AKCİĞER KANSERİ TANISI İÇİN YENİ BİR YÖNTEM
Bibliographic record
Abstract
Akciğer kanseri tüm Dünyada en sıklıkla rastlanan ve hastalıklara bağlı ölümlerde birinci sırada yer alan bir kanser türüdür. Bu noktada kolay uygulanabilen, yüksek doğrulukta sonuçlar üreten ve mümkün olabildiğince az yan etkileri olan, erken evrede tanıya imkan tanıyan yöntemlere ve cihazlara ciddi oranda gereksinim duyulmaktadır. Bu çalışmada; akciğer kanserinin non-invazif yöntemler kullanılarak teşhis edilebilmesi amacı için hasta ve sağlıklı bireylere ait nefes örnekleri gaz sensör dizileri tarafından ölçülmüş ve sensör verileri analiz edilmiştir. Sekizi hasta olmak üzere toplam on yirmi dört kişinin nefes örnekleri değerlendirilmiştir. Bu amaçla sensör verileri ön işlemeye tabi tutularak her bir sensör için beş özellik hesaplanmıştır. Sensör dizisinde kullanılan yedi sensörun verisi değerlendirmeye alınmıştır. Temel bileşen analizi ile hasta verileri ve kontrol verilerinin dağılımı incelenmiştir. Ayrıca sensör özelliklerinin sınıflandırmaya katkıları değerlendirilmiştir. Sınıflandırma performansını belirlemek için, Doğruluk, Spesifite ve Duyarlılık kullanılmıştır. Duyarlılığın yüksek olması hastaların bulunmasının kolaylaşmasını ifade etmektedir. Kanser türü hastalıklarda hastalığın tespit edilmesi çok önemlidir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.010 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".