医疗决策支持系统来评估基于模糊认知地图的胃癌的危险因素

文摘

胃癌(GC),全球最常见的癌症之一,是一种多因素疾病,这种疾病的风险因素有很多。GC的风险评估是至关重要的,选择一个适当的医疗策略。很少有研究GC的风险评估系统的开发。本研究的目的是提供一个医学决策支持系统基于软计算使用模糊认知地图(fcm)将帮助医疗专业人员确定一个适当的个人医疗保健战略基于疾病的风险水平。fcm是最强大的人工智能技术对复杂系统建模。在此系统中,一种基于非线性的FCM Hebbian学习(NHL)算法。在这项研究中使用的数据收集从560年的医疗记录病人指伊玛目Reza医院在大不里士市。27胃癌有效特征选择使用三个专家的意见。该方法的预测精度为95.83%。结果表明,该方法比其他决策算法更准确,如决策树、朴素贝叶斯和安。从卫生保健专业人士的角度,提出医学决策支持系统是简单、全面、更有效的比先前的模型来评估风险的GC和GC可以帮助他们预测的风险因素在临床设置。

1。介绍

胃癌(GC)的一个主要癌症全世界每年约有一百万新患者是癌症死亡的第三个原因1,2]。这是世界上一个重要的公共卫生问题,特别是在中亚国家,这种疾病的发病率非常高(2]。GC是一种多因素疾病,其形成与各种风险因素(3]。各种科学方法,如photofluorography esophagogastroduodenoscopy,用于早期诊断GC和可以帮助减少GC的死亡率与实际的方法(3]。考虑到这些方法入侵和昂贵的,需要提供一个简单的廉价而有效的工具诊断人GC的风险,然后可以更准确的考试。此外,适当的预防措施可以减少这种疾病的发病率。

的初始定义决策支持系统(DSS)认为这是一个系统,以支持决策者半结构式和非结构化的管理职位和决定(4]。因此,DSS意味着帮助决策者和提高他们的能力,而不是取代他们的判断4]。今天,使用DSSs扩大了在各种各样的领域,如管理、工业、农业、信息系统、医学、和数以百计的其他话题。医疗决策支持系统(mds)是一种计算机系统,旨在帮助内科医生或其他医疗专家在临床决策。一些应用程序的医疗决策支持系统下面5]:(我)预防保健服务,例如,检查血压和癌症(2)病人症状检查程序(3)护理方案(iv)减少长期住院的指南(v)智能健康监测系统

mds包含许多优势,其中最重要的是减少医疗失败,使一个相对稳定的结构为诊断和治疗疾病,从而解决不同和冲突的专家的想法5]。因此,设计和实现这些模型是至关重要的。

fcm被视为软计算方法,尝试试图像人类决策和推理6]。事实上,一个FCM是一个多方面的系统的建模工具,这是获得通过集成神经网络和模糊逻辑7,8,利用概念来描述复杂系统的性能。这种技术创建了一个概念模型,其中每个概念提供了一个特性或状态动态交互系统这些概念(9]。FCM是系统结构的图形表示10]。根据人工智能,fcm动态学习网络;因此,更多的数据来建模问题可以帮助系统适应本身和达成解决方案。这个概念模型不局限于具体的尺寸和数量。因此,它非常适合没有准确的概念结构。

fcm, Kosko与签署和反馈回路模糊有向图来说明模型的计算复杂度和依赖象征性的和明确的11]。换句话说,创建一组节点的FCM通过因果关系相互影响。这种技术的细节和数学公式描述的补充材料(可用在这里)。使用模糊系统的好处(if - then规则)和神经网络(教学),FCM是能够快速地证明其有效性在各个领域的成功,这样我们可以看到它的存在在政治、经济、工程、医学等。12]。

近年来,mds利用FCM开发这个工具的主要应用之一。FCM已成为代表的工具和研究系统的行为,它可以处理复杂的系统使用一个好辩的过程。本研究的目的是提供一个评估mds GC使用FCM的风险。

