Основы и предыстория

1. Алгоритмы машинного обучения

В этом разделе представлен всесторонний обзор наиболее часто используемых алгоритмов машинного обучения в диагностике заболеваний.

1.1 Деревья решений

Алгоритмы дерева решений (DT) следуют правилу разделения. В модели DT атрибуты могут иметь различные значения, называемые деревьями классификации; листья представляют разные классы, а ветви отражают комбинацию функций, которые ведут к этим меткам классов. DT, с другой стороны, может принимать непрерывные переменные, называемые деревьями регрессии. C4.5 и EC4.5 — два хорошо известных и наиболее широко используемых алгоритма DT.

1.2 Машины опорных векторов

Для задач, связанных с классификацией и регрессией, машины опорных векторов (SVM) являются популярным методом машинного обучения. Машины опорных векторов были представлены Вапником в конце 20 века. В дополнение к диагностике заболеваний машины опорных векторов использовались во множестве других дисциплин, включая распознавание выражения лица, сворачивание белков, обнаружение отдаленных гомологов, распознавание речи и классификацию текста. Для немаркированных данных алгоритмы машинного обучения с учителем не работают. Используя обнаружение гиперплоскости для кластеризации данных, машины опорных векторов могут классифицировать немаркированные данные. Однако выходные данные машины опорных векторов не являются нелинейно дифференцируемыми. Чтобы преодолеть эти проблемы, выбор соответствующего ядра и параметров является двумя ключевыми факторами для применения SVM в анализе данных.

1.3k - Ближайший сосед

Классификация (KNN) — это метод непараметрической классификации, изобретенный Эвелин Фикс и Джозефом Ходжесом в 1951 году. KNN подходит как для классификации, так и для регрессионного анализа. Классификация kNN приводит к принадлежности к классу. Для классификации элементов используется механизм голосования. Метод евклидова расстояния используется для определения расстояния между двумя выборками данных. Значение проекции для регрессионного анализа представляет собой среднее значение значений KNN.

Нажмите здесь, чтобы получить действие травяных цистанхов

1.4 Наивный Байес

Наивный байесовский (NB) классификатор представляет собой вероятностный классификатор, основанный на байесовском подходе. На основе заданной записи или точки данных он прогнозирует вероятность принадлежности к каждому классу. Наиболее вероятный класс — это тот, который имеет наибольшую вероятность. классификатор NB используется для предсказания вероятностей, а не предсказаний.

1.5 Логистическая регрессия

Логистическая регрессия (LR) — это метод машинного обучения, используемый для решения задач классификации. Модели LR имеют вероятностную основу со значениями прогноза в диапазоне от 0 до 1. Примеры машинного обучения на основе LR включают идентификацию спама, обнаружение мошеннических транзакций в Интернете и обнаружение злокачественных новообразований. Суррогатная функция, часто называемая сигмовидной функцией, используется LR. сигмовидные функции преобразуют каждое действительное число между 0 и 1.

1.6 Алгоритм AdaBoost

Йоав Фройнд и Роберт Шапир разработали Adaptive Boosting, широко известную как AdaBoost. AdaBoost — это классификатор, который объединяет несколько слабых классификаторов в один классификатор. AdaBoost работает, придавая больший вес образцам, которые труднее классифицировать, и придавая тем, которые уже хорошо классифицированы. AdaBoost работает, придавая больший вес образцам, которые труднее классифицировать, и меньший вес тем, которые уже хорошо классифицированы. Его можно использовать как для классификации, так и для регрессионного анализа.

Польза Цистанхе трубчатой

2. Обзор глубокого обучения

Глубокое обучение (ГО) — это подполе машинного обучения (МО), в котором используется несколько уровней для извлечения информации более высокого и более низкого уровня (например, изображений, числовых значений, значений классификации) из входных данных. Большинство современных моделей глубокого обучения построены на искусственных нейронных сетях (ИНС), в частности на сверточных нейронных сетях (СНС), которые могут быть интегрированы с другими моделями глубокого обучения, включая генеративные модели, сети глубокого убеждения и машины Больцмана. Глубокое обучение можно разделить на три типа: контролируемое, полуконтролируемое и неконтролируемое. Глубокие нейронные сети (DNN), обучение с подкреплением и рекуррентные нейронные сети (RNN) являются одними из наиболее известных архитектур DL (RNN).

