Αφηρημένο

Η πρόβλεψη της στάσης του καρκίνου στον καρκίνο του προστάτη είναι μια διαδικασία για την εκτίμηση της πιθανότητας ότι ο καρκίνος έχει εξαπλωθεί πριν από τη θεραπεία δίνεται στον ασθενή. Αν και σημαντικό για τον προσδιορισμό της πιο κατάλληλη θεραπεία και η βέλτιστη στρατηγική διαχείρισης των ασθενών, στάσης συνεχίζει να παρουσιάζει σημαντικές προκλήσεις για τους κλινικούς γιατρούς. τα αποτελέσματα των κλινικών δοκιμών, όπως το αντιγόνο επίπεδο (PSA) ειδικού προστατικού προεπεξεργασία, η βιοψία πιο κοινή μορφή καρκίνου (Primary Gleason πρότυπο) και η δεύτερη πιο κοινή μορφή καρκίνου (Δευτεροβάθμια μοτίβο Gleason) σε βιοψίες ιστού, και το στάδιο των κλινικών Τ μπορεί να χρησιμοποιηθεί από τους κλινικούς ιατρούς για να προβλέψει την παθολογική στάδιο του καρκίνου. Ωστόσο, δεν είναι κάθε ασθενής θα επιστρέψει μη φυσιολογικά αποτελέσματα σε όλες τις δοκιμές. Αυτό επηρεάζει σημαντικά την ικανότητα να προβλέψουμε αποτελεσματικά το στάδιο του καρκίνου του προστάτη. Εδώ έχουμε αναπτύξει ένα υπολογιστικό μοντέλο νοημοσύνης νευρο-ασαφή για την ταξινόμηση και την πρόβλεψη της πιθανότητας ενός ασθενούς που έχει Organ-Περιορισμένοι Νοσημάτων (OCD) ή Extra-προστάτη Νοσημάτων (ED) χρησιμοποιώντας τον καρκίνο του προστάτη σύνολο δεδομένων ασθενούς που λαμβάνονται από τον καρκίνο Genome Atlas (TCGA ) Δίκτυο Έρευνας. Η είσοδος του συστήματος αποτελείται από τις ακόλουθες μεταβλητές: Πρωτοβάθμια και Δευτεροβάθμια Gleason βιοψία μοτίβα, τα επίπεδα PSA, την ηλικία κατά τη διάγνωση, και κλινικό στάδιο Τ. Η απόδοση του νευρο-ασαφούς συστήματος σε σύγκριση με άλλες υπολογιστικές προσεγγίσεις νοημοσύνης, δηλαδή το τεχνητό νευρωνικό δίκτυο, Fuzzy C-Means, Support Vector Machine, οι αφελείς ταξινομητές Bayes, καθώς επίσης και την AJCC pTNM Σταδιοποίηση νομογράφημα που χρησιμοποιείται συνήθως από τους κλινικούς γιατρούς . Μια σύγκριση των βέλτιστων λειτουργικού χαρακτηριστικού δέκτη (ROC), σημεία που εντοπίστηκαν με τη χρήση αυτών των προσεγγίσεων, αποκάλυψε ότι η νευρο-ασαφούς συστήματος, στο βέλτιστο σημείο του, επιστρέφει τη μεγαλύτερη περιοχή κάτω από τη ROC καμπύλη (AUC), με χαμηλό αριθμό των ψευδώς θετικών (FPR = 0,274, TPR = 0,789, AUC = 0.812). Η προτεινόμενη προσέγγιση είναι επίσης μια βελτίωση σε σχέση με την σταδιοποίηση νομόγραμμα AJCC pTNM (

FPR

= 0,032,

TPR

= 0,197,

AUC

= 0,582).

Παράθεση: Cosma G, Acampora G, Brown D, Rees RC, Χαν Μ, Πρόβλεψη της Παθολογικής Stage σε ασθενείς με καρκίνο του προστάτη Pockley AG (2016): Μια Neuro-Fuzzy μοντέλο. PLoS ONE 11 (6): e0155856. doi: 10.1371 /journal.pone.0155856

Επιμέλεια: Daotai Nie, Southern Illinois University School of Medicine, Ηνωμένες Πολιτείες |

Ελήφθη: 14 του Ιουλίου του 2015? Αποδεκτές: 5 Μάη 2016? Δημοσιεύθηκε: 3, Ιουνίου 2016

Copyright: © 2016 Κοσμά et al. Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή σε οποιοδήποτε μέσο, ​​με την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται

Δεδομένα Διαθεσιμότητα:. Το σύνολο των δεδομένων και ο κωδικός είναι διαθέσιμα στο κοινό Figshare: https://figshare.com/account/articles/3369901 DOI: 10.6084 /m9.figshare.3369901

Χρηματοδότηση:. η μελέτη αυτή χρηματοδοτήθηκε από το NHS Nottingham Πόλη Κλινική Θέση κατανομή του Ομίλου της NIHR Έρευνας Δυνατότητα χρηματοδότησης (Αριθμός Συμβολαίου: CCG /ΕΜΠ /02 /RCF /13-14). Οι συγγραφείς θα ήθελαν επίσης να αναγνωρίσει την οικονομική υποστήριξη του Ιωάννη και Lucille Ίδρυμα van Geest και την υγειονομική περίθαλψη και Bioscience ΙΝΕΤ, μια ΕΤΠΑ που χρηματοδοτούνται πρωτοβουλία διαχειρίζεται Medilink East Midlands. Οι χρηματοδότες δεν είχε κανένα ρόλο στο σχεδιασμό της μελέτης, τη συλλογή και ανάλυση των δεδομένων, η απόφαση για τη δημοσίευση, ή την προετοιμασία του χειρογράφου

Αντικρουόμενα συμφέροντα:. Η μελέτη χρηματοδοτήθηκε εν μέρει από την υγειονομική περίθαλψη και Bioscience ΙΝΕΤ, μια χρηματοδοτούνται από το ΕΤΠΑ πρωτοβουλία διαχειρίζεται από την εμπορική πηγή Medilink East Midlands. Δεν υπάρχουν διπλώματα ευρεσιτεχνίας, τα προϊόντα στην ανάπτυξη, ή διατίθενται στην αγορά προϊόντα να δηλώσει. Αυτό δεν αλλάζει την τήρηση των συγγραφέων σε όλες τις PLoS ONE πολιτικές για την ανταλλαγή δεδομένων και υλικών, όπως περιγράφεται λεπτομερώς σε απευθείας σύνδεση στον οδηγό για τους συγγραφείς.

