Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Know-GRRF: Domain-Knowledge Informed Biomarker Discovery with Random Forests Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

A Transferable Belief Model Decision Support Tool over Complementary Clinical Conditions

verfasst von : Abderraouf Hadj Henni, David Pasquier, Nacim Betrouni

Erschienen in: Bioinformatics and Biomedical Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper presents an algorithm for decision support over two complementary clinical conditions given a large features data base. The algorithm is mainly divided in two parts, the first one aims at identifying relevant features from a large dimension data base using a heuristic method based on a discriminating power. The second part is a tool based on the Transferable Belief Model (TBM) which combines information extracted from the selected features to provide decision results with probabilities along with a result’s consistency measure so that decision could be made carefully. The proposed algorithm is tested on a downloaded feature data base. The TBM based decision support tool showed consistent results w.r.t provided outcomes by combining data from two relevant features identified after using the heuristic feature ranking method.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Gene-Gene Interaction Analysis: Correlation, Relative Entropy and Rough Set Theory Based Approach
Nächstes Kapitel An Online Viewer of FHR Signal for Research, E-Learning and Tele-Medicine
Anhänge
Nur mit Berechtigung zugänglich
Literatur
1.
Chen, X., Sun, X., Hoshida, Y.: Survival analysis tools in genomics research. Hum. Genomics 8(1), 21 (2014)CrossRef
2.
Delmotte, F., Smets, P.: Target identification based on the transferable belief model interpretation of dempster-shafer model. IEEE Trans. Syst. Man Cybern. - Part A: Syst. Hum. 34(4), 457–471 (2004)CrossRef
3.
Christin, C., et al.: A critical assessment of feature selection methods for biomarker discovery in clinical proteomics. Mol. Cell. Proteomics 12(1), 263–276 (2012)CrossRef
4.
Parmar, C., et al.: Machine learning methods for quantitative radiomic biomarkers. Sci. Rep. 5, 13087 (2015)CrossRef
5.
Wang, J., et al.: A novel method to use fuzzy soft sets in decision making based on ambiguity measure and dempster shafer theory of evidence: an application inmedical diagnosis. Artif. Intell. Med. 69(Suppl. C), 1–11 (2016)
6.
Roe, K., et al.: Early prediction of response to radiotherapy and androgen-deprivation therapy in prostate cancer by repeated functional MRI: a preclinical study. Radiat. Oncol. 6(1), 65 (2011)CrossRef
7.
Robert, J., et al.: Radiomics: Images are more than pictures, they are data. Radiology 278(2), 563–577 (2016)CrossRef
8.
Kumar, V., et al.: Radiomics: the process and the challenges. Magn. Reson. Imaging 30(9), 1234–1248 (2012)CrossRef
9.
Foltz, W.D., et al.: Changes in apparent diffusion coefficient and t2 relaxation during radiotherapy for prostate cancer. J. Magn. Reson. Imaging 37(4), 909–916 (2012)CrossRef
10.
Liu, Z.G., Cheng, Y.M., Pan, Q., Dezert, J.: Sequential adaptive combination of unreliable sources of evidence (2015)
11.
Garman, K.S., Nevins, J.R., Potti, A.: Genomic strategies for personalized cancer therapy. Hum. Mol. Genet. 16(R2), R226–R232 (2007)CrossRef
12.
Jousselme, A.-L., Grenier, D., Boss, L.: A new distance between two bodies of evidence. Inf. Fusion 2(2), 91–101 (2001)CrossRef
13.
Lian, C., Ruan, S., Denoeux, T., Vera, P.: Outcome prediction in tumour therapy based on dempster-shafer theory. In: 2015 IEEE 12th International Symposium on Biomedical Imaging (ISBI), pp. 63–66, April 2015
14.
Lian, C., Ruan, S., Denœux, T., Li, H., Vera, P.: Robust cancer treatment outcome prediction dealing with small-sized and imbalanced data from FDG-PET images. In: Ourselin, S., Joskowicz, L., Sabuncu, M.R., Unal, G., Wells, W. (eds.) MICCAI 2016. LNCS, vol. 9901, pp. 61–69. Springer, Cham (2016). https://​doi.​org/​10.​1007/​978-3-319-46723-8_​8CrossRef
15.
16.
17.
Ramasso, E., Panagiotakis, C., Pellerin, D., Rombaut, M.: Human action recognition in videos based on the transferable belief model. Pattern Anal. Appl. 11(1), 1–19 (2007)MathSciNetCrossRef
18.
Shafer, G.: A Mathematical Theory of Evidence. Princeton University Press, Princeton (1976)MATH
19.
Straszecka, E.: Combining uncertainty and imprecision in models of medical diagnosis. Inf. Sci. 176(20), 3026–3059 (2006)MathSciNetCrossRef
20.
Tessem, B.: Approximations for efficient computation in the theory of evidence. Artif. Intell. 61(2), 315–329 (1993)MathSciNetCrossRef
Metadaten
Titel
A Transferable Belief Model Decision Support Tool over Complementary Clinical Conditions
verfasst von
Abderraouf Hadj Henni
David Pasquier
Nacim Betrouni
Copyright-Jahr
2018
Buch
Bioinformatics and Biomedical Engineering

Print ISBN: 978-3-319-78758-9

Electronic ISBN: 978-3-319-78759-6

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-78759-6_37