在以下,FCM的一些成功的实例应用程序提供对决策支持系统。Papageorgiou et al。13)利用FCM预测传染性疾病和感染的严重性。小说FCM-based技术提出了由Amirkhani et al。14]从其他内部屏幕和隔离UDH脑部病变。因此,他们检查了86例Shahid Beheshti说医院在城市伊斯法罕。病理学家提取十个关键属性需要屏幕这些病变使用它们作为FCM的关键概念。建议技术的正确度是95.35%。根据结果,表明不仅建议FCM包含高精度水平也能预设一个可接受的假阴性率(FNR)。提出了一种决策支持系统由Baena德·莫拉埃斯洛佩斯et al。7诊断尿消除的变化,根据护理术语北美护理诊断协会国际(NANDA-I)。195例尿失禁的FCM模型利用NANDA-I后分类。0.92和0.95的高特异性和敏感性,分别发现的FCM模型;然而,低特异性值的测定提供了敦促尿失禁的诊断(0.43)以及低灵敏度值总体尿失禁(0.42)。

最近,FCM Hebbian-based学习功能的使用增加了。根据(15),提出了一种决策框架,可以准确地评估老年人抑郁症状的恶化,提醒医疗服务提供者,为调节病人的治疗提供有用的信息。根据(16),提出了一种家族性乳腺癌的风险管理系统使用NHL-based FCM方法。本研究从40例中提取所需数据和18选择关键特性。结果表明,精度为95%。根据(17),第一个专门为肥胖诊断系统提出了基于心理和社会特征。在这项研究中,提出了一种基于FCM的数学模型。根据提出的模型,可以研究不同的减肥治疗方法的影响。

不存在某些原因GC。因果关联不系统地调查和了解到目前为止之间多个风险因素的综合影响发展中GC的概率。甚至放射学家的思想和肿瘤学家在这方面非常主观。在这种情况下,它被认为是使用FCM人性化和透明的临床支持工具确定因素之间的因果联系,可以明显消除主观性的度对风险水平的影响。目前的工作主要是专注于发展一个临床决策工具的FCM GC评估风险。

2。方法

2.1。FCM模型GC的风险因素

解决GC是一个复杂的过程,需要了解各种参数,症状和危险因素,作出正确的决策和评估。本研究评估的风险GC通过提供一个医疗决策系统。这个决策系统的设计是基于FCM的模型,这是下面。设计和开发一个合适的FCM要求人类知识描述一个决策支持系统。在这项研究中,GC专家用于FCM模型的发展。FCM模型的发展分为三个主要步骤,简要总结:(1)识别的概念(2)确定概念之间的关系和初始权重(3)权重

首先,专家单独确定的因素,导致GC。在下面,专家普遍概念节点选为模型。第二步是确定概念之间的关系。为此,专家定义概念之间的交互作用对模糊变量。为此,确定和方向的关系(如果有的话)的关系。这些影响的数量表示为非常低,低,中,高,非常高。最后,专家们所表达的语言变量整合。使用和技术,这些值聚合和总语言产生的重量是“中心”去模糊化方法和转换为数值。然后建立相应的权重矩阵。选择教初始权值的学习算法是该方法的第三步。 The purpose of a learning algorithm, setting the initial weight, is the same way as neural networks to improve the modeling FCM.

为了更好地理解,这些步骤一步一步来开发一个FCM模型用于GC。为此,三个专家的意见。在第一阶段的研究呈现在这篇文章中,GC风险因素是信息收集的医疗资源,病理学家,和非正式的来源18- - - - - -48]。收集到的知识转化为一个结构良好的问卷调查和提出三个专家。调查问卷包括与GC相关危险因素。三个专家表示,27日共同的特征是确定为终末期GC的主要危险因素。为了更好地理解,我们使用了提到的过程一步一步开发一个GC FCM模型。

胃癌的危险因素可以被归类到四组(个人特性,系统条件下,胃条件,和减肥食品),每一种都包括几个风险因素。最后的功能呈现在图1表,他们给出的解释1。

在第二个阶段,首先,签约确定两个概念之间的关系,最后,两个概念的数值计算。五个成员函数被用于这一目的。考虑下面的例子。

1^圣专家:对C27 C4有很大的影响。

2^nd专家:C4 C27温和的影响。

3^{理查德·道金斯}专家:对C27 C4有很大的影响。

使用求和方法,上面的三个语言权重(高,非常高,非常高)聚合。上述三个语言权重(高,非常高,非常高)使用和聚合方法。图2代表了重心去模糊化方法,实现计算重量的数值范围 。

使用这种方法,所有的重量为GC FCM相关概念之间的关系进行了计算。发达FCM如图3。在第三步中,我们使用一个学习算法训练模型,其中包括更新重量的关系,最后,GC风险因素的模糊认知图提取。为此,560位病人收集的数据称为伊玛目Reza医院大不里士(预处理步骤后)使用通过一份调查问卷。表2显示的特性、价值观和频率的病人。

