本文在以下e-collection /主题问题:

机器学习(940) 二次使用的临床数据研究和监测(246) 临床信息和决策(841) 人工智能(604) 决策支持的卫生专业人员(689) 创新和技术对癌症预防和筛查(105)

发表在在10卷,3号(2022):3月

本文的预印本(早期版本)是可用的https://preprints.www.mybigtv.com/preprint/33006,第一次出版。
基于web的皮肤癌评估和分类中使用机器学习和移动计算机自适应测试拉希模型:开发研究

基于web的皮肤癌评估和分类中使用机器学习和移动计算机自适应测试拉希模型:开发研究

基于web的皮肤癌评估和分类中使用机器学习和移动计算机自适应测试拉希模型:开发研究

本文的作者:

Ting-Ya杨1 作者Orcid形象; Tsair-Wei简2 作者Orcid形象; 凤姐赖3 作者Orcid形象
文章 作者 引用的 Tweetations (4) 指标

    原始论文

    1家庭医学、奇美医学中心,台南,台湾

    2医学研究、奇美医学中心,台南,台湾

    3皮肤病、奇美医学中心,台南,台湾

    *所有作者同样起到了推波助澜的作用

    通讯作者:

    凤姐赖,医学博士

    皮肤病学系

    奇美医学中心

    901年,中华Rd

    永康地区

    台南,710

    台湾

    电话:886 6 2812811 57109 ext

    传真:886 6 2203706

    电子邮件:lai.fengjie@gmail.com


    背景:基于网络的计算机自适应测试(CAT)实现皮肤癌(SC)的风险规模可能大大减少参与者负担不影响测量精度。然而,SC分类尚未报道的猫学者迄今为止。

    摘要目的:我们的目标是构建一个CAT-based模型使用机器学习开发一个应用程序进行自动分类的SC帮助病人评估风险处于初期阶段。

    方法:我们提取的数据从澳大利亚以人群为基础的队列研究SC风险拉希(N = 43794)使用仿真方案。所有30个功能项校准使用拉希部分信用模型。总共1000例遵循正态分布(意思是0,SD 1)基于项目和阈值的困难使用三个技术模拟机器learning-naive贝叶斯,再邻居,和逻辑回归模型精度比较训练和测试数据集的比例70:30,前者被用来预测后者。我们计算的敏感性,特异性,接受者操作特征曲线(曲线下面积(AUC)),和CIs的准确性和精度提出了比较模型。应用分类SC的被申请人的风险。

    结果:我们观察到30-item再邻居模型取得了更高的AUC值的99%和91% 700 300年培训和测试情况下,分别比其2使用合作验证但AUC值较低的85% (95% CI 83% -87%) k-fold交叉验证,应用预测SC患者分类是成功开发,并演示了在这个研究。

    结论:拉希30-item SC预测模型,结合基于web的猫,建议分类SC患者。应用我们开发了帮助病人自我评估SC风险处于初级阶段需要在未来的应用程序。

    地中海JMIR通知2022;10 (3):e33006

    doi: 10.2196/33006

    关键字

    皮肤癌的评估; 计算机自适应测试; 朴素贝叶斯; 再邻居; 逻辑回归; 拉希部分信贷模型; 接受者操作特性曲线; 移动电话


    背景

    皮肤癌(SC)是最常见的恶性肿瘤发生在白色的种群,它主要分为(1)恶性黑色素瘤(毫米)和(2)nonmelanoma SCs (NMSCs),其中包括鳞状细胞癌和基底细胞癌为最主要的亚型。毫米和NMSCs的全球发病率是行之有效的,并在上升。在澳大利亚,SC占每年新诊断癌症,大多数年龄标准化发病率为65.3×10毫米−5和1878×10−5NMSCs [1,2]。> 434000人人口只有2300万人在澳大利亚每年治疗角化细胞癌症(2),导致大量社会经济负担和对公共卫生服务的影响。

    有几个公认的危险因素增加SC的潜力开发和已报告在以前的文献,如紫外线辐射、遗传易感性、吸烟、电离辐射,使用photosensitizing药物(3]。在上述危险因素,过度暴露于紫外线辐射仍是主要的诱发危险因素SC (4]。因此,它是至关重要的修改个人的行为,以减少直接和过度日晒,如避免长期日光浴或室内晒黑的使用设备,适当应用防晒霜,使用防紫外线布衣服,呆在阴凉处。

    要求在SC分类预测模型

    在实践中,很难给人们提供个人的风险SC (1]。由于缺乏明确的建议组织SC筛查、物理勘探,临床病变的历史变化,相关家庭SC历史继续检测皮肤肿瘤的关键。假设一个人有属性,高度与皮肤的底层架构,SC的潜在风险可以通过问题来评估(即问卷项目);例如,底层色素特征包括头发颜色、眼睛颜色、雀斑倾向和晒伤,皮肤表型和一些个人行为因素,如晒黑的态度和使用日光浴浴床。因此,它是可行的构造一个一维的尺度来衡量这些属性使用响应线性的项目,进一步计算出一个整体SC风险评分使用评估工具(例如,基于网络的计算机自适应测试(猫)政府(1])或者分类的SC风险患者在临床的设置。

    SC风险预测和分类的SC的可能性

    统计有效性是基于项措施之间的相关性(或分数),问卷调查和人民难以察觉的真实状态(例如,黑色素瘤status-deemed潜在的特质,在现实世界中不能直接检测)(5]。拉希模型(6)是一种数学建模的方法,被用来评估项目衡量潜在的潜在特质(7- - - - - -13),这是基于一个一维的规模数据符合拉希模型的期望(即所有项目可以添加到一个求和分数)(10,13]。尽管如此,没有SC使用机器学习的分类预测SC风险已经说明和演示了在文献中。我们积极开发预测模型分类SC的成年人可能面临风险。

    猫在SC分类评估和限制

    猫是一个定制的测量基于项目反应理论(IRT) [14,15),可以更好地调整每个考生的能力水平10,13,16]。电脑之前IRT-based算法,以及下一个选择项的困难主要取决于先前回答所有物品。因此,每个病人都需要回答尽可能少的物品通过动态选择适当的测试项目,导致更少的被调查者负担不影响测量精度,从而使每个参与者有个性的评估(1,10,13]。

    猫的限制适用于机器学习是失踪的反应(即回答项目)的数据。幸运的是,产生预期的响应支持答案在猫已经解决克服的缺点没有猫的所有物品回答(即使用期望值填写缺失的数据,在先前的研究(13,17,18])。因此,卷积神经网络(cnn) [19,20.)结合个别欺凌的预期反应分类组水平(13)是适用的。因此,我们感兴趣的应用预期反应的猫(1)减少参与者负担有更精确的结果1,10,13,16)和(2)预测SC患者分类。

