基于Wisconsin数据集的乳腺癌诊断方法

信息学在医学解锁10（2018）117ST-ONCODIAG：一种基于Wisconsin数据集的语义规则库乳腺癌诊断方法O.N. Oyeladea，*，A.A.Obiniyia，S.B.Junaidua，S.A.阿德乌依Ba尼日利亚扎里亚，艾哈迈杜·贝洛大学，物理科学系，计算机科学b尼日利亚扎里亚艾哈迈杜贝洛大学教学医院放射治疗和肿瘤科A R T I C L E I N F O保留字：推理算法选择和测试诊断乳腺癌的治疗A B S T R A C T乳腺癌是一种主要的晚期疾病，主要发生在女性中。这种疾病源于正常细胞基因的异常突变，从而导致癌细胞的发展虽然在驯服这种疾病的医学领域有一些研究突破，但是，另一方面，计算机辅助诊断已经证明在探索中非常支持机器学习（ML）和医疗专家系统（MES）算法等技术为人工智能在乳腺癌检测和诊断中的应用增添了动力虽然MES在基于机器的诊断系统中可能看起来很有前途，但其准确性通常受到所采用的无效医学推理算法的影响。因此，本文旨在解决一个这样的推理算法被称为选择和测试（ST）的限制。本文的方法是首先创建一个有效的输入机制，使系统能够从数据集中读取，过滤和清理输入其次，语义网语言（本体和规则语言）被用来创建一个协调的规则集，并创建一个知识表示框架，以辅助推理算法。因此，ST的推理结构被修改以适应这种增强。之后，输入生成机制被用来转换从UCI学习库检索的乳腺癌威斯康星数据集的数据库的实例将生成的输入传递到改进的ST算法中，以诊断数据集中捕获的患者中的乳腺癌结果表明，在Wisconsin乳腺癌数据库（WBCD）、Wisconsin诊断性乳腺癌（WDBC）和Wisconsin预后性乳腺癌（WPBC）中，乳腺癌的诊断率分别为26.60%、56.17%和1. 介绍美国慢性病管理中心（CMCD）将慢性病定义为可以控制但无法治愈的长期存在的疾病[1]。癌症尤其是细胞的不受控制的生长和扩散它几乎可以影响身体的任何部位，并且这种疾病会影响不同的器官，从而导致迄今为止已知的癌症类型世界卫生组织（WHO）[2，3]列举了一些关于癌症的基本事实 这些事实是：首先，癌症在2012年导致约1400万新病例和820万癌症相关死亡，在2030-2040年间，这一新病例上升到约70%。其次，在男性人群中，癌症通常位于肺、前列腺、结直肠、胃和肝脏周围，而女性人群通常位于乳腺、结直肠、肺、宫颈和胃。世卫组织对癌症死亡的主要原因的观察集中在高体重指数，低水果和蔬菜摄入，缺乏体育活动，吸烟，酗酒。烟草使用是癌症最重要的风险因素，导致全球约20%的癌症死亡和约70%的肺癌死亡。最后，全世界每年新发病例总数的60%以上发生在非洲、亚洲和中南美洲。预计每年的癌症病例将从2012年的1400万增加到未来20年的2200万与此同时，世界卫生组织对健康的定义不仅仅是没有疾病，而是达到身体、精神、情感和社会福祉的状态[4]。然而，我们对健康状况不佳的看法是疾病的存在普适计算和人工智能的结合将为部署可访问和适当的医疗专家系统提供更强大的框架。实际上，人工智能（AI）系统应该支持卫生工作者执行依赖数据和知识操作的任务。由此产生的系统通常被称为临床决策支持系统（CDSS），并且在警报中很有用* 通讯作者。电子邮件地址：olaide_oyelade@yahoo.com（O.N. Oyelade）、aaobiniyi@yahoo.com（A.A. Obiniyi），abuyusra@gmail.com（S.B. Junaidu），sadewuyi2003@yahoo.com（S.A.Adewyi）。https://doi.org/10.1016/j.imu.2017.12.008接收日期：2017年10月6日;接收日期：2017年12月19日;接受日期：2017年2018年2月28日在线提供2352-9148/©2017由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。目录可在ScienceDirect医学信息学期刊主页：www.elsevier.com/locate/imuO.N. Oyelade等人信息学在医学解锁10（2018）117118和提醒、治疗批评和计划、诊断辅助、信息检索、图像识别和解释以及预定决策支持系统。见参考文件 [6]，作者发现CDSS显著改善了69%的临床实践。