Elemente de bază și fundal

1. Algoritmi de învățare automată

Această secțiune oferă o imagine de ansamblu cuprinzătoare a celor mai des utilizați algoritmi de învățare automată în diagnosticarea bolilor.

1.1 Arborele de decizie

Algoritmii arborelui de decizie (DT) urmează regula partiționării. Într-un model DT, atributele pot avea diferite valori numite arbori de clasificare; frunzele reprezintă clase diferite, în timp ce ramurile reflectă combinația de caracteristici care duc la aceste etichete de clasă. DT, pe de altă parte, poate lua variabile continue numite arbori de regresie. C4.5 și EC4.5 sunt doi dintre algoritmii DT bine cunoscuți și cei mai folosiți.

1.2 Suport mașini vectoriale

Pentru provocările legate de clasificare și regresie, mașinile vectoriale de suport (SVM) sunt o metodă populară de învățare automată. Mașinile vectoriale de suport au fost introduse de Vapnik la sfârșitul secolului al XX-lea. În plus față de diagnosticarea bolii, mașinile de suport vector au fost utilizate într-o varietate de alte discipline, inclusiv recunoașterea expresiei faciale, plierea proteinelor, descoperirea omologilor la distanță, recunoașterea vorbirii și clasificarea textului. Pentru datele neetichetate, algoritmii ML supravegheați nu pot funcționa. Folosind descoperirea hiperplanului pentru gruparea între date, mașinile vectoriale de suport pot clasifica datele neetichetate. Cu toate acestea, ieșirea unei mașini vector suport nu este diferențiabilă neliniar. Pentru a depăși aceste probleme, selectarea nucleului și a parametrilor corespunzători sunt doi factori cheie pentru aplicarea SVM-urilor în analiza datelor.

1,3 k - Cel mai apropiat vecin

Clasificarea (KNN) este o tehnică de clasificare neparametrică inventată de Evelyn Fix și Joseph Hodges în 1951. kNN este potrivit atât pentru clasificare, cât și pentru analiza de regresie. Clasificarea kNN are ca rezultat apartenența la clasă. Un mecanism de vot este utilizat pentru clasificarea articolelor. Tehnica distanței euclidiene este utilizată pentru a determina distanța dintre două eșantioane de date. Valoarea de proiecție pentru analiza de regresie este media valorilor KNN.

Click aici pentru a obține efectul Cistanchelor din plante

1.4 Bayes naiv

Clasificatorul naiv Bayesian (NB) este un clasificator probabilistic bazat pe Bayesian. Pe baza unei date date sau a unui punct de date, acesta prezice probabilitatea de apartenență la fiecare clasă. Clasa cea mai probabilă este cea cu cea mai mare probabilitate. clasificatorul NB este folosit pentru a prezice probabilități, nu predicții.

1.5 Regresie logistică

Regresia logistică (LR) este o metodă de învățare automată utilizată pentru a rezolva probleme de clasificare. Modelele LR au un cadru probabilistic cu valori de proiecție care variază de la 0 la 1. Exemplele de ML bazate pe LR includ identificarea spam-ului, detectarea tranzacțiilor frauduloase online și detectarea malignității. Funcția surogat, adesea denumită funcție sigmoidă, este utilizată de LR. funcțiile sigmoide transformă fiecare număr real între 0 și 1.

1.6 Algoritmul AdaBoost

Yoav Freund și Robert Schapire au dezvoltat Adaptive Boosting, cunoscut sub numele de AdaBoost. AdaBoost este un clasificator care combină mai mulți clasificatori slabi într-un singur clasificator. AdaBoost funcționează acordând mai multă pondere mostrelor care sunt mai greu de clasificat și acordându-le celor care sunt deja bine clasificate. Poate fi folosit atât pentru clasificare, cât și pentru analiza de regresie.

beneficiile Cistanche tubulosa

2. Deep Learning Overview

Învățarea profundă (DL) este un subdomeniu al învățării automate (ML) care utilizează mai multe niveluri pentru a extrage informații de nivel superior și inferior (adică imagini, valori numerice, valori de clasificare) din intrare. Majoritatea modelelor de învățare profundă contemporane sunt construite pe rețele neuronale artificiale (ANN), în special rețele neuronale convoluționale (CNN), care pot fi integrate cu alte modele de învățare profundă, inclusiv modele generative, rețele de credință profundă și mașini Boltzmann. Învățarea profundă poate fi împărțită în trei tipuri: supravegheată, semi-supravegheată și nesupravegheată. Rețelele neuronale profunde (DNN), învățarea prin consolidare și rețelele neuronale recurente (RNN) sunt unele dintre cele mai importante arhitecturi DL (RNN).

