| LEADER |
05739nam a2200337 4500 |
| 001 |
1527325 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 604404
|a الشوحة، بشار حسام
|e مؤلف
|
| 245 |
|
|
|a A Deep Learning-Based Model for Predicting Survivability of Breast Cancer Patients
|
| 246 |
|
|
|a نموذج يعتمد على تقنية التعلم العميق للتنبؤ بفرصة نجاة مرضى سرطان الثدي
|
| 260 |
|
|
|a إربد
|c 2020
|
| 300 |
|
|
|a 1 - 103
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة اليرموك
|f كلية تكنولوجيا المعلومات وعلوم الحاسوب
|g الاردن
|o 0100
|
| 520 |
|
|
|a مرض السرطان هو أحد المشاكل الصحية الرئيسية في جميع أنحاء العالم. يعتبر سرطان الثدي من أكثر الأورام الخبيثة شيوعا لدى النساء. التشخيص المبكر لمرضى سرطان الثدي باستخدام نظام تنبؤ دقيق، يزيد من فرصة نجاة المرضى بنسبة 86%. التنبؤ بقابلية البقاء على قيد الحياة هو واحد من أكثر التحديات التي يواجهها أخصائيو الرعاية الصحية. لذلك، تعد دراسة قابلية البقاء على قيد الحياة لمرضى سرطان الثدي أمرا مهما للغاية لمساعدة المتخصصين في الرعاية الصحية على اتخاذ قرارات مستنيرة بشأن الضرورة المحتملة للعلاج المساعد. بالإضافة إلى ذلك، فإن إعطاء المرضى، الذين على الأرجح سيبقون على قيد الحياة من السرطان، الأمل سيحسن صحتهم النفسية. يستخدم التعلم الآلي (ML) على نطاق واسع في هذا المجال، والعديد من الخوارزميات التي تم استخدامها بشكل متكرر في الدراسات السابقة وأعطت نتائج متفاوتة لنسبة نجاحها مثل Support Vector Machine, Decision Tree وخوارزمية Naïve Bayes. واحدة من أكثر المجموعات الفرعية الواعدة من ML هي خوارزميات التعلم العميق التي تحقق أداءا رائعا في مجالات مختلفة مثل المعلوماتية الحيوية والتعرف على الكلام ورؤية الكمبيوتر وروبوتات التعلم العميق وما إلى ذلك. في هذه الرسالة، يتم استخدام خوارزميتي التعلم العميق للتحقيق في قدرتهما على التنبؤ بفرصة بقاء مرضى سرطان الثدي على قيد الحياة باستخدام الشبكة العصبية العميقة (DNN) والشبكة العصبية التلافيفية (CNN). تتناول هذه الرسالة العوامل التي قد يكون لها تأثير على أداء الخوارزميتين ثم تقارن بينهما وبين خوارزميات ML الأخرى لتحديد أيهما قد يعطي نتائج أفضل من حيث قدراتهم في التنبؤ بقابلية بقاء مرضى سرطان الثدي. من أجل تقييم الخوارزميات التي تمت دراستها، يتم استخدام مجموعة بيانات سرطان الثدي من برنامج المراقبة وعلم الأوبئة والنتائج النهائية (SEER). تظهر نتائج التجربة أن خوارزمية DNN تحقق تفوق في التنبؤ على خوارزمية CNN وخوارزميات ML الأخرى. لتقييم أداء نماذج التنبؤ، تم استخدام مقاييس الدقة Accuracy والحساسية Sensitivity والخصوصية Specificity. تبلغ قيمة الدقة التي تم الحصول عليها بواسطة خوارزمية DNN 86.44%، بينما قيمة Sensitivity التي تم الحصول عليها 76.18%، وقيمة Specificity94.48%. إن تغيير بنية الخوارزميات له تأثير إيجابي على تحسين النتائج، والعوامل الرئيسية الثلاثة هي عدد الطبقات، وأرقام العصر، وحجم الدفعة؛ يتم ضبط هذه العوامل حتى نصل إلى الرقم الأمثل لكل منها. وأخيرا، تشير هذه النتائج إلى أن نموذج التنبؤ DNN يمكن استخدامه بشكل كبير للتنبؤ بقابلية البقاء مما يشير إلى علاج فعال من حيث الوقت والتكلفة لمرضى سرطان الثدي ويمكن ترجمته إلى أدوات دعم القرار في المجال الطبي.
|
| 653 |
|
|
|a المجال الصحي
|a الأورام الخبيثة
|a المشاكل الصحية
|a الشبكة العصبية
|a التعلم الآلي
|
| 700 |
|
|
|a الردايدة، قاسم أحمد قاسم
|g Al-Radaideh, Qasem A.
|e مشرف
|9 469478
|
| 856 |
|
|
|u 9802-003-012-0100-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9802-003-012-0100-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9802-003-012-0100-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9802-003-012-0100-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9802-003-012-0100-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9802-003-012-0100-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9802-003-012-0100-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9802-003-012-0100-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9802-003-012-0100-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9802-003-012-0100-R.pdf
|y المصادر والمراجع
|
| 856 |
|
|
|u 9802-003-012-0100-S.pdf
|y الملاحق
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1125412
|d 1125412
|
