使用人工智能理解肺和支气管癌症死亡率
许多人认为机器人当他们听到这个词“人工智能(AI)”。However, in the case of a new study on lung and bronchus cancer (LBC) in the U.S., AI refers to various machine learning models stacked together to make high-level predictions about LBC mortality rates.
布法罗大学的研究人员齐亚艾哈迈德,康太阳,迈克尔·雪莱和莉娜μ撰写新的研究中,确定LBC的关键风险因素死亡率使用可辩解的人工智能或新品。虽然吸烟流行、贫困和预测中最重要的一个社区的海拔是LBC死亡率风险因素研究中,风险因素之间的关联和LBC死亡率被发现空间不同,这些地理差异和研究探索。
纸”,可辩解的探索空间变异性的肺和支气管的人工智能在连续的美国癌症死亡率”,发表在《华尔街日报》科学报告2021年12月。
研究了一个跨学科的团队。艾哈迈德博士是一个数据库/可视化乌兰巴托更新研究所的专家;孙博士是一个核心教员的乌兰巴托更新研究所和助理教授民事、结构性和环境工程在乌兰巴托工程和应用科学学院;雪莱博士是一个环境/生态经济学家乌兰巴托更新研究所;和μ博士,医学博士,是流行病学和副教授环境卫生在乌兰巴托学校公共卫生和医疗行业。
艾哈迈德说,这项研究的重要性和研究:“结果很重要,因为美国是一个异构的环境空间。有多种社会经济因素和教育levels-essentially,一个大小并不适合所有人。这里当地的机器学习模型的解释比全球解释更重要。”
他补充说,结果可能是有用的对公共卫生管理和干预,表明哪些领域需要支持。
“我们希望该模型来解释已知的LBC死亡率预测连接和风险因素,”太阳说。
“研究可以是一个模型,将人工智能集成到一个流行病学研究中,“μ表示。”也可以作为一个例子,使用预测模型研究癌症。这可以极大地帮助识别高风险地区癌症登记处是不可用的。”
研究配对合奏与可辩解的机器学习算法空间代表LBC死亡率和之间的关系风险因素在美国,提前在这一领域的研究。人工智能算法与更多的数据更好地合作与多个模型,这就是为什么stack-ensemble比任何单一模型更有用。
“新品在当地的解释是仍然缺乏,特别是有关环境和科学,”艾哈迈德说。
人工智能是一个强大的工具,因为模型从数据中学习,使他们能够处理复杂的相互作用和关系。模型可以“思考”。
风险因素研究探索占变量有关的生活方式,社会经济地位,人口统计学,空气污染,和物理环境。他们包括吸烟,贫困率、健康保险、人口、空气污染和生物物理因素。
这项研究指出,吸烟率是与贫困水平和种族。这项研究还指出一个强大的社会经济地位和LBC死亡率之间的关系在美国
在空气污染方面,研究人员检查了污染物二氧化氮(没有2)、二氧化硫(SO2)、臭氧和颗粒物及其空间变异性与肺癌和支气管癌症死亡率。
进一步探索