诊断决策支持系统（DDSS）是CDSS的一种，要求患者输入一些所需的信息，然后智能地进行诊断，然后用适当的诊断集响应患者，然后医生可以选择与患者相关的诊断[7]。这些决策支持系统是由推理算法驱动的，如选择和测试（ST）。本文演示了一种改进的医学推理算法ST的使用。此外，改进的ST能够根据来自UCI学习库的乳腺癌威斯康星数据集的基准数据集的临床协议自动生成输入。然后，实验结果的产生，提出，并比较性能测量。本文的其余部分包括相关的工作，改进的推理算法，输入生成过程的解释，所提出的系统的实现，结果和讨论，最后的结论。2. 相关作品在回顾相关工作时，本文将这篇综述分为三个部分，即：医学专家系统、医学诊断算法和乳腺癌概述。2.1. 医疗专家系统医学专家系统（MES）继续扮演着不同的角色，如电子病历管理，医疗诊断和医学图像处理。然而，本文侧重于MES的诊断能力。一些经典的健康信息学应用包括MYCIN-用于诊断和治疗脑膜炎和菌血症的早期专家系统[8]，INTERNIST-I是普通内科的实验性基于计算机的诊断顾问[9]，CADIAG-1和CADIAG-2-用于诊断与内科相关的疾病的专家系统[10，11]，设计了甲状腺疾病诊断专家系统（ESTDD）和PUFF [12]。另一方面，一些现代DDSS包括以下内容：作者[13]开发了一个信息系统，存储有关乳腺癌的知识和患者既往治疗中应用的治疗病例。该系统可以为具有相关知识的医务人员提供服务，以加快他们的任务。与此同时，作者能够通过使用RumrajHospital算法的数据为系统添加乳腺癌分期功能。 此外[14]，采用迭代算法收集特征，从患者暴露于乳腺癌的电子健康记录（EHR）中提取。从该算法得到的系统成为计算机辅助筛选系统。 作者在Ref。[43]研究了检测癌症的不同方法他们的数据来源于使用Matlab软件对组织学乳腺图像进行预处理，以提取一阶和二阶统计特征。其后，采用不同分类器（支持向量机、线性判别分析及神经网络）对输入进行分类。见参考文件[44]，作者提出了使用乳腺X线摄影图像的乳腺癌计算机辅助诊断（CAD）系统使用乳房X光照片的统计特征，使用简单的图像处理技术进行提取，以确定乳房组织是良性还是恶性。在参考文献[45]提出的研究中，作者通过创建人工免疫识别系统（AIRS）和真实锦标赛选择机制的合并来提高案例研究诊断的准确性，从而展示了新颖性尽管AIRS已被用于诊断各种疾病[45]，但特别是在使用最终系统（RAIRS 2）诊断结核病（TB）时采用了它们的改进现在，他们的目标是提高诊断算法的分类准确性这一目标的客观目标是控制模型的群体规模，并减少选择的难度从人口中。显然，他们的结果表明，混合算法的精度被判定为完美的均方根误差为零。另一方面[46]，对蛋白质功能的不同计算智能技术进行了调查基本上，他们的评论围绕以下类别：使用序列和结构，蛋白质相互作用网络，基因表达数据，基因表达数据的途径分析，以及使用序列衍生的特性。这种比较的需要是必要的，因为蛋白质的功能似乎在一种计算智能技术假设已经确定其功能时发生了变化。事实上[46]，他明确提到了传统的基于同源性的方法的失败，引发了蛋白质功能预测新技术的诞生。然而，即使这些技术在孤立使用时也尚未证明足以帮助证明和鉴定蛋白质的功能。因此[46]，他们的综述总结了一个发现，即混合多种计算技术和不同的数据源很可能证明足以确定蛋白质功能。此外，必须考虑到每种蛋白质功能的差异。这是因为一种蛋白质的功能所特有的特定发现不适用于另一种蛋白质。2.2. 医学诊断算法同时，这些MES由不同的底层临床推理算法驱动 这些算法可以分为三种：概率算法、基于模型的算法和基于规则的算法。 一些基于规则的临床推理算法包括：方案归纳推理[15]基于添加综合征的特征以缩小潜在诊断的列表。在方案归纳推理中，方案被绘制成类似于道路图。它可以帮助临床医生将信息分解成块，将它们存储在记忆中，然后检索它们以解决问题。另一种算法是模式识别，它在机器学习中用于基于给定算法的协调将一些输出分配给一些输入[16]。此外，假设演绎推理算法涉及自我反思和知情的临床决策过程，即生成和测试与患者当前症状和体征相关的假设[17]。此外，前向链接系统，包括编写规则来管理子目标。然而，反向链接系统自动管理子目标[18]。 虽然正向推理是有效和快速的，反向推理可以用来解决两个竞争假设之间的冲突。两种推理方法的结合-向后和向前-与增加的经验导致增加假设和证据的协调[ 19 ]。其次是基于模糊逻辑的临床推理算法。