Optimal thermomic biomarkers for early diagnosis of breast cancer
Notice bibliographique
Résumé
Dynamic thermography is a well-established diagnostic tool for breast cancer screening that can be used in conjunction with mammography and clinical breast examination (CBE). Thermographic imaging biomarkers, known as thermomics, have been shown to detect vasodilation in breast tissue, indicating abnormalities and lesions. Heterogeneous thermal patterns also reveal angiogenesis or the formation of new blood vessels. This study applied thermal imaging biomarkers, and thermographic imaging, for breast cancer screening. We applied two low rank embedding approaches, Gaussian and Bell embedding, to obtain the optimal thermomics with the help of elbow method, which resulted in finding breast thermal heterogeneity. Non-negative Matrix Factorization (NMF) was used to create a low-ranked representation of thermal images. High dimensional radiomics and thermomics were then extracted, and feature abundance was reduced using spectral clustering. The best results of the Deep semiNMF with Bell embedding method combining clinical information and demographics yield 81.6% (±3.9%). The model was trained with constant hyperparameters setting across the comparison to predict abnormality, and the results demonstrated promising preliminary performance. Optimal biomarkers have the potential to preserve thermal heterogeneity, leading to early detection of breast cancer, and can serve as a non-invasive tool to aid CBE. Codes corresponded with this proceeding can be found at the following GitHub repository: https://github.com/BardiaYo/SPIEThermosense2023.git
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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 tête enseignante, 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 ».