Εισαγωγή

πρόβλεψη Καρκίνος στάσης είναι μια διαδικασία για την εκτίμηση της η πιθανότητα ότι η ασθένεια έχει εξαπλωθεί πριν από τη θεραπεία δίνεται στον ασθενή. αξιολόγηση Καρκίνος στάσης συμβαίνει πριν (δηλαδή στο στάδιο πρόγνωση) και μετά (δηλαδή κατά το στάδιο διάγνωση) ο όγκος έχει αφαιρεθεί-τα κλινικά και παθολογικά στάδια αντίστοιχα. Η κλινική αξιολόγηση στάδιο βασίζεται σε δεδομένα που συγκεντρώθηκαν από κλινικές δοκιμές που είναι διαθέσιμες πριν από τη θεραπεία ή την χειρουργική αφαίρεση του όγκου. Υπάρχουν τρία βασικά τεστ κλινικό στάδιο για τον καρκίνο του προστάτη: η δοκιμή του ειδικού προστατικού αντιγόνου (PSA), το οποίο μετρά το επίπεδο του PSA στην κυκλοφορία του αίματος? μια βιοψία που χρησιμοποιείται για την ανίχνευση της παρουσίας του καρκίνου στον προστάτη και για την αξιολόγηση του βαθμού της επιθετικότητας του καρκίνου (αποτελέσματα δίνονται συνήθως με τη μορφή της πρωτοβάθμιας και δευτεροβάθμιας πρότυπα Gleason)? και μια φυσική εξέταση, δηλαδή η δακτυλική εξέταση (DRE), η οποία μπορεί να καθορίσει την ύπαρξη της νόσου και, ενδεχομένως, να παρέχουν επαρκείς πληροφορίες για να προβλέψει το στάδιο του καρκίνου. Ένας περιορισμός της δοκιμής PSA είναι ότι αφύσικα υψηλά επίπεδα PSA δεν μπορεί να υποδεικνύει απαραίτητα την παρουσία καρκίνου του προστάτη, ούτε θα μπορούσε φυσιολογικά επίπεδα PSA αντανακλούν την απουσία καρκίνου του προστάτη. Παθολογική στάσης μπορεί να προσδιοριστεί μετά από χειρουργική επέμβαση και την εξέταση της αφαιρεθεί καρκινικό ιστό, και είναι πιθανό να είναι πιο ακριβή από την κλινική σταδιοποίηση, δεδομένου ότι επιτρέπει την άμεση εικόνα για την έκταση και τη φύση της ασθένειας. Περισσότερες πληροφορίες σχετικά με τις κλινικές δοκιμές που παρέχεται στην επόμενη υποενότητα

Ιατρικό Ιστορικό

.

Με δεδομένη την πιθανή προγνωστική δύναμη των κλινικών δοκιμών, μια ποικιλία των συστημάτων πρόβλεψης του καρκίνου του προστάτη σταδιοποίηση έχουν αναπτυχθεί. Η ικανότητα να προβλέψουμε την παθολογική στάδιο ενός ασθενούς με καρκίνο του προστάτη είναι σημαντική, καθώς επιτρέπει κλινικούς ιατρούς να καθορίσουν καλύτερα τις βέλτιστες στρατηγικές θεραπείας και διαχείρισης. Αυτό γίνεται για να σημαντικό πλεονέκτημα του ασθενούς, καθώς πολλές από τις θεραπευτικές επιλογές μπορούν να συνδέονται με σημαντικές βραχυπρόθεσμες και μακροπρόθεσμες παρενέργειες. Για παράδειγμα, ριζική προστατεκτομή (RP) -η χειρουργική αφαίρεση του προστάτη αδένα-προσφέρει την καλύτερη ευκαιρία για την θεραπεία της νόσου, όταν ο καρκίνος του προστάτη είναι εντοπισμένος, και την ακριβή πρόβλεψη των παθολογικών στάδιο είναι θεμελιώδους σημασίας για τον προσδιορισμό ποιοι ασθενείς θα ωφεληθούν περισσότερο από αυτή την προσέγγιση [1-3]. Επί του παρόντος, οι κλινικοί γιατροί χρησιμοποιούν νομογράμματα να προβλέψει μια προγνωστική κλινική έκβαση για τον καρκίνο του προστάτη, και αυτές βασίζονται σε στατιστικές μεθόδους, όπως η λογιστική παλινδρόμηση [4]. Ωστόσο, σταδιοποίηση του καρκίνου εξακολουθεί να παρουσιάζει σημαντικές προκλήσεις για την κλινική κοινότητα.

Οι προστάτη νομογράμματα καρκίνο στάσης οι οποίες χρησιμοποιούνται για την πρόβλεψη της παθολογικής στάδιο του καρκίνου με βάση τα αποτελέσματα από τις κλινικές δοκιμές. Ωστόσο, η ακρίβεια των νομογραμμάτων είναι αμφισβητήσιμη [5, 6]. Briganti et al. [5] υποστηρίζει ότι νομογράμματα είναι ακριβή εργαλεία και ότι «η εξατομικευμένη ιατρική αναγνωρίζει την ανάγκη για προσαρμογές, ανάλογα με τα χαρακτηριστικά της νόσου και της χώρας υποδοχής. Είναι καιρός να αγκαλιάσει την ίδια στάση σε άλλους κλάδους της ιατρικής. Αυτό περιλαμβάνει ουρολογικές ογκολογία, όπου νομογράμματα, παλινδρόμηση-δέντρα, πίνακες αναζήτησης και νευρωνικά δίκτυα αποτελούν τα βασικά εργαλεία ικανά να παρέχουν εξατομικευμένες προβλέψεις «. Ο Δρ Joniau στο [5] υποστηρίζει ότι τα δεδομένα που χρησιμοποιήθηκαν για την εκπόνηση των νομογράμματα είναι υποκειμενικές και, σε κάποιο βαθμό, προκατειλημμένη κατά θεσμικό πρωτόκολλα για τα οποία επιλέγονται οι ασθενείς για μια δεδομένη θεραπεία. Ο Δρ Joniau αναφέρει ότι ένα από τα μειονεκτήματα της νομογραμμάτων είναι ότι οι διάφορες νομογράμματα έχουν επινοηθεί για την εκτίμηση του κινδύνου και είναι δύσκολο να καθοριστεί ποια νομογράφημα θα παρέχει την πιο αξιόπιστη εκτίμηση κινδύνου για ένα συγκεκριμένο ασθενή. Ο ίδιος τονίζει ότι αν και νομογράμματα επιτρέπουν την ακριβέστερη αξιολόγηση του κινδύνου, αυτή η εκτίμηση κινδύνου είναι ένα «στιγμιότυπο σε ένα συνεχές κινδύνου». Παρά το γεγονός ότι αυτό θα μπορούσε να επιτρέψει εξατομικευμένες προβλέψεις, καθιστά επίσης αποφάσεις για τη θεραπεία δύσκολο [5].