在这里，语言变量用于表示操作参数，以应用更人性化的思维方式[20]。影响模糊逻辑模型性能的一些主要因素是用于隶属函数生成的数据聚类。诊断推理的处理模型是另一种推理算法[21]。最后一类是ST算法，它被认为是最合适的算法，由参考文献[1]提出[22、23]。然而，ST算法受到以下特征的限制：抽象层省略了开放式的症状引出方法或输入机制;数据建模严格地在表格或实体关系形式上进行;在他们的工作中省略了诱导阶段的实现;没有办法对从患者引出的症状的严重程度进行此外，在基于模型的推理算法上，覆盖理论（PCT）基于将疾病与一组表现相关联而起作用它使用两个有限集合（疾病表现）来定义诊断问题的范围[24]。&PCT的两个基本局限性是：领域知识与时间无关（非时间性），封面中的一个或多个混乱或表现（吝啬的条件）很容易对解释产生不利影响。另一种基于模型的算法是确定性因子（CF），它用于管理基于规则的系统中的不确定性情况[25]，并且可以被解释为O.N. Oyelade等人信息学在医学解锁10（2018）117119Fig. 1. 修改后的ST模型及其算法和输入生成界面。概率论中的信念变化[26]。最后，第三类是临床推理算法的概率类别，包括贝叶斯网络：由节点（圆）组成的定向非循环图，表示随机变量;弧（箭头），表示这些变量之间的概率关系[27]，这有助于处理不确定性。2.3. 乳腺癌的早期症状乳腺癌是一种恶性肿瘤，它始于乳腺细胞恶性肿瘤是一组癌细胞，可以生长到周围组织到身体的远处区域[28]。虽然这种疾病几乎完全发生在女性身上，但男性也可以被诊断出来 女性乳房主要由小叶（产乳腺）、导管（将乳汁从小叶运送到乳头的小管）和基质（围绕导管和小叶、血管和淋巴管的脂肪组织和结缔组织）组成。大多数乳腺癌开始于导管（导管癌）的细胞早期检测意味着使用一种方法，让乳腺癌得到诊断早于其他可能发生。3. 建议的选择和测试（ST）模型和输入生成接口本文提出的医学专家系统是基于图1所示的模型。1. 该诊断系统采用输入生成机制来产生输入。该机制变得必要，因为需要将数据集的属性值转换为图中所提出的诊断模型可以理解的标记。然后将该令牌传递给ST算法的推理结构（在3.2节中讨论）该算法以参考文献[1]中的模块化本体知识库为基础，智能地完成诊断任务[30]。此后，诊断结果被格式化并输出用于必要的决策。3.1. 可接受的令牌输入生成机制图中的ST模型。1收集症状、临床检查、实验室观察结果和其他保留字形式的输入，乳腺癌的治疗该设施的基础是提供一个接口之间的“未格式化”的数据集/数据库和建议的推理算法。 使用“未格式化”一词是为了说明威斯康星数据集没有被格式化以满足该提议的推理算法的需要。同时，在第4节中讨论了通过这种机制生成令牌的模式。生成此输入的过程涵盖了图1中建模的抽象级别。 1.3.2. ST合理结构这些作者在参考文献中修改的ST算法。[29，30]，包括四个推理层次，即：抽象，溯因，演绎，归纳。溯因层次的目的是检索与某些给定症状相关的所有诊断实际上，按照执行顺序，抽象层的输出变成了溯因层的输入因此，为了根据从抽象算法发送的症状列表得出诊断假设推理：研究现有的事实，并创造一种解释它的方法通常，在医疗设施中，虽然预期患者会出现症状，但另一方面，医务人员会寻找迹象来支持他们的医学推理过程，这通常有助于决定怀疑哪种疾病这就是为什么溯因和演绎算法可以被看作是临床推理的过程，以区分和放弃不太可能的疾病，留下可能的疾病。因此，需要注意的是，溯因算法的目的是根据所呈现的症状和观察到的体征生成合理的疾病列表在我们改进的ST算法中，演绎推理作为一个过程，使用一般的前提，以获得具体的推理。它是一种逻辑形式，通过一组公认的事实或模式的语义来识别特定的疾病。推导过程支持其结论与真的结果。演绎算法的目的是从诊断中引出症状：它得到由专家建模的所有症状，如参考文献[1]所示[30]，实际上与知识库中的每一种疾病相关归纳推理是我们在图1中提出的模型中推理的最后一点。1. 抽象模块被认为是从输入生成机制中收集输入的点，溯因和演绎模块被认为是进行临床推理的过程，归纳推理可以被看作是做出临床决策的点。在我们提出的算法中，将使用归纳推理来选择符合诊断标准的疾病（从可能的疾病中）现在，这整个过程（抽象、溯因、演绎和归纳）将在3.4节中通过ST算法进一步建模。本文实现了这种抽象-溯因-演绎的循环模式，归纳模块算法。3.3. 