    基于网络的评估使用智能手机

    随着数字技术时代的到来,移动健康和卫生的进步和成熟通信技术已迅速增加(21]。迄今为止,智能手机应用程序使用CAT-based机器学习分类SC患者在卫生保健机构缺乏当搜索PubMed的出版物图书馆使用关键词皮肤和癌症和计算机自适应测试和猫和机器学习截至2021年12月5日。不仅仅是猫过程的复杂性与多媒体插图嵌入到web模块也是模型的参数的困难,需要转换为分类类型时,SC的概率是在网上评估。猫一个基于web的应用程序将机器学习和SC患者可以提供更好的理解SC的SC分类和预测风险严重的SC问题发生之前。

    研究的目的是

    本研究的目的是(1)机器学习模型之间的比较SC的预测精度在SC分类和(2)构建一个CAT-based SC评估使用机器学习开发一个应用程序进行自动分类的SC帮助病人评估SC风险处于初期阶段。


    数据源

    在先前研究的基础1,22),我们提取数据从澳大利亚以人群为基础的队列研究SC风险拉希(N = 43794)通过模拟数据23),包括1000个虚拟病人在30个特征变量的定义在前面研究[1)(多媒体附录1)。

    在这项研究中使用的所有数据模拟和从上一篇文章中提取1]。鉴于本研究设计使用仿真数据、伦理批准不需要根据台湾卫生部和福利规定。

    模拟数据的特性

    最初的调查数据

    原始数据被从基线调查问卷获取QSkin阳光和健康研究(22]。以人群为基础的队列研究的40到69岁的43794名男性和女性人口的随机抽样昆士兰,澳大利亚(1),获得校准数据集(三分之二;(29314/43794,66.94%)和验证数据集三分之一;14480/43794,33.06%)。在校准数据集,24.61%(7213/29,314)的参与者SC的历史,和75.39%(22101/29314)的参与者没有。

    研究仿真数据

    简化,30-item困难校准在前面研究[1)(表1)使用部分信贷拉希模型24)应用于产量1000虚拟情况下遵循正态分布(意思是0,SD 1;看到的演示多媒体附录1MP4视频)。建议的截点设定在0.88分对数(1)确定癌症和癌的两组仿真数据。因此,数据与1000人×30项和1标签(即:黑色素瘤1和0状态定义为癌症和癌组)应用于本研究有以下2部分(即3模型和任务)。

    表1。整体阈值困难分对数(日志赔率)30项。
    数量 变量 总体难度 阈值的困难



    		步骤1 步骤2 步骤3 步骤4
    1 性别(男性为1,女性为0) 0.16 0.00 N /一个一个 N /一个 N /一个
    2 皮肤颜色领域没有暴露于太阳? −2.32 −2.46 0.78 1.68 N /一个
    3 你的行为在强烈阳光下30分钟中午吗? −0.17 −1.51 0.41 1.10 N /一个
    4 你的行为在户外没有保护你的皮肤在阳光下? −0.49 −0.85 −0.42 1.27 N /一个
    5 你的眼睛是什么颜色的? −0.11 −0.04 0.60 1.55 −2.11
    6 你在21岁自然头发的颜色吗? 0.48 0.70 −0.83 −1.30 1.43
    7 你脸上有多少雀斑在21岁吗? 0.72 −0.37 0.01 0.36 N /一个
    8 你有多少摩尔在21岁在皮肤上吗? 0.76 −1.45 0.53 0.92 N /一个
    9 多少次在你的一生中你使用日光浴浴床吗? 1.27 1.35 0.30 −0.75 −0.69
    10 有多少不同的皮肤癌你曾经从你的皮肤切除吗? 0.98 0.45 −1.36 1.30 −0.39
    11 有多少独立的太阳黑子或皮肤癌你过冷冻或烧掉你的皮肤吗? 0.53 −0.05 0.49 −0.22 −0.11
    12 我被告知我有黑色素瘤吗? 0.99 0.99 N /一个 N /一个 N /一个
    13 你会在将来的某个时候黑色素瘤吗? 0.26 −1.14 −0.82 1.14 0.82
    14 多少次被你晒伤严重疼痛至少2天或皮肤小时候去皮吗? 0.58 −1.41 0.37 0.11 0.36
    15 多少次被你晒伤严重疼痛至少2天或皮肤剥你的十几岁吗? 0.17 −2.40 0.35 0.27 0.74
    16 多少次被你晒伤严重疼痛至少2天或在成年后你的皮肤削皮吗? 0.58 −1.83 0.59 0.10 0.46
    17 你花多少时间在户外,在过去一年中太阳从星期一到星期五吗? 0.29 −0.04 0.44 −0.39 N /一个
    18 你花多少时间在户外,太阳从星期一到星期五在10到19岁吗? −0.51 −0.65 0.24 0.41 N /一个
    19 你花多少时间在户外,太阳从周一到周五20到29岁的年? −0.15 −0.46 0.41 0.05 N /一个
    20. 你花多少时间在户外,太阳从星期一到星期五在30到39岁吗? 0.04 −0.29 0.42 −0.13 N /一个
    21 你花多少时间在户外,太阳在周六和周日在过去的一年吗? −0.14 −0.42 0.23 0.19 N /一个
    22 你花多少时间在户外,太阳在周六和周日在10到19岁吗? −0.94 −0.46 0.21 0.26 N /一个
    23 你花多少时间在户外,太阳在周六和周日在20到29岁吗? −0.72 −0.60 0.18 0.43 N /一个
    24 你花多少时间在户外,太阳在周六和周日在30到39岁吗? −0.45 −0.56 0.19 0.37 N /一个
    25 我的脸经常涂抹防晒霜 −0.46 0.00 N /一个 N /一个 N /一个
    26 我的手和前臂经常涂抹防晒霜 −1.80 0.00 N /一个 N /一个 N /一个
    27 经常涂抹防晒霜我身体的其他部分 −2.56 0.00 N /一个 N /一个 N /一个
    28 经常涂抹防晒霜出去在阳光下:没有 −0.36 0.00 N /一个 N /一个 N /一个
    29日 是否应用防晒霜在外面太阳? −0.31 −0.90 −0.16 1.06 N /一个
    30. 你有多少次在外面太阳在过去的一年? 0.45 −0.77 −0.08 0.85 N /一个
    31日 黑色素瘤状态(标签作为癌症和癌组) N /一个 N /一个 N /一个 N /一个 N /一个

    一个N / A:不适用。

    3的机器学习模型用于Microsoft Excel

    3模型应用于本研究

    三个型号的机器learning-naive贝叶斯(NB) [25),再邻居(资讯)26,逻辑回归(LR) [27- - - - - -31日)-用于比较分类的模型精度SC 1000×30矩形数据集。2培训(30%)(70%)和测试集(即抵抗验证)分离检验模型的准确性70:30比例,前者被用来预测后者。

    我们计算的敏感性,特异性,接受者操作特征曲线(曲线下面积(AUC)),和CIs的准确度和精密度3提到的模型进行比较。此外,k-fold 3模型进行了交叉验证使用Weka软件(怀卡托大学)(32]。如果Weka Explorer(图形用户界面)分类选项卡被选中,我们可以通过寻找找到它选择按钮下分类选项卡。一旦我们浏览文件夹,使用3个分类器(即NB分类器→贝叶斯→注;基于实例的学习者(IBk)分类器→懒惰→IBk;和分类器→功能→物流)。例如,一旦我们选择IBk资讯分类器,我们立即点击框右边的按钮。这将打开一个大量的选项。如果我们然后点击按钮更多的在选项窗口中,我们会看到所有的选项解释道。我们可以为所有分类器获得额外的信息(例如,NB、物流或更多;看到使用的MP4视频演示多媒体附录2)。与此同时,更多的关于3模型中提供的信息多媒体附录3。