Fiecare strat din învățarea profundă învață diferite atribute de date, în timp ce învață să-și transforme datele de intrare în straturile ulterioare. De exemplu, într-o aplicație de recunoaștere a imaginii, intrarea originală poate fi o matrice de pixeli și primul strat poate detecta marginile imaginii. Al doilea strat, pe de altă parte, ar construi și codifica nasul și ochii, iar al treilea strat ar putea recunoaște fețele combinând toate informațiile adunate din primele două straturi.

În domeniul medical, DL este foarte promițătoare. Radiologia și patologia sunt două domenii medicale proeminente care au folosit pe scară largă învățarea profundă în diagnosticarea bolii de mulți ani. În plus, strângerea de informații valoroase din stările moleculare și determinarea progresiei bolii sau susceptibilitatea la tratament sunt utilizări practice ale DL, care sunt adesea recunoscute de studiile umane.

Supliment Cistanche

Valoarea extractului de plante Cistanche pentru rinichi:

Studiile medicale au constatat că ingredientele active conținute înExtract de Cistanchepoate promova regenerarea și metabolismul celulelor umane, poate îmbunătăți capacitatea de reglare imună și poate avea evidentanti-cancer, efecte antivirale și anti-îmbătrânire. În ultimii ani, tratamentul deboli de rinichicu Cistanche a obținut rezultate bune. Cistanche este un supliment atât pentru bărbați, cât și pentru femei și poate trata atât impotența masculină, cât și infertilitatea feminină. Mai mult, tonificați rinichiul fără a răni yin-ul, iar utilizarea pe termen lung, în general, nu provoacă simptome precum căldură și gură uscată.

Potrivit Dr. Xu Jing, Departamentul de Nefrologie, Spitalul Ruijin, Școala de Medicină a Universității Jiao Tong din Shanghai, pacienții cu următoarele boli ar trebui să acorde o atenție deosebită:

1. Diabet: Diabetul îmi va agrava încărcătura de glucoză, fie că este vorba de diabet de tip 1 sau de tip 2, poate apărea nefropatia diabetică, iar cu cât evoluția bolii este mai lungă, cu atât riscul este mai mare. Odată ce boala renală în stadiu terminal progresează, devine mai dificil de controlat.

2. Hipertensiune: hipertensiune Hipertensiune arterială și sunt supranumit „frate tare”. Nu numai că hipertensiunea arterială pune presiune mare asupra mea și îmi dăunează sănătății, dar atunci când sunt disfuncțională, provoacă și hipertensiune arterială secundar. Noi doi ne-am „convenit” împreună, a fost și mai complicat!

3. Hiperuricemie: Odată cu modificările stilului de viață, incidența gutei (hiperuricemie) crește treptat. Cristalele de urat se depun în rinichi, accelerând deteriorarea funcției renale; Deteriorarea funcției renale va reduce capacitatea rinichilor de a excreta acidul uric, va agrava din nou hiperuricemia și va forma un cerc vicios.

4. Stilul de viață prost: sedentarismul pe termen lung și lipsa exercițiilor fizice duc la obezitate, excesul de greutate sau obișnuit să stau până târziu, să beau și să fumez etc., mă vor face să lucrez mult timp și să nu mă pot odihni, crescând astfel povara și provocând deteriora.

Extract de Cistanche tubulosa

6. Activați transpirația

Ori de câte ori transpiram, ușurăm sarcina asupra rinichilor, deoarece întărim un alt mod de a elimina lichidul din organism. În acest sens, creșterea transpirației poate fi o „terapie” bună pentru a avea grijă de funcția rinichilor. Activitate fizică de intensitate moderată sau mare sau pe intervale. Băi de saună uscate și umede. Consumul de condimente iute, cum ar fi ghimbir sau ardei cayenne.

