Enhanced Lung Cancer Prediction via Integrated Multi‐Space Feature Adaptation, Collaborative Alignment and Disentanglement Learning DOI Creative Commons
Abigail Kawama,

Ronald Waweru Mwangi,

Lawrence Nderu

et al.

Engineering Reports, Journal Year: 2024, Volume and Issue: unknown

Published: Dec. 2, 2024

ABSTRACT Lung cancer, marked by the rapid and uncontrolled proliferation of abnormal cells in lungs, continues to be one leading causes cancer‐related deaths globally. Early accurate diagnosis is critical for improving patient outcomes. This research presents an enhanced lung cancer prediction model integrating Adaptation Multiple Spaces Feature L1‐norm Regularization (AMSF‐L1ELM) with Primitive Generation Collaborative Relationship Alignment Disentanglement Learning (PADing). Initially, AMSF‐L1ELM was employed address challenges feature alignment multi‐domain adaptation, achieving a baseline performance test accuracy 83.20%, precision 83.43%, recall 83.74%, F1‐score 83.07%. After incorporating PADing, exhibited significant improvements, increasing 98.07%, 98.11%, 98.05%, 98.06%, ROC‐AUC 100%. Cross‐validation results further validated model's robustness, average 99.73%, 99.55%, 99.64%, 99.64% across five folds. The study utilized four distinct datasets covering range imaging modalities diagnostic labels: Chest CT‐Scan dataset from Kaggle, NSCLC‐Radiomics‐Interobserver1 TCIA, LungCT‐Diagnosis IQ‐OTH/NCCD Kaggle. In total, 4085 images were selected, distributed between source target domains. These demonstrate effectiveness PADing enhancing multiple domains complex medical data.

Language: Английский

Applications of Machine Learning in Cancer Imaging: A Review of Diagnostic Methods for Six Major Cancer Types DOI Open Access

Andreea Ionela Dumachi,

Cătălin Buiu

Electronics, Journal Year: 2024, Volume and Issue: 13(23), P. 4697 - 4697

Published: Nov. 27, 2024

Machine learning (ML) methods have revolutionized cancer analysis by enhancing the accuracy of diagnosis, prognosis, and treatment strategies. This paper presents an extensive study on applications machine in analysis, with a focus three primary areas: comparative medical imaging techniques (including X-rays, mammography, ultrasound, CT, MRI, PET), various AI ML (such as deep learning, transfer ensemble learning), challenges limitations associated utilizing analysis. The highlights potential to improve early detection patient outcomes while also addressing technical practical that must be overcome for its effective clinical integration. Finally, discusses future directions opportunities advancing research.

Language: Английский

Citations

2
Deep Learning Techniques in the Cancer-Related Medical Domain: A Transfer Deep Learning Ensemble Model for Lung Cancer Prediction DOI Creative Commons
Omar Abdullatif Jassim, Mohammed Jawad Abed,

Zenah Hadi Saied Saied

et al.

Baghdad Science Journal, Journal Year: 2023, Volume and Issue: 21(3), P. 1101 - 1101

Published: Aug. 20, 2023

المشكلة: يعتبر السرطان أحد أكثر الأمراض فتكًا في العالم. يمكن أن يسهل التعلم الآلي وخوارزميات العميق طريقة التعامل مع لا سيما مجال الوقاية من واكتشافه. إن للطرق التقليدية لتحليل بيانات محددات عديدة كما أنً تنمو بسرعة. هذا يجعل الممكن للتعلم المضي قدمًا بقدراته القوية على تحليل ومعالجة السرطان. الأهداف: تم الدراسة الحالية تقديم نظام دعم طبي للتنبؤ بسرطان الرئة. الطرائق: تستخدم ثلاثة نماذج مختلفة (EfficientNetB3 وResNet50 وResNet101) مفهوم نقل التعلم. تدريب النماذج الثلاثة باستخدام مجموعة لسرطان الرئة بالأشعة المقطعية المؤلفة 1000 صورة وأربع فئات للسرطان. تطبيق عملية Data Augmentation لحل مشكلة Overfitting وزيادة حجم البيانات وتعزيز التدريب. أيضًا استخدام الدمج مستوى الدرجة والتعلم التجميعي Ensemble Learning للحصول أفضل أداء وحل الدقة المنخفضة. تقييم جميع معايير وPrecision وRecall وF1-score. النتائج: تظهر التجارب الأداء العالي لنموذج بدقة 99.44٪، وهو المنهجيات الحديثة الحالية. الخلاصة: نتائج العالية والمتانة لنقل المجموعة المقترحة تعلم التحويل المختلفة.