    计算模型的准确性

    选择模型中的参数估计后,模型的准确性的训练集和测试集可以通过以下方程(33,34]:

    精度是由观察更高的灵敏度,特异性,精确,精度和AUC的模型。的定义如下:

    真阳性(TP) =预测癌症真正的SCs的数量(1)
    真阴性(TN) =预测non-SCs真正的非癌的数量(2)
    假阳性的数量(FP) =癌——TN的数量(3)
    假阴性(FN) =癌症的数量- TP的数量(4)
    敏感性= = TP / TP率(TP + FN)(5)
    特异性= = TN / TN率(TN + FP)(6)
    精度=阳性预测值= TP / (TP + FP)(7)
    精度= (TP + TN) / N(8)
    N = TP + TN + FP + FN(9)
    AUC =(1−特异性)×灵敏度/ 2 +(灵敏度+ 1)/ 2×特异性(10)
    SE AUC =√(AUC×[1 - AUC) / N)(11)
    95%可信区间= AUC±1.96×AUC SE(12)

    同样,混淆矩阵可以当真正的条件(即SC和non-SC)和预测(正面和负面)是已知的预测训练集(或测试数据集)匹配标签(即1和0癌症和癌组)在训练集,其他指标在方程(1)(12)可以获得相应的行动。

    值得注意的是,我们的模型剩余两组的平均值(即平均[范围的SC] +[范围在群non-SC])平均克服不平衡类数据。因此,敏感性和特异性可以平衡的AUC报告(35]。细节设置公式提供的Microsoft Excel模块多媒体附录1。

    3个任务

    特征变量显示在森林情节(任务1)

    30个变量(1)被显示在一个森林图(36- - - - - -38通过以下步骤:规范每个变量基于均值(0)和SD(1)和比较的标准平均差森林图(39]。

    卡方检验是进行评估的变量之间的异质性。森林区(CI)被吸引到显示效果估计为每个指标及其CIs。

    比较模型的精度(任务2)

    我们计算的敏感性,特异性,AUC,独联体以及准确度和精密度在拟议的模型相比使用方程(1)(12)。两auc的训练集和测试集进行比较来评估模型的准确性和稳定性(34,35]。

    SC风险和分类任务(3)
    拉希模型和一阶导数微积分

    拉希模型,概率可以表示如下:

    (13)

    在哪里θ是人的能力,和δ是一项困难的人吗n和项目我,分别。一阶导数的过程θ如下所述:

    (14)
    牛顿迭代法

    牛顿迭代法,参数估计的基本迭代技术之一,经常被提到的方法文献[40- - - - - -43与拉希模型],普遍用于实践(44,45]。

    修正后的估计,θ米+ 1,从以前的测量获得θ米剩余的调整和总结方差(定义为f 'θ米- - - - - -δ我方程中所有回答项15):

    (15)

    猫SE是由以下方程:

    (16)

    下一个选择项是由最大信息(方差= f (θ米- - - - - -δ我)项目的所有回答项所示以下方程:

    信息我= f”(θ 米- - - - - -δ 我)(17)
    猫停止准则

    猫的猫终止设置SE小于测量的SE (SEM) (1,46]。

    SEM = SD√(1 -Rel)(18)

    Rel是克伦巴赫α的问卷。因此,如果有一个测试(或问卷)SD 1.0分对数,克伦巴赫α的尾数就1),SEM是0.469(1×√[1 -尾数就])。

    如果猫终止,反应回答项填写与自己的预期值使用方程(13)当最终测量。然后执行(SC分类图1)。

    ‎
    图1所示。SC-CAT过程和SC使用机器学习分类。猫:计算机自适应测试;SC:皮肤癌。
    把这个图
    符合统计数据的均方误差

    拉希适合统计均方误差(MNSQs),包括infit和机构(40,41),是显示在SC猫代表偏离的程度的拉希模型的期望考生的反应。

    Infit MNSQ = (19)

    装MNSQ = (20)
    在哪里O倪一个人观察到的反应是什么n在项目我,E倪相应的期望值在方程(13)。方差是指在方程(14)和(17)。

    再一次,另一种方式来判断一个人的反应取决于Z评分(用Z在方程(21)。根据拉希模型,这些积累Z2值应该遵循一个卡方分布与1自由度(用df)为每一个Z2值减去估计所需的自由度测量θn(47]。任何的总和Z2,当除以它的df,应该遵循均方分布方程(22)。这可以方便地评估t正态分布统计,大约一个单元(即N[0,1])(46所示),方程(23)。

    (21)
    (22)
    (23)
    皮肤Cancer-Computerized自适应检测算法

    莱特(48)表明一个更简单的教室使用的算法,分类和性能跟踪可能发生失事的环境中。该算法容易实现,可以成功地应用在每个学习模块跟踪人的反应过程中(46]。图1显示的核心步骤皮肤cancer-computerized适应性测试(SC-CAT)所需的实用的自适应测试使用拉希模型:

    1. 首先病人最初θ(SC得分分对数)为0。
    2. 找到一个通过SC-CAT随机项的项调查。
    3. 应对困难的项目和相应的阈值δ(困难;标签在图1)。
    4. 计算临时θ在方程(15)基于已知的标签(B)项困难。
    5. 检查是否猫停止准则(SEM = 0.469)是在方程(16)和(18)(标签C)。
    6. 方程(17)中选择下一个项目如果SC-CAT持续(标签D)。
    7. 返回到步骤3。
    8. 填写的期望值没有回答项目通过方程(13)当SC-CAT停止基于最终估计θ(标签E)。
    9. 执行预测模型(标签)。
    10. 获取分类(SC或non-SC;标签G)。
    本研究中所开发的应用程序

    应用程序检测的SC在成人设计和发展。30-item自我评估应用程序使用手机是为了预测和分类SC使用机器学习和模型参数。模型参数是嵌入式计算机模块。

    分类的结果(即SC +和SC -)立即出现在智能手机。可视化表示显示分类的效果是使用2绘制曲线(即,一个从左下角右上角表示成功(SC +)功能,和另一个从左上角到右下角是失败(SC -]属性)。视觉仪表板与二进制(SC +和SC -)类别曲线显示在谷歌地图上。

    统计和数据分析工具

    MedCalc 9.5.0.0 Windows (MedCalc软件)是用来计算的敏感性,特异性,和相应的AUC使用LR时观察到的标签(例如,0为SC SC -和1 +)和预测的概率(即连续变量的方程13)应用。

