Ovarian Cancer Detection: A Systematic Review of Deep Learning Models
Notice bibliographique
Résumé
A health issue that is major worldwide, with the highest death rates along with limited detection and diagnostic methods is nothing but ovarian cancer. The earliest detection and the precise diagnosis of ovarian cancer have a great impact on improving the outcome of the patient from this deadliest disease by offering significant treatment plans. Various medical imaging techniques play a vital role in the diagnosis of ovarian cancer. Some of the widely used datasets, pre-processing steps, and segmentation techniques that are involved in the detection of ovarian cancer offer crucial results for the enhancement of the diagnosis process. As the technology reached its peak, the employment of the Artificial Intelligent (AI) techniques has resulted in achieving promising outputs. Out of this, deep learning architectures are playing a prominent role in increasing the diagnostic accuracy of ovarian cancer. This paper serves as a systematic review of the widely used deep learning classification models that are employed in the detection and diagnosis of ovarian cancer with effective robustness. The study also summarizes by proving that deep learning techniques applied for the diagnosis of ovarian cancer using the medical imaging modalities and the other predefined processes used before the classification step namely dataset description, pre-processing, and segmentation have increased the patient's outcome from this deadliest disease, by offering the enhanced treatment plans. The choice of filtering techniques, segmentation and classifier models play a crucial role in improving the performance of the model. Because the images present in dataset may not be in acceptable form. Hence, the choice of aforementioned techniques takes part in improving the prediction as well as facilitates the process of diagnosis at early stage. Additionally, with the help of the evaluation metrics namely accuracy, precision, recall, and F1-score the performance of the classification models used is examined.
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 | 0,004 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».