Two medical applicationso f linear

Two medical applicationso f linear programminga re described in this paper. Specifically, linear programming-basemd achine learning techniques are used to increase the accuracy and objectivity of breast cancer diagnosis and prognosis. The first applicationt o breast cancer diagnosisu tilizes characteristicso f individualc ells, obtainedf rom a minimallyi nvasive fine needle aspirate,t o discriminateb enign from malignantb reast lumps. This allows an accurated iagnosisw ithout the need for a surgical biopsy. The diagnostic system in current operation at University of Wisconsin Hospitals was trained on samples from 569 patientsa nd has had 100%c hronologicalc orrectnessi n diagnosing1 31 subsequentp atients.T he second application,r ecentlyp ut into clinical practice, is a method that constructs a surface that predicts when breast cancer is likely to recur in patients that have had their cancers excised. This gives the physician and the patient better informationw ith which to plan treatment,a nd may eliminate the need for a prognostic surgical procedure. The novel feature of the predictive approach is the ability to handle cases for which cancer has not recurred (censored data) as well as cases for which cancer has recurred at a specific time. The prognostic system has an expected error of 13.9 to 18.3 months, which is better than prognosis correctness by other available techniques.

結果 (繁體中文) 1:

兩個醫療applicationso˚F線性programminga再在本文中所描述。具體而言，線性規劃-basemd achine學習技術被用來增加乳腺癌診斷和預後的準確性和客觀性。第一applicationtö乳腺癌diagnosisu tilizes characteristicso˚Findividualc厄爾​​，obtainedf ROM中的minimallyi nvasive細針抽吸，以從malignantb reast腫塊discriminateb enign。這使得accurated iagnosisw ithout需要進行手術活檢。在威斯康星大學醫院在當前操作的診斷系統進行訓練的樣本569 patientsa ND已經有100％的C hronologicalc orrectnessiňdiagnosing1 31 subsequentp atients.T他第二個應用程序，R ecentlyp UT到臨床實踐中，是構建在乳腺癌可能的患者易復發有他們的癌症切除，預測表面的方法。這使醫生和病人更好informationw第i該計劃處理，第二可以消除對預後外科手術的需要。預測方法的新穎特徵是，以處理該癌症尚未再現（截尾數據），用於該癌症已經在特定的時間復發病例以及箱子的能力。該預測系統具有13.9至18.3個月，這是比其他可用的技術預測的正確性更好預期的錯誤。預測方法的新穎特徵是，以處理該癌症尚未再現（截尾數據），用於該癌症已經在特定的時間復發病例以及箱子的能力。該預測系統具有13.9至18.3個月，這是比其他可用的技術預測的正確性更好預期的錯誤。預測方法的新穎特徵是，以處理該癌症尚未再現（截尾數據），用於該癌症已經在特定的時間復發病例以及箱子的能力。該預測系統具有13.9至18.3個月，這是比其他可用的技術預測的正確性更好預期的錯誤。

結果 (繁體中文) 2:

本文對線性程式設計進行了兩種醫學應用。具體來說，採用線性程式設計基礎學習技術，提高乳腺癌診斷和預後的準確性和客觀性。首例應用o乳癌診斷結果為"一元性"，從惡性腫瘤腫塊中獲得最小微發性細針吸氣，即15.8倍。這允許一個準確的iagnosisw ithout需要手術活檢。威斯康星大學醫院目前手術的診斷系統對569名患者的樣本進行了培訓，並接受了100%的克原性或再診斷1 31例後續診斷。第二次應用，在臨床實踐中，是一種構建表面的方法，可以預測乳腺癌何時可能在切除過癌症的患者中復發。這給醫生和病人更好的資訊，可以計畫治療，可以消除預後外科的需要。預測方法的新特點是能夠處理癌症未復發的病例（審查資料），以及在特定時間復發癌症的病例。預後系統的預期誤差為13.9至18.3個月，優於其他可用技術的預後正確性。

結果 (繁體中文) 3:

本文介紹了線性規劃的兩種醫學應用。具體來說，基於線性規劃的機器學習科技可以提高乳腺癌診斷和預後的準確性和客觀性。乳腺癌診斷的第一個應用是利用個體細胞的特點，從一個最小限度的無創細針抽吸中獲得，以鑒別惡性腫瘤和惡性腫瘤。這使得準確的診斷無需外科活組織檢查。現時威斯康辛州大學醫院的診斷系統是在569名病人的樣本上進行訓練的，對隨後的131名病人的診斷有100%的時間相關性，是一種構建一個表面的方法，可以預測切除癌症的患者乳腺癌何時可能復發。這給醫生和病人提供了更好的資訊來計畫治療，並可能消除對預後外科手術的需要。這種預測方法的新特點是能够處理癌症未復發的病例（審查數據）以及癌症在特定時間復發的病例。預測系統的預測誤差為13.9～18.3個月，優於其它方法的預測正確率。