图4显示了GC的风险因素提出了FCM模型。这个FCM 28概念和38边缘权重。考虑到28概念节点,27是终极physician-selected特性,干扰的疾病和显示值C1 C27。中央节点是GC的概念,从所有其他节点接收和收集交互。积极的体重优势表明它对GC的发病率有积极影响,和消极的重量表明威慑的作用在疾病的发病率。黄色,紫色,蓝色,和绿色的颜色被用来指定类别的任何功能或概念。指定的C1 C8特性与黄色列为个人特性。紫罗兰的颜色是用于C9 C17减肥食品类别的特点。蓝色和绿色也用于C18系统性条件的特点,分别C23 C27功能被用于胃条件类别。

2.2。学习使用NHL FCM算法

GC专家也能够创建FCM方法。非线性Hebbian学习学习(NHL)是利用权重由于不能获得相对较大的数据集,因果重量优化,和更准确的结果49]。Hebbian-based算法被用于FCM培训矩阵确定最佳的专业知识(50]。通过现有的数据和设置FCM算法权重学习公式的重复和Hebbian规则方法(50]。NHL算法是基于FCM模型的假设,即所有的概念在每个时间步和刺激他们的价值观改变。的值对应的概念和更新,体重吗在迭代修正 。的价值决定的 迭代。的概念与价值观的影响和修正加权值在迭代是由

每个概念的FCM模型可能是输入或输出的概念。大量的概念被定义为输出(OCs)的概念。这些概念是系统的状态,我们要估计的值代表了系统的最终状态。概念的分类作为输入和输出的概念是由专家根据集团正在考虑。中使用的数学关系NHL学习FCM算法方程所示(1)和(2)。

在哪里是一个尺度参数称为学习速率。是一个很小的积极的标量因素称为学习参数。它的值是通过测试误差。

方程(3)是主要的NHL方程算法。是重量衰减参数。概念和权重的值通过方程计算(1)和(3),分别。事实上,NHL算法更新基本矩阵非零元素建议的专家在每个迭代中。以下标准确定NHL算法结束时(50]。

(一)终止功能给药

在哪里的平均值 。

这种度量函数适用于NHL fcm算法。在每个步骤中,计算欧氏距离和 。假设 , 通过计算

鉴于FCM模型 - - - - - -计算, ,之间的平方的总和 - - - - - -口服避孕药可以通过计算

后是最小化,情况结束。b)第二个条件完成该算法两个连续口服避孕药之间的区别。这个值应该小于 。因此,的值 迭代应小于基于

在该算法中,参数的值和确定通过测试误差。经过几次测试,的值和给表现最好的算法。最后,算法终止条件得到满足时,最终权重矩阵(是获得。

为方便用户,使用MATLAB的GUI图形界面设计提出的系统。GC风险预测软件的用户界面如图3。

例如,用户输入所请求的信息到系统中。系统显示风险评估的结果在收到来自用户的信息和使用提出了NHL-FCM模型。

对分类精度的比较,使用相同的数据集分类与其他机器学习模型。反向传播神经网络、支持向量机、决策树、贝叶斯分类器中使用Weka工具包V3.7测试其他学习算法。为了这个目的,包含收集数据收集的Excel文件转换为.arff格式,以便它可以读取Weka。然后,所需的数据预处理的步骤进行。在这个软件中,一个最常见的评估方法的性能类别标记的数据集划分为若干子集是交叉验证。10倍交叉验证用于所有的学习算法。10倍交叉验证将数据集划分为10个部分和执行测试10次。在每个步骤中,一部分被认为是一个测试,另9部分被认为是进行训练。通过这种方式,每个数据一旦用于测试和培训9倍。因此,整个数据集进行训练和测试。

27岁的反向传播神经网络输入神经元,10个神经元,3输出节点用作多层感知器。此外,评估风险分为三个类别的分类,高,中,低,支持向量机,决策树C4.5和朴素贝叶斯分类器使用了. .鉴于数据研究不是线性可分的,我们需要使用核心技术来实现支持向量机算法。核心技术是最常见的一种技术来解决问题,并不是线性可分的。在这种方法中,选择一个合适的核心功能和执行。实际上,内核函数的目的是线性化非线性问题。有几个在Weka内核函数。RBF(径向基函数)被用来运行支持向量机算法。通过选择和运行C4.5算法,可以看到分类的结果。同时,树由该算法图形可以看出,这是一棵大树。 The three categories of high risk, medium risk, and low risk were selected as target variables and other characteristics as predictive variables. The leaves of the tree are the target variables and can be seen as a number of rules according to the model made by the tree. Naïve Bayesian was another classification algorithm that was implemented using Weka on the studied data, and its results were examined. This algorithm uses a possible framework to solve classification problems.