    》模块在Microsoft Excel应用计算模型预测指标表达方程(1)(12)。三个提议models-NB、资讯和LR-were使用Microsoft Excel和Weka[执行32)(多媒体附录1和2)。基于web的猫是使用编程的经典活动服务器页面。

    流程图(见研究图2)包括两个部分:一是之前的研究(1),另一个包括3模型。总共3任务是阐述了在这个研究。抽象提供了视频多媒体附录1。

    ‎
    图2。两个主要部分在研究流程图(上部和底部面板),和三个任务在底部面板。AUC:曲线下的面积;资讯:再邻居;MNSQ:均方误差;SC:皮肤癌;何:坚持验证。
    把这个图

    伦理批准和同意参与

    不适用。所有数据模拟和提取从先前的研究1]。

    可用性的数据和材料

    在这项研究中使用的所有数据都可以在多媒体附录。


    任务1:特征变量显示在一个森林的阴谋

    30变量提出了森林图(图3)。我们可以看到,所有绿框右边超出平均标准平均差(0),表明变量有资格(P< . 05)歧视黑素瘤状态(即SC和non-SC组)。

    ‎
    图3。智能手机上使用森林图显示特性变量(49)或单击二维码。SMD:标准平均差。
    把这个图

    任务2:比较模型之间的精度

    所示的模型精度的比较表2。我们可以看到,所有的auc > 0.80模型的训练和测试集。的30-item资讯模型取得了更高的AUC值的99%和91% 700 300年培训和测试情况下,分别,远远超出了其他2模型(即NB和LR;表3)。然而,如果k-fold进行交叉验证,30-item资讯模型收益率的AUC值降低85% (95% CI 83% - -87%),所示表4。

    表2。使用模拟数据的比较模型的准确性和稳定性(抵抗验证)。
    研究模型 训练例/测试情况下,N 准确率≥0.80(训练集) 稳定≥0.70(测试集)


    		灵敏度 特异性 精度 精度 AUC一个 灵敏度 特异性 精度 精度 AUC
    朴素贝叶斯 700/300 0.92 0.89 0.82 0.90 0.90 0.79 0.98 0.97 0.91 0.89
    然而,b 700/300 0.98 0.99 0.98 0.99 0.99 0.83 0.99 0.99 0.93 0.91
    LRc 700/300 0.82 0.91 0.84 0.88 0.87 0.70 0.92 0.85 0.84 0.81

    一个AUC:曲线下的面积。

    b资讯:再邻居。

    cLR:逻辑回归。
    表3。使用模拟数据的比较模型的准确性和稳定性(95% CIs的曲线下的面积(AUC)同意验证)一个。
    研究模型 准确率≥0.80(训练集) 稳定≥0.70(测试集)

    		培训情况下,N AUC(95%置信区间) 显著性差异 测试情况下,N AUC(95%置信区间) 显著性差异
    朴素贝叶斯(1) 700年 0.90 (0.88 - -0.92) 1、2 300年 0.89 (0.85 - -0.93) - - - - - -b
    然而,c(2) 700年 0.99 (0.98 - -1.00) 1、3 300年 0.91 (0.88 - -0.94) 3
    LRd(3) 700年 0.87 (0.85 - -0.89) 1、2 300年 0.81 (0.77 - -0.85) 2

    一个AUC的95%置信区间的计算是指在方程(10)(12)。

    b数据不可用。

    c资讯:再邻居。

    dLR:逻辑回归。
    表4。使用模拟数据的比较模型的准确性和稳定性(k-fold交叉验证)。
    研究模型 训练例/测试情况下,N 准确率≥0.80(训练集) 稳定≥0.70(测试集)


    		灵敏度 特异性 精度 精度 AUC一个 AUC(95%置信区间) 显著性差异
    朴素贝叶斯(1) 700/300 0.93 0.92 0.87 92.40 0.98 0.98 (0.97 - -0.99) 2
    然而,b(2) 700/300 0.87 0.90 0.84 89.20 0.85 0.85 (0.83 - -0.87) 1、2
    LRc(3) 700/300 0.90 0.90 0.90 92.40 0.98 0.98 (0.97 - -0.98) 2

    一个AUC:曲线下的面积。

    b资讯:再邻居。

    cLR:逻辑回归。

    任务3:开发一个应用SC分类

    截图来自手机用来应对问题所示图4所示,猫过程图5所示,评估结果图6。在这个例子中,我们可以看到,这样猫过程中显示图5,病人有一个高概率(0.88)的SC,如图所示图6。

    邀请读者扫描二维码图4自己和实践基于web的猫。猫过程所示图5。评估校准图所示图6。

    ‎
    图4。皮肤癌的快照评估智能手机从模型基于web的猫(50)或单击二维码。
    把这个图

    我们开发了CAT-based应用分类SC的成年人。猫过程演示逐项和3所示面板图5。人θ是临时的能力(例如,第三列在前面板的图5或蓝线在中间面板的图5由猫模块)估计方程(15)。

    SEs方程(16)是在橙色线中间面板的图5(或面板顶部的虚线图5)。我们可以看到更多的物品对一个病人,SEs越小。生成的SE是公式1 /√(Σinformation [我])方程(17),我指的是猫项目应对病人。

    此外,项目困难(见表1沿着绿线)在中间面板的图5。剩余来源于差异(观察——预期;底部面板的图5)。的Z评分(我)在棕色线计算使用方程(21),等于平方方差(我)面板的底部所示图5。

    猫会停止,如果剩余值< 0.05。猫之间的相关系数估计措施和步骤系列使用过去5估计数字θ值计算。一个平θ趋势表明,一个人的度量收敛的可能性更高,最终的评估。

    值得注意的是,一个人的MNSQs(即infit和中间面板的顶部图5)是由公式生成的方程(19)和(20)。如果装> 2.0的值(51),人的反应模式是明显异常超出模型的期望。在示例中所示的中间面板图5,我们可以看到病人的反应模式与装备MNSQ(0.52,小于2.0的截点)和t统计(−0.95 = (ln (0.585) + 0.585−1)×,在那里v= 0.52×9 /[9 - 1]基于方程(22)和(23)与拉希模型的期望相当好。

    猫终止后,生成的示例所示图6。我们可以看到,SC +高概率(0.88)所示的曲线成功从左下角到右上角。这两个概率的总和(SC +和SC -) = 1.0。的概率计算公式p/ (1 -p)= 0.88/0.12 = 7.33,这表明病人有一个非常高的概率或SC +的倾向。值得注意的是,猫大大减少参与者负担(即只有9项回应的猫,和70%[(30 - 9)/ 30]效率收益来自猫)在不影响测量精度。

    ‎
    图5。过程在SC-CAT智能手机三个面板,B, C用步骤,分别可视化和记录。猫:计算机自适应测试;SC:皮肤癌;扫描电镜:测量标准误。
    把这个图
    ‎
    图6。SC +评估与分类的结果和概率在智能手机上。SC:皮肤癌。
    把这个图

    基于web的仪表板上显示谷歌地图

    共有2所示的QR码图3和4(或链接49,50)为读者提供了可以自己操作仪表板。在图3和4动画类型仪表板使数据(如特征变量)和应用程序更加容易和清晰的了解一旦QR码点击。


