MARC

 008260219s2025        us  ||||||||||||||c||eng  d
■001000017359371
■00520260202105109
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293893485
■035    ▼a(MiAaPQ)AAI32236913
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aVu,  Huong  Bui  Thien.
■24510▼aComputational  Statistics  for  Medical  Diagnostics:  From  RT-qPCR  to  Pathological  Imaging.
■260    ▼a[S.l.]▼bUniversity  of  California,  Berkeley.  ▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a116  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Huang,  Haiyan;Obermeyer,  Ziad.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aPublic  health  challenges  require  sophisticated  analytical  approaches  to  handle  massive,  heterogeneous  datasets  spanning  genetic,  behavioral,  social,  and  clinical  domains  across  diverse  populations  and  geographic  regions.  While  classical  statistical  methods  struggle  with  such  complex  data  structures,  deep  learning  models  demonstrate  significant  potential  in  delivering  more  accurate  predictive  solutions  with  big  data.  This  study  addresses  key  concepts  in  computational  statistics  including  prediction  performance  improvements,  ground  truth  quality,  big  data  approaches,  and  model  interpretability  through  two  distinct  applications  in  public  health  diagnostics.  We  present  SPARK,  a  deep  learning  model  for  RT-qPCR  curve  analysis  that  significantly  outperforms  current  practice  in  SARS-CoV-2  testing.  SPARK  achieves  a  false  negative  rate  of  1%  with  only  4.38%  false  positives,  compared  to  over  60%  false  positives  with  conventional  thresholding  methods.  Critically,  we  train  SPARK  using  true  ground  truth  labels  from  RT-qPCR  quality  control  curves  rather  than  human-generated  labels,  enabling  the  model  to  learn  beyond  current  thresholding  practice  and  differentiate  itself  from  other  deep  learning  approaches  trained  on  human  labels.  In  pathological  image  analysis,  we  demonstrate  deep  learning  applications  in  two  clinical  contexts:  predicting  breast  cancer  development  from  benign  breast  disease  whole  slide  images  and  detecting  pancreatic  malignancy  from  fine-needle  aspiration  cytology  images.  One  of  our  models  significantly  outperforms  estimated  clinician  prediction  for  breast  cancer  risk  (AUROC:  0.577  vs.  0.472,  p  ≤  0.05)  and  the  other  model  achieves  high  accuracy  in  pancreatic  malignancy  detection  with  an  average  precision  of  0.98.  Our  methods  enable  accurate  diagnostic  guidance  through  attention-based  interpretability  methods  that  highlight  relevant  image  regions  for  clinical  decision-making.  These  applications  demonstrate  how  computational  methods  can  transform  public  health  practice  by  leveraging  high-quality  ground  truth  data  and  deep  learning  architectures  to  improve  diagnostic  accuracy  and  enhance  clinical  decision  support.
■590    ▼aSchool  code:  0028.
■650  4▼aStatistics.
■650  4▼aComputer  science.
■650  4▼aPublic  health.
■653    ▼aComputational  pathology
■653    ▼aComputational  statistics
■653    ▼aComputer  vision
■653    ▼aDeep  learning
■653    ▼aDiagnostics
■690    ▼a0463
■690    ▼a0984
■690    ▼a0573
■71020▼aUniversity  of  California,  Berkeley▼bStatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359371▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서