NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Makine öğrenimi tıp alanında dikkat çekmiştir. Erken prognoz amaçlı sağlam modeller geliştirmek için sürekli çaba sarf edilmektedir. Beyin, insan vücudundaki en önemli organdır. Bir beyin vuruşu genellikle beyin arterlerindeki bir tıkanıklıktan kaynaklanır. Beyin krizi, ölümün başlıca nedenlerinden biridir. Bu nedenle, beyin krizi, kalp krizi gibi hastalıkların erken tahmini, doktorlar için karar vermede önemli ölçüde yardımcı olabilir. Araştırma çalışması, beyin inme, Alzheimer, kalp krizi, kanser, Parkinson'un erken tahmini için sağlam ve potansiyel bir teknik bulmayı ve söz konusu hastalıkların şiddetli post komplikasyonlarının insidansını azaltmayı amaçlamaktadır. Beş veri kümesini girdi olarak değerlendirerek, araştırma çalışması için makine öğrenme modelleri eğitilmiştir. Beyin inmesinin erken tahmini, beyin inme için yumuşak ve sert oy kullanarak bireysel modellerin çiftlerini birleştirerek tasarlanan 56 diğer modelle birlikte sekiz bireysel sınıflandırıcı kullanılarak yapılmıştır ve sekiz bireysel sınıflandırıcı, kalp krizi, kanser, Alzheimer ve Parkinson'un erken tahmini için kullanılmıştır. Her hastalık için her sınıflandırıcının sonuçlarını analiz ettikten sonra, erken beyin vuruşu tahmini için sert bir oylama yöntemi kullanan bir çift rastgele orman ve karar ağacı olan önerilen yöntem, tüm sınıflandırıcılardan daha iyi olan% 99'luk en yüksek doğruluğu elde eder. Doğrulukla birlikte, önerilen yöntem hassaslıkta% 98, hatırlamada% 100 ve F1 skorunda% 99'luk bir değere ulaştı. XGBoost kanser, Parkinson, Alzeihmer ve Bernoulli naif bayes için en iyi performans gösterdi Kalp krizi durumunda en iyi performans gösterdi.Bu performans metriklerinin değerlerini karşılaştırırken, diğer tüm modelin değerlerini gölgede bırakıyorlar.
Özgün kaynak özetini okuyun
Machine learning has gained attention in the medical field. Continuous efforts are being made to develop robust models for early prognosis purposes. The brain is the most pivotal organ in the human body. A brain stroke is generally caused by a blockage in the brain arteries. A brain stroke is one of the primary reasons for death. Therefore, early prediction of diseases like brain stroke, heart attack can significantly help in making decisions for doctors. The research study aims to find a robust and potential technique for the early prediction of brain stroke, Alzheimer's, heart attack, cancer, Parkinson's and potentially reducing the incidence of severe post complications of the mentioned diseases. By considering the five datasets as input, machine learning models have been trained for the research study. Early prediction of brain stroke has been done using eight individual classifiers along with 56 other models which are designed by merging the pairs of individual models using soft and hard voting for brain stroke and eight individual classifiers have been used for early prediction of heart attack, cancer, Alzheimer and Parkinson's. After analyzing the results of each classifier for each disease, the proposed method, which is a pair of random forest and decision tree using a hard voting method for early brain stroke prediction, achieves the highest accuracy of 99%, which is better than all classifiers. Along with accuracy, the proposed method attained a value of 98% in precision, an outstanding 100% in recall, and 99% in F1 score. XGBoost performed best for cancer, Parkinson's, Alzeihmer's and Bernoulli naive bayes performed best in case of Heart attack .Upon comparing the values of these performance metrics, they outshine all the other model's values.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.