文献

J-GLOBAL ID：202102241453132743   整理番号：21A1194631

マルチモデル教師付き機械学習アプローチを用いたフリーテキスト組織病理学報告からの悪性腫瘍の同定【JST・京大機械翻訳】

Identification of Malignancies from Free-Text Histopathology Reports Using a Multi-Model Supervised Machine Learning Approach

著者 (7件)： Olago Victor (National Cancer Registry, National Health Laboratory Service, 1 Modderfontein Road, Johannesburg 2003, South Africa) ,  Muchengeti Mazvita (National Cancer Registry, National Health Laboratory Service, 1 Modderfontein Road, Johannesburg 2003, South Africa) ,  Muchengeti Mazvita (Division of Epidemiology and Biostatistics, School of Public Health, Faculty of Health Sciences, University of Witwatersrand, Johannesburg 2193, South Africa) ,  Singh Elvira (National Cancer Registry, National Health Laboratory Service, 1 Modderfontein Road, Johannesburg 2003, South Africa) ,  Singh Elvira (Division of Epidemiology and Biostatistics, School of Public Health, Faculty of Health Sciences, University of Witwatersrand, Johannesburg 2193, South Africa) ,  Chen Wenlong C. (National Cancer Registry, National Health Laboratory Service, 1 Modderfontein Road, Johannesburg 2003, South Africa) ,  Chen Wenlong C. (Sydney Brenner Institute for Molecular Bioscience, Faculty of Health Sciences, University of the Witwatersrand, Johannesburg 2193, South Africa)
資料名： Information (Web)  (Information (Web))
巻： 11  号： 9  ページ： 455  発行年： 2020年 
JST資料番号： U7203A  ISSN： 2078-2489  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 著者らは,各モデルが組織病理学報告を分類するタスクにおいてどのように実行されるかを評価するために,様々な機械学習(ML)モデルを探究した。確率的勾配降下(SGD),サポートベクターマシン(SVM),ランダムフォレスト(RF),K-最近傍(KNN),適応ブースティング(AB),ディシジョンツリー(DT),Gauss Nave Bayes(GNB),ロジスティック回帰(LR),およびDummy分類器による分類を訓練し,最適化し,実行した。60,083の病理組織報告で開始し,前処理後60,069に減少した。SVM,SGD KNN,RF,DT,LR,ABおよびGNBに対するF1スコアは,それぞれ97%,96%,96%,96%,92%,96%,84%および88%であり,誤分類率は,それぞれ3.31%,5.25%,4.39%,1.75%,3.5%,4.26%,23.9%および19.94%であった。近似実行時間は,それぞれ,2時間,20分,40分,8時間,40分,10分,50分,および4分であった。RFは最長実行時間であったが,ラベル付きデータでは最小誤分類率であった。本研究は,サブサハラのアフリカの設定における癌発生報告のための癌登録のためのフリーテキスト病理学報告の処理におけるML技術の適用の可能性を実証した。これは,作業負荷を減らし,癌統計報告の適時性を改善するために,ML技術を利用するための資源制約環境の重要な考察である。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  発癌 ,  近似法 ,  ディシジョンツリー ,  アフリカ ,  *機械学習 ,  サポートベクトルマシン
準シソーラス用語： *悪性腫瘍 ,  ロジスティック回帰分析 ,  実行時間 ,  ブースティング ,  癌登録 ,  ランダムフォレスト ,  資源制約 ,  *教師付き機械学習 , 【Automatic Indexing@JST】

著者キーワード (7件)： 機械学習 ,  マルチモデル教師つき機械学習 ,  テキストマイニング ,  テキスト分類 ,  自然言語処理 ,  癌コーディング ,  悪性報告のフラギング

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (42件)：

• Singh, E.; Underwood, J.M.; Nattey, C.; Babb, C.; Sengayi, M.; Kellett, P. South African National Cancer Registry: Effect of withheld data from private health systems on cancer incidence estimates. S. Afr. Med. J. 2015, 105, 107-109.
• Singh, E.; Sengayi, M.; Urban, M.; Babb, C.; Kellett, P.; Ruff, P.; De Villiers, C.B. The South African National Cancer Registry: An update. Lancet Oncol. 2014, 15, e363.
• Dube, N.; Girdler-Brown, B.; Tint, K.; Kellett, P. Repeatability of manual coding of cancer reports in the South African National Cancer Registry, 2010. S. Afr. J. Epidemiol. Infect. 2013, 28, 157-165.
• Bray, F.; Parkin, D.M. Evaluation of data quality in the cancer registry: Principles and methods. Part I: Comparability, validity and timeliness. Eur. J. Cancer 2009, 45, 747-755.
• Singh, E.; Ruff, P.; Babb, C.; Sengayi, M.; Beery, M.; Khoali, L.; Kellett, P.; Underwood, J.M. Establishment of a cancer surveillance programme: The South African experience. Lancet Oncol. 2015, 16, e414-e421.

タイトルに関連する用語 (6件)： マルチモデル ,  教師付き機械学習 ,  組織病理学 ,  報告 ,  悪性腫瘍 ,  同定