ДОСЛІДЖЕННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ РІШЕННЯ ЗАДАЧ МЕДИЧНОГО ПРОФІЛЮ
DOI:
https://doi.org/10.34185/1562-9945-3-146-2023-12Ключові слова:
алгоритми, класифікатор, машинне навчання, діагностика захворювань, випадковий ліс, метод к найближчого сусіда, багатошаровий перцептрон, логістична регресія, градієнтний бустинг, дерево рішеньАнотація
Робота присвячена дослідженню методів машинного навчання для рішення задач медичного профілю. Мета роботи - аналіз методів машинного навчання для підви-щення точності та скорочення часу діагностики захворювань сечостатевої систе-ми у дітей. Предмет дослідження – класифікатор захворювань сечостатевої сис-теми пацієнтів Дніпропетровської обласної дитячої клінічної лікарні "Дніпропет-ровської обласної ради". В результаті дослідження вирішено такі завдання: зробле-но аналіз літератури щодо застосування методів машинного навчання до захво-рювань сечостатевої системи; розроблено програму для вилучення в напівавтома-тичному режимі необхідної інформації з виписок; проаналізовано бібліотеки мови Python та частину методів машинного навчання; проведено первинний аналіз та передобробка даних; застосовано методи класифікації, відбору ознак та заповнення пропущених значень; проаналізовано одержані результати та виконано обґрунту-вання результатів дослідження у предметній галузі.
Посилання
Mintser O.P. Obroblennia klinichnykh i eksperymentalnykh danykh u medytsyni: navch. posibnyk / O.P. Mintser, Yu.V. Voronenko, V.V. Vlasov - K.: Vyshcha shk., 2003. - 350 s.
Kobzar A.Y. Prykladnaia matematycheskaia statystyka. – M.: Fyzmatlyt, 2006. – 626–628 s.
Kokhonen T. Samoorhanyzuiushchyesia karti / per. 3-ho anhl. yzd. – M.: BYNOM. Laboratoryia znanyi, 2014. – 655 s.
Holovanova I.A. Osnovy medychnoi statystyky: navch. posib. dlia aspirantiv ta klinichnykh ordynatoriv / I.A. Holovanova, I.V. Bielikova, N.O. Liakhova. – Poltava, 2017. – 113 s.
Fadeev P.A. Bolezny pochek. Pyelonefryt. – M.: Myr y Obrazovanye, 2011. – 180 s.
Flakh P. Mashynnoe obuchenye. Nauka y yskusstvo postroenyia alhorytmov, ko-torыe yzvlekaiut znanyia yz dannыkh / per. s anhl. A.A. Slynkyna. – M.: DMK Press, 2015. – 400 s.
Khaikyn S. Neironnie sety: Polnii kurs / per. s anhl. N.N. Kussul, A.Iu. She-lestova. – 2-e yzd., yspr. – M.: Yzdatelskyi dom Vyliams, 2008. – 1103 s.
Bauer E. An Empirical Comparison of Voting Classification Algorithms: Bagging, Boosting, and Variants / E. Bauer, R. Kohavi // Machine Learning. – 1999. –
P. 105–139.
Boughorbel S. Optimal classifier for imbalanced data using Matthews Correlation Coefficient metric / S. Boughorbel, F. Jarray, M. El-Anbari // PLoS ONE 12(6). –
– 17 p.
Breiman L. Bagging Predictors / L. Breiman // Machine Learning. – 1996. –
P. 123–140.
D’Agostino R.B. An omnibus test of normality for moderate and large sample size / R.B. D’Agostino // Biometrika. – 1971. – Vol. 58, No. 2. – P. 341–348.
Gopika S. Machine learning Approach of Chronic Kidney Disease Prediction us-ing Clustering Technique / S. Gopika, Dr.M. Vanitha // International Journal of In-novative Research in Science, Engineering and Technology. – 2017. – Vol. 6, No. 7. – P. 14488–14496.
Hornik K. Approximation Capabilities of Muitilayer Feedforward Networks / K. Hornik // Neural Networks. – 1990. – Vol. 4. – P. 251–257.
Kazemi Y. A novel method for predicting kidney stone type using ensemble learning / Y. Kazemi, S.A. Mirroshandel // Artificial Intelligence in Medicine. – 2017. – Vol. 79, No. 3. – P. 1696–1707.
Lambodar J. Distributed Data Mining Classification Algorithms for Prediction of Chronic Kidney Disease / J. Lambodar, K. Narendra // International Journal of Emerging Research in Management and Technology. – 2015. – Vol. 4, No. 11. –
P. 110–180.
Ramya S. Diagnosis of Chronic Kidney Disease Using Machine Learning Algo-rithms / S. Ramya, N. Radha // International Journal of Innovative Research in Com-puter and Communication Engineering. – 2016. – Vol. 4, No. 1. – P. 812–820.
Scott D.W. On Optimal and Data-Based Histograms / D.W. Scott // Biometrika. – 1979. – Vol. 66, No. 3. – P. 605–610.
United States Patent № US 7,657,521 B2, 02.02.2010. System and method for parsing medical data [text] / Fred E. Masarie, Stuart Lopez, Michael I. Lieberman // United States Patent № US 7657521 B2. 2010.
Yoruk U. Automatic Renal Segmentation for MR Urography Using 3D-GrabCut and Random Forests / U. Yoruk, B.A. Hargreaves, S.S. Vasanawala // International Society for Magnetic Resonance in Medicine. – 2017. – Vol. 79, No. 3. –
P. 1696–1707.
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
