Machine learning methods for predicting tumor response in lung cancer
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Among cancer victims, lung cancer accounts for most fatalities in men and women. Patients at advanced stages of lung cancer suffer from poor survival rate. Majority of these patients are not candidates for surgery and receive radiation therapy (radiotherapy) as their main course of treatment. Despite effectiveness of radiotherapy against many cancers, more than half of these patients are unfortunately expected to fail. Recent advances in biotechnology have allowed for an unprecedented ability to investigate the role of gene regulation in lung cancer development and progression. However, limited studies have provided insight into lung tumor response to radiotherapy. The inherent complexity and heterogeneity of biological response to radiation therapy may explain the inability of existing prediction models to achieve the necessary sensitivity and specificity for clinical practice's or trial's design. In this study, we briefly review the current knowledge of genetic and signaling pathways in modulating tumor response to radiotherapy in non‐small cell lung cancer as a case study of data mining application in the challenging cancer treatment problem. We highlight the role that data mining approaches, particularly machine learning methods, can play to improve our understanding of complex systems such as tumor response to radiotherapy. This can potentially result in identification of new prognostic biomarkers or molecular targets to improve response to treatment leading to better personalization of patients' treatment planning by reducing the risk of complications or supporting therapy that is more intensive for those patients likely to benefit. © 2012 Wiley Periodicals, Inc. This article is categorized under: Algorithmic Development > Biological Data Mining Application Areas > Health Care Technologies > Machine Learning
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle