Submitted 30 August, 2024; originally announced September 2024. , Comments: 14 pages, 3 figures, 4 tables. To appear in CaPTion: MICCAI Workshop on Cancer Prevention, detection, and intervenTion, Sharib Ali et al., MICCAI 2024, Lecture Notes in Computer Science, Springer
توضیحات به فارسی
ارسال شده در 30 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 14 صفحه ، 3 شکل ، 4 جدول.برای حضور در زیرنویس: کارگاه MICCAI در مورد پیشگیری از سرطان ، تشخیص و مداخله ، Sharib Ali و همکاران ، Miccai 2024 ، یادداشت های سخنرانی در علوم کامپیوتر ، Springer
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Esophageal cancer is a major cause of cancer-related mortality internationally, with high recurrence rates and poor survival even among patients treated with curative-intent surgery. Investigating relevant prognostic factors and predicting prognosis can enhance post-operative clinical decision-making and potentially improve patients' outcomes. In this work, we assessed prognostic factor identification and discriminative performances of three models for Disease-Free Survival (DFS) and Overall Survival (OS) using a large multicenter international dataset from ENSURE study. We first employed Cox Proportional Hazards (CoxPH) model to assess the impact of each feature on outcomes. Subsequently, we utilised CoxPH and two deep neural network (DNN)-based models, DeepSurv and DeepHit, to predict DFS and OS. The significant prognostic factors identified by our models were consistent with clinical literature, with post-operative pathologic features showing higher significance than clinical stage features. DeepSurv and DeepHit demonstrated comparable discriminative accuracy to CoxPH, with DeepSurv slightly outperforming in both DFS and OS prediction tasks, achieving C-index of 0.735 and 0.74, respectively. While these results suggested the potential of DNNs as prognostic tools for improving predictive accuracy and providing personalised guidance with respect to risk stratification, CoxPH still remains an adequately good prediction model, with the data used in this study.
چکیده به فارسی (ترجمه ماشینی)
سرطان مری یکی از دلایل اصلی مرگ و میر ناشی از سرطان در سطح بین المللی است ، با میزان عود زیاد و بقای ضعیف حتی در بین بیماران تحت درمان با جراحی درمانی.بررسی عوامل پیش آگهی مربوطه و پیش بینی پیش آگهی می تواند تصمیم گیری بالینی بعد از عمل را افزایش داده و نتایج بالقوه بیماران را بهبود بخشد.در این کار ، ما شناسایی فاکتور پیش آگهی و عملکردهای تبعیض آمیز سه مدل برای بقای عاری از بیماری (DFS) و بقای کلی (OS) را با استفاده از یک مجموعه داده بین المللی چند مرکز از مطالعه اطمینان ارزیابی کردیم.ما برای اولین بار از مدل خطرات متناسب Cox (COXPH) استفاده کردیم تا تأثیر هر ویژگی را بر نتایج ارزیابی کنیم.پس از آن ، ما برای پیش بینی DFS و سیستم عامل از COXPH و دو شبکه عصبی عمیق (DNN) ، Deepsurv و Deephit استفاده کردیم.عوامل پیش آگهی قابل توجهی که توسط مدلهای ما مشخص شده است با ادبیات بالینی سازگار است ، با ویژگی های پاتولوژیک بعد از عمل اهمیت بالاتری نسبت به ویژگی های مرحله بالینی نشان می دهد.Deepsurv و Deephit دقت تبعیض آمیز قابل مقایسه با COXPH را نشان دادند ، با Deepsurv کمی در هر دو کار پیش بینی DFS و OS بسیار بهتر عمل کرد و به ترتیب C-0.735 و 0.74 را بدست آورد.در حالی که این نتایج پتانسیل DNN ها را به عنوان ابزارهای پیش آگهی برای بهبود دقت پیش بینی و ارائه راهنمایی های شخصی با توجه به طبقه بندی ریسک نشان می دهد ، COXPH هنوز هم یک مدل پیش بینی مناسب و مناسب است ، با داده های مورد استفاده در این مطالعه.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