Citations

5
نماذج التعلم العميق للتفاعلات بين الأدوية والبروتينات DOI Creative Commons
Ali K. Abdul Raheem, Ban N. Dhannoon

Baghdad Science Journal, Journal Year: 2024, Volume and Issue: 21(11), P. 3605 - 3616

Published: April 20, 2024

يعتبر منهج تطوير الأدوية بطيئًا ومكلفًا ويحتمل الفشل - يختبر العلماء ملايين المركبات ، لكن القليل منها فقط ينجح في إجراء الاختبارات قبل السريرية أو السريرية. التعلم الآلي وهو فرع من الذكاء الاصطناعي موضوعًا سريع التوسع تستخدمه العديد شركات بشكل متزايد. يمكن أن يساعد دمج تقنيات عملية أتمتة عمليات المعالجة والتحليل المتكررة للبيانات ويمكن استخدام ML عدة مراحل بما ذلك التفاعلات الدوائية المستهدفة. وهي عنصر مهم الدواء. عندما يرتبط عقار (جزيء كيميائي) بهدف (بروتينات أحماض نووية) يُقال إنه ويغير سلوكه / وظيفته البيولوجية ويعيده إلى طبيعته. يُعد تنبؤ DTI جزءًا أساسيًا DD لأنه قد يؤدي تسريع التكاليف وتقليلها ولكنه يمثل تحديًا لأن المقايسات التجريبية لا تستغرق وقتًا طويلاً فحسب بل تكون باهظة الثمن أيضًا. أظهرت الأساليب القائمة على العميق نتائج مشجعة التنبؤ بالتفاعلات المستهدفة للأدويةDTI) ) السنوات الأخيرة. هذه الورقة نقترح هيكلين جديدين للتعلم للتنبؤ للدواءDTI) ). يستخدم النموذج الأول الشبكات العصبية لتمرير الرسائل MPNN) لتشفير والوحدات ذات البوابات ثنائية الاتجاه Bi-GRU)) البروتين. بينما الثاني Bi-GRU وترميز تم تدريب النموذجين وتقييمهما مجموعة بيانات معيارية. توضح نتائجنا نماذجنا تتفوق الأداء أحدث أساليب نهج واعد ب بدقة عالية.

Citations

0
A secure and light‐weight patient survival prediction in Internet of Medical Things framework DOI Creative Commons
Shubh Mittal, Tisha Chawla, Saifur Rahman

et al.

International Journal of Network Management, Journal Year: 2024, Volume and Issue: 34(6)

Published: May 30, 2024

Summary Thoracic surgeries in major lung resections for primary cancer are fraught with potential risks, emphasising the need to understand factors contributing postoperative mortality. This study investigates interplay of objective and subjective data predicting outcomes reduce transmission costs Internet Medical Things (IoMT). Objective metrics, such as forced vital capacity (FVC), offer consistent, quantifiable insights essential predictive modelling. Conversely, derived from patient self‐reports suggest that patient's personal experiences crucial assessing quality life postsurgery. Utilising a dataset University California, Irvine's Machine Learning Repository (UCI), 17 distinct attributes were examined. Using ensemble learning classifiers, extra trees classifier is superior when utilising all features, achieving an accuracy 0.92. Combining select specifically PRE6, PRE8 AGE (demographic), data, yielded comparable 0.91. Feature importance analysis further highlights significance features like PRE5, PRE4 AGE. suggests redundancies full feature set, selection. Importantly, compared existing literature, this study's findings into future modelling thoracic surgeries, implications rapidly evolving field IoMT.

Language: Английский

Citations

0
Enhanced Lung Cancer Prediction via Integrated Multi‐Space Feature Adaptation, Collaborative Alignment and Disentanglement Learning DOI Creative Commons
Abigail Kawama,

Ronald Waweru Mwangi,

Lawrence Nderu

et al.

Engineering Reports, Journal Year: 2024, Volume and Issue: unknown

Published: Dec. 2, 2024

ABSTRACT Lung cancer, marked by the rapid and uncontrolled proliferation of abnormal cells in lungs, continues to be one leading causes cancer‐related deaths globally. Early accurate diagnosis is critical for improving patient outcomes. This research presents an enhanced lung cancer prediction model integrating Adaptation Multiple Spaces Feature L1‐norm Regularization (AMSF‐L1ELM) with Primitive Generation Collaborative Relationship Alignment Disentanglement Learning (PADing). Initially, AMSF‐L1ELM was employed address challenges feature alignment multi‐domain adaptation, achieving a baseline performance test accuracy 83.20%, precision 83.43%, recall 83.74%, F1‐score 83.07%. After incorporating PADing, exhibited significant improvements, increasing 98.07%, 98.11%, 98.05%, 98.06%, ROC‐AUC 100%. Cross‐validation results further validated model's robustness, average 99.73%, 99.55%, 99.64%, 99.64% across five folds. The study utilized four distinct datasets covering range imaging modalities diagnostic labels: Chest CT‐Scan dataset from Kaggle, NSCLC‐Radiomics‐Interobserver1 TCIA, LungCT‐Diagnosis IQ‐OTH/NCCD Kaggle. In total, 4085 images were selected, distributed between source target domains. These demonstrate effectiveness PADing enhancing multiple domains complex medical data.

Language: Английский

Citations

0