知识表示同样，这些作者在参考文献[30]中为改进的ST算法开发了一个本体知识框架因此，在框架下开发的知识库被用于执行这个建议的医疗专家系统。从图中可以看出。每个子算法或层次（抽象、溯因、演绎和归纳）都有其模块化的知识库。 每个模块化的知识库由事实和规则组成。事实被建模为本体和使 用语 义 Web 规 则语 言 （ SWRL ） 和Java 专 家系 统 外壳（JESS）语言表示的规则3.4. ST算法在上面的3.2节中描述的四个层次的推理在此使用我们的算法1概述的改进的ST算法来建模。算法1.ST算法O.N. Oyelade等人信息学在医学解锁10（2018）117120O.N. Oyelade等人信息学在医学解锁10（2018）117121图2. 改进的ST算法的实现。图3.第三章。 输入生成机制的实现。见图4。改进的ST算法流程图。该算法的新颖之处在于它能够使用语义网络工具（pellet和Jess）进行推理，将其知识库表示为本体和规则语言，并检测诊断的关键性，对其进行分期并建议治疗计划。最后证明了改进的ST算法的复杂度为O（n2）.这是由抽象、溯因、演绎和归纳推理的复杂度分别为O（n）、O（n2）、O（n2）和O（n）4. 解析数据集以生成输入有三个数据集/数据库作为前一节所述模型的输入这些是威斯康星州乳腺癌数据库（WBCD），威斯康星州诊断性乳腺癌（WDBC）和威斯康星州预后性乳腺癌（WPBC）[374.1. 将WBCD作为改进ST算法以下是此数据集中的属性 样本代码编号、团块厚度、细胞大小均匀性、细胞形状均匀性、边缘粘附、单个上皮细胞大小、裸核、淡染色质、正常核仁、有丝分裂、分类（良性或恶性）。本文的方法解释了所有实例中每个属性的值对于每个属性（第一个和最后一个除外），属性的临床意义与所有症状、体征、与乳腺癌相关的风险因素一起确定。然而，这种解释属性的严重性被分配给数据集中每个实例的属性的相应数值。例如，给定一个实例，上面的属性列表具有以下值：1000025，5，1，1，1，2，1，3，1，1，2，第一个和最后一个属性已经被区分。但第二个属性（团块厚度）的数值为5。因此，生成与该属性相关的乳腺癌症状、体征、风险因素或任何临床术语的列表然后，这些术语/单词将在将它们作为输入发送到图1中的系统之前被分配可能性/权重值5。 1.4.2. 将WDBC作为改进ST算法该数据集/数据库还包含以下属性：ID号、诊断（恶性或良性），为每个细胞核计算十个实值特征：a）半径（从中心到周长上的点的距离的平均值），b）纹理（灰度值的标准偏差），c）周长，d）面积，e）平滑度（半径长度的局部变化），f）紧凑度（周长/面积= 1.0），g）粗糙度（轮廓的凹部的严重程度），h）凹点（轮廓的凹部的数量），i）对称性，j）分形维数（计算每个图像的这些特征的平均值、标准误差和最大值（三个最大值的平均值），得到30个特征。例如，字段3是平均半径，字段13是半径SE，字段23是最差半径。同样，本文的方法如上文第4.1节所述。然而，每十个实值特征被求和以获得它们都表示的特征的单个值。如第4.1节所述，对数据集中的所有实例执行相同的过程4.3. 将WPBC作为改进ST算法最后，是WPDC数据集/数据库，其具有以下属性：ID号、结果（复发或非复发）、时间（复发时间或无病时间），为每个细胞核计算十个实值特征（如在上述WDPC中）。其他属性是肿瘤大小-直径O.N. Oyelade等人信息学在医学解锁10（2018）117122切除肿瘤的厘米数，以及淋巴结状态-手术时观察到的阳性腋窝淋巴结数量除了如上所述解释WDPC属性的方式外WPDC中的最后两个属性（肿瘤大小和阳性腋窝淋巴结数量）在解释方面非常清楚5. 使用Wincosin数据集改进的ST算法和输入生成机制均用Java语言实现。图2和图3分别示出了ST算法和输入生成机制的实现。 同样，FIGs。图3和图4显示了支持代码片段说明的流程图。6. 结果和讨论在这项研究中，我们着手验证的证明所获得的结果，通过使用标准或基准数据集比较的性能实现的医疗诊断系统，这是基于改进的选择和测试（ST）算法。 从其在线存储库中检索了三个数据集，这些数据集是：由Wolberg（1992）撰写的威斯康星州乳腺癌数据库（WBCD），由参考文献[31]撰写的威斯康星州诊断性乳腺癌（WDBC）和由参考文献[ 32 ]撰写的威斯康星州预后性乳腺癌（WPBC）。 这些数据库或数据集已被用于一些研究工作，其中包括[33- 35 ]。WBCS数据库有699个实例（截至1992年7月15日），10个属性加上class属性。10个属性信息是：实例代码编号、团块厚度、细胞均匀性、细胞形状均匀性、边缘粘附、单个上皮细胞、裸核、无色染色质、正常核仁、有丝分裂和分类（良性或恶性）。WDBC数据库具有569个实例，32个属性：实例代码编号、诊断（恶性或良性）、30个实值输入特征。最后，WPDC数据库有198个实例，34个属性，包括实例代码编号、结果（复发或非复发）、时间（复发时间或无病时间）、32个实值输入特征、肿瘤大小和手术时观察到的淋巴结状态（阳性腋窝淋巴结数量）。WBCS、WDBC和WPBC数据集的分类分布分别为良性458例（65.5%）和恶性241例（34.5%），良性357例，恶性212例，未复发151例，复发47例。本研究使用此资料集的方法是从每个资料集产生输入，然后将其输入到本研究所提出的医学专家系统考虑到数据库提供者和本研究诊断的疾病（乳腺癌）的相似性，这种输入来源因此，根据每个数据集中的给定属性，本研究从本研究过程中开发的可接受令牌/输入数据库中检索相应的输入。 由于数据集只列出属性名称和它们在每个实例上的相应权重，因此本研究然后着手在我们的数据库中建模的与给定属性匹配的症状，体征，医学术语的来源风格，然后将每个实例的属性的权重分配给症状或体征的可能性作为输入到建议的医学专家系统中。为了保持所生成的输入到拟议的医学专家系统中的简洁性，定义了首字母缩略词，并在表1中获取了其含义。 这些医学上可接受的术语已经在本体文件中建模，作为本研究贡献的一部分。同时，这些首字母缩略词被用作改进的基于ST的医学专家系统使用的自动生成的输入。如前所述，实现了上面所示的算法1，并且一些代码片段已经在图1和图2中示出。2和3执行表1生成的可接受医学术语的一些首字母缩略词列表S/N在知识库中建模的医学术语缩写1乳房_肿块BL2乳房_肿胀BS3大小增加是4淋巴结LN5水肿O6乳头回缩或偏离NRD7乳头_分泌物ND8IV期_转移SM9压痛不10乳头_收缩NR11硬H12咳嗽C13乳头增厚TN14导管浸润ID15疼痛P16女性F17肿块L18酒精_消费AC19吸烟S20激素替代史HHR21疲劳FT将算法1的算法称为ST-ONCODIAG。因此，在进行我们的评估时，将使用WBCS，WDBC和WPBC数据集时的ST-ONCODIAG结果与数据集本身的类值（结果）进行比较因此，第6.1 - 6.3节详细介绍了这些比较。6.1. WBCS与ST-ONCODIAG的评价与比较我们在表2中的结果表明，我们有非乳腺癌（ 良性）诊断病例为73.40%，乳腺癌（恶性）诊断病例为26.60%，而数据集作者观察到的良性病例为458例（65.5%）此外，还使用乳腺癌分期标准对阳性（恶性）诊断进行分期，并建议治疗计划，如表3所示。此外，表2显示了基准数据集的结果与ST-ONCODIAG结果的相似性。同样，图。 5示出了表2的图示。我们观察到，我们提出的ST-ONCODIAG不如数据集中预测的458例（65.5%）良性病例和241例（34.5%）然而，所提出的系统能够实现 相 当 好 的 准 确 率 。 这 些 微 小 的差 异 可 以从图1中WBCS和ST-ONCODIAG的良性和恶性线之间的微小偏差中注意到。第六章6.2. WDBC与ST-ONCODIAG的评价和比较此外，还对WDBC数据集在测试ST-ONCODIAG中的使用进行了评价 ， 所 做 的 比 较 显 示 ， 非 乳 腺 癌 （ 良 性 ） 诊 断 实 例 为 245 例（43.83%），乳腺癌（恶性）诊断实例为314例（56.17%）。 与良性病变353例（63.15%）和良性病变206例（36.85%）有显著性差异。表2WBCS结果与建议的医学专家系统结果的对比表号实例WBCsST-ONCODIAG良性恶性良性恶性100564467332001168413961300163137191109400229171266134500303197343157600380220424176699458241513186O.N. Oyelade等人信息学在医学解锁10（2018）117123表3前10例WBCS和ST-ONCODIAG结果对比表。