Artificial Intelligence in Medicine

• Autorzy: Wajs W.

Warianty tytułu

PL

Sztuczna inteligencja w medycynie

• Języki publikacji: EN

Abstrakty

EN

Medicine is a discipline that requires both judgment and action. Information science can help in several aspect. It can help the physician in collecting complete and relevant data. It can support the physician by providing access to the rapidly increasing sets of medical knowledge through different kinds of the data bases. It can facilitate the management of medical records which may be used for clinical follow-up of patients, clinical research, evaluation of medical action and education. In all these aspects, information science gives indirect help to medical decision.

PL

Medycyna jest dyscypliną, która wymaga zarówno oceny jak też działania. Informatyka może być pomocna w wielu aspektach. Informatyka może pomóc lekarzowi w zbieraniu użytecznych danych. Techniki komputerowe mogą pomóc lekarzowi w dostępie do dużych zbiorów danych poprzez różnego rodzaju bazy danych. Informatyka dostarcza także licznych metod, które mogą mieć zastosowanie w systemach wspomagania decyzji oraz w procesach uczenia.

Słowa kluczowe

EN

classification methods; correlation methods; expert systems; artificial immune network; statistics methods

PL

metody klasyfikacji; metody korelacji; systemy ekspertowe; sztuczne sieci immunologiczne; metody statystyczne

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2011
• Tom: R. 15, nr 12
• Strony: 106--108
• Opis fizyczny: Bibliogr. 23 poz.

Twórcy

autor

Wajs W.

• AGH Akademia Górniczo-Hutnicza, Wydział EAIiE, Katedra Automatyki,

Bibliografia

• 1. Deakins K.M.: Bronchopulmonary displasia. „Respiratory Care”, 2009. vol. 54(9). 1252-1262.
• 2. Cerny I., Torda J.S., Kehan V.K.: Prevention and treatment of Bronchopulmonary dysplasia: contemporary status and future outlook. „Lung” 2008; 186(2); 75-89.
• 3. Walsh M.C., Yao Q., Gettner P., Hale E., Collins M., Hansman A. et al.: Impact of a physiologic definition on Bronchopulmonary dysplasia rates. „Pediatrics” 2004; 114(5) 1305-1311.
• 4. Vapnik V., Chervonenkis A.: The necessary and suffcient conditions for consistency in the empirical risk minimalization method, “Pattern Recognition and Image Analysis”, 1(3):283-305, 1991.
• 5. Mangasarian O.L.: Linear and nonlinear separation of patterns by linear programming, „Operations Research”, 13:444-452, 1965.
• 6. Vapnik V.: Statistical Learning Theory, Wiley, New Jork, 1998.
• 7. Smola A.J., Barlet P.L., Scholkopf B., Schuurmans D.: Advances in Large Margin Classifiers, The MTI Press, Cambridge Massachusetts 2000.
• 8. de Castro L.N., Von Zuben F.J.: An evoluntary immune system network for data clustering, in Proc. 6th Brazilian symp. Neural Network. Rio de Janeiro, Brazil, 2000, 84-89.
• 9. de Castro L.N., Von Zuben F.J.: Learning and optimization using the clonal selection principle, „IEEE Tran. Evol. Comput”, vol. 6, no. 3, 239-251, Jan. 2002.
• 10. Jerne N.K.: Towards a network theory of the immune system, „Annu. Immunol”. (Inst Pasteur), vol. 125, no. C, 373-389, 1974.
• 11. Demuth H., Beale M.: Neural Network Toolbox: For use with MATLAB: user’s Guide, The Mathworks, 1993.
• 12. Bradley A.P.: The use of the area under the ROC curve in the evaluation on machine learning algorithms, „Pattern Recognition”, 30(7), 1997, 1145-1159.
• 13. Cunha G.S., Mezzacappa-Fihlo F., Ribeiro J.D.: Risk Factors for Bronchopulmonary Dysplasia in very Low Birth Weight Nowborns Treated with Mechanical Ventilation in the First Week of Life, „Journal of Tropical Perdiatrics”, 2005 51(6), 334-340.
• 14. Fawcett T.: ROC Graphs: Notes and Practical Considerations for Data Mining Researchers, Technical Report HPL-2003-4, HP Labs, 2003.
• 15. Hanley IA., McNeil B.J.: The meaning and use of the area under a receiver operating characteristic (ROC) curve, „Radiology”, 1982, 29-36.
• 16. Hosmer D., Lemeshow S.: Applied Logistic Regresion, John Wiley and Sons Inc.,1998.
• 17. Kleinbaumn D.G., Klain M.: Logistic Regression - A Self-Learning Text, Springer-Verlag New York Inc., 2002.
• 18. Moody J., Darken C.J.: Fast learning in networks of locally-tuned processing units, „Neural Computation”, 1989, 281-294.
• 19. Poggio T., Girosi F.: Network for approximation and learning, Proceedings of the IEEE, 1990, 1481-1497.
• 20. Tapia J.L., Agost D., Alegria A., Standen J., Escobar E., Grandi C., Musante G., Zegarra J., Estay A., Ramirez R.: Bronchopulmonary displasia: incidence, risk factors and resource utilization in a population of South-American very low birth weight infants, „J. Pediatric”. vol. 82, no. 1, Rio de Janeiro, 2006.
• 21. Wajs W., Stoch P., Kruczek P.: Bronchopulmonary Dysplasia Prediction using Logistic Regresion, Proc. of the Sixth International IEEE Conference on Intelligent Systems Design and Applications (ISDA’06). vol. 03, 2006, 98-102.
• 22. Fabian J., Farbiaz J., Alvarez D., Martinez C.: Comparison between logistic regression and neural networks to predict death in patients with suspected sepsis in the emergency room, „BioMed Central”, Feb. 17, 2005.
• 23. Koczkodaj W.W., Robidoux N., Tadeusiewicz R.: Classifying visual objects with the consistency-driven pairwise comparisons method, „Machine Graphics & Vision”, Vol. 18, No. 2, 2009, 143-155.