3所示。结果

分析了该方法的性能,我们将数据分成两类。该模型被训练使用70%的病人的记录基于NHL(392条记录)算法和测试使用30%的记录(168条记录)。考虑随机试验所选用的168份病历,高的类别,有56个记录64条记录在中类别,在低类别和48记录。

根方误差(RMSE)和性能测量精度,还记得,精度,平均绝对误差(MAE)是关键行为措施在医学领域17]在文献中广泛使用。确定精度、召回和精度,湍流矩阵是利用。混淆矩阵是一个表可以可视化算法的行为。表3代表一个混淆矩阵的一般方案(两组C1和C2)。

矩阵包含两列和两行指定值的数量包括真正的底片(TN),假阴性(FN),假阳性(FP),和真正的阳性(TP)。TP显示了类C1的标本数量适当的分类。FP是标本的数量为C1组C2分类不准确。TN显示了类C2正确分类样本的数量。FN代表类C1分类错误的样本数量类C2。(我)精度:准确代表的比例准确分类标本测试样品的总数。它是由 (2)回忆:回忆是类C1的实例的数量实际上预测正确。它是计算 (3)精度:它代表了分类器的能力不标签C2样本C1。它是计算

美性能指标计算

在方程(11),代表训练数据的数量( ), 显示的数量输出概念( ),和表示之间的差异th决定输出概念(OC)及其等价的实际价值(目标)的出现th输入概念的输入工具。

基于定义的RMSE评价指标 在哪里训练集和的数量吗是系统输出。

表4显示了该方法的精度结果和其他标准的分类器。提出的方法比其他类别的效率NHL的效率处理非常小的数据纠正FCM的重量。因此,最优决策输出的概念。

结果表明,最高的总精度与该方法(95.83%)高出5% MLP-ANN算法的准确性。最高的精度和召回相关算法,(媒介),分别为96.77%和98.21%(高)。它还表明,该方法基于NHL的训练误差小于其他算法用于这项研究。

如上所述,和两个学习参数在NHL算法。在这个算法中,这些参数的上限和下限是由试验和错误为了优化最终的解决方案。经过几次模拟与参数和 ,这是观察到大量的使用造成重大的重量和体重的变化标志着。同时,模拟小也创造了显著的体重变化,从而阻止的重量概念进入所需的范围。出于这个原因,价值观和是有限的, 和 。在每个研究中,一个恒定的值被认为是对这些参数。

经过几次调查,发现最好的类别相关的性能 和 。不同值的学习的分类结果参数表5。

4所示。讨论

在这项研究中,我们设计了一个风险预测模型和GC风险评估工具的研究数据来说明病人的人口指伊玛目的胃肠病学单位Reza医院在大不里士。该模型提出了本研究试图合理化分析之外的临床专家和增加专家做出逻辑决定的能力在临床患者不同程度的危险因素为GC和帮助临床专家做出合乎逻辑的决定对患者最佳的预防方法。

95.8%的总体分类精度通过Hebbian-based FCM使用560例表明高水平的协调提出系统和医疗决策,并提出临床专业人员和决策支持工具可以信任还可以帮助他们在风险评估的过程中胃GC。

具体地说,我们的风险评估工具很简单和便宜的使用在临床环境中,因为许多其他方法来预测GC被入侵的风险。因此,这是一个有效的工具来评估人口在未来患癌症的风险。结果表明这个新模型可以预测的概率发展GC有关这项研究中指定的特征比先前的研究更好的精度。

近年来,一些研究已经进行的开发和验证各种癌症的风险评估工具(51,52]。最近的研究表明,的结合幽门螺旋杆菌抗体和血清胃蛋白酶原是一个很好的预测GC [53,54]。

我们相信,只有另外两个评价为GC仪器存在而不是我们的。基于日本公共卫生中心的前瞻性研究,一个设备是为了估计GC的累积概率发病率包括性别、年龄、吸烟状态的混合物幽门螺旋杆菌抗体和血清胃蛋白酶原,咸的食物消费,家族史GC的风险因素(55]。一个良好的性能被发现基于标定的模型和歧视。基于[2),提出了一种风险评估为GC仪器在日本的普通人群。在这个工作中,性别、年龄、的结合幽门螺杆菌抗体和胃蛋白酶原状态,吸烟状态和糖化血红蛋白水平是GC的危险因素。