Τα συστήματα πρόβλεψης του καρκίνου που θεωρούν διάφορες μεταβλητές για την πρόβλεψη της έκβασης απαιτούν υπολογιστική έξυπνες μεθόδους για την αποτελεσματική έκβαση πρόβλεψη [7]. Αν και έχουν υπολογιστικές προσεγγίσεις νοημοσύνη έχουν χρησιμοποιηθεί για να προβλέψει τα αποτελέσματα του καρκίνου του προστάτη, πολύ λίγα μοντέλα για την πρόβλεψη της παθολογικής στάδιο του καρκίνου του προστάτη υπάρχουν. Στην ουσία, τα μοντέλα ταξινόμηση βάσει υπολογιστικής νοημοσύνης που χρησιμοποιούνται για εργασίες πρόβλεψη. Η ταξινόμηση είναι μια μορφή ανάλυσης δεδομένων, τα οποία εξάγει τα μοντέλα ταξινομητή που περιγράφουν τις κατηγορίες των δεδομένων, και χρησιμοποιεί αυτά τα μοντέλα για να προβλέψουν κατηγορηματική ετικέτες (τάξεις) ή αριθμητικές τιμές [8]. Όταν ο ταξινομητής χρησιμοποιείται για να προβλέψει μια αριθμητική τιμή, σε αντίθεση με μια ετικέτα τάξη, θα αναφέρεται ως ένα προγνωστικό. Η ταξινόμηση και η αριθμητική πρόβλεψη είναι και οι δύο τύποι προβλημάτων πρόβλεψης [8], και τα μοντέλα ταξινόμησης έχουν υιοθετηθεί ευρέως για την ανάλυση των δεδομένων των ασθενών και να εξάγει ένα μοντέλο πρόβλεψης στο ιατρικό περιβάλλον.

Υπολογιστικές προσεγγίσεις νοημοσύνη, και ιδίως το fuzzy-based προσεγγίσεις, βασίζονται σε μαθηματικά μοντέλα που έχουν αναπτυχθεί ειδικά για την αντιμετώπιση της αβεβαιότητας και ανακρίβειας που βρίσκεται συνήθως στην κλινική δεδομένα που χρησιμοποιούνται για την πρόγνωση και τη διάγνωση των ασθενειών σε ασθενείς. Αυτά τα χαρακτηριστικά καθιστούν αυτούς τους αλγορίθμους μια κατάλληλη πλατφόρμα πάνω στην οποία να στηρίξει νέες στρατηγικές για τη διάγνωση και σταδιοποίηση του καρκίνου του προστάτη. Για παράδειγμα, δεν είναι όλοι διαγνωστεί με καρκίνο του προστάτη θα εμφανίζουν μη φυσιολογικά αποτελέσματα σε όλες τις δοκιμές, ως συνέπεια της οποίας, διαφορετικοί συνδυασμοί αποτέλεσμα της δοκιμής μπορεί να οδηγήσει στο ίδιο αποτέλεσμα.

Η χωρητικότητα της ασαφούς, και ιδιαίτερα νευρο-ασαφούς προσεγγίσεις, για να προβλεφθεί η παθολογική στάδιο του καρκίνου του προστάτη δεν έχει τόσο ευρέως αξιολογηθεί ως η πιο συχνά χρησιμοποιούμενη τεχνητού δικτύου Neural (ANN) και άλλες προσεγγίσεις. Ωστόσο, fuzzy προσεγγίσεις έχουν εφαρμοστεί σε άλλα σενάρια καρκίνο του προστάτη. Benechi et al. [9] έχουν εφαρμόσει το Co-Active Νευρο-Ασαφή Σύστημα Συμπερασμός (CANFIS) να προβλέψει την παρουσία του καρκίνου του προστάτη? Keles et al. [10] πρότεινε μια νευρο-ασαφούς συστήματος για την πρόβλεψη αν ένα άτομο έχει καρκίνο ή καλοήθη υπερπλασία του προστάτη (ΚΥΠ, μια καλοήθης υπερπλασία του προστάτη). Çinar [11] σχεδίασαν ένα έμπειρο σύστημα ταξινομητή που βασίζεται για την έγκαιρη διάγνωση του καρκίνου του προστάτη, βοηθώντας έτσι τη διαδικασία λήψης αποφάσεων και την ενημέρωση την ανάγκη για μια βιοψία. Castanho et al. [12] ανέπτυξαν ένα σύστημα γενετικό-ασαφή εμπειρογνωμόνων η οποία συνδυάζει την προεγχειρητική PSA ορού, κλινικό στάδιο, και Gleason βαθμό της βιοψίας να προβλέψει την παθολογική στάδιο του καρκίνου του προστάτη (δηλαδή αν περιοριζόταν ή όχι-περιορισμένους).

Saritas et al. [13] επινόησε μια προσέγγιση ANN για την πρόγνωση του καρκίνου η οποία μπορεί να χρησιμοποιηθεί για να βοηθήσει κλινικές αποφάσεις σχετικά με την ανάγκη για μια βιοψία. Shariat et al. [14] έχουν πραγματοποιηθεί μια κριτική εξέταση των εργαλείων πρόβλεψης καρκίνου του προστάτη και κατέληξε στο συμπέρασμα ότι η προγνωστική εργαλεία μπορούν να βοηθήσουν κατά τη διάρκεια των πολύπλοκων διαδικασιών λήψης αποφάσεων, και ότι μπορούν να παρέχουν εξατομικευμένη, βάσει στοιχείων εκτιμήσεις για την κατάσταση της νόσου σε ασθενείς με καρκίνο του προστάτη.

Τέλος, Τσάο et al. [15] ανέπτυξαν ένα μοντέλο ANN για την πρόβλεψη του καρκίνου του προστάτη παθολογικές στάσης σε 299 ασθενείς πριν από ριζική προστατεκτομή, και διαπίστωσε ότι το μοντέλο ΤΝΔ ήταν ανώτερη σε πρόβλεψη οργάνων Περιορισμένοι Ασθενειών στον καρκίνο του προστάτη από ένα μοντέλο λογιστικής παλινδρόμησης. Τσάο et al. [15] Επίσης, σε σύγκριση με το μοντέλο τους ANN με πίνακες Partin, και διαπίστωσε ότι το μοντέλο ANN προβλέψει με μεγαλύτερη ακρίβεια την παθολογική στάδιο του καρκίνου του προστάτη.