Каждый уровень в глубоком обучении изучает различные атрибуты данных, обучаясь преобразовывать свои входные данные в последующие уровни. Например, в приложении для распознавания изображений исходным входом может быть матрица пикселей, а первый слой может обнаруживать края изображения. Второй слой, с другой стороны, будет создавать и кодировать нос и глаза, а третий слой может распознавать лица, комбинируя всю информацию, собранную из первых двух слоев.

В области медицины DL имеет большие перспективы. Радиология и патология — две важные области медицины, которые уже много лет широко используют глубокое обучение для диагностики заболеваний. Кроме того, сбор ценной информации о молекулярных состояниях и определение прогрессирования заболевания или восприимчивости к лечению — это практическое использование DL, которое часто признается в исследованиях на людях.

Цистанхе добавка

Значение экстракта травы цистанхе для почек:

Медицинские исследования показали, что активные ингредиенты, содержащиеся вЭкстракт цистанхеможет способствовать регенерации и метаболизму клеток человека, повышать способность иммунной регуляции и иметь очевидныепротивораковый, противовирусное и омолаживающее действие. В последние годы лечениезаболевания почекс Cistanche добился хороших результатов. Цистанхе является добавкой как для мужчин, так и для женщин и может лечить как мужскую импотенцию, так и женское бесплодие. Кроме того, тонизируют почки, не повреждая Инь, а длительное использование обычно не вызывает таких симптомов, как жар и сухость во рту.

По словам доктора Сюй Цзин из отделения нефрологии больницы Жуйцзинь Медицинской школы Шанхайского университета Цзяо Тонг, особое внимание следует уделять пациентам со следующими заболеваниями:

1. Диабет: Диабет усугубит мою глюкозную нагрузку, будь то диабет 1 или 2 типа, может возникнуть диабетическая нефропатия, и чем дольше течение заболевания, тем выше риск. Когда терминальная стадия почечной недостаточности прогрессирует, ее становится все труднее контролировать.

2. Высокое кровяное давление: высокое кровяное давление и меня называют «жестким братом». Мало того, что высокое кровяное давление оказывает на меня сильное давление и вредит моему здоровью, но когда я дисфункциональна, оно также вторично вызывает высокое кровяное давление. Мы вдвоем "сговорились" вместе, это было еще хитрее!

3. Гиперурикемия. При изменении образа жизни частота подагры (гиперурикемии) постепенно увеличивается. Кристаллы уратов откладываются в почках, ускоряя ухудшение функции почек; Ухудшение функции почек снизит способность почек выводить мочевую кислоту, снова усугубит гиперурикемию и сформирует порочный круг.

4. Плохой образ жизни: длительный малоподвижный образ жизни и малоподвижный образ жизни приводят к ожирению, избыточному весу или привычке поздно ложиться спать, пить и курить и т. д., заставят меня работать в течение длительного времени и не могут отдыхать, тем самым увеличивая мою нагрузку и вызывая повреждать.

Экстракт цистанхе трубчатой

6. Активируйте потоотделение

Всякий раз, когда мы потеем, мы уменьшаем нагрузку на почки, потому что усиливаем еще один способ выведения жидкости из организма. В этом смысле повышенное потоотделение может быть хорошей «терапией» для поддержания функции почек. Физическая активность умеренной или высокой интенсивности или интервалами. Сухие и влажные сауны. Употребление острых специй, таких как имбирь или кайенский перец.

7. Регулярное использование очищающих средств

Один или два раза в год, особенно во время сезонных изменений, полезно проводить очищение, чтобы способствовать выведению токсинов и улучшению функции печени и почек. Это включает в себя улучшение диетических привычек, в основном очищение почек, которое вы можете попробовать:

а: Чаще добавляйте в свой рацион чесночный и луковый бульон.

б: Замените промышленные напитки соком из зеленой груши, сельдерея и яблока.

в: Используйте натуральные настои одуванчика, лопуха и хвоща, чтобы стимулировать выведение жидкости.

8. Применяйте местное тепло

Местное нагревание с помощью грелки или грелки может помочь при дискомфорте в пояснице в области почек. С другой стороны, избегать сильного холода в области туловища, особенно холодных ветров зимой, необходимо для предотвращения (или облегчения, в зависимости от обстоятельств) дискомфорта в этой области, независимо от наличия заболевания почек.