实例IDWBCsST-ONCODIAG分期治疗1000025良性N-BCN/A无治疗计划1002945良性N-BCN/A无治疗计划1015425良性N-BCN/A无治疗计划1016277良性BC第0内分泌治疗，放射1017023良性N-BCN/A&化学疗法无治疗计划1017122BCBC第0内分泌治疗，放射1018099良性N-BCN/A&化学疗法无治疗计划1018561良性N-BCN/A无治疗计划1033078良性N-BCN/A无治疗计划1033078良性N-BCN/A无治疗计划图5. 输入生成机制的流程图。见图6。WBCS结果与建议的医学专家系统结果的比较图。数据集中记录的恶性肿瘤。不过，我们认为，差异中的轻微锐度可能是由输入生成过程中的噪声造成的。同时，表4示出了基准数据集的结果和所提出的医学专家系统（ST-ONCODIAG）的结果的缩放相似性，以及图4示出了基准数据集的结果和所提出的医学专家系统的结果的缩放相似性。图7显示了表4的图示，证实了我们上面提到的关于竖琴轻微差异的观察结果。此外，计算了乳腺癌（恶性）诊断的分期和治疗计划，并显示在表5中。6.3. WPBC与ST-ONCODIAG的评价与比较最后，将WPDC数据集与ST-ONCODIAG的输出结果进行了比较，结果表明，在151例（76.3%）非乳腺癌患者中，非乳腺癌（良性）诊断实例为45.95%，乳腺癌（恶性）诊断实例为54.05%。表4WDBC结果与建议的医学专家系统结果的比较号实例WDBCST-ONCODIAG良性恶性非乳腺癌乳腺癌100356551492009610410298300154146142158400227173179221500305195218282559353206245314图7. WDBC结果和建议的医学专家系统结果的相似性表图。表5前10例WDBC和ST-ONCODIAG结果对比表。实例IDWBCsST-ONCODIAG分期治疗842302BCBC第0内分泌治疗，放射842517BCBC第0&化学疗法内分泌治疗，放射84300903BCN-BCN/A&化学疗法无治疗计划84348301BCBC第0内分泌治疗，放射84358402BCN-BCN/A&化学疗法无治疗计划843786BCBC第0内分泌治疗，放射844359BCN-BCN/A&化学疗法无治疗计划84458202BCBC第0内分泌治疗，放射844981BCBC第0&化学疗法内分泌治疗，放射84501001BCBC第0&化学疗法内分泌治疗，放射&化学疗法845636BCN-BCN/A无治疗计划O.N. Oyelade等人信息学在医学解锁10（2018）117124复发，47（23.7%）在WPDC数据集中复发同样，ST-ONCODIAG的实验结果与WPDC的实验结果表7前10个实例的WPCS和ST-ONCODIAG结果对比表。表6中的数据集。此外，表4绘制了一个相似性表，基准数据集的结果与实例IDWBCs增强型ST分期投入的重量治疗这个医学专家系统。此外图 8示出了151例非复发性、47例复发性和91例良性肿瘤的图示119513非复发性BCBC阶段1B0.31内分泌治疗，107例恶性肿瘤的ST-ONCODIAG实验。此外，诊断阳性病例的分期和治疗计划列于表7，但计算了另一个指标-诊断过程中症状的权重。总之，表8显示了前面章节中讨论的ST-ONCODIAG算法实现的灵敏度和特异性指数。这些计算是根据Eqs中的公式（1）和（2）。ST-ONCODIAG中WBCS、WDBC和WPCS数据库的特异性分别为0.89、0.706和0.60，而相同数据库中的灵敏度分别为0.81、1.0和1.0。灵敏度¼TP/（TP<$FN）（1）8423 Nonrecur BC842517 Nonrecur BC843483 Nonrecur BCBC阶段1BBC阶段1BBC阶段1B辐射&化学疗法0.55内分泌治疗，放射化疗&0.2927内分泌治疗，放射化疗&0.25内分泌治疗，放射化疗&规格¼TN/（TN/FP）（2）（F）843584 Recur BC N-BC N/A 0.0无处理计划7. 结论最后，本文提出了一种改进的ST算法进行医疗推理。算法的推理结构BC844582 Recur BC BCStage 1B计划0.29内分泌治疗，放射化疗&算法进行了讨论，并对知识库作了简要介绍。被引诱此外，一个输入生成机制的来源输入到医疗专家系统的建议和实施。该机制使我们能够格式化基准测试数据集，然后将它们送入专家系统进行诊断任务。结果表明，该医学专家系统能够计算出三个数据库的特异性分别为0.89、0.706和0.60，而敏感性分别为0.81、1.0和1.0。