴۴ ...
  • صادق زاده ن.، شمسی م.، رسولی کناری ع.، «حاشیه نویسی ...
  • Zhu X. and Goldberg A. B., “Introduction to Semi-Supervised Learning”, ...
  • Subramanya A. and Talukdar P. P., “Graph-based semi-supervised learning”, Synthesis ...
  • Zhou D., Bousquet O., Lal T. N., Weston J., and ...
  • Jiang X., Xue D., Brufsky A., Khan S., and Neapolitan ...
  • Bashiri A., Ghazisaeedi M., Safdari R., Shahmoradi L., and Ehtesham ...
  • Endo A., Shibata T., and Tanaka H., “Comparison of seven ...
  • Bagherian H., Javanmard S. H., Sharifi M., and Sattari M., ...
  • Ghasemi F., Rasekhi A., and Haghighat S., “Analyzing the Survival ...
  • Sarkar K., Chowdhury R., and Dasgupta A., “Analysis of Survival ...
  • Kiani B. and Atashi A., “A Prognostic Model Based on ...
  • Sadeghi S. and Golabpour A., “An Algorithm for Predicting Recurrence ...
  • Moller P., Evans D. G., Reis M. M., Gregory H., ...
  • Liang Y., Chai H., Liu X.-Y., Xu Z.-B., Zhang H., ...
  • Chai H., Li Z.-N., Meng D.-Y., Xia L.-Y., and Liang ...
  • کی پور ا.، براری م.، شیرازی ح.، «پیشگویی پیوند در ...
  • Tharwat A., “Classification assessment methods”, Applied Computing and Informatics, ۱۷(۱): ...
  • ویسی ه.، قایدشرف ح.ر.، ابراهیمی م.، «بهبود کارایی الگوریتم های ...
  • Delen D., Walker G., and Kadam A., “Predicting breast cancer ...
  • Kiyotani K., Mushiroda T., Sasa M., Bando Y., Sumitomo I., ...
  • Brauch H. and Schwab M., “Prediction of tamoxifen outcome by ...
  • Province M.A., et al., “CYP۲D۶ Genotype and Adjuvant Tamoxifen: Meta-Analysis ...
  • Zembutsu H., “Pharmacogenomics toward personalized tamoxifen therapy for breast cancer”, ...
  • Afshar H. L., Ahmadi M., Roudbari M., and Sadoughi F., ...
  • Saadatmand S. H. A., Sadeghi A., and Mohaghghegh F., “Study ...
  • Lei L., Wang X., Wu X.-D., Wang Z., Chen Z.-H., ...
  • Charoenchokthavee W., Panomvana D., Sriuranpong V., and Areepium N., “Prevalence ...
  • Khalkhali H. R., Afshar H. L., Esnaashari O., and Jabbari ...
  • Damkier P., Kj?rsgaard A., Barker K. A., Cronin-Fenton D., Crawford ...
  • Wang L., Qian Q., Zhang Q., Wang J., Cheng W., ...
  • Afshar H. L., Jabbari N., Khalkhali H. R., and Esnaashari ...
  • Sanchez-Spitman A. B., Swen J. J., Dezentjé V. O., Moes ...
  • Mulder T. A. M., de With M., Del Re M., ...
  • Al-Azzam N. and Shatnawi I., “Comparing supervised and semi-supervised Machine ...
  • El Shawi R., Kilanava K., and Sakr S., “An Interpretable ...
  • Teimouri-Yansari R., Mirzarezaee M., Sadeghi M., and Nadjar-Araabi B., “A ...
  • Lin R.-H., Lin C.-S., Chuang C.-L., Kujabi B. K., and ...
  • Xiao J., Mo M., Wang Z., Zhou C., Shen J., ...
  • نمایش کامل مراجع