风险因素选择在这两个研究都是非常有限的几个具体的特点和在我们的研究中几乎没有相似的因素。风险,如水果和蔬菜的消费,酒精消费,心血管疾病的历史,血型,牛奶消费,过敏史,胃返流,存储容器,食物摄入量和癌症家族史的并不存在在这两项研究尽管他们在先前的研究的重要性。因素,如盐摄入量和GC被称为历史的原因并不存在的GC [2]。在我们的研究中另一个引人注目的一点是,该模型的性质,这种方法解决了相关的影响因素,有时对方甚至可能危及对方的相互影响,但它不包括在前两个研究。

该方法比其他算法的另一个优点是其他方法不能提供任何显式的因果关系和系统是一个黑盒子。这个问题也让这些算法并不适合医学决策支持系统。最后,新系统有以下好处:(我)它检查的因素没有被考虑在之前的模型来评估GC的风险(2)因为使用的新因素,该模型可以更有效地预测GC的风险(3)该模型提出了一个有一个简单的软件,方便,和用户友好的界面(iv)使用这个软件的医生和其他研究人员可以解决个人医疗决策(v)它帮助医疗专业人士决定个人的风险管理机制

本研究提出的系统具有以下限制:(1)一个小样本的病人用于学习和预测GC,(2)该模型的严重依赖领域专家的知识,(3)依赖于初始条件和沟通,和(4)缺乏外部验证的预测系统。尽管这个系统好结果由于使用一个适当的数据库和重要的GC和相关因素,我们的研究结果的普遍性不能被证明是没有系统的实验在另一个数据集。因此,有必要使用一个更大的人口统计来测试该模型。

5。结论

评估的风险级别为GC,帮助决定筛查是很重要的。考虑到有限数量的GC提出了风险评估工具,到目前为止,没有工具,全面涵盖了风险因素在科学研究GC。该模型基于软计算涵盖了所有影响因素GC的发病率。该方法的分类精度高于其他机器学习分类方法,决策树、支持向量机等。这是由于FCM的有用特性检查领域知识和确定FCM和初始权重的初始结构,然后利用NHL教FCM算法模型和调整这些权重。FCM-based模型全面、透明,比先前的模型来评估和更有效的GC的风险。结果,这个风险评估工具可以帮助诊断患有高风险的GC和帮助患者医疗服务提供者和决策过程。我们的未来的工作是使用更多的功能和变化和其他学习算法来确定边缘的FCM的重量。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

补充材料

回顾模糊认知地图(56]。(补充材料)

引用

1. j . Ferlay Soerjomataram, r·德里et al .,“全球癌症发病率和死亡率:来源,2012年GLOBOCAN方法和主要模式,”国际癌症杂志》上,卷136,不。5,E359-E386, 2015页。视图:出版商的网站|谷歌学术搜索
2. 井上h . Charvat s Sasazuki m . et al .,“10年期的概率预测胃癌发生在日本人口:JPHC研究队列二世”国际癌症杂志》上,卷138,不。2、320 - 331年,2016页。视图:出版商的网站|谷歌学术搜索
3. 池田m . Iida f·j·哈塔et al .,“风险评估工具的开发和验证胃癌一般日本人口,”胃癌,21卷,不。3、383 - 390年,2018页。视图:出版商的网站|谷歌学术搜索
4. r . Sharda d Delen大肠头巾,分析、数据科学和人工智能:决策支持系统,2019年皮尔森。
5. A . Amirkhani,依Papageorgiou, A·穆赫辛尼经常和m . r . Mosavi”回顾模糊认知地图在医学:分类,方法,和应用程序,”计算机在生物医学方法和项目。卷,142年,第145 - 129页,2017年。视图:出版商的网站|谷歌学术搜索
6. 依Papageorgiou, p . p . Spyridonos c, d . Stylios p . Ravazoula p p . Groumpos和g . n . Nikiforidis“先进的软计算肿瘤分级诊断方法,”人工智能在医学上,36卷,不。1,59 - 70年,2006页。视图:出版商的网站|谷歌学术搜索
7. m·h·b·德·莫拉埃斯Lopesa: r . s . Ortegab p s p . Silveirab e . Massadb r . Higac和h . de法蒂玛Marind”模糊认知地图改变的鉴别诊断尿消除:护理的方法,”国际医学信息学杂志》上,卷82,不。3、201 - 208年,2013页。视图:出版商的网站|谷歌学术搜索
8. 依Papageorgiou、c, d . Stylios和p . p . Groumpos”活跃Hebbian学习算法训练模糊认知地图,”国际期刊的近似推理,37卷,不。3、219 - 249年,2004页。视图:出版商的网站|谷歌学术搜索
9. v . k . Mago r·梅塔r . Woolrych依Papageorgiou,“支持脑膜炎诊断在婴儿和儿童通过使用模糊认知地图,”BMC医学信息学和决策,12卷,不。1,2012。视图:出版商的网站|谷歌学术搜索
10. p .见面有和r . Ganguli结构损伤检测使用模糊认知地图和Hebbian学习,”应用软计算,11卷,不。1,第1020 - 1014页,2011。视图:出版商的网站|谷歌学术搜索
11. b . Kosko“模糊认知地图”,国际人机研究杂志》上,24卷,不。1,第75 - 65页,1986。视图:出版商的网站|谷歌学术搜索
12. 依Papageorgiou和j·l·Salmeron回顾模糊认知地图的研究在过去的十年中,“IEEE模糊系统,21卷,不。1,第79 - 66页,2013。视图:出版商的网站|谷歌学术搜索
13. 依Papageorgiou: Papandrianos, g . Karagianni和d . Sfyras“基于模糊认知图的方法来评估肺感染,”在计算机科学的课堂讲稿施普林格,页109 - 118年,柏林,海德堡,2009年。视图:出版商的网站|谷歌学术搜索
14. a . Amirkhani m . r . Mosavi f . Mohammadizadeh和s . b . Shokouhi”管内的乳腺病变的分类基于模糊认知地图,”阿拉伯科学与工程》杂志上,39卷,不。5,3723 - 3732年,2014页。视图:出版商的网站|谷歌学术搜索
15. A . Mpillis,依Papageorgiou, c . A . Frantzidis m . s . Tsatali A·c·Tsolaki和p·d·Bamidis”决策支持框架,促进独立生活和老龄化,”IEEE生物医学和卫生信息学杂志》上,19卷,不。1,第209 - 199页,2015。视图:谷歌学术搜索
16. 依Papageorgioua, j . Subramanianb A . Karmegamc和n . Papandrianosd“家族性乳腺癌的风险管理模型:一个新的应用程序使用模糊认知地图的方法,”计算机在生物医学方法和项目,卷122,不。2、123 - 135年,2015页。视图:出版商的网站|谷歌学术搜索
17. p . j . Giabbanelli t Torsney-Weir, v . k . Mago”模糊认知地图的肥胖的社会心理因素,”应用软计算,12卷,不。12日,第3724 - 3711页,2012年。视图:出版商的网站|谷歌学术搜索
18. g·墨菲,r·菲佛,m . c . Camargo和c . s . Rabkin指出“荟萃分析显示,流行的巴尔病毒呈阳性的胃癌身上基于性别和解剖位置不同,“胃肠病学,卷137,不。3、824 - 833年,2009页。视图:出版商的网站|谷歌学术搜索
