مقایسه مدل شبکه عصبی مصنوعی و رگرسیون پارامتری در پیشبینی بقای بیماران مبتلا به سرطان معده
Authors
Abstract:
Background & Objective: Using parametric models is common approach in survival analysis. In the recent years, artificial neural network (ANN) models have increasingly used in survival prediction. The aim of this study was to predict of survival rate of patients with gastric cancer by using a parametric regression and ANN models and compare these methods. Methods: We used the data of 436 gastric cancer patients from a cancer registry in Tehran between 2002-2007. All patients had a confirmed diagnosis. Data were randomly divided into two groups: training and testing (or validation) set. For analysis of data we used a parametric model (exponential, Weibull, normal, lognormal, logistic and log-logistic models) and a three layer ANN model. In order to compare of the prediction of two models, we used the area under receiver operating characteristic (AUROC) curve, classification table and concordance index. Results: The prediction accuracy of the ANN and the parametric (Weibull) models were 79.45% and 73.97% respectively. The AUROC for the ANN and the Weibull models were 0.815 and 0.748 respectively. Conclusions: The ANN had a better predictions than the Weibull model. Thus it is suggested to use of the ANN model survival prediction in field of cancer.
similar resources
مقایسهی مدل شبکه عصبی مصنوعی و رگرسیون کاکس در پیشبینی بقای بیماران مبتلا به سرطان معده
سابقه و هدف: یکی از روشهای آماری تحلیل دادههای بقا، مدل رگرسیونی کاکس است که نیازمند پذیرههایی مانند متناسب بودن مخاطرات است. در چند دهه اخیر بهکارگیری مدل شبکه عصبی مصنوعی برای پیشبینی دادههای بقا، افزایش یافته است. این مطالعه به منظور پیشبینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل رگرسیونی کاکس و شبکه عصبی مصنوعی انجام شده است. مواد و روشها: طی سالهای 1381 لغایت 1385، تعداد ...
full textمقایسه مدل شبکه عصبی مصنوعی و رگرسیون کاکس در پیش بینی بقای بیماران مبتلا به سرطان پستان
مقدمه: امروزه انواع سرطان یکی از مهم ترین عوامل مرگ و میر در دنیا و سرطان پستان از شایع ترین آن ها در زنان میان سال می باشد. میزان بقای پس از تشخیص و درمان در این بیماران یکی از شاخص های مهم در کنترل بیماری است. در این مطالعه دو مدل رگرسیون کاکس و شبکه عصبی مصنوعی در پیش بینی بقای بیماران سرطان پستان با یکدیگر مقایسه شده اند. مواد و روش ها: داده های این پژوهش که از نوع مطالعات بقا است، از پرون...
full textمقایسه ی مدل شبکه عصبی مصنوعی و رگرسیون کاکس در پیش بینی بقای بیماران مبتلا به سرطان معده
سابقه و هدف: یکی از روش های آماری تحلیل داده های بقا، مدل رگرسیونی کاکس است که نیازمند پذیره هایی مانند متناسب بودن مخاطرات است. در چند دهه اخیر به کارگیری مدل شبکه عصبی مصنوعی برای پیش بینی داده های بقا، افزایش یافته است. این مطالعه به منظور پیش بینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل رگرسیونی کاکس و شبکه عصبی مصنوعی انجام شده است. مواد و روش ها: طی سال های 1381 لغایت 1385، تعداد 4...
full textمقایسه رگرسیون کاکس و مدل های پارامتریک در تحلیل بقای بیماران مبتلا به سرطان معده
Background & Objectives: Although Cox regression is commonly used to detect relationships between patient survival and demographic/clinical variables, there are situations where parametric models can yield more accurate results. The objective of this study was to compare two survival regression methods, namely Cox regression and parametric models, in patients with gastric carcinoma registered a...
full textپیشبینی بقای بیماران مبتلا به سرطان پستان با استفاده از دو مدل رگرسیون لجستیک و شبکه عصبی مصنوعی
Background and Objectives : recent years, considerable attention has been paid to statistical models for classification of medical data according to various diseases and their outcomes. Artificial neural networks have been successfully used for pattern recognition and prediction since they are not based on prior assumptions in clinical studies. This study compared two statistical models, arti...
full textمقایسه مدل رگرسیون کاکس و شبکه عصبی مصنوعی در پیشبینی بقای بیماران لوسمی حاد
چکید ه سابقه و هدف مدل رگرسیون کاکس، یکی از روشهای رایج تحلیل دادههای بقا میباشد که قبل از به کارگیری آن لازم است فرض متناسب بودن خطرات برقرار باشد. اخیراً مدلهای شبکه عصبی بدون نیاز به فرض خاص، جایگزینی مناسب در پیشبینی بقا میباشند. هدف از این مطالعه، مقایسه توانایی مدل رگرسیون کاکس و شبکه عصبی مصنوعی در پیشبینی بقای بیماران لوسمی حاد بود. مواد و روشها در یک مطالعه گذشتهنگر...
full textMy Resources
Journal title
volume 6 issue None
pages 22- 27
publication date 2010-12
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023