WBCD、WDBC和WDBC的乳腺癌阳性率分别为26.60%、56.17%和54.05844981 Nonrecur BC845010 Nonrecur BC表8BC阶段1BBC阶段1B0.15内分泌治疗，放射化疗&0.15内分泌治疗，放射化疗&WPCS数据库。然而，我们注意到，在实验中的结果的准确性是有限的输入生成机制。 这是因为映射每个表6WPCS结果与建议的医学专家系统结果的对比表号实例WPCsST-ONCODIAG非复发复发非乳腺癌乳腺癌5036141535100772329711501123854961981514791107图8. WPCS结果与拟议医学专家系统结果的对比表图。ST-ONCODIAG算法实现的灵敏度和特异性指标。度量ST-ONCODIAGWBCsWDBCWPCs积极18631447（复发）负513245151例（未复发）真阳性24121247真阴性45824591假阳性5510260假阴性5500灵敏度0.811.01.0规格0.890.7060.60将数据集中的实例与ST-ONCODIAG的可接受输入进行是复杂的。缩写ST选择和测试WBCD威斯康星州乳腺癌数据库 WDBC威斯康星州诊断乳腺癌 WPBC威斯康星州预后乳腺癌ST-ONCODIAG选择和测试肿瘤诊断系统MES医疗专家系统SWRL语义网规则语言JESSJava专家系统外壳CDSS临床决策支持系统DDSS诊断决策支持系统AI人工智能其中：TP（TN）/4真阳性（真阴性）和FP的数量843786重现公元前BC阶段1B0.19内分泌治疗，辐射&N）¼假阳性（假阴性）数量化学疗法844359非复发N-BC N/A 0.0无治疗O.N. Oyelade等人信息学在医学解锁10（2018）117125引用[1] CMCD。2014年8月29日检索，来自http://cmcd.sph.umich.edu/what-is-chronic-disease.html。[2] 世界癌症报告。IARC非系列出版物; 2014年。第630页。ISBN-139789283204299。[3] 放大图片作者：John C，J. 2008年全球感染性癌症负担：综述和综合分析。《柳叶刀肿瘤学》2008;2012（13）：607- 15。[4] 放大图片作者：Omotosho A，Emuoyibofarhe OJ，Adegboola O.卫生保健提供系统中的信息和通信技术2005.检索自http：//www.wikehealth.org/sites/default/files/whitepapers/139/ICT%20in%20Health%20care%20交付%20系统_%20A%20框架%20适用于%20发展中国家。PDF. 2016年1月29日[5] 科耶拉湾健康信息学指南。London：Arnold; October2003.[6] Kawamoto K，Houlihan CA，Balas EA，Lobach DF. 使用临床决策支持系统改善临床实践：对试验的系统性回顾，以确定成功的关键特征。BMJ April 2，2005;330（7494）：765.Epub 2005 Mar 14. 审查.[7] Berner，Eta S，editors.临床决策支持系统。New York：Springer-Verlag;2007，ISBN 978-1-4419-2223-6. 第二版。[8] Shortliffe EH，Fagan LM.人工智能：医疗咨询的专家系统方法。在：计算机在重症监护和肺医学。Springer Berlin Heidelberg; 1985. p. 190比7[9] Miller RA，McNeil MA，Chelsea or SM. INTERNIST-1/QUICKMEDICALREFERENCE项目-状态报告，医学信息学[特刊]。 West JMed 1986年12月;145（816- 822）：816 - 22。[10] Kolarz G，Adlassnig K.建立血液流变学医学专家系统CADIAG-1和CADIAG-2的几个问题 医学系统杂志1986;10（4）：395- 405.[11] Azar AT，Hassanien AE.基于神经模糊规则的甲状腺疾病诊断专家系统。在：生物科学和生物技术国际会议（BSBT 2012），2012年12月16日至19日，韩国。