Search engine queries have been demonstrated to be a useful signal for screening people for different cancer types. Past work focused on a biased population which indicated that they were suffering from the condition, or else inferred which people had the condition of interest using their queries. Here we used a combination of an online advertising campaign and a clinically verified questionnaire to identify at-risk people, and correlated their past queries with these risk scores. People who suspected they were suffering from lung, breast, or colon cancer were recruited through ads shown on the Bing search engine to complete a clinically verified risk questionnaire. Of those, 201 people agreed to participate in the research and their past queries could be obtained. An automated classifier to predict their risk score based on past queries reached an Area Under the ROC (AUC) of 0.64 for all cancers, and 0.76 for colon cancer. These results demonstrate the utility of search engine queries to screen for cancer and are the represent the first step in utilizing advertising systems to screen for cancer and detect it earlier than has been previously possible.


翻译:事实证明,搜索引擎查询是筛选不同类型癌症患者的有用信号; 过去的工作侧重于有偏见的人群,表明他们患有这种疾病,或者用他们的查询推断出哪些人感兴趣; 我们在此使用在线广告运动和经临床核实的问卷的结合来识别高危人群,并将他们过去询问与这些风险分数挂钩; 怀疑他们患有肺癌、乳腺癌或结肠癌的人是通过在Bing搜索引擎上显示的广告招聘的,以完成经临床核实的风险问卷。 在这些人中,201人同意参与研究,并可以获得他们过去的查询; 根据以往查询,自动分类者根据以往查询,预测其风险得分达到0.64个所有癌症的ROC(AAC)下区域,0.76个癌症的ROC(ACC)下区域,这些结果显示搜索引擎查询对癌症筛查的效用,是利用广告系统来筛查癌症并比以前可能提前检测的第一个步骤。

0
下载
关闭预览

相关内容

《工程》是中国工程院(CAE)于2015年推出的国际开放存取期刊。其目的是提供一个高水平的平台,传播和分享工程研发的前沿进展、当前主要研究成果和关键成果;报告工程科学的进展,讨论工程发展的热点、兴趣领域、挑战和前景,在工程中考虑人与环境的福祉和伦理道德,鼓励具有深远经济和社会意义的工程突破和创新,使之达到国际先进水平,成为新的生产力,从而改变世界,造福人类,创造新的未来。 期刊链接:https://www.sciencedirect.com/journal/engineering
知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
108+阅读 · 2020年6月10日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
金融领域自然语言处理研究资源大列表
专知
13+阅读 · 2020年2月27日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Arxiv
4+阅读 · 2018年11月6日
Arxiv
5+阅读 · 2018年5月1日
Arxiv
5+阅读 · 2018年1月30日
VIP会员
相关资讯
金融领域自然语言处理研究资源大列表
专知
13+阅读 · 2020年2月27日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Top
微信扫码咨询专知VIP会员