19. b . l .张:他,y . b .黄f·j·歌,和k . x陈“土著的血型和患癌症的风险:系统回顾和荟萃分析,“亚洲太平洋癌症预防杂志》上,15卷,不。11日,第4650 - 4643页,2014年。视图:出版商的网站|谷歌学术搜索
20. c .问:太阳,y . b . Chang崔l . l . et al .,“以人群为基础的病例对照研究胃贲门癌的危险因素在林州市的农村地区,“亚洲太平洋癌症预防杂志》上,14卷,不。5,2897 - 2901年,2013页。视图:出版商的网站|谷歌学术搜索
21. s . m . Gapstur j . m . Drope e·j·雅各布斯et al .,”蓝图的初级预防癌症:目标建立,可改变的危险因素,”CA:临床医生的癌症杂志》上,卷68,不。6,446 - 470年,2018页。视图:出版商的网站|谷歌学术搜索
22. p . Karimi) f . Islami s Anandasabapathy n·d·弗里德曼和f·卡曼加,“胃癌:描述性流行病学、风险因素、筛查、预防”癌症流行病学,生物标记与预防》上,23卷,不。5,700 - 713年,2014页。视图:出版商的网站|谷歌学术搜索
23. d·y·格雷厄姆,“胃癌的流行病学,”胃癌、m Rugge和m . Fassan Eds.V。页23-33大肠强劲,艾德,激飞国际出版,瑞士,2015。视图:谷歌学术搜索
24. j .董和a . p .节俭”,烟酒,oesophago-gastric癌症的风险。”最佳实践与研究。临床胃肠病学没有,卷。31日。5,509 - 517年,2017页。视图:出版商的网站|谷歌学术搜索
25. Moy k . a, y粉丝,r . Wang y . t .高,m . c . Yu和j . m .元,“酒精和烟草使用与胃癌的关系:一项前瞻性研究的男性在上海,中国,“癌症流行病学生物标记与预防》上,19卷,不。9日,第2297 - 2287页,2010年。视图:出版商的网站|谷歌学术搜索
26. a . r . Yusefi k阿訇Lankarani, p . Bastani m . Radinmanesh z . Kavosi,“胃癌的危险因素:系统回顾,“亚洲太平洋癌症预防杂志》上,19卷,不。3、591 - 603年,2018页。视图:出版商的网站|谷歌学术搜索
27. m . Pakseresht d·福尔曼r . Malekzadeh带领et al .,“伊朗西北部的饮食习惯和胃癌风险”癌症的原因与控制,22卷,不。5,725 - 736年,2011页。视图:出版商的网站|谷歌学术搜索
28. 诉Sreenivas k . Jain, t . Velpandian Kapil,和p . k . Garg“胆囊癌症的危险因素:一项病例对照研究,“国际癌症杂志》上卷,132年,第1666 - 1660页,2012年。视图:谷歌学术搜索
29. l . D 'Elia g·罗西,r .使役动词,f·p·卡普西奥和p . Strazzullo“习惯性的盐摄入量和胃癌的风险:一个荟萃分析的前瞻性研究,“临床营养没有,卷。31日。4、489 - 498年,2012页。视图:出版商的网站|谷歌学术搜索
30. m . Verdalet-Olmedo c . Sampieri j·m·罗梅罗h . m .格瓦拉。m . Machorro-Castano和k·l·科尔多瓦漏报早餐和胃癌的风险在墨西哥,”世界胃肠肿瘤学杂志》上,4卷,不。11日,第229 - 223页,2012年。视图:出版商的网站|谷歌学术搜索
31. m . Ganjavi b Faraji、f·卡曼加和c·塔克”在胃癌延迟效应的水果和蔬菜,”营养和学院的营养学》杂志上,卷117,不。9,A21页,2017年。视图:出版商的网站|谷歌学术搜索
32. m . b . Braga-Neto j·g . Carneiro a . m . de Castro巴博萨et al .,“远端胃癌的临床特点的年轻人从巴西东北部,”BMC癌症,18卷,不。1,p。131年,2018。视图:出版商的网站|谷歌学术搜索
33. j . c . x j . Cheng林,s . p .你“胃癌的病因和预防”,Gastrointest肿瘤,3卷,不。1、技能,2016页。视图:出版商的网站|谷歌学术搜索
34. y Guoa, z Shanb、h . Renc和w·契那发电厂“乳制品消费和胃癌风险:流行病学研究的荟萃分析,“营养和癌症,卷76,不。4、555 - 568年,2015页。视图:谷歌学术搜索
35. f . Habibzadeh“胃癌在中东,”国际职业与环境医学》杂志上,382卷,2013年。视图:谷歌学术搜索
36. 即Husaina、m . Alalyanib和a . h . Hanga“一次性塑料食品容器及其对健康的影响,”《能源和环境科学》杂志上卷,130年,第623 - 618页,2015年。视图:谷歌学术搜索
37. a . m . m . p . j . d . Weidenhamer Fitzpatrick比罗et al .,“金属铝炊具曝光:一种不为人知的公共卫生风险在发展中国家,“科学的环境卷,579年,第813 - 805页,2017年。视图:出版商的网站|谷歌学术搜索
38. 乔,t·j·金·h·李et al .,“过敏性皮肤炎之间的关联和胃癌的风险:一项全国性的以人群为基础的研究中,“朝鲜胃肠病学杂志》上,卷71,不。1,38-44,2018页。视图:出版商的网站|谷歌学术搜索
39. 江x, c . c .曾l·伯恩斯坦和a·h·吴“癌症和胃食管疾病的家族史和食管和胃腺癌的风险:一项病例对照研究中,“BMC癌症,14卷,不。1,2014。视图:出版商的网站|谷歌学术搜索
40. m .歌曲,m . c . Camargo s·j·温斯坦et al .,“癌症家族史的一级亲属和胃癌的风险及其前体在西方人口,”胃癌,21卷,不。5,729 - 737年,2018页。视图:出版商的网站|谷歌学术搜索
41. j . c . y .云:Kim Lee et al .,”奥尔加的实用性和OLGIM系统不仅为肠道类型也为弥漫型胃癌,也没有交互在胃癌的危险因素,”幽门螺杆菌,23卷,不。6、2018。视图:出版商的网站|谷歌学术搜索
42. s . A . Mahmoodi k Mirzaie, s m . Mahmoudi“胃癌的新算法来提取潜规则数据基于本体,“Springerplus,5卷,不。1,2016。视图:出版商的网站|谷歌学术搜索
43. m . s .夸克,崔k . s . s .公园和e·c·公园,“感知风险对胃癌一般韩国人口:以人群为基础的调查,“Psychooncology,18卷,不。7,708 - 715年,2009页。视图:出版商的网站|谷歌学术搜索
44. m . Rugge r . m . Genta f . di马里奥et al .,“胃癌预防的疾病,”临床胃肠病学和肝脏病学,15卷,不。12日,第1843 - 1833页,2017年。视图:出版商的网站|谷歌学术搜索
45. “原因、危险因素和预防胃癌风险因素,”2017年,https://www.cancer.org/cancer/stomach-cancer/causes-risks-prevention/risk-factors/。视图:谷歌学术搜索
46. k . Sugano”的效果幽门螺杆菌根除在胃癌的发生率:系统回顾和荟萃分析胃癌,22卷,不。3、435 - 445年,2019页。视图:出版商的网站|谷歌学术搜索
47. v . e . Cokkinides p . Bandi r·l·西格尔和a . Jemal”在美国拉美裔癌症相关的危险因素和预防措施/拉丁美洲人,”CA:临床医生的癌症杂志》上,卷62,不。6,353 - 363年,2012页。视图:出版商的网站|谷歌学术搜索
48. j . j .江y . Chen, c .歌曲,j . Zhang和k .王”的人口由于负担幽门螺杆菌有关的胃癌、冠心病和缺血性中风在中国,“欧洲临床微生物学和传染病》杂志上,36卷,不。2、199 - 212年,2017页。视图:出版商的网站|谷歌学术搜索
49. 答:依Papageorgiou和w . Froelich进化模糊认知地图的应用预测肺感染,”IEEE在生物医学信息技术,16卷,不。1,第149 - 143页,2012。视图:出版商的网站|谷歌学术搜索
50. A . Amirkhani m . r . Mosavi k .穆罕默迪依Papageorgiou,“一种新的混合方法基于模糊认知地图和模糊聚类算法分级腹腔疾病,”神经计算和应用,30卷,不。5,1573 - 1588年,2018页。视图:出版商的网站|谷歌学术搜索
51. h . m . k . g .杨紫琼刘贤Ho赵et al .,“亚太大肠癌筛查分数:一个验证工具,分层先进结直肠肿瘤的风险在无症状的亚洲主题,“肠道,60卷,不。9日,第1241 - 1236页,2011年。视图:出版商的网站|谷歌学术搜索
52. b . Rosner g·a·科迪兹j . d . Iglehart和s e . Hankinson”风险预测模型和不完整的数据和应用雌激素受体阳性乳腺癌的预测:未来的护士健康研究的数据,”乳腺癌研究,10卷,不。4,R55页,2008年。视图:出版商的网站|谷歌学术搜索
53. 加藤t . Terasawa h . Nishida k . et al .,“预测胃癌血清胃蛋白酶原测试和开发幽门螺杆菌东方亚洲人血清阳性:系统回顾和荟萃分析《公共科学图书馆•综合》,9卷,不。10 p . e109783 2014。视图:出版商的网站|谷歌学术搜索
54. h . Watabe t . Mitsushima y Yamaji et al .,“预测胃癌的发展相结合幽门螺杆菌抗体和血清胃蛋白酶原状态:未来的内窥镜队列研究”,肠道,54卷,不。6,764 - 768年,2005页。视图:谷歌学术搜索
55. c·马特尔·德·j . Ferlay s Franceschi et al .,“2008年全球癌症负担归因于感染:回顾和综合分析,“柳叶刀肿瘤学,13卷,不。6、2012。视图:谷歌学术搜索
56. 依Papageorgiou”,学习算法的模糊认知映射回顾研究中,“IEEE系统,人,控制论,一部分C(应用程序和评论),42卷,不。2、150 - 163年,2012页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020赛义德阿巴斯Mahmoodi等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。