การพยากรณ์การรอดชีวิตของผู้ป่วยมะเร็งเต้านม
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองที่มีประสิทธิภาพในการพยากรณ์การรอดชีวิตของผู้ป่วยมะเร็งเต้านมซึ่งเป็นมะเร็งที่พบมากในเพศหญิงเป็นอันดับที่สองรองจากมะเร็งรังไข่ข้อมูลเก็บรวบรวม จากฐานข้อมูล SEER ในปี ค.ศ. 2004 ถึง 2014 จำนวน 115,184 ระเบียน การวิจัยนี้ใช้เทคนิคเหมืองข้อมูลพื้นฐาน คือ เทคนิคนาอีฟเบ์ย เทคนิคส่วนของรายการตัดสินใจ เทคนิคเพอร์เซปตรอนหลายชั้น และเทคนิคซัพพอร์ตเวกเตอร์แมชีน ในการสร้างแบบจำลองเปรียบเทียบกับแบบจำลองดังกล่าวร่วมกับ เทคนิคการห่อเพื่อเพิ่มประสิทธิภาพการพยากรณ์ คณะผู้วิจัยใช้หลักการ 10-โฟดครอสวาลิเดชันในการแบ่งชุดข้อมูลเป็นชุดข้อมูลฝึกสอนและชุดข้อมูลทดสอบ โดยใช้ค่าความไว ความจำเพาะ และความถูกต้อง วัดประสิทธิภาพของแบบจำลอง ผลทดลองพบว่า เทคนิคส่วนของรายการตัดสินใจร่วมกับเทคนิคการห่อสามารถสร้างแบบจำลองการพยากรณ์การรอดชีวิตของผู้ป่วยมะเร็งเต้านมที่มีความถูกต้องสูงสุดที่ร้อยละ 98.89
Article Details
เอกสารอ้างอิง
Siegel, R., Miller, K., and Jemal, A. (2018). Cancer Statistics, 2018. CA: A Cancer Journal Clinic. Vol. 68, Issue 1, pp. 7-30. DOI: 10.3322/caac.21442
Cancer Research UK. Stages of Cancer. Access (12 April 2020). Avaliable (http://www.cancerresearchuk.org/about-cancer/what-is-cancer/stages-of-cancer#types)
HD Editorial Department. Breast Cancer, Stage 3, Treatment and Survival Rate. Access (13 January 2020). Avaliable (https://www.honestdocs.co/stage-3-breast-cancer)
Delen, D. and Patil, N. (2006). Knowledge Extraction from Prostate Cancer Data. In Proceeding of the 39th Annual Hawaii International Conference on System Sciences. pp. 92b-92b. USA: IEEE Publisher
Umezu, T., Shibata, K., Kajiyama, H., Yamamoto, E., Mizuno, M., and Kikkawa, F. (2012). Prognostic Factors in Stage IA-IIA Cervical Cancer Patients Treated Surgically: Does the Waiting Time to the Operation Affect Survival?. Archives of Gynecology and Obstetrics. Vol. 285, No. 2, pp. 493-497. DOI: 10.1007/s00404-011-1966-y
Poum, A., Kamsa-ard, S., and Promthet, S. (2012). Survival Rates of Breast Cancer: a Hospital-Based Study from Northeast of Thailand. Asian Pacific Journal of Cancer Prevention. Vol. 13, Issue 3, pp. 791-794. DOI: 10.7314/APJCP.2012.13.3.791
Zhang, Y.-C. and Sakhanenko, L. (2019). The Naive Bayes Classifier for Functional Data. Statistics & Probability Letters. Vol. 152, pp. 137-146. DOI: 10.1016/j.spl.2019.04.017
Liu, B., Blasch, E., Chen, Y., Shen, D., and Chen, G. (2013). Scalable Sentiment Classification for Big Data Analysis using Naïve Bayes Classifier. In Proceeding of the International Conference on Big Data. pp. 99-104. USA: IEEE Publisher
Khunsuk, T. and Thongkam, J. (2020). Feature Selection Method for Improving Customer Reviews Classification. RMUTI JOURNAL Science and Technology. Vol. 13, No. 1, pp. 132-145
Mazid, M. M., Ali, A. B. M. S., and Tickle, K. S. (2009). A Comparison Between Rule Based and Association Rule Mining Algorithms. In Proceeding of the Third International Conference on Network and System Security. pp. 452-455. Australia: IEEE Publisher
Frank, E. and Witten, I. H. (1998). Generating Accurate Rule Sets Without Global Optimization. In Proceeding of the 15th International Conference on Machine Learning. pp. 144-151. USA: DBLP Publisher
Mendes Souza, G. C. and Moreno, R. L. (2018). Netlab MLP - Performance Evaluation for Pattern Recognition in Myoletric Signal. Procedia Computer Science. Vol. 130, pp. 932-938. DOI: 10.1016/j.procs.2018.04.092
Sun, N., Sun, B., Lin, J., and Wu, M. Y. -C. (2018). Lossless Pruned Naive Bayes for Big Data Classifications. Big Data Research. Vol. 14, pp. 27-36. DOI: DOI: 10.1016/j.bdr.2018.05.007
Tapak, L., Shirmohammadi-Khorram, N., Amini, P., Alafchi, B., Hamidi, O., and Poorolajal, J. (2019). Prediction of Survival and Metastasis in Breast Cancer Patients using Machine Learning Classifiers. Clinical Epidemiology and Global Health. Vol. 7, Issue 3, pp. 293-299. DOI: 10.1016/ j.cegh.2018.10.003
Traganitis, P. A., Pagès-Zamora, A., and Giannakis, G. B. (2017). Learning from Unequally Reliable Blind Ensembles of Classifiers. In 2017 IEEE Global Conference on Signal and Information Processing (GlobalSIP). Montreal, QC, Canada. pp. 106-110. DOI: 10.1109/GlobalSIP.2017.8308613
Zhang, D., Jiao, L., Bai, X., Wang, S., and Hou, B. (2018). A Robust Semi-Supervised SVM via Ensemble Learning. Applied Soft Computing. Vol. 65, No. C, pp. 632-643. DOI: 10.1016/j.asoc. 2018.01.038
Han, J. W. and Kamber, M. (2006). Data Miming Concepts and Techniques. New York: Morgan Kaufmann
John, G. H. and Langley, P. (1995). Estimating Continuous Distributions in Bayesian Classifiers. In Proceeding of the 7th Conference on Uncertainty in Artificial Intelligence. San Mateo: ACM Publisher. pp. 338-345
Zhan, Q., Motlicek, P., Du, S., Shan, Y., Ma, S., and Xie, X. (2019). Cross-lingual Automatic Speech Recognition Exploiting Articulatory Features. In Proceedings of APSIPA Annual Summit and Conference 2019. pp. 1912-1916
Chang, C.-C. and Lin, C.-J. (2001). LIBSVM - A Library for Support Vector Machines. Access (20 August 2019) Avaiable (http://www.csie.ntu.edu.tw/~cjlin/libsvm/)
Breiman, L. (1996). Bagging Predictors. Machine Learning. Vol. 24, pp. 123-140
