Понравилась презентация – покажи это...
Слайд 0
Нейронные сети
в медицине
StatSoft Russia
Слайд 1
Основные идеи нейросетевых методов анализа
Простота и однородность отдельных элементов - «нейронов»
Все основные свойства сети определяются структурой связей
Избыточность системы гарантирует ее надежность как целого
Связи формируются по неявным правилам в процессе «обучения»
Слайд 2
Примеры искусственных нейронных сетей
Слайд 3
Особенности нейросетевого подхода к анализу данных
Предлагает стандартный способ решения многих нестандартных задач.
Явное описание модели заменяется созданием «образовательной среды».
Приводит к успеху там, где отказывают традиционные методы и трудно создать явный алгоритм.
Слайд 4
Для практического здравоохранения особый интерес представляют экспертные системы для диагностики заболеваний
Слайд 5
Примеры применения нейронных сетей в медицине
Выявление атеросклеротических бляшек с помощью анализа флюоресцентных спектров.
Диагностика заболеваний периферических сосудов.
Диагностика инфаркта миокарда.
Диагностика клапанных шумов сердца с помощью анализа акустических сигналов.
Распознавание психических симптомов.
Слайд 6
Экспертная система для лечения артериальной гипертонии (Италия)
Модуль 1
Модуль 2
Модуль 3
Почасовые измерения давления
Возрасти пол
Характеристики состояния
Характеристики лекарственных препаратов
Структура почасового приема препаратов
Другие клинические данные
Слайд 7
Определение накопленной дозы радиоактивного облучения (Красноярская мед. академия)
Классификация на 4 группыпо величине накопленнойдозы облучения
35 входныхпараметров
Естественная
Слабая
Средняя
Сильная
Сеть обучалась на данных о пациентах, работающих в атомной промышленности. Со 100% правильностью такая сеть классифицирует состояние людей, в том числе и тех, кто не работает в данной отрасли.
Слайд 8
Этапы нейросетевого анализа
Исследование взаимосвязи переменных и понижение размерности
Построение и обучение сетей разных типов
Сравнение качества сетей и их статистических характеристик
Слайд 9
Понижение размерности:отбор входных признаков
Штраф за элемент, число популяций и поколений битовых строк
Генетический алгоритм,пошаговое включениеи исключение признаков
Слайд 10
Понижение размерности:автоассоциативные сети
Новые входные переменные для нейросетевой модели
Слайд 11
Задача классификации состояния больных с ишемической болезнью
Слайд 12
Нейронная сеть для диагностики развития ишемической болезни
По набору показателей (48 переменных), как номинальных (например, «слабая-умеренная-сильная боль»), так и непрерывных (например, артериальное давление или возраст), классифицируется состояние пациентов с ишемической болезнью сердца.
Номинальныепеременные
Непрерывныепеременные
Слайд 13
Результаты классификации и анализ чувствительности
Все наблюдения классифицированы правильно
Анализ чувствительности позволяет утверждать, что одним из важнейших факторов риска является привычка к курению.
Слайд 14
Задача диагностики онкологического заболевания
Слайд 15
Нейронные сети для диагностики онкологического заболевания
Сеть на радиальных базисных функциях
Многослойный персептрон
Слайд 16
Результаты классификации
Многослойный персептрон:100% наблюдений классифицировано правильно
Радиальные базисные функции: 95% наблюдений классифицировано правильно
Слайд 17
Настройка сети
Слайд 18
Библиотеки функций пакета STATISTICA Neural Networks для построения, обучения и работы нейронных сетей позволяют эффективно встраивать нейросетевые модули в разрабатываемые экспертные системы для прогнозирования и диагностики заболеваний