9. Избегайте употребления алкоголя и передозировок

Советы по уходу за поджелудочной железой: не пейте алкоголь. Конечно, отказ от алкоголя жизненно важен для заботы о здоровье почек. Различные исследования показали, что алкоголь может в значительной степени ухудшить функцию почек и что чем больше количество потребляемого алкоголя, тем выше риск развития различных проблем со здоровьем. С другой стороны, важно всегда помнить, что все, что в избытке, вредно для здоровья, а не только алкоголь или другие наркотики.

ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА:

1.Бриджейн, М .; Патель, Р.; Кошик, М .; Рана, К. Обзор алгоритма дерева решений для классификации. Междунар. Дж. Инж. Дев. Рез. 2014. В наличии

2. Уолс, Р.С.; Курундкар, Г. Д.; Хамиткар, SD; Мулей, А.А.; Бхалчандра, ПУ; Лоханде, С.Н. Эффективное использование наивного байесовского метода, дерева решений и методов случайного леса для анализа хронической болезни почек. В материалах Международной конференции по информационным и коммуникационным технологиям для интеллектуальных систем, Ахмадабад, Индия, 15–16 мая 2020 г.; Springer: Берлин/Гейдельберг, Германия, 2020 г.; стр. 237–245.

3. Раджендран, К.; Джаябалан, М .; Тиручельвам, В. Прогнозирование рака молочной железы с помощью контролируемых методов машинного обучения на несбалансированных данных класса. Междунар. Дж. Адв. вычисл. науч. заявл. 2020, 11, 54–63.

4. Цао Х.И.; Чан, ПЯ; Su, ECY Прогнозирование диабетической ретинопатии и выявление интерпретируемых биомедицинских признаков с использованием алгоритмов машинного обучения. БМК Биоинформ. 2018, 19, 111–121.

5. . Нуррохман, А .; Абдулла, С .; Мерфифи, Х. Классификация подтипов болезни Паркинсона: применение дерева решений, логистической регрессии и логит-листовой модели. В материалах конференции AIP; AIP Publishing LLC: Мелвилл, штат Нью-Йорк, США, 2020 г.; Том 2242, с. 030015.

6. . Друкер, Х .; Ву, Д.; Вапник В.Н. Машины опорных векторов для категоризации спама. IEEE транс. Нейронная сеть. 1999, 10, 1048–1054.

7. Фикс, Э.; Ходжес, Дж.Л. Дискриминационный анализ. Непараметрическая дискриминация: свойства согласованности. Междунар. Стат. Преподобный Междунар. Де Стат. 1989, 57, 238–247.

8. Райт Р.Э. Логистическая регрессия. В чтении и понимании многомерной статистики; Американская психологическая ассоциация: Вашингтон, округ Колумбия, США, 1995.

9. Шапир, Р. Е. Объяснение AdaBoost. В эмпирическом выводе; Springer: Берлин/Гейдельберг, Германия, 2013 г.; стр. 37–52.

10. Гудфеллоу И.; Бенжио, Ю.; Курвиль, А. Глубокое обучение; MIT Press: Кембридж, Массачусетс, США, 2016.

11. Hayashi, Y. Правильное направление, необходимое для развития глубокого обучения методом белого ящика в радиологии, патологии и офтальмологии: краткий обзор. Передний. Робот. АИ 2019, 6, 24.

12. Аккус З.; Галимзянова, А.; Хуги, А .; Рубин, Д.Л.; Эриксон, Б. Дж. Глубокое обучение для сегментации МРТ головного мозга: современное состояние и будущие направления. Дж. Цифра. Визуализация 2017, 30, 449–459.

13. Ахсан, М.М.; Э. Алам, Т.; Трафалис, Т .; Хюбнер, П. Глубокая модель MLP-CNN с использованием смешанных данных для различения пациентов с COVID-19 и без COVID-19. Симметрия 2020, 12, 1526.

14. Хусейн, Э. Х.; Эмам, ММ; Али, АА; Сугантан, П.Н. Методы глубокого и машинного обучения для лечения рака молочной железы на основе медицинских изображений: всесторонний обзор. Эксперт Сист. заявл. 2021, 167, 114161.