PRIMENA MAŠINSKOG UČENJA ZA IDENTIFIKOVANJE LIMFNIH ČVOROVA KOD TIROIDNE ŽLEZDE
Ključne reči:
mašinsko učenje, klasifikacija
Apstrakt
Ovaj rad opisuje kreiranje i analizu modela za identifikovanje papilarnog karcinoma tiroidne žlezde. Predmet istraživanja su pacijenti kod kojih klinički i ultrazvučno nisu detekovane patološke pojave, odnosno metastaze limfnih čvorova. Operativni nalaz tih pacijenata pokazao je da se preoperativni rezultati, odnosno ultrazvuk, ne može smatrati pouzdanim, i da dovodi do greške kod oko 48% pacijenata. Cilj rada je dostići senzitivnost i specifičnost modela koji će pružiti dovoljno dobar rezultat.
Reference
[1] Andread C. Muller, Sarah Guido, Introduction to Machine Learning with Python, O'Reilly Media, Inc. 2016.
[2] Kevin P. Murphy, Machine Learning: a Probabilistic Perspective, MIT Press, 2012.
[3] Trevor Hastie, Robert Tibishirani, Jeronime Friedman, The Elements of Statistical Learning, Springer, 2009.
[4] Martin Krzwinski, Naomi Altman, Classification and regression trees, Nature America, Nature Methods, Vol. 14 No. 8, August 2017.
[5] Jake Lever, Matrin Krzywinski, Naomi Altman, Model selection and overfitting. Nature America, Nature Methods, Vol. 13 No. 9, September 2016.
[6] Candice Bentejac, Anna Csorgo, Gonzalo Matrinez-Munoz, A Comparative Analysis of XGBoost., ResearchGate, November 2019.
[2] Kevin P. Murphy, Machine Learning: a Probabilistic Perspective, MIT Press, 2012.
[3] Trevor Hastie, Robert Tibishirani, Jeronime Friedman, The Elements of Statistical Learning, Springer, 2009.
[4] Martin Krzwinski, Naomi Altman, Classification and regression trees, Nature America, Nature Methods, Vol. 14 No. 8, August 2017.
[5] Jake Lever, Matrin Krzywinski, Naomi Altman, Model selection and overfitting. Nature America, Nature Methods, Vol. 13 No. 9, September 2016.
[6] Candice Bentejac, Anna Csorgo, Gonzalo Matrinez-Munoz, A Comparative Analysis of XGBoost., ResearchGate, November 2019.
Objavljeno
2022-04-03
Sekcija
Elektrotehničko i računarsko inženjerstvo
