Orgasme yang Segera Terjadi Pada Wanita Berhubungan Dengan Kaki Gelisah - ScienceDaily

Pembelajaran mendalam dapat membantu dokter memilih perawatan kanker paru-paru yang lebih baik – ScienceDaily


Dokter dan petugas kesehatan suatu hari nanti dapat menggunakan model pembelajaran mesin, yang disebut pembelajaran mendalam, untuk memandu keputusan pengobatan mereka bagi pasien kanker paru-paru, menurut tim peneliti Penn State Great Valley.

Dalam sebuah penelitian, para peneliti melaporkan bahwa mereka mengembangkan model pembelajaran mendalam yang, dalam kondisi tertentu, lebih dari 71 persen akurat dalam memprediksi harapan kelangsungan hidup pasien kanker paru-paru, secara signifikan lebih baik daripada model pembelajaran mesin tradisional yang diuji oleh tim. Model pembelajaran mesin lain yang diuji tim memiliki tingkat akurasi sekitar 61 persen.

Informasi tentang harapan kelangsungan hidup pasien dapat membantu memandu dokter dan pengasuh dalam membuat keputusan yang lebih baik tentang penggunaan obat-obatan, mengalokasikan sumber daya dan menentukan intensitas perawatan untuk pasien, menurut Youakim Badr, profesor analitik data.

“Ini adalah sistem berkinerja tinggi yang sangat akurat dan bertujuan membantu dokter membuat keputusan penting tentang memberikan perawatan kepada pasien mereka,” kata Badr. “Tentu saja, alat ini tidak bisa digunakan sebagai pengganti dokter dalam mengambil keputusan tentang pengobatan kanker paru-paru.”

Menurut Robin G. Qiu, profesor ilmu dan teknik informasi dan afiliasi dari Institute for Computational and Data Sciences, model tersebut dapat menganalisis sejumlah besar data, biasanya disebut fitur dalam pembelajaran mesin, yang menggambarkan pasien dan penyakitnya. memahami bagaimana kombinasi faktor mempengaruhi periode kelangsungan hidup kanker paru-paru. Fitur dapat mencakup informasi seperti jenis kanker, ukuran tumor, kecepatan pertumbuhan tumor, dan data demografis.

Pembelajaran mendalam mungkin secara unik cocok untuk mengatasi prognosis kanker paru-paru karena model tersebut dapat memberikan analisis kuat yang diperlukan dalam penelitian kanker, menurut para peneliti, yang melaporkan temuan mereka di International Journal of Medical Informatics. Pembelajaran mendalam adalah jenis pembelajaran mesin yang didasarkan pada jaringan saraf tiruan, yang umumnya dimodelkan tentang bagaimana jaringan saraf otak manusia berfungsi.

Namun, dalam pembelajaran mendalam, pengembang menerapkan struktur canggih dari banyak lapisan neuron buatan ini, itulah sebabnya model ini disebut sebagai “dalam”. Aspek pembelajaran dari deep learning berasal dari bagaimana sistem belajar dari hubungan antara data dan label, kata Badr.

“Pembelajaran mendalam adalah algoritme pembelajaran mesin yang membuat asosiasi antara data itu sendiri, dan label yang kami gunakan untuk mendeskripsikan contoh data,” kata Badr. “Dengan membuat asosiasi ini, ia belajar dari data.”

Qiu menambahkan bahwa struktur pembelajaran yang mendalam menawarkan beberapa keuntungan untuk banyak tugas ilmu data, terutama ketika dihadapkan dengan kumpulan data yang memiliki banyak catatan – dalam hal ini, pasien – serta sejumlah besar fitur.

“Ini sangat meningkatkan kinerja,” kata Qiu. “Dalam pembelajaran mendalam, kita bisa masuk lebih dalam, itulah sebabnya mereka menyebutnya demikian. Dalam pembelajaran mesin tradisional, Anda memiliki struktur lapisan jaringan saraf sederhana. Di setiap lapisan, Anda memiliki sekelompok sel. Dalam pembelajaran mendalam, ada banyak lapisan sel ini yang dapat dirancang menjadi struktur canggih untuk melakukan transformasi dan ekstraksi fitur yang lebih baik, yang memberi Anda kemampuan untuk lebih meningkatkan akurasi model apa pun. “

Ke depan, para peneliti ingin meningkatkan model dan menguji kemampuannya untuk menganalisis jenis kanker dan kondisi medis lainnya.

“Tingkat akurasinya sejauh ini bagus – tapi tidak sempurna, jadi bagian dari pekerjaan kami di masa depan adalah meningkatkan model,” kata Qiu.

Untuk lebih meningkatkan model pembelajaran mendalam mereka, para peneliti juga perlu terhubung dengan pakar domain, yang merupakan orang-orang yang memiliki pengetahuan khusus. Dalam hal ini, para peneliti ingin berhubungan dengan para ahli di bidang kanker dan kondisi medis tertentu.

“Dalam banyak kasus, kami mungkin tidak mengetahui banyak fitur yang harus dimasukkan ke dalam model,” kata Qiu. “Namun, dengan berkolaborasi dengan pakar domain, mereka dapat membantu kami mengumpulkan fitur penting tentang pasien yang mungkin tidak kami sadari dan yang selanjutnya akan meningkatkan model.”

Para peneliti menganalisis data dari program Surveillance, Epidemiology, dan End Results (SEER). Dataset SEER adalah salah satu database terbesar dan terlengkap tentang informasi diagnosis dini untuk pasien kanker di Amerika Serikat, menurut Shreyesh Doppalapudi, asisten peneliti mahasiswa pascasarjana dan penulis pertama makalah ini. Pendaftaran kanker program mencakup hampir 35 persen dari pasien kanker AS.

“Salah satu hal yang sangat baik tentang data ini adalah data tersebut mencakup sebagian besar populasi dan sangat beragam,” kata Doppalapudi. “Hal baik lainnya adalah aplikasi ini mencakup banyak fitur berbeda, yang dapat Anda gunakan untuk berbagai tujuan. Ini menjadi sangat berharga, terutama saat menggunakan pendekatan pembelajaran mesin.”

Doppalapudi menambahkan bahwa tim membandingkan beberapa pendekatan pembelajaran mendalam, termasuk jaringan saraf tiruan, jaringan saraf konvolusional, dan jaringan saraf berulang, dengan model pembelajaran mesin tradisional. Pendekatan pembelajaran mendalam berkinerja jauh lebih baik daripada metode pembelajaran mesin tradisional, katanya.

Arsitektur pembelajaran mendalam lebih cocok untuk memproses kumpulan data yang besar dan beragam, seperti program SEER, menurut Doppalapudi. Mengerjakan jenis kumpulan data ini membutuhkan kapasitas komputasi yang kuat. Dalam studi ini, para peneliti mengandalkan superkomputer ICDS Roar.

Dengan sekitar 800.000 hingga 900.000 entri dalam kumpulan data SEER, para peneliti mengatakan bahwa menemukan hubungan ini secara manual dalam data dengan seluruh tim peneliti medis akan sangat sulit tanpa bantuan dari pembelajaran mesin.

“Kalau hanya tiga lapangan, saya katakan itu tidak mungkin, tapi, kami punya sekitar 150 lapangan,” kata Doppalapudi. “Memahami semua bidang yang berbeda itu dan kemudian membaca dan belajar dari informasi itu, hampir mustahil.”

Untuk Informasi Lebih lanjut silahkan Kunjungi : Lagu Togel