    主要研究结果

    我们建立了一个CAT-based模型通过机器学习方法来开发一个应用程序来预测SC的分类和帮助病人识别SC早些时候风险减少参与者负担和维护可接受的测量精度。总共1000例模拟基于项困难分界点为0.88分对数来确定两组拉希(癌症和癌)使用分析解决一项研究[1]。共有3种机器学习(NB、资讯和LR)应用于比较在SC分类模型的准确性和稳定性。我们观察到(1)30-item资讯模型取得了更高的AUC值的99%和91% 700 300年培训和测试情况下,分别比其2使用合作验证但AUC值较低的85% (95% CI 83% -87%) k-fold交叉验证和(2)的患者应用预测SC分类成功本研究中开发和演示。

    之前的研究使用计算机诊断SC代替SC分类

    黑色素瘤被认为是发展最快的、最激进的SCs之一;它第一次被描述为一个“致命的黑色肿瘤”希波克拉底在公元前5000年,后来认识到转移倾向的1820年威廉·诺里斯(52]。它导致大多数人死于SC。因此,及时、准确的识别黑色素瘤结合适当的治疗方案可以优化临床结果和避免潜在的致命的转移。虽然计算机算法提出了开发新颖的预测预后,提高效率和诊断癌症转移的准确性,重大挑战SC预测和分类仍52]。

    例如,一份报告,嗅探犬可以检测MM可治愈的阶段被威廉在英国第一次描述了et al (53]。此后,狗的嗅觉的研究关注效用筛查或诊断不同的医疗条件,如COVID-19、恶性肿瘤、糖尿病、帕金森病、癫痫、某些激素和酶的缺陷(54- - - - - -67年),和黑素瘤53],随之而来。机器学习模型基于CNN应用于提取感兴趣的区域的皮肤病变数据集和显示,培训CNN模型与该地区interest-extracted数据集可以提高预测的准确性(55- - - - - -57]。

    移动猫被开发来帮助人们有效地评估他们的SC风险(1]。然而,没有这样的SC使用机器学习分类提供给读者之前,我们一样图4本研究。这个移动评估可以用来快速估计一个人的SC患者风险和教育需要实现皮肤保护和促进皮肤的自我检查(68年- - - - - -70年]。特别是,SC史的患者有较高的平均评分的反应比那些没有的历史SC (1]。

    动画类型的猫模块来增加病人的健康知识

    病人的健康素养(如理解自己的SC风险)越来越被认为是一个关键因素影响医患沟通和健康结果(71年]。数量低于基础或基本健康素养不太可能获得所有同这些合作有关健康的信息从传统印刷来源如报纸,杂志,书籍,或小册子比有更高的健康素质72年]。短暂的猫,比如我们开发了在这项研究中,可以用来告诉人们很快对其潜在风险的SC,帮助这些人从事防紫外线的行为。

    这只猫模块是一个实用工具,可以有效地识别合适的项目为每个单独的子集,因此,最大化整个测试过程的效率和精度。通过猫,它发现它可以节省高达42%(或更多)的测试长度,实现非常相似度测量精度的猫。这与文献一致73年- - - - - -76年]。

    该工具提供了诊断,可以帮助医生评估是否扭曲或不正常的反应。例如,服装的均方值≥2.0建议一种不同寻常的反应(51]。如果响应不适合模型的要求,他们可以强调怀疑作弊,粗心的回应,幸运的猜测,创造性的回应,或者随机响应(74年]。否则,一个人可以采取后续行动(如医疗咨询)复核意想不到的反应问题的原因(8,77年,78年如果结果显示较高的癌症风险。读者被邀请来运行SC-CAT通过二维码手机应用程序,如图所示图4。

    本研究的优点和特性

    主要有两种形式的标准化评估在临床设置(79年):(1)传统的自行测试问卷和(2)快速短式量表(80年]。每个都有自己的优点和缺点。传统的纸笔问卷需要更高的金融投资和对受访者造成巨大的负担以下理由:参与者需要回答问题,不提供额外的信息关于他们个人的某些疾病的风险达到足够的精度测量(20.]。相比之下,通过管理项目最丰富的考生,猫可以提供精确的测量考生的能力与尽可能少的物品,然后终止在适当的条目的数量根据所需的人的可靠性1方程(18)。

    其次,并不是所有问题都回答的猫。相比那些使用平均值(20.)在整个数据集来填补缺失值,我们应用期望值模型中为每一个悬而未决的问题填写缺失的数据,在先前的研究(13,24,25]。通过这样做,预期的响应和模型参数可应用于SC组分类。到目前为止,我们还没有看到任何人使用猫结合机器学习分类SC在文献中,这是一个突破和本研究的第二个特征。

    第三,与各种形式的网络技术、移动健康和健康传播技术的进步正在迅速的新兴(21]。使用移动web的猫在许多领域有前途和价值实现的评估健康问题。猫所示的图形化表示图4是现代和创新的学者。

    很少有研究利用机器学习执行NB,然而,和LR Microsoft Excel,正如我们在这项研究中所做的一样。这些模块提供了多媒体附录1,这是本研究的第四个特征。

    我们应用LN算法以及模型的参数设计一个程序一个程序,用于分类个人SCs (图6),这是第五本研究的特点。我们还没有看到任何此类SC-CAT结合LN之前手机上实现。

    不同的结果被发现时比较之间的AUC抵抗的模型精度验证和k-fold交叉验证(表2、3,4),这可能是由于小样本大小(例如,1000)用于本研究。证据提供k-fold交叉验证改进模型中的力量和信心的评估是第六本研究的特点。

    局限性和未来的研究

    我们的研究有一些局限性。首先,尽管30-item SC的心理属性评估验证了测量SC风险(1),没有证据支持30-item SC评估适用于澳大利亚以外的用户。我们建议额外的研究使用自己的数据库的SC评估项目参数估计,看看是否存在差异。

    第二,尽管贝叶斯模型的表现好于其他2模型(资讯和LR),猫与LR的贝叶斯模型成立。LR的原因是需要较少的计算时间比贝叶斯和资讯算法,后者使用pair-to-pair比较的算法。建议未来的研究比较不同模型之间在计算效率和时间消耗。

    第三,研究基于一篇文章(1)使用30-item SC-CAT模块。所有的模型参数(即项目困难和step-threshold困难)来自本研究[1]。如果任何环境或条件变化(如其他国家和不同种族的人口),结果(例如,模型的参数)将本研究的不同。研究人口的民族也是一个限制。值得进一步的验证和调查不同人群和民族在我们在这项研究中使用的概念。

    第四,SC评估是一维结构。项目困难用来估计一个人的测量校准使用拉希Winsteps软件。传统上,一个人的能力(θ)应由猫估计方法,先前的研究已经完成(1,10,13,16]。在这项研究中,SC组应该进一步分类(如改变日志赔率在LR概率,确定SC组通过观察概率大于或小于0.5)。不同的模型应用到猫将使用不同的分类方案。未来的研究应该在这个问题上保持谨慎的态度。