7. Utilizarea regulată a demachiantelor

O dată sau de două ori pe an, în special în timpul schimbărilor sezoniere, este o idee bună să faceți o curățare sau purificare pentru a promova eliminarea toxinelor și a îmbunătăți funcția ficatului și a rinichilor. Aceasta include îmbunătățirea obiceiurilor alimentare, în principal curățarea rinichilor, pe care o puteți încerca:

a: Adăugați mai des usturoi și bulion de ceapă în dieta dvs.

b: Înlocuiți băuturile industriale cu suc de pere verzi, țelină și mere.

c: Folosiți infuzii naturale de păpădie, brusture și coada-calului pentru a stimula eliminarea lichidului.

8. Aplicați căldură locală

Căldura locală, folosind o sticlă cu apă fierbinte sau o pernă de încălzire, poate oferi o ușurare în cazul disconfortului din partea inferioară a spatelui în zona rinichilor. Pe de alta parte, evitarea frigului extrem in zona trunchiului, in special a vanturilor reci iarna este esentiala pentru a preveni (sau ameliora, dupa caz) disconfortul din aceasta zona, indiferent de prezenta afectiunilor renale.

9. Evitați alcoolul și supradozajul

Sfaturi pentru a avea grijă de pancreas: nu bea alcool. Desigur, evitarea alcoolului este vitală pentru a avea grijă de sănătatea rinichilor. Diverse studii au arătat că alcoolul poate deteriora într-o mare măsură funcția rinichilor și că cu cât cantitatea de alcool consumată este mai mare, cu atât este mai mare riscul de a dezvolta diverse probleme de sănătate. Pe de altă parte, este important să vă amintiți întotdeauna că tot ce este în exces este rău pentru sănătatea dumneavoastră, nu doar alcoolul sau alte droguri.

REFERINȚE:

1.Brijain, M.; Patel, R.; Kaushik, M.; Rana, K. Un sondaj privind algoritmul arborelui de decizie pentru clasificare. Int. J. ing. Dev. Res. 2014. Disponibil

2. Walse, RS; Kurundkar, GD; Khamitkar, SD; Muley, AA; Bhalchandra, PU; Lokhande, SN Utilizarea eficientă a tehnicilor naive Bayes, a arborelui de decizie și a pădurii aleatorii pentru analiza bolilor cronice de rinichi. În Proceedings of the International Conference on Information and Communication Technology for Intelligent Systems, Ahmedabad, India, 15-16 mai 2020; Springer: Berlin/Heidelberg, Germania, 2020; p. 237–245.

3. Rajendran, K.; Jayabalan, M.; Thiruchelvam, V. Predicția cancerului de sân prin metode de învățare automată supravegheată pe date dezechilibrate de clasă. Int. J. Adv. Calculator. Sci. Aplic. 2020, 11, 54–63.

4. Tsao, HY; Chan, PY; Su, ECY Predicția retinopatiei diabetice și identificarea caracteristicilor biomedicale interpretabile folosind algoritmi de învățare automată. BMC Bioinform. 2018, 19, 111–121.

5. . Nurrohman, A.; Abdullah, S.; Murfifi, H. Clasificarea subtipului bolii Parkinson: Aplicarea arborelui de decizie, regresia logistică și modelul frunzei logit. În AIP Conference Proceedings; AIP Publishing LLC: Melville, NY, SUA, 2020; Volumul 2242, p. 030015.

6. . Drucker, H.; Wu, D.; Vapnik, VN Suportă mașini vectoriale pentru clasificarea spam-ului. IEEE Trans. Rețeaua neuronală 1999, 10, 1048–1054.

7. Fix, E.; Hodges, JL Analiză discriminatorie. Discriminare neparametrică: proprietăți de consistență. Int. Stat. Rev. Int. De Stat. 1989, 57, 238–247.

8. Wright, RE Regresie logistică. În citirea și înțelegerea statisticilor multivariate; Asociația Americană de Psihologie: Washington, DC, SUA, 1995.

9. Schapire, RE Explaining AdaBoost. În Inferența Empirică; Springer: Berlin/Heidelberg, Germania, 2013; pp. 37–52.

10. Goodfellow, I.; Bengio, Y.; Courville, A. Deep Learning; MIT Press: Cambridge, MA, SUA, 2016.

11. Hayashi, Y. Direcția corectă necesară pentru a dezvolta învățarea profundă în caseta albă în radiologie, patologie și oftalmologie: o scurtă recenzie. