دانلود مقاله پیش بینی هوش مصنوعی میزان بقای فردی از آدنوکارسینوم ریه
چکیده
پیش زمینه
مطالب و روش ها
نتایج
بحث
نتیجه گیری
منابع
Abstract
Background
Methods
Results
Discussion
Conclusions
References
چکیده
زمینه
پژوهش حاضر با هدف توسعه یک سیستم پیش‌بینی هوش مصنوعی برای میزان بقای فردی در آدنوکارسینوم ریه (LUAD) انجام شد.
مواد و روش ها
متغیرهای ریسک مستقل با رگرسیون کاکس چند متغیره شناسایی شدند. سیستم پیش بینی هوش مصنوعی با استفاده از سه الگوریتم داده کاوی مختلف ساخته شد.
نتایج
مرحله، PM، شیمی درمانی، PN، سن، PT، جنس، و پرتو_جراحی به عنوان عوامل خطر برای بیماران LUAD تعیین شد. برای نرخ بقای 12 ماهه در گروه مدل، شاخص های تطابق مدل های RFS، MTLR و Cox به ترتیب 0.852، 0.821 و 0.835 بود. برای نرخ بقای 36 ماهه در گروه مدل، شاخص های تطابق مدل های RFS، MTLR و Cox به ترتیب 0.901، 0.864 و 0.862 بود. برای نرخ بقای 60 ماهه در گروه مدل، شاخص های تطابق مدل های RFS، MTLR و Cox به ترتیب 0.899، 0.874 و 0.866 بود. شاخص های تطابق در مجموعه داده های اعتبار سنجی مشابه با مجموعه داده های مدل بود.
نتیجه گیری
مطالعه حاضر یک سیستم پیش‌بینی بقای فردی طراحی کرد که می‌تواند منحنی‌های بقای فردی را با استفاده از سه الگوریتم هوش مصنوعی مختلف ارائه دهد. این سیستم پیش‌بینی هوش مصنوعی می‌تواند مستقیماً مزایای درمان را با مقایسه منحنی‌های خطر مرگ و میر فردی تحت درمان‌های مختلف منتقل کند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Background
The current research aimed to develop an artificial intelligence predictive system for individual survival rate of lung adenocarcinoma (LUAD).
Methods
Independent risk variables were identified by multivariate Cox regression. Artificial intelligence predictive system was constructed using three different data mining algorithms.
Results
Stage, PM, chemotherapy, PN, age, PT, sex, and radiation_surgery were determined as risk factors for LUAD patients. For 12-month survival rate in model cohort, concordance indexes of RFS, MTLR, and Cox models were 0.852, 0.821, and 0.835, respectively. For 36-month survival rate in model cohort, concordance indexes of RFS, MTLR, and Cox models were 0.901, 0.864, and 0.862, respectively. For 60-month survival rate in model cohort, concordance indexes of RFS, MTLR, and Cox models were 0.899, 0.874, and 0.866, respectively. The concordance indexes in validation dataset were similar to those in model dataset.
Conclusions
The current study designed an individualized survival predictive system, which could provide individual survival curves using three different artificial intelligence algorithms. This artificial intelligence predictive system could directly convey treatment benefits by comparing individual mortality risk curves under different treatments.
Introduction
Lung adenocarcinoma (LUAD) is one of the most common malignant tumours, accounting for 1.8 million cancer related deaths [1]. The prognosis of LUAD patients is still unsatisfactory until today [2]. At present, there were many predictive models in predicting survival rate for LUAD patients at the group level [3, 4]. However, the prognosis of LUAD patients with different clinical characteristics is complicated till now. Therefore, the prognostic prediction of one special group is far from meeting the need of individualized treatment decisions for a special individual patient.
Conclusions
The current study designed an individualized survival predictive system, which could provide individual survival curves using three different artificial intelligence algorithms. This artificial intelligence predictive system could directly convey treatment benefits by comparing individual mortality risk curves under different treatments.
Model cohort (n=25123)
Gender(Male/Female)
Age(High/Low)
Stage(3-4/1-2)
PT(3-4/0-2)
PN(1-3/0)
PM(1/0)
Chemotherapy (Yes/No)
Radiation_Surgery (Yes/No)
Validation cohort (n=25564)
Gender(Male/Female)
Age(High/Low)
Stage(3-4/1-2)
PT(3-4/0-2)
PN(1-3/0)
PM(1/0)
Chemotherapy (Yes/No)
Chemotherapy (Yes/No)