353（1）在计算机和信息科学系列的通信。Springer; 2012.p. 94比105[12] Aikins JS，Kunz JC，Shortliffe EH，Fallat RJ. PUFF：用于解释肺功能数据的专家系统。 Comput Biomed Res 1983;16：199- 208.[13] Intarajak T，Kang SH.农村乳腺癌决策支持系统。In：International Conference onIT，March 2009，Thailand. 国际计算机、互联网和管理杂志特刊，第一卷。17; 2009年。 号 SP1.[14] 李文辉，李文辉，李文辉. ConfidentCare：个性化乳腺癌筛查的临床决策支持系统。IEEE Trans Multimed2016;2016.[15] 安德森KJ。影响医学本科生临床推理能力发展的因素。阿德莱德大学健康科学学院医学学习和教学单位; 2006年。p. 十八岁[16] Umoh UA，Umoh AA，James GG，Oton UU，Udoudo JJ.淋病诊断模式识别系统的设计。Int J Sci Technol Res2012;1（5）：74- 9.[17] Kumar SP，Kumar A，Sisodia V.临床推理和运动医学-假设演绎模型的应用。JSports Med Doping Stud 2013;3（1）. ISSN：2161- 0673 JSMDS。[18] 杨伟杰，王伟杰.前向推理与后向推理的差异研究。 Int J Emerg Technol Adv Eng2012年10月;2（10）。[19] 哈丁·莱医学问题解决研究综述。JVME 2002;30（3）：227- 32. © 2002AAVMC。[20] Torshabi AE，Riboldi M，Pella A，Neuritstani A，Rahnema M，Baroni G.模糊逻辑的临床应用。2013：1- 18.[21] StausbergJ，Person M. 医学诊断推理的过程模型 Int JMed Inf 1999;54：9- 23.[22] Fernando DAIP，Henskens FA.用于医学诊断推理的选择和测试（ST）算法。软件工程、人工智能、网络和并行/分布式计算。653.第六百五十三章.https://doi.org/10.1007/978-3-319-33810-1_6.[23] Fernando I，Henskens FA.用于医学诊断推理的ST算法。Polibits2013;（48）：23- 9.ISSN1870- 9044。[24] Wainer，J.和Rezender，A. M.（1996年）。简约覆盖理论的时间扩展。[25] 赫克曼概率相似网络网络1990年8月;20（5）：607- 36。[26] HeckermanDE，Shortliffe EH. 从确定性因素到信念网络。 Artif IntellMed 1992;4（1）：35.[27] Gadewadikar J，Kuljaca O，Agyepong K，Sarigul E，Zheng Y，Zhang P. E X探索贝叶斯网络在乳腺癌检测中的医疗决策支持。Afr JMath Comput Sci Res October2010;3（10）：225- 31.[28] 美国癌症协会。乳腺癌的预防和早期发现。2014年。查阅网址：http://www.cancer.org/Cancer/BreastCancer/DetailedGuide/index。2015年11月13日[29] Oyelade ON，Obiniyi AA，Junaidu SB，Kana AFD.一种改进的选择和测试（ST）算法，用于ad-hoc网络环境中的医疗诊断。在：IEEE第三届国家发展电气技术国际会议（NIGERCON）; 2017年。p. 十九比二十三[30] Oyelade ON，Obiniyi AA，Junaidu SB.基于本体的乳腺癌诊断知识框架。在：尼日利亚计算机学会（NCS）第13届国际会议论文集，卷。28; 2017.[31] Wolberg WH，Street WN，Mangasarian OL.威斯康星州预后乳腺癌（WPBC）。威斯康星大学，1210西代顿街，Madison，WI 53706; 1995.wolberg@eagle.surgery.wisc.e