    第五,鼓励读者访问应用程序通过扫描二维码图4。专业实际应用应该进一步发展在未来为Android和iOS系统。

    最后,研究样本检索从基线问卷QSkin阳光和健康研究(22]。在这项研究中使用的数据是模拟校准项困难的一项研究[1]。拉希部分信贷模式24)是用于模拟数据由于不同数量的项目类别。进一步的研究应该关注的心理属性SC评估是否类似于这项研究如果其他应用红外热成像模型。

    结论

    本研究的贡献是(1)克服局限的猫失踪的问题反应,开发应用机器学习算法时,(2)引入3模型可以在Microsoft Excel和k-fold交叉验证在Weka软件,和(3)展示一个应用程序,包含拉希猫LR的众多参数。

    拉希30-item SC预测模型,结合基于web的猫,建议分类SC在成人。应用程序开发帮助病人自我评估SC风险处于初级阶段需要在未来的应用程序。

    确认

    作者要感谢Enago英语复习的手稿。作者宣称没有利益冲突。

    作者的贡献

    TWC的构思和设计研究。TYY TWC解释数据,FJL监控过程和手稿。TYY和TWC起草了手稿。所有读过作者手稿和批准了最后的手稿。

    的利益冲突

    没有宣布。

    ‎
    多媒体附录1

    数据存放OSF(开放科学框架)研究共享平台。

    多克斯文件,15 KB
    ‎
    多媒体附录2

    在Weka K-fold交叉验证执行。

    多克斯文件,14个KB
    ‎
    多媒体附录3

    在这项研究中使用的三种模式的详细信息。

    多克斯文件,392 KB
    1. 简达Djaja N, M,奥尔森厘米,怀特曼,简t .估计皮肤癌风险:评估手机电脑化的测试。J地中海互联网Res 2016 1月22日,18 (1):e22 [免费的全文][CrossRef][Medline]
    2. 澳大利亚卫生和福利研究所。URL:http://www.aihw.gov.au/WorkArea/DownloadAsset.aspx?id=60129542353[2022-02-06]访问
    3. Narayanan D, Saladi R,福克斯j .紫外线辐射和皮肤癌。Int北京医学2010年9月,49 (9):978 - 986。(CrossRef][Medline]
    4. 全球太阳能紫外线指数:实用指南。日内瓦,世界卫生组织;2002年。
    5. 拉希g .概率模型对一些智力和成绩测试。丹麦:丹麦Paedagogiske研究所;1960年。
    6. Lerdal, Kottorp,同性恋CL, Grov EK, Lee KA。拉希贝克抑郁Inventory-II分析中风幸存者:横断面研究。J影响Disord 2014年4月;158:48-52 [免费的全文][CrossRef][Medline]
    7. Boecker Forkmann T M, Wirtz M, Eberle N, Westhofen M, Schauerte P,等。发展和验证Rasch-based抑郁筛选拉希(DESC)使用分析和结构方程建模。精神病学J Behav Exp 2009年9月,40 (3):468 - 478。(CrossRef][Medline]
    8. 萨奥尔年代,齐格勒M,施密特·M·拉希一个简化的贝克抑郁量表的分析。个人个体差异2013年3月,54 (4):530 - 535。(CrossRef]
    9. 黄狗T,王W,年代,赖W, Chow JC。一个基于网络的计算机自适应测试(CAT)评估病人感知在住院治疗。J地中海互联网Res 2011年8月15日,13 (3):e61 [免费的全文][CrossRef][Medline]
    10. 马,狗T,王H,李Y, Yui m应用计算机自适应测试的负面行为Questionnaire-Revised:拉希职场欺负的分析。J地中海互联网Res 2014 2月17日,16 (2):e50 [免费的全文][CrossRef][Medline]
    11. 简达Djaja N, P的你们,艾特肯J, m .皮肤自我检查评价态度量表使用项目反应理论模型方法。健康生活质量结果2014年12月24日,12:189 [免费的全文][CrossRef][Medline]
    12. 制品我bjorn JB, krein年代,Damsgaard MT,本奇p .微分项功能在丹麦SF-36的翻译。1998年11月,中国论文51 (11):1189 - 1202。(CrossRef][Medline]
    13. 马,周W,简T, Chow JC,叶Y,周P,等。应用检测欺凌的护士使用卷积神经网络和基于网络的计算机自适应测试:开发和可用性研究。JMIR Mhealth Uhealth 2020年5月20日,8 (5):e16747 [免费的全文][CrossRef][Medline]
    14. 主调频。项目特征曲线理论的实际应用。J建造测量1977年6月,14 (2):117 - 138。(CrossRef]
    15. 主f的应用项目反应理论实际测试问题。弥尔顿公园,Abingdon-on-Thames英国牛津郡:泰勒和弗朗西斯;1980年。
    16. 王马年代,H,简t新技术测量在线欺凌:在线计算机自适应测试。安创精神病学2017;16:26 [免费的全文][CrossRef][Medline]
    17. 李Y,周W,简T,周P,叶Y,李h .应用开发检测护士倦怠使用Microsoft excel中的卷积神经网络:基于人群的问卷调查研究。地中海JMIR通知2020可能07;8 (5):e16528 [免费的全文][CrossRef][Medline]
    18. 林狗T w .模拟研究日常生活活动功能的使用在线计算机自适应测试。BMC医学通知决策Mak 2016 10月10;16 (1):130 (免费的全文][CrossRef][Medline]
    19. 拉维D,黄C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, et al。卫生信息学的深度学习。IEEE J生物医学卫生通知2017年1月,21 (1):4-21。(CrossRef][Medline]
    20. 王H,崔Z,陈Y, Avidan M,阿卜杜拉AB Kronzer a预测再次入院厂商通过深度学习。IEEE / ACM反式第一版Bioinf杂志2018年11月1日,15 (6):1968 - 1978。(CrossRef]
    21. 米切尔SJ,戈L, Shabazz K,角IB。互联网和移动技术使用城市非裔美国父母:临床人口的调查研究。J地中海互联网Res 2014 1月13日,16 (1):e9 [免费的全文][CrossRef][Medline]
    22. 奥尔森厘米,绿色AC,尼尔,韦伯点,西塞罗RA,杰克曼LM, QSkin学习。群组简介:QSkin太阳和健康研究。Int增加2012年8月,41 (4):929 - 92。(CrossRef][Medline]
    23. 赖P,简t .变形曲线的确定在给定的圆拱曲线使用二阶导数微积分。J书目的分析统计2021;18(3):33节(免费的全文]
    24. GN大师。拉希模型部分的信用评分。心理测量学1982年6月,47 (2):149 - 174。(CrossRef]
    25. 舒唐X, Y,刘W,李J,刘M, Yu h .优化加权朴素贝叶斯方法对洪水风险评估。风险肛门2021年12月,41 (12):2301 - 2321。(CrossRef][Medline]
    26. Viana多斯桑托斯桑塔纳,Cm da对峙,Sobrinho,查维斯E Silva L,迪亚斯da Silva L,桑托斯DF, et al .分类模型在巴西COVID-19测试优先级:机器学习方法。J地中海2021 Apr 08年互联网Res, 23 (4): e27293 [免费的全文][CrossRef][Medline]
    27. Golpour P, Ghayour-Mobarhan M,日本米酒,Esmaily H, Taghipour, Tajfard M, et al。支持向量机的比较,朴素贝叶斯和逻辑回归来评估冠状动脉造影的必要性。Int J围住Res公共卫生2020 9月04;17 (18):6449免费的全文][CrossRef][Medline]
    28. Gholizadeh P, b Esmaeili发展多元逻辑回归模型来分析事故场景:电气承包商。Int J围住Res公共卫生2020 7月06年;17 (13):4852免费的全文][CrossRef][Medline]
    29. Nhu V, Shirzadi Shahabi H,辛格SK,安N, Clague JJ, et al .浅层滑坡敏感性映射:比较物流模型树,逻辑回归,朴素贝叶斯的树,人工神经网络,支持向量机算法。Int J围住Res公共卫生2020年4月16日,17 (8):2749 (免费的全文][CrossRef][Medline]
    30. 崔Y, Y Boo比较逻辑回归模型和替代机器学习方法来预测药物中毒死亡率的风险。Int J围住Res公共卫生2020年1月31日,17 (3):897免费的全文][CrossRef][Medline]
    31. 胡邓吴L F,谢Z,年代,沈年代,J,等。空间分析严重发热与血小板减少症综合征病毒在中国使用地理加权回归模型。Int J围住Res公共卫生2016年11月11;(11):1125 (免费的全文][CrossRef][Medline]
    32. 大厅,弗兰克·E,福尔摩斯G, Pfahringer B, Reutemann P,威滕i WEKA数据挖掘软件。SIGKDD空洞Newsl 2009年11月16日,11 (1):10 - 18 (免费的全文][CrossRef]
    33. Rere LM、Fanany MI Arymurthy。Metaheuristic卷积神经网络算法。第一版智能> 2016:1537325 [2016;免费的全文][CrossRef][Medline]
    34. 杨周P,简T, T,叶Y,周W,叶c .预测活跃的NBA球员最有可能接触到篮球殿堂的农民在Microsoft excel:使用人工神经网络发展和可用性研究。Int J围住Res公共卫生2021年4月16日,18 (8):4256 (免费的全文][CrossRef][Medline]
    35. 他们年代,刘C,简T,许C,陈K,陈C, et al。预计14日再次入院的患者肺炎使用人工神经网络(ANN)。Int J围住Res公共卫生2021年5月12日,18 (10):5110 (免费的全文][CrossRef][Medline]
    36. haml J,李P, Weitkunat R,国务m .促进荟萃分析,推导相对效果和精度估计替代比较从一组提出的估计暴露水平或疾病类别。Stat地中海2008年3月30日,27 (7):954 - 970。(CrossRef][Medline]