Εδώ προτείνουμε μια νευρο-ασαφούς μοντέλου για την πρόβλεψη της παθολογικής στάδιο του καρκίνου του προστάτη . Οι είσοδοι του συστήματος περιλαμβάνουν τις ακόλουθες μεταβλητές: η πιο κοινή μορφή καρκίνου (Primary Gleason μοτίβο), η δεύτερη πιο κοινή μορφή (Δευτεροβάθμια μοτίβο Gleason), τα επίπεδα PSA, την ηλικία κατά τη διάγνωση, και κλινικό στάδιο Τ. Το μοντέλο νευρο-ασαφή κατασκευάζει αυτόματα ασαφείς κανόνες, μέσω μιας διαδικασίας κατάρτισης που εφαρμόζεται στα υφιστάμενα και γνωστούς φακέλους των ασθενών και την κατάσταση. Οι κανόνες αυτοί, στη συνέχεια χρησιμοποιείται για την πρόβλεψη του σταδίου καρκίνου του προστάτη των ασθενών σε ένα σύνολο επικύρωσης. Το μοντέλο κάνει χρήση της Νευρο-ασαφούς συστήματος συμπερασμού Adaptive η οποία χρησιμοποιείται επίσης για τη βελτιστοποίηση της πρόβλεψης απόδοσης. Το αποτέλεσμα για κάθε εγγραφή του ασθενούς είναι μια αριθμητική πρόβλεψη του «βαθμού belongingness» του κάθε ασθενή στο όργανο-Περιορισμένοι Ασθένεια και Extra-προστάτη τάξεις των Νόσων.

Ιατρικό Ιστορικό

Αυτή η ενότητα περιγράφει οι μεταβλητές που χρησιμοποιούνται για τη διάγνωση.

ειδικό προστατικό αντιγόνο (PSA).

Η δοκιμή του ειδικού προστατικού αντιγόνου (PSA) είναι ένα τεστ αίματος που μετρά το επίπεδο του ειδικού προστατικού αντιγόνου στην κυκλοφορία του αίματος. Παρόλο που έχει περιορισμούς, η εξέταση PSA είναι σήμερα η καλύτερη μέθοδος για τον εντοπισμό αυξημένο κίνδυνο εντοπισμένο καρκίνο του προστάτη. τιμές του PSA τείνουν να αυξάνονται με την ηλικία, και τα συνολικά επίπεδα PSA (ng /ml) που συνιστάται από το Πρόγραμμα Διαχείρισης Κινδύνων του καρκίνου του προστάτη είναι οι εξής [16]: 50-59 ετών,

PSA

≥ 3,0? 60-69 χρόνια,

PSA

≥ 4,0? και 70 και πάνω,

PSA

& gt? 5.0. Ασυνήθιστα υψηλά και αυξημένα επίπεδα PSA μπορεί, αλλά δεν σημαίνει απαραίτητα, υποδεικνύουν την παρουσία του καρκίνου του προστάτη. Η Ευρωπαϊκή Μελέτη του προσυμπτωματικού ελέγχου για τον καρκίνο του προστάτη αποκάλυψε ότι ο έλεγχος μειώνει σημαντικά θανάτου από καρκίνο του προστάτη, και ότι ένας άνθρωπος ο οποίος υποβάλλεται σε εξέταση PSA θα έχει τον κίνδυνο του θανάτου από καρκίνο του προστάτη μειώνεται κατά 29% [17, 18] και [19]. Ωστόσο, θα πρέπει επίσης να σημειωθεί ότι μια κανονική εξέταση PSA δεν αποκλείει κατ ‘ανάγκη την παρουσία του καρκίνου του προστάτη.

Πρωτοβάθμιας και Δευτεροβάθμιας Gleason μοτίβα.

χρησιμοποιείται ένα δείγμα ιστού (βιοψία) για την ανίχνευση η παρουσία του καρκίνου στον προστάτη και να αξιολογήσει επιθετικότητα του. Τα αποτελέσματα από βιοψία του προστάτη παρέχονται συνήθως με τη μορφή της βαθμολογίας βαθμού Gleason. Για κάθε δείγμα βιοψίας, παθολόγους εξετάσει την πιο κοινή μορφή καρκίνου (Primary Gleason πρότυπο) και η δεύτερη πιο κοινή μορφή (Δευτεροβάθμια μοτίβο Gleason), με κάθε σχέδιο να δοθεί μια τάξη από 3 έως 5. Αυτοί οι βαθμοί στη συνέχεια συνδυάζονται για να δημιουργήσουν το Gleason βαθμολογία (ένας αριθμός που κυμαίνεται από 6 έως 10), η οποία χρησιμοποιείται για να περιγράψει πόσο ανώμαλη ο αδενικός αρχιτεκτονική εμφανίζεται κάτω από ένα μικροσκόπιο. Για παράδειγμα, αν η πιο κοινή μορφή όγκου είναι βαθμού 3, και το επόμενο πιο κοινό πρότυπο όγκου είναι βαθμού 4, το σκορ Gleason είναι 3 + 4 ή 7. Ο βαθμός 6 θεωρείται χαμηλή νόσο κινδύνου, καθώς θέτει ελάχιστα κινδυνεύουν να γίνουν επιθετικοί? και ένα σκορ 3 + 4 = 7 δείχνει ενδιάμεσο κίνδυνο. Επειδή ο πρώτος αριθμός αντιπροσωπεύει την πλειοψηφία των μη φυσιολογικών ιστών στο δείγμα βιοψίας, ένα 3 + 4 θεωρείται λιγότερο επιθετική από ό, τι σε 4 + 3. Οι βαθμολογίες των 4 + 3 = 7, ή 8 έως 10 δείχνουν ότι το αδενικό αρχιτεκτονική είναι όλο και πιο ανώμαλη και σχετίζεται με τη νόσο υψηλού κινδύνου που είναι πιθανό να είναι επιθετικοί.

κλινική και παθολογική στάδια.

