深度学习可能有助于医生选择更好的肺癌治疗方法

据宾夕法尼亚州大谷研究人员团队称，医生和医疗保健工人5月份使用机器学习模型，称为深度学习，引导他们对肺癌患者的治疗决策。

在一项研究中，研究人员报告了他们开发了一个深度学习在某些情况下，在某些情况下，在预测生存期内的预期寿存时大于71％以上的71％以上肺癌患者，明显优于团队测试的传统机器学习模型。该团队测试的另一个机器学习模型具有大约61％的准确率。

据Youakim Badr，Dataim分析副教授的说法，有关患者生存寿命的信息可以帮助指导医生和护理人员做出更好的决定，以便使用药物，分配资源和确定患者的护理强度。

“这是一个高度准确的系统，旨在帮助医生对其患者提供护理的这些重要决策，”巴德尔说。“当然，这个工具不能用作医生在肺部做出决定的替代品癌症治疗。“

根据罗宾G.邱，信息科学教授和计算和数据科学研究所的联盟，该模型可以分析大量数据 - 通常称为机器学习中的特征 - 描述患者和疾病了解因素的组合如何影响肺癌生存期。特征可以包括诸如癌症类型，肿瘤大小，肿瘤的速度和人口统计数据等信息。

什么是深入学习？

根据研究人员，在国际医学信息学杂志上报告他们的研究人员，深度学习可能是独特的肺癌预后，因为该模型可以在癌症研究中提供癌症研究所需的稳健分析。深度学习是一种基于人工神经网络的机器学习，它通常模拟人类脑自身的神经网络功能的方式。

然而，在深度学习中，开发人员应用了这些人工神经元的多层的复杂结构，这就是模型被称为“深刻”的原因。Badr说，深度学习的学习方面来自数据和标签之间的联系方式。

“深度学习是一种机器学习算法，可以使我们使用的数据，本身和标签之间的关联来描述数据示例”，“Badr说。“通过制作这些关联，它从数据中学习。”

邱补充说，深度学习的结构为许多数据科学任务提供了几个优势，特别是当面对具有大量记录的数据集 - 在这种情况下，患者以及大量的功能。

“它提高了表现，”邱说。“在深入学习中，我们可以更深入，这就是他们称之为的原因。在传统的机器学习中，您有一个简单的神经网络层结构。在每层，您有一组细胞。在深度学习中，有这些细胞的许多层可以被架构成复杂的结构，以执行更好的特征变换和提取，这使您能够进一步提高任何模型的准确性。“

在未来，研究人员愿改进模型并测试其分析其他类型的癌症和医疗条件的能力。

“精度率很好，但它并不完美，所以我们未来的一部分是改善模型，”邱说。

进一步改善他们的深度学习模式，研究人员还需要与域专家联系，谁是具有具体知识的人。在这种情况下，研究人员愿与特定癌症和医疗条件的专家联系。

“在很多情况下，我们可能不知道很多应该进入模型的功能，”邱说。“但是，通过与领域专家合作，他们可以帮助我们收集有关我们可能不知道的患者的重要特征，并进一步改善模型。“

研究人员分析了来自监测，流行病学和最终结果（SEER）计划的数据。据Shreyesh Doppalapudi，研究生研究助理和纸张的第一个作者，Seer DataSet是美国早期诊断信息的最大和最全面的数据库之一。该计划的癌症注册管理机构涉及U.S.癌症患者的近35％。

“关于这一数据的一个真正好事之一是它涵盖了大部分人口，它真的多样化，”Doppalapudi说。“另一件好事是它涵盖了许多不同的功能，您可以用于许多不同的目的。这变得非常有价值，特别是在使用机器学习方法时。”

Doppalapudi补充说，该团队比较了几种深入学习方法，包括人工神经网络，卷积神经网络和经常性神经网络，传统机器学习模型。他说，深入的学习方法比传统的机器学习方法更好。

根据Doppalapudi的说法，深入学习架构更适合处理如Doper Program的这种大型不同的数据集，例如Seer程序。处理这些类型的数据集需要强大的计算能力。在这项研究中，研究人员依靠ICDS的咆哮超级计算机。

研究人员表示，在Seer DataSet中大约80万到900,000条参赛作者，手动找到与整个医学研究人员的数据中的这些协会在没有帮助的情况下非常困难ob欧宝直播nba机器学习。

如果它只是三个领域，我会说这是不可能的 - 我们有大约150个领域，“Doppalapudi说。”了解所有这些不同的领域，然后从那种信息中阅读和学习，是不可能的。“

---

---