    37. 方王陈C、L,郭H, Y,李H .晚上吃的重要影响肝硬化患者肝脏功能:随机对照试验的荟萃分析。J杂志2019年7月,34 (7):1143 - 1152。(CrossRef][Medline]
    38. Lalkhen AG,竟敢管统计V:介绍临床试验和系统评价。继续建造麻醉急救护理疼痛2008;8月8 (4):143 - 146。(CrossRef]
    39. 燕Y,简t .本文使用的森林图来识别期刊之间的相似性和差异特征使用医学主题词术语:文献计量研究的协议。医学(巴尔的摩)2021年2月12日,100 (6):e24610 [免费的全文][CrossRef][Medline]
    40. 赖特BD,道格拉斯GA。有条件的和无条件的程序样本检测项目的分析。37建造Psychol测量2016 7月02;(3):573 - 586。(CrossRef]
    41. 赖特B,道格拉斯·g·拉希估计(人,能力,θ)措施与已知的二分项困难:固定最大似然估计(AMLE)。拉希测量事务。URL:https://www.rasch.org/rmt/rmt102t.htm[2022-02-06]访问
    42. 鲁上校L,哈雷k .牛顿:弹球向导吗?受欢迎的措施1999;2 (1):5 (免费的全文]
    43. 赖特BD,石头MH。测量要点第二版。特拉华州威尔明顿:广泛,公司;1999年。
    44. 拉希狗T,邵y为连续变量分析。拉希测量办理2016;30 (1):1574 - 1576。
    45. 简T,邵Y,郭美国发展拉希Microsoft Excel工具单参数模型的连续项目:应用程序安全态度的调查。BMC医学Res Methodol 2017 1月10;17 (1):4 (免费的全文][CrossRef][Medline]
    46. Linacre j .电脑化的测试:方法论的时代已经到来。台面备忘录。URL:https://www.rasch.org/memo69.htm[2022-02-06]访问
    47. 拉希莱特B,石头m .最佳测试设计测量。芝加哥:台面出版社;1979年。
    48. 赖特b实际适应性测试。拉希测量办理1988;2 (2):21。
    49. 简·t·iHELP系统。URL:http://www.healthup.org.tw/gps/skincancer2021.htm[2022-02-06]访问
    50. 基于网络的计算机自适应测试模型对皮肤癌评估智能手机。iHELP。URL:http://www.healthup.org.tw/irs/irsin_e.asp?type1=15[2022-02-06]访问
    51. Linacre j .优化量表分类效果。J:量2002;3 (1):85 - 106。(Medline]
    52. Alix-Panabieres C, Magliocco Cortes-Hernandez勒,伊斯拉米,富兰克林D,墨西拿杰。检测癌症的转移:过去、现在和未来。Exp转移2021 07(即将出版)。(CrossRef][Medline]
    53. 威廉姆斯H,彭布罗克a .嗅探犬在黑色素瘤诊所吗?《柳叶刀》1989年4月01;1 (8640):734。(CrossRef][Medline]
    54. Eskandari E,艾哈迈迪Marzaleh M, Roudgari H,哈米迪Farahani R, Nezami-Asl, Laripour R, et al .嗅探犬作为筛选/ COVID-19诊断工具:一个概念验证研究。BMC感染Dis 2021 3月05;21 (1):243 (免费的全文][CrossRef][Medline]
    55. Boedeker E,弗里德尔G,墙t .嗅探犬的双峰仿生研究方法来开发一个肺癌筛查。交互Cardiovasc Thorac杂志2012年5月,14 (5):511 - 515 (免费的全文][CrossRef][Medline]
    56. Zanddizari H,阮N, Zeinali B, Chang JM。一种新的预处理方法提高CNN-based皮肤病变分类的性能。地中海生物Eng第一版2021年5月,59 (5):1123 - 1131。(CrossRef][Medline]
    57. Ningrum DN,吴元年代,龚W, C, Tzeng我,黄C, et al。病人的元数据的深度学习分类器在恶性黑色素瘤dermoscopic图像检测。885 J Multidiscip Healthc 14:877 2021;免费的全文][CrossRef][Medline]
    58. Alheejawi年代,Berendt R, Jha N, Maity SP, Mandal m .自动化扩散指数计算对皮肤黑素瘤切片图像使用机器学习。第一版医疗成像图2021年4月,89:101893。(CrossRef][Medline]
    59. 威尔士JS。人类膀胱癌,狗的嗅觉检测:另一个癌症检测到“pet扫描”。BMJ 2004年11月27日,329 (7477):1286 - 1287 (免费的全文][CrossRef][Medline]
    60. Urbanova L, Vyhnankova V, Krisova年代,Pacik D, Nečas a强化训练技术利用狗的嗅觉能力诊断前列腺癌的男性。《兽医布尔诺2015年3月19日,84 (1):77 - 82。(CrossRef]
    61. 里皮G, G Cervellin犬类嗅觉检测癌症与实验室测试:神话还是机会?中国化学实验室地中海2012年3月,(3):435 - 439。(CrossRef][Medline]
    62. Elliker K,威廉姆斯h .皮肤癌检测使用狗气味:黑色素瘤的一步检测培训和研究方法。Br北京医学2016年11月,175 (5):851 - 852。(CrossRef][Medline]
    63. 威利斯厘米,教会SM,客人厘米,库克佤邦,麦卡锡N, Bransbury AJ,等。人类膀胱癌,狗的嗅觉检测:原则研究的证据。BMJ 2004年9月25日,329 (7468):712免费的全文][CrossRef][Medline]
    64. 凯恩大肠癌症嗅探能力狗:狗狗的气味检测可以改变人类医学。dvm360。URL:https://www.dvm360.com/view/cancer-sniffing-dogs-how-canine-scent-detection-could-transform-human-medicine[2022-02-06]访问
    65. 麦克洛克M, Jezierski T,博若夫曼M,哈伯德,特纳K, Janecki T .诊断准确性的犬类气味检测在早期和晚期肺癌和乳腺癌。中国癌症其他2006年3月,5 (1):30—39 (免费的全文][CrossRef][Medline]
    66. Ehmann R, Boedeker E,弗里德里希·U, Sagert J, Dippon J,弗里德尔G, et al .狗气味检测在肺癌的诊断:回顾一个令人费解的现象。欧元和J 2012年3月,39 (3):669 - 676 (免费的全文][CrossRef][Medline]
    67. 洛杉矶EA,拉姆齐KL, Guttmann-Bauman我Ahmann AJ。受过专门训练的狗,提醒的可靠性在1型糖尿病患者低血糖。J糖尿病Sci抛光工艺2017可能;11 (3):506 - 512 (免费的全文][CrossRef][Medline]
    68. 罗宾逊JK, Gaber R, Hultgren B, Eilers年代,蜚蠊H, Stapleton J, et al。皮肤黑色素瘤的早期检测:自我反省教育网络的随机对照试验,工作簿,面对面的干预措施。J地中海互联网Res 2014 1月13日,16 (1):e7 [免费的全文][CrossRef][Medline]
    69. 布雷迪女士,Oliveria SA,克里斯托PJ,贝里克M,屁股DG, Katz J, et al .模式检测皮肤的黑色素瘤患者。癌症2000年7月15日,89 (2):342 - 347。(CrossRef]
    70. 伯威克米,Begg CB、细晶澳Roush GC,巴恩希尔RL。皮肤黑色素瘤筛查通过皮肤自我反省。中华肿瘤杂志1996年1月3日,88 (1):17-23。(CrossRef][Medline]
    71. 威廉姆斯MV,戴维斯T,帕克RM,维斯BD。医患交流健康素质的作用。Fam地中海2002年5月,34 (5):383 - 389。(Medline]
    72. 班纳特Cutilli C,即理解美国的健康知识:国家成人读写能力评估的结果。.中国历史2009年,28(1):新;测试33 (免费的全文][CrossRef][Medline]
    73. 皮德森点,Jørgensen HS, Nakayama H,拉舒HO奥尔森TS。综合评估日常生活活动的中风。哥本哈根中风研究。档案物理医疗康复中心1997年2月,78 (2):161 - 165。(CrossRef]
    74. 北斗七星H,多兰N, Flaugher R,绿色B, Mislevy R .计算机自适应测试一个底漆。弥尔顿公园,Abingdon-on-Thames英国牛津郡:泰勒和弗朗西斯;1990年。
    75. 维斯DJ,麦克布莱德JR .偏见和贝叶斯自适应测试信息。应用Psychol衡量2016年7月27日,8 (3):273 - 285。(CrossRef]
    76. 王狗T,吴H, W,卡斯蒂略R,周W .减少患者负担图形计算机自适应测试反诽谤联盟规模:工具开发和仿真。健康生活质量结果2009年5月05;39 (免费的全文][CrossRef][Medline]
    77. Eack SM、歌手JB, Greeno CG。焦虑和抑郁筛查在社区精神卫生:贝克焦虑和抑郁库存。社区表示“状态”卫生J 2008年12月,44 (6):465 - 474。(CrossRef][Medline]
    78. 剪切可,Greeno C,康J, Ludewig D,弗兰克E,斯沃茨哈,等。名没有精神病且在社区诊所患者的诊断。精神病学2000年4月,157 (4):581 - 587。(CrossRef][Medline]
    79. 拉米雷斯正在M, Bostic金桥,戴维斯D, AJ, Witte B, Hendrickse W, et al。方法以提高诊断准确性在社区精神卫生环境。精神病学2000年10月,157 (10):1599 - 1605。(CrossRef][Medline]
    80. De Beurs DP、De Vries AL De Groot MH, De Keijser J, Kerkhof AJ。应用计算机自适应测试优化在线评估自杀行为:模拟研究。16 J地中海互联网Res 2014年9月11日;(9):e207 [免费的全文][CrossRef][Medline]

    ‎
    AUC:曲线下的面积
    猫:计算机自适应测试
    有线电视新闻网:卷积神经网络
    FN:假阴性
    外交政策:假阳性
    IBk:基于实例的学习
    红外热成像:项目反应理论
    资讯:再邻居
    LR:逻辑回归
    MM:恶性黑色素瘤
    MNSQ:均方误差
    注:朴素贝叶斯
    NMSC:nonmelanoma皮肤癌
    SC:皮肤癌
    SC-CAT:皮肤cancer-computerized适应性测试
    扫描电镜:测量标准误
    TN:真正的负
    TP:真阳性

    编辑C洛维斯;提交18.08.21;同行评议,由Sobrinho Tzeng;评论作者03.10.21;修订版本收到08.11.21;接受10.01.22;发表09.03.22

    版权

    赖©Ting-Ya杨Tsair-Wei简,凤姐。最初发表在JMIR医学信息学(https://medinform.www.mybigtv.com), 09.03.2022。

    这是一个开放分布式根据条知识共享归属许可(https://creativecommons.org/licenses/by/4.0/),它允许无限制的使用、分配、和繁殖在任何媒介,提供原工作,首次出版于JMIR医学信息学是正确引用。完整的书目信息,原始发布在https://medinform.www.mybigtv.com/上的链接,以及这个版权和许可信息必须包括在内。
    Baidu
    map