το κλινικό στάδιο είναι μια εκτίμηση του σταδίου καρκίνου του προστάτη, και αυτό με βάση τα αποτελέσματα της η δακτυλική εξέταση (DRE). Η παθολογική στάδιο μπορεί να προσδιοριστεί εάν ένας ασθενής είχε τη χειρουργική επέμβαση και, ως εκ τούτου βασίζεται στην εξέταση του αφαιρεθεί ιστού. Παθολογική στάσης είναι πιθανό να είναι πιο ακριβή από την κλινική σταδιοποίηση, καθώς μπορεί να παρέχει μια άμεση εικόνα για την έκταση της νόσου. Στο κλινικό στάδιο, υπάρχουν τέσσερις κατηγορίες για την περιγραφή της τοπική έκταση ενός όγκου του προστάτη (Τ1 έως Τ4). Κλινικά και παθολογικά σταδιοποίηση χρησιμοποιούν τις ίδιες κατηγορίες, εκτός του ότι η κατηγορία Τ1 δεν χρησιμοποιείται για παθολογικές στάσης. Συνοπτικά, τα στάδια Τ1 και Τ2 περιγράφουν έναν καρκίνο που είναι πιθανώς όργανο-περιορισμένο, Τ3 περιγράφει καρκίνου που αρχίζει να διαδίδεται έξω προστάτη, και Τ4 περιγράφει έναν καρκίνο που έχει πιθανόν αρχίσει να εξαπλωθεί σε κοντινά όργανα. Κατηγορία Τ1 είναι όταν ο όγκος δεν μπορεί να γίνει αισθητό κατά τη διάρκεια της DRE ή να δει με απεικόνισης όπως διορθικό υπερηχογράφημα (TRUS). Κατηγορία Τ1 έχει τρεις υποκατηγορίες: καρκίνος T1a βρεθεί τυχαία κατά τη διάρκεια μιας διουρηθρική εκτομή του προστάτη (TURP) οι οποίες θα έχουν πραγματοποιηθεί για τη θεραπεία της καλοήθους υπερπλασίας του προστάτη, και ο καρκίνος είναι παρούσα σε όχι περισσότερο από το 5% του ιστού αφαιρέθηκε? καρκίνος T1b βρεθεί κατά τη διάρκεια ενός TURP, αλλά είναι παρόν σε περισσότερο από το 5% του ιστού αφαιρείται, και ο καρκίνος T1c βρίσκεται σε βιοψία βελόνα η οποία έχει πραγματοποιηθεί οφείλεται σε αυξημένα επίπεδα PSA. Κατηγορία Τ2 είναι όταν ο όγκος μπορεί να γίνει αισθητό κατά τη διάρκεια μιας DRE ή δει με απεικόνιση, αλλά ακόμα φαίνεται να περιορίζεται στον αδένα του προστάτη. Κατηγορία Τ2 έχει τρεις υποκατηγορίες: καρκίνος Τ2α είναι στο μισό ή λιγότερο του μόνο στη μία πλευρά (αριστερή ή δεξιά) του προστάτη? καρκίνος T2b είναι σε περισσότερα από τα μισά μόνο μία πλευρά (αριστερή ή δεξιά) του προστάτη? και ο καρκίνος T2c είναι και στις δύο πλευρές του προστάτη. Κατηγορία Τ3 έχει δύο υποκατηγορίες: καρκίνος T3a εκτείνεται έξω από τον προστάτη, αλλά όχι στις σπερματοδόχες κύστεις? και ο καρκίνος έχει εξαπλωθεί T3b στις σπερματοδόχες κύστεις. Τέλος, ο καρκίνος κατηγορία Τ4 έχει εξελιχθεί σε ιστούς δίπλα στο προστάτη (εκτός των σπερματοδόχων κύστεων), όπως το σφιγκτήρα της ουρήθρας, του ορθού, της ουροδόχου κύστης, ή /και του τοιχώματος της λεκάνης.

Η TNM στάσης είναι το πιο ευρέως χρησιμοποιούμενο σύστημα για τη σταδιοποίηση του καρκίνου του προστάτη και έχει ως στόχο να καθορίσει την έκταση της:

πρωτοπαθούς όγκου (στάδιο Τ),

η απουσία ή η παρουσία των περιφερειακών συμμετοχή λεμφαδένων (Ν στάδιο ), και

η απουσία ή η παρουσία απομακρυσμένων μεταστάσεων (στάδιο Μ)

η

το σύστημα TNM έχει γίνει αποδεκτή από την Ένωση για τη Διεθνή έλεγχο του Καρκίνου (UICC) και της Μικτής Επιτροπής του αμερικανικού για τον Καρκίνο (AJCC). Οι περισσότερες ιατρικές εγκαταστάσεις χρησιμοποιούν το σύστημα TNM ως κύρια μέθοδο τους για την υποβολή εκθέσεων του καρκίνου. Η κλινική TNM και παθολογικές ΤΝΜ παρέχονται στους πίνακες 1 και 2 αντίστοιχα. Μόλις το Τ, Ν και Μ καθορίζονται, ένα στάδιο Ι, II, III, IV ή έχει εκχωρηθεί, με το στάδιο Ι είναι νωρίς και το στάδιο IV είναι προχωρημένη νόσο. Κατά τον προσδιορισμό των σταδίων Τ, Ν και Μ, μια πρόγνωση μπορεί να γίνει σχετικά με την ανατομική στάδιο του καρκίνου με τη χρήση των ομάδων που φαίνονται στον Πίνακα 3, όπου ένα στάδιο Ι, II, III, ή IV έχει εκχωρηθεί σε έναν ασθενή, με το στάδιο Ι είναι νωρίς και το στάδιο IV είναι προχωρημένη νόσο [20]. Στάδια Ι, ΙΙ, είναι όργανο περιορίζεται στάδια του καρκίνου, ενώ τα στάδια III και IV είναι εκτός του προστάτη στάδια. συστήματα ΤΝΜ έχουν περάσει αρκετές βελτιώσεις προκειμένου να «βελτιώσει την ομοιομορφία της αξιολόγησης του ασθενούς και να διατηρήσει μια κλινικά σχετική αξιολόγηση» [20]. Στην πιο πρόσφατη αμερικανική μεικτής επιτροπής για τον Καρκίνο (AJCC) [21], το Gleason σκορ και η PSA έχουν ενσωματωθεί στο στάδιο του καρκίνου /προγνωστική ομάδες 3.

Η

Η

Μέθοδοι Ι -Neuro-Ασαφής Μοντέλο

Ασαφής λογική είναι μια επέκταση των πολλαπλών τιμών λογικής που ασχολείται με την προσέγγιση, όχι σταθερή και ακριβή συλλογισμό. Σταθερή η συλλογιστική είναι η παραδοσιακή δυαδική λογική, όπου οι μεταβλητές μπορεί να λάβει αληθείς ή ψευδείς τιμές. Ασαφής λογική ξεκινά με την έννοια ενός ασαφούς συνόλου [22], το οποίο είναι ένα σύνολο χωρίς μια τραγανή, σαφώς καθορισμένο όριο. Ένα ασαφές σύνολο μπορεί να περιέχει στοιχεία με μόνο μια μερική βαθμό ένταξης, και ως εκ τούτου επιτρέπει την βαθμούς της αλήθειας, καθιστώντας ασαφή λογική που ισχύει για ιατρικά σενάρια που θεωρούνται ότι συνιστούν πολυπλοκότητα, αβεβαιότητα και ασάφεια. Ασαφής λογική έχει συνδυαστεί με διάφορα μαλακά μεθοδολογίες πληροφορικής, συμπεριλαμβανομένων των νευρο-υπολογιστών, οδηγώντας έτσι σε ισχυρά συστήματα νευρο-ασαφή.

Το σύστημα νευρο-ασαφή προτείνεται στο παρόν (ένας συνδυασμός της ασαφούς λογικής που βασίζονται σε αλγορίθμους που απεικονίζονται στο Σχ 1) προβλέπει την παθολογική στάδιο του καρκίνου (δηλ διάγνωση έκβαση), χρησιμοποιώντας δεδομένα που λαμβάνονται από προεγχειρητική κλινικές δοκιμές που διεξάγονται στο στάδιο πρόγνωση. Όπως και με το σύστημα ΤΝΜ, προτείνονται νευρο-ασαφούς συστήματος μας προβλέπει το εάν ένας ασθενής έχει ασθένεια όργανο-περιορισμένο (OCD, παθολογική στάδιο pT2) ή έξτρα-προστατικής νόσου (ED, παθολογικό στάδιο & gt?

pT

2).

η

Τα κλινικά δεδομένα που χρησιμοποιούνται για την πρόβλεψη στάδιο παθολογικές καρκίνος επηρεάζονται συνήθως από ανακρίβειας, κυρίως λόγω του γεγονότος ότι δεν είναι όλοι οι ασθενείς εμφανίζουν μη φυσιολογικά αποτελέσματα σε όλες τις κλινικές δοκιμές. Αυτό θέτει ένα πρόβλημα όταν προσπαθούμε να προβλέψουμε την εξέλιξη του καρκίνου και ως εκ τούτου να αποφασίσει σχετικά με την καλύτερη στρατηγική θεραπείας για τους ασθενείς. Ως εκ τούτου, ασαφής λογική είναι μια κατάλληλη προσέγγιση για αυτό το είδος της κλινικής πρόβλεψης επειδή μπορεί να χρησιμοποιηθεί για τη μοντελοποίηση της ανθρώπινης συλλογιστικής, σε πραγματικό σενάρια ο κλινικός γιατρός θα εξετάσει τα δεδομένα και να δώσει μια εκτίμηση και όχι μια οριστική απάντηση. Το σύστημα νευρο-ασαφή θα κάνει μια πρόβλεψη για ένα συγκεκριμένο ασθενή και να επιστρέψει μια τιμή που αντιπροσωπεύει το «βαθμό της συμμετοχής» του καρκίνου του ασθενούς στο σύνολο εκτός του προστάτη. Το προτεινόμενο πλαίσιο απεικονίζεται στο Σχήμα 1 και περιγράφεται στα εδάφια που ακολουθούν

Το μοντέλο νευρο-ασαφή περιλαμβάνει δύο κύρια στάδια:. Μάθησης και πρόβλεψης. Στο

την εκμάθηση στάδιο

, το ίδιο το μοντέλο τρένα που χρησιμοποιούν μητρώα ασθενών για την οποία είναι γνωστή η παθολογική στάδιο, και κατά τη

στάδιο πρόβλεψης

το μοντέλο προβλέπει την παθολογική στάδιο χρησιμοποιούν τη γνώση που έχει αποκτηθεί κατά το στάδιο της εκμάθησης. Οι ακόλουθες υποενότητες περιγράφουν τις διαδικασίες που εμπλέκονται κατά τα στάδια της μάθησης και της πρόβλεψης.

Είσοδοι Σύστημα

Κατά το

την εκμάθηση στάδιο

, η νευρο-ασαφούς προγνωστικός μαθαίνει (δηλαδή τρένα η ίδια) χρησιμοποιώντας τα υπάρχοντα δεδομένα ιστορικού του ασθενούς, προκειμένου να δημιουργήσει τη γνώση που θα χρησιμοποιηθεί (κατά τη διάρκεια της

πρόβλεψη στάδιο

) να γίνουν προβλέψεις σχετικά με τις νέες και προηγουμένως αόρατο, δεδομένα. Κατά το στάδιο της μάθησης, το σύστημα λαμβάνει ως δεδομένα εισόδου σχετικά με τα κλινικά χαρακτηριστικά κάθε ασθενούς (δηλαδή την ηλικία κατά τη διάγνωση, PSA, βιοψία μοτίβο Δημοτικό Gleason, βιοψία Δευτεροβάθμια μοτίβο Gleason και το κλινικό στάδιο Τ) και τα γνωστά αποτελέσματα παθολογική στάδιο (δηλ γνωστά αποτελέσματα) που έχουν ληφθεί κατά τη διάρκεια της διάγνωσης. Το σύστημα αντιπροσωπεύει τις εισόδους ως μήτρα

Μια

του μεγέθους

ν

×

m

, όπου

n

είναι ο συνολικός αριθμός των φακέλων των ασθενών, και

m

είναι ο συνολικός αριθμός των κλινικών χαρακτηριστικών (π.χ. είσοδοι του συστήματος,

m

= 5). Το σύστημα αντιπροσωπεύει τους στόχους με τη μορφή ενός

n

× 1 διάνυσμα Τ, όπου κάθε κελί

t

i

κατέχει το στάδιο παθολογική T (PT) τιμή για κάθε εγγραφή του ασθενούς.

Κατά το

στάδιο πρόβλεψης

, το σύστημα απαιτεί μόνο ως είσοδο ένα 1 ×

m

φορέας εκμετάλλευσης των αποτελεσμάτων των κλινικών χαρακτηριστικών του ασθενούς (π.χ. ηλικία κατά τη διάγνωση, PSA, βιοψία μοτίβο Δημοτικό Gleason, βιοψία Δευτεροβάθμια μοτίβο Gleason και το κλινικό στάδιο Τ), και το σύστημα θα επιστρέψει μια τιμή που αντιπροσωπεύει την πιθανότητα του ασθενούς που έχει Extra-προστάτη Νοσημάτων (δηλαδή παθολογικά αποτελέσματα του σταδίου).

δεδομένα Ομαλοποίηση

Η ηλικία, το επίπεδο PSA, κλινικό στάδιο Τ και παθολογικές στάδιο (pT) μεταβλητές πρέπει να ομαδοποιούνται πριν εισάγονται στην ασαφή πρόβλεψης. Η εξομάλυνση των τιμών περιγράφεται στο

Αποτελέσματα

τμήματος. Η διαδικασία εξομάλυνσης πραγματοποιείται, προκειμένου να εξασφαλιστεί η ισόρροπη κατανομή μεταξύ των δεδομένων και να αρθούν οι ακραίες τιμές από τα στοιχεία τα οποία θα μπορούσαν να επηρεάσουν την απόδοση του αλγορίθμου πρόβλεψης.

