تشخیص مرحله بندی پاتولوژیکی سرطان ریه با استفاده از تکنیک های داده کاوی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,358

فایل این مقاله در 16 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:

IRCEM01_054

تاریخ نمایه سازی: 25 آذر 1395

چکیده مقاله:

در عصر حاضر با جمع آوری داده های بسیار و پیاده سازی تکنیک های مختلف دادهکاوی بر روی آنها میتوان نقش مهمی را در دنیایپزشکی در جهت تشخیص و درمان بیماری های صعب العلاج ایفا کرد. نظر به رشد روزافزون ابتلا به بیماری سرطان، بالاخص سرطانریه که بهزعم محققان یکی از شایعترین نوع سرطان می باشد، پیشگیری از آن از اهمیت ویژه ای برخوردار است. بعد پاتولوژیکیسرطان ریه بر اساس گزارش توصیفی از اندازه سلول های سرطانی و همچنین میزان گسترش آن پایه ریزی شده است. آگاهی ازمرحله بندی پاتولوژیک سرطان ریه از جهت تخمین پیش آگاهی بیماری و ارائه راهکار به پزشکان در برنامه ریزی یک درمان مناسبو مؤثر بسیار حائز اهمیت می باشد. در فرآیند مرحله بندی پاتولوژیک به یک نمونه از بافت ریه سرطانی به منظور تکمیل گزارشآسیب شناسی نیاز است که در این راستا جراحی نمونه برداری انجام می پذیرد که متعاقب آن سلامتی بیمار را به مخاطره می اندازدبنابراین می توان حتی الامکان اطلاعات بالینی بیمار را جایگزین عمل جراحی و گزارش پاتولوژی کرد. در این مقاله سعی بر آن شدهاست تا با پیدا کردن یک ارتباط مناسب بین اطلاعات بالینی و گزارش پاتولوژی بیمار بر اساس الگوریتم Apriori به تشخیصمرحله بندی پاتولوژیک سرطان ریه بپردازد.

نویسندگان

فاطمه صف آرا

استادیار، عضو هیات علمی دانشگاه آزاد اسلامی، واحد اسلامشهر

حسن ح رحمانی

دانشجوی کارشناسی ارشد نرم افزار دانشگاه آزاد اسلامشهر

بهنام فرهادی

دانشجوی کارشناسی ارشد نرم افزار دانشگاه آزاد اسلامشهر

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 :
  • Langer, C. J., Manola, J., Bernardo, P., Kugler, J. W., ...
  • Siegel, R., Naishadham, D., & Jemal, A. (2013). Cancer statistics. ...
  • Kharya, S. (2012). Using data mining techniques for diagnosis and ...
  • Liao, S. H., Chu, P. H., & Hsiao, P. Y. ...
  • Williams, G. J. (1999). Evolutionary hot spots data mining. Methodologies ...
  • Rosenberg, J., Chia, Y. L, & Plevritis, S. (2005). The ...
  • Frih, M., Rolland, E., Pignon, J. P., Seymour, L., Ding, ...
  • Ferlay, J., Shin, H. R., Bray, F., Forman, D., Mathers, ...
  • Edge, S. B., & Compton, C. C. (2010). The American ...
  • Duaso, M. J., & Duncan, D. (2012). Health impact of ...
  • Flanders, W. D., Lally, C. A., Zhu, B. P., Henley, ...
  • نمایش کامل مراجع