Construisez des modèles prédictifs à partir de vos Small Data et prenez de meilleures décisions.
Santé
Une semaine
Le cancer du sein est un des cancers les plus fréquents chez la femme aujourd’hui. Une masse dans le sein des patientes signifie une tumeur. Ainsi, les oncologues américains effectuent une ponction à l’aiguille fine (PAF) sur le cancer de la patiente.
Ensuite, ils étudient les cellules et extraient les éléments du noyau cellulaire. L’étape la plus délicate est cette extraction d’éléments.
L’objectif est de sélectionner des éléments dans cette image que l’on peut mesurer pour une analyse ultérieure par ordinateur. Dans le même temps, ces mesures peuvent être représentatives de la sévérité du cancer. Nous visons l’utilisation de ces éléments mesurés dans l’image aussi bien pour réaliser un diagnostic ou en temps qu’indicateur de pronostic. Cela inclut la malignité de la tumeur et une espérance de survie associée.
Les données les plus souvent extraites sont:
Le diagnostic de cancer a le plus souvent été dépendant d’approches traditionnelles faisant appel à de l’expertise de professionnels très expérimentés. Cependant, un professionnel senior et expérimenté n’est pas toujours disponible.
L’approche par Machine Learning de TADA peut aider à automatiser, partiellement, la prédiction de risque de cancer. Ainsi, des professionnels senior ou junior peuvent avoir accès aux mêmes données analysées concernant des patients atteints du cancer. Ils peuvent établir un diagnostic meilleur et plus rapide, donc améliorer les chances de survie.
La question oncologique suivante est posée :
La prédiction de cancer peut-elle faire la distinction entre les tumeurs malignes et les tumeurs bénignes ?
The TADA predictive models’ results reach a 97% accuracy based on real data for breast cancer prediction. Breast cancer is the most common cancer among women, accounting for 25% of all cancer cases worldwide. It affects 2.1 million people yearly. Early diagnosis through breast cancer prediction significantly increases the chances of survival.
Fine needle aspiration biopsy (FNA) is a biopsy that produces fast, reliable, and economic evaluation of tumor lesions. It is a minimally invasive scheme that utilizes a fine needle to aspirate tissue from mass lesions. It expedites the sequence between the diagnostic and the beginning of therapy for breast cancer.
FNA is ideally conducted by an expert medical biologist who can follow with prompt microscopic examination. Research indicates that the most experienced physicians can diagnose breast cancer using FNA with a 79% accuracy.
TADA has selected the following five main criteria out of the ten available in the dataset. They approximately bear the same weight in the decision to identify breast cancer:
An 18% improvement in breast cancer predictions happens through TADA (from 79% to 97%). The artificial intelligence tool distinguishes benign from malignant tumors. It can also help the oncologist understand how each element measured impacts the diagnosis. For instance, it can prove the relationship between the tumor’s overall dimension and breast cancer chances. v
In one week, oncologists gained significant support in their cancer diagnosis and their fight against breast cancer by:
Vous voulez donner du sens à vos données pour réussir ? Parlons-en.
© MyDataModels – All rights reserved | Credits | Terms of use | Privacy and cookies policy
© MyDataModels – All rights reserved | Credits | Terms of use | Privacy and cookies policy
Les cookies nécessaires sont absolument indispensables au bon fonctionnement du site web. Ces cookies assurent les fonctionnalités de base et les caractéristiques de sécurité du site web, de manière anonyme.
Les cookies fonctionnels aident à exécuter certaines fonctionnalités comme le partage du contenu du site web sur les plateformes de médias sociaux, la collecte de commentaires et d'autres fonctionnalités tierces.
Les cookies de performance sont utilisés pour comprendre et analyser les indices de performance clés du site web, ce qui permet d'offrir une meilleure expérience utilisateur aux visiteurs.
Les cookies analytiques sont utilisés pour comprendre comment les visiteurs interagissent avec le site web. Ces cookies aident à fournir des informations sur les mesures du nombre de visiteurs, le taux de rebond, la source de trafic, etc.