Fuzzy C-Means

Επίσημα ας

Μια

= [

ν

1,

ν

2

ν

3, …,

ν

ν

] είναι η μήτρα [περιπτώσεις, να καταγράφει ασθενή] -by- [κλινικά χαρακτηριστικά] και αφήστε 2 ≤

γ

& lt?

n

είναι ένας ακέραιος, όπου

γ

είναι ο αριθμός των συστάδων (δηλ τάξεις) και

n

είναι ο συνολικός αριθμός των περιπτώσεων ιστορικού του ασθενούς. Σε αυτή τη συγκεκριμένη εφαρμογή του καρκίνου του προστάτη,

γ

= 2 δεδομένου ότι έχουμε δύο συμπλέγματα: Organ-Περιορισμένοι Νοσημάτων (OCD) και Extra-προστάτη Νοσημάτων (ED). Οι Fuzzy C-Means (FCM) αλγόριθμος επιστρέφει μια λίστα με τα κέντρα διασποράς

X

=

x

1, …,

x

γ

και ένας πίνακας των μελών

U

=

μ

i, k

∈ [0, 1]?

i

= 1, …,

n

?

k

= 1, …,

γ

, όπου κάθε στοιχείο

μ

ik

κατέχει το σύνολο των μελών του ενός σημείου δεδομένων em

ν

k

(δηλαδή εγγραφή ασθενούς) που ανήκουν στο σύμπλεγμα

γ

i

. FCM ενημερώνει τα κέντρα των συστάδων οργάνων-Περιορισμένοι Ασθένεια και Extra-προστάτη Νόσων, και τους βαθμούς των μελών για κάθε σημείο δεδομένων, που αντιπροσωπεύουν έναν ασθενή ρεκόρ, με επαναληπτικά μετακίνηση των κέντρων συμπλέγματος στη σωστή θέση μέσα σε ένα σύνολο δεδομένων. Ουσιαστικά, αυτή η διαδικασία επανάληψη βασίζεται στην ελαχιστοποίηση μιας αντικειμενικής συνάρτησης που αντιπροσωπεύει την απόσταση από οποιοδήποτε σημείο δεδομένων σε ένα κέντρο συστάδας σταθμίζονται κατά βαθμό των μελών εκείνο το σημείο δεδομένων. Η αντικειμενική συνάρτηση για το FCM είναι μια γενίκευση της εξίσωσης (1) (1), όπου

μ

ik

αντιπροσωπεύει το βαθμό της συμμετοχής του ιστορικού του ασθενούς

ν

i

στο

i-

συμπλέγματος?

x

i

είναι το κέντρο του συμπλέγματος των ασαφών ομάδας

i

? || * || είναι η Ευκλείδεια απόσταση μεταξύ των

i-

συμπλέγματος και

-στο

σημείο δεδομένων? και

m

∈ [1, ∞] είναι ένας εκθέτης στάθμισης. Οι απαραίτητες προϋποθέσεις για την λειτουργία (1) για να φτάσει την ελάχιστη τιμή του φαίνεται στο λειτουργιών (2) και (3). (2) (3)

Sugeno-Yusukawa Μέθοδος

Μια συλλογή από Takagi οι -Sugeno-Kang (TSK) κανόνες [23], ένα για κάθε ομάδα, για τον καθορισμό του αριθμού των μελών του ρεκόρ του ασθενούς σε ένα συγκεκριμένο σύμπλεγμα που δημιουργείται. Αυτό Sugeno τύπου Ασαφής σύστημα συμπερασμού (FIS) παράγεται με τη χρήση του αλγορίθμου ομαδοποίησης FCM. Ο αριθμός των συστάδων που προέρχονται από τη διαδικασία ομαδοποίησης καθορίζει τον αριθμό των κανόνων και λειτουργιών ένταξη στην παράγεται FIS. Η δομή FIS χάρτες εισόδους μέσω συναρτήσεων συμμετοχής των εισροών και των συναφών παραμέτρων, και στη συνέχεια μέσα από τις λειτουργίες των μελών της παραγωγής και των συναφών παραμέτρων σε εξόδους. Η έξοδος FIS περνά στο ασαφούς συμπερασμού Συστήματος (ANFIS) μοντέλο Adaptive-Pulse [24], η οποία, στη συνέχεια, συντονίζει τις παραμέτρους FIS χρησιμοποιώντας τα δεδομένα /κατάρτισης εισόδου-εξόδου προκειμένου να βελτιστοποιηθεί το μοντέλο πρόβλεψης.

Adaptive-Pulse Ασαφής Συμπερασμός Σύστημα

Το Adaptive Neuro-fuzzy Σύστημα Συμπερασμός (ANFIS) [24] συνδυάζει Τεχνητά Νευρωνικά Δίκτυα και Ασαφής Λογική αλγορίθμων. ANFIS δημιουργεί ένα ασαφές σύστημα συμπερασμού με τις λειτουργίες των μελών που δημιουργούνται από προσαρμοστικής μάθησης backpropagation. Η αρχιτεκτονική ενός τύπου 3 ANFIS, η οποία είναι η ANFIS χρησιμοποιείται στην προτεινόμενη μοντέλο, εξηγείται στο [24]. Το παρακάτω είναι μια σύντομη περιγραφή των ANFIS και βασίζεται στο [25]. ANFIS αποτελείται από πέντε στρώματα. Στο στρώμα 1, κάθε κόμβος παράγει έναν βαθμό των μελών μιας γλωσσικής μεταβλητής (στο σενάριο του καρκίνου του προστάτη, γλωσσικές μεταβλητές είναι οι τάξεις στάσης, δηλαδή Organ-Περιορισμένοι Ασθένεια και Extra-προστάτη Νοσημάτων) χρησιμοποιώντας μια συνάρτηση συμμετοχής. Η λειτουργία Gaussian μελών χρησιμοποιείται εντός του νευρο-ασαφούς μοντέλου. Layer 2 υπολογίζει τη δύναμη πυροδότησης του κάθε κανόνα, και το στρώμα 3 υπολογίζει την αναλογία της δύναμης πυροδότησης κάθε κανόνα στην σύνολο όλων των δυνατών ψήσιμο. Στο στρώμα 4, η συμβολή κάθε κράτους προς την συνολική παραγωγή υπολογίζεται, και, τέλος, στρώμα 5 υπολογίζει τη συνολική παραγωγή ως το άθροισμα της συνεισφοράς από κάθε κανόνα. Κατά τη διαδικασία της μάθησης, ANFIS προσαρμόζει τις παραμέτρους που σχετίζονται με τις λειτουργίες των μελών και να τους μελωδίες χρησιμοποιώντας ένα διάνυσμα κλίσης η οποία, λαμβάνοντας υπόψη μια σειρά από παραμέτρους, μετρά την απόδοση του συστήματος με βάση το πόσο καλά δεδομένα μοντέλα εισόδου και εξόδου. ANFIS έχει χρησιμοποιηθεί σε συνδυασμό με την FCM, και έτσι το FIS επέστρεψε από την FCM ομαδοποίηση εισάγεται στο ANFIS, και οι παράμετροι FIS συντονισμένοι χρησιμοποιώντας τα δεδομένα /κατάρτισης εισόδου-εξόδου προκειμένου να βελτιστοποιηθεί το μοντέλο πρόβλεψης.

