Uczenie głębokie w diagnostyce medycznej

• Autorzy: Antczak K.

Warianty tytułu

EN

Deep Learning in Medical Diagnosis

• Języki publikacji: PL

Abstrakty

PL

W pracy przeanalizowano perspektywy zastosowania metod uczenia głębokiego w diagnostyce medycznej. Jedną z kluczowych cech uczenia głębokiego jest zdolność do wyodrębniania złożonych wzorców o strukturze hierarchicznej. Wzorce takie występują również w diagnostyce, jako tak zwane diamenty diagnostyczne. Zastosowanie głębokich sieci neuronowych mogłoby poprawić jakość klasyfikatorów wykrywających choroby na podstawie objawów. Dodatkowo umożliwiłoby to sterowanie czułoscią i swoistością klasyfikatorów.

EN

In this paper we analyze perspectives of applying deep learning methods in a field of medical diagnosis. One of key features of deep learning is ability to extract complex, hierarchical patterns. Such patterns are present also in a medical diagnosis, where they are known as diagnostic diamonds. Applying deep neural networks could increase performance of medical classifiers. Moreover, it would allow to adjust sensitivity and specificity of classifiers.

Słowa kluczowe

PL

sieci neuronowe; diagnostyka medyczna; uczenie głębokie

EN

neural networks; medical diagnosis; deep learning

• Wydawca: Polskie Towarzystwo Symulacji Komputerowej
• Czasopismo: Symulacja w Badaniach i Rozwoju
• Rocznik: 2016
• Tom: Vol. 7, nr 3-4
• Strony: 83--88
• Opis fizyczny: Bibliogr. 6 poz., rys.

Twórcy

autor

Antczak K.

• Wojskowa Akademia Techniczna, Wydział Cybernetyki ul. Gen. S. Kaliskiego 2, 00-908 Warszawa

Bibliografia

• 1. Sackett D. L. i in.: Evidence based medicine: what it is and what it isn't, BMJ, nr 312, p. 71, 1996.
• 2. Wojskowa Akademia Techniczna: System Wspomagania Diagnostyki do informatycznego wspomagania badań naukowych w medycynie, [Online] http://www.isi.wat.edu.pl/sites/default/files/zalaczniki/swd.pdf.
• 3. Antczak K.: Rank Threshold in Classifier Ensmbles in Medical Diagnosis, Computer Science & Mathematical Modelling, tom III, nr 1, 2016.
• 4. Vincent P. i in.: Stacked Denoising Autoencoders: Learning Useful Representations in a Deep Network with a Local Denoising Criterion, Journal of Machine Learning Research, tom 11, pp. 3371-3408, 2010.
• 5. Hinton G. E. i Salakhutdinov R. R.: Reducing the Dimensionality of Data with Neural Networks, Science, tom 313, nr 5786, pp. 504-507, 2006.
• 6. Walczak A. i Paczkowski M.: Medical data preprocessing for increased selectivity of diagnosis, BioAlgorithms and MedSystems, tom 16, nr 1, March 2016.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).