Methods of intelligent data analysis using neural networks in diagnosis

• Autorzy: Lyfar, Volodymyr , Lyfar, Olena , Zynchenko, Volodymyr

Warianty tytułu

PL

Metody inteligentnej analizy danych z wykorzystaniem sieci neuronowych w diagnozie

• Języki publikacji: EN

Abstrakty

EN

The considered methods make it possible to develop the structure of diagnostic systems based on neural networks and implement decision support systems in classification diagnostic problems. The study uses general special methods of data mining and the principles of constructing an artificial intelligence system based on neural networks. The problems that arise when filling knowledge bases and training neural networks are highlighted. Methods for developing models of intelligent data processing for diagnostic purposes based on neural networks are proposed. The authors developed and verified an activation function for intermediate neural levels, which allows the use of weighting coefficients as probabilities of diagnostic processes and avoids the problem of local minima when using gradient descent methods. The authors identified special problems that may arise during the practical implementation of a decision support system and the development of knowledge bases. An original activation function for intermediate layers is proposed, obtained based on the modernization of the Gaussian error function. The experience of using the considered methods and models allows us to implement artificial intelligence diagnostic systems in various classification problems.

PL

Rozważane metody pozwalają na opracowywanie struktury systemów diagnostycznych opartych na sieciach neuronowych oraz wdrażanie systemów wspomagania decyzji w klasyfikacji problemów diagnostycznych. W pracy zastosowano ogólnie specjalistyczne metody eksploracji danych oraz zasady budowy systemu sztucznej inteligencji opartego na sieciach neuronowych.. Zwrócono uwagę na problemy pojawiające się przy wypełnianiu baz wiedzy i szkoleniu sieci neuronowych. Zaproponowano metody opracowywania modeli inteligentnego przetwarzania danych do celów diagnostycznych w oparciu o sieci neuronowe. Autorzy opracowali i zweryfikowali funkcję aktywacji dla pośrednich poziomów neuronowych, która pozwala na wykorzystanie współczynników ważących jako prawdopodobieństw procesów diagnostycznych i pozwala uniknąć problemu minimów lokalnych przy stosowaniu metod gradientowego opadania. Autorzy zidentyfikowali szczególne problemy, które mogą pojawić się podczas praktycznego wdrażania systemu wspomagania decyzji i rozwoju baz wiedzy. Zaproponowano oryginalną funkcję aktywacji warstw pośrednich, otrzymaną w oparciu o modernizację funkcji błędu Gaussa. Doświadczenie w stosowaniu rozważanych metod i modeli pozwala na wdrażanie systemów diagnostycznych sztucznej inteligencji w różnych problemach klasyfikacyjnych.

Słowa kluczowe

PL

sztuczna inteligencja; sieci neuronowe; diagnostyka; analiza danych; baza wiedzy; uczenie maszynowe

EN

artificial intelligence; neural networks; diagnostics; data analysis; knowledge bases; machine learning

• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 2
• Strony: 109--112
• Opis fizyczny: Bibliogr. 11 poz., wykr.

Twórcy

autor

Lyfar, Volodymyr

• Volodymyr Dahl East Ukrainian National University, Kyiv, Ukraine,

autor

Lyfar, Olena

• Volodymyr Dahl East Ukrainian National University, Kyiv, Ukraine,

autor

Zynchenko, Volodymyr

• Institute of Telecommunications and Global Information Space, Kyiv, Ukraine,

Bibliografia

• [1] Balogh E. P. et al. (eds.): Improving Diagnosis in Health Care. National Academies Press (US), Washington 2015 [https://doi.org/10.17226/21794].
• [2] Caliskan A., Yuksel M. E.: Classification of Coronary Artery Disease Data Sets by Using a Deep Neural Network. Euro Biotech J 1(4), 2017, 271–277.
• [3] Checcucci E.: Applications of neural networks in urology: a systematic review. Current Opinion in Urology 30(6), 2020, 788–807.
• [4] Glover E.: Artificial Intelligence [https://builtin.com/artificial-intelligence] (available: 28.01.2022).
• [5] Kharlamova N. V. et al.: The use of artificial intelligence to diagnose diseases and predict their outcomes in newborns. Russian Bulletin of Perinatology and Pediatrics, 2023, 108–114.
• [6] Lins A.J.C.C. et al.: Using Artificial Neural Networks to Select the Parameters for the Prognostic of Mild Cognitive Impairment and Dementia in Elderly Individuals. Computer methods and programs in biomedicine 152, 2017, 93–104 [https://doi.org/10.1016/j.cmpb.2017.09.013].
• [7] Mantzaris D. et al.: Artificial Neural Networks for Estimation of Dementias Types. Artif Intell Appl 1(1), 2014, 74–82.
• [8] Mirbabaie M., Stieglitz M.: Artificial intelligence in disease diagnostics: A critical review and classification on the current state of research guiding future direction. Health Technol. 11, 2021, 693–731.
• [9] Rasmy L. et al.: Recurrent neural network models (CovRNN) for predicting outcomes of patients with COVID-19 on admission to hospital: model development and validation using electronic health record data. Lancet Digit Health 4(6), 2022, e415–e425 [https://doi.org/10.1016/S2589-7500(22)00049-8].
• [10] Sanoob M. U. et al.: Artificial Neural Network for Diagnosis of Pancreatic Cancer. IJCI 5(2), 2016, 41–49.
• [11] Sutton R. T., Pincock D., Baumgart D. C.: An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ Digit. Med. 3(17), 2020.

Identyfikatory

DOI

10.35784/iapgos.5746