η εκπαιδευτική διαδικασία σταματά όταν ο καθορισμένος αριθμός εποχή έχει επιτευχθεί, ή ο στόχος σφάλματος επιτυγχάνεται. Η απόδοση των ANFIS αξιολογείται χρησιμοποιώντας το φάσμα της μέσης τετραγωνικής ρίζας σφάλματα (διαφορά μεταξύ της εξόδου FIS και την έξοδο δεδομένων εκπαίδευσης) σε κάθε εποχή. Έτσι, ο βαθμός συμμετοχής σε μια εγγραφή ασθενούς σε ένα συγκεκριμένο cluster (π.χ. Extra-προστάτη Disease), καθορίζει το πόσο κοντά είναι μια πρόβλεψη είναι για την επόμενη συστάδα (π.χ. Organ-Περιορισμένοι Disease). Με απλά λόγια, ας

γ

μια

και

γ

β

να cluster Extra-προστάτη Ασθένεια και σύμπλεγμα οργανισμών Περιορισμένοι Ασθένεια, αντίστοιχα, για κάθε ασθενή

ν

k

μπορεί να ανήκει σε σύμπλεγμα

γ

μια

τέτοιο ώστε

v

k

∈

γ

μια

, ή μπορεί να ανήκει στην περιοχή τομής μεταξύ δύο συστάδες έτσι ώστε

ν

k

∈

γ

μια

∧

ν

k ∈

γ

β

.

Neuro-fuzzy Predictor

Η νευρο-ασαφή προγνωστικός παίρνει ως είσοδο ένα διάνυσμα

X

i

μεγέθους 1 ×

m

, όπου

m

είναι ο συνολικός αριθμός των κλινικών χαρακτηριστικών, ως εκ τούτου, 1 × 5 και το αρχείο του ασθενούς είναι συγκεντρωμένα όπως όργανο-Περιορισμένοι Ασθένεια ή Extra-προστάτη Ασθένεια, μέσω του αλγορίθμου FCM clustering [26]. Οι προκαθορισμένες Takagi-Sugeno-Kang (TSK) κανόνες [23] και στη συνέχεια εφαρμόζεται με σκοπό την αξιολόγηση του βαθμού των μελών του ρεκόρ του ασθενούς σε ένα συγκεκριμένο σύμπλεγμα. Το αποτέλεσμα είναι μια αριθμητική τιμή που αντιπροσωπεύει την πιθανότητα ενός ασθενούς που ανήκει στο σύμπλεγμα Extra-Προστάτη Νόσων. Η τιμή αυτή είναι ιδιαίτερα χρήσιμη, όταν αποφασίζουν για την κατάλληλη θεραπεία που θα προσφέρει στον ασθενή. Για παράδειγμα, η θεραπεία θα μπορούσε να είναι διαφορετική αν ο ασθενής έχει προβλεφθεί ως έχει Νόσος οργάνων-Περιορισμένοι με μια τιμή, η οποία κλίνει περισσότερο προς Extra-προστάτη Νόσων.

Μέθοδοι ΙΙ-Άλλες Υπολογιστική Νοημοσύνη Προσεγγίσεις

Τεχνητή νευρωνικό δίκτυο ταξινομητής

ένα Τεχνητό νευρωνικό Δίκτυο (ΤΝΔ) μπορεί να εκπαιδευτεί να αναγνωρίζουν μοτίβα σε δεδομένα και αυτό είναι μια κατάλληλη προσέγγιση για την επίλυση των προβλημάτων ταξινόμησης που αφορούν δύο ή περισσότερες κατηγορίες. Για τον καρκίνο του προστάτη πρόβλημα πρόβλεψης στάσης, η Ann είναι εκπαιδευμένοι να αναγνωρίζουν τους ασθενείς που έχουν Organ-Περιορισμένοι Ασθένεια ή Extra-προστάτη Νόσων. Η αναγνώριση προτύπων χρησιμοποιήθηκε νευρωνικό δίκτυο ήταν ένα δίκτυο εμπροσθόδρομης τροφοδοσίας δύο στρωμάτων, στο οποίο το πρώτο στρώμα έχει μία σύνδεση από την είσοδο του δικτύου και είναι συνδεδεμένο με το στρώμα εξόδου το οποίο παράγει έξοδο του δικτύου. Ένα

log-σιγμοειδές συνάρτηση μεταφοράς

ήταν ενσωματωμένο στο κρυφό στρώμα, και ένα

συνάρτηση μεταφοράς Softmax

ήταν ενσωματωμένο στο στρώμα εξόδου.

Ένας νευρώνας έχει R αριθμός των εισόδων όπου το R είναι ο αριθμός των στοιχείων σε ένα διάνυσμα εισόδου. Ας ένα διάνυσμα εισόδου X είναι ένα ασθενή ρεκόρ

X

i

που ανήκουν σε μια κατηγορία οργάνων-Περιορισμένοι Ασθένεια ή Extra-προστάτη Νόσων. Κάθε είσοδος

X

i

σταθμίζεται με ένα κατάλληλο βάρος

w

. Το άθροισμα των σταθμισμένων εισόδων και την προκατάληψη αποτελεί την είσοδο στην συνάρτηση μεταφοράς

στ

. Νευρώνες μπορούν να χρησιμοποιήσουν μια διαφορίσιμη συνάρτηση μεταφοράς

στ

να δημιουργήσει την παραγωγή τους. Η λειτουργία Log-σιγμοειδούς η οποία παράγει αποτελέσματα μεταξύ 0 και 1 ως καθαρή είσοδος του νευρώνα πηγαίνει από αρνητική σε θετική χρησιμοποιήθηκε το άπειρο. Η λειτουργία του νευρικού μεταφοράς Softmax χρησιμοποιήθηκε για τον υπολογισμό της απόδοσης ενός στρώματος από καθαρή συμβολή του. λειτουργίες Softmax μετατρέψετε μια ακατέργαστη τιμή σε μια μεταγενέστερη πιθανότητα και αυτό παρέχει ένα μέτρο της βεβαιότητας.