Neural network assessment of herbal protection against chemotherapeutic-induced reproductive toxicity
Notice bibliographique
Résumé
The aim of this study is to assess the protective effects of Ginkgo biloba's (GB) extract against chemotherapeutic-induced reproductive toxicity using a data mining tool, namely Neural Network Clustering (NNC) on two types of data: biochemical & fertility indicators and Texture Analysis (TA) parameters. GB extract (1 g/kg/day) was given orally to male albino rats for 26 days. This period began 21 days before a single cisplatin (CIS) intraperitoneal injection (10 mg/kg body weight). GB given orally significantly restored reproductive function. Tested extract also notably reduced the CIS-induced reproductive toxicity, as evidenced by restoring normal morphology of testes. In GB, the attenuation of CIS-induced damage was associated with less apoptotic cell death both in the testicular tissue and in the sperms. CIS-induced alterations of testicular lipid peroxidation were markedly improved by the examined plant extract. NNC has been used for classifying animal groups based on the quantified biochemical & fertility indicators and microscopic image texture parameters extracted by TA. NNC showed the separation of two clusters and the distribution of groups among them in a way that signifies the dose-dependent protective effect of GB. The present study introduces the neural network as a powerful tool to assess both biochemical and histopathological data. We also show here that herbal protection against CIS-induced reproductive toxicity utilizing classic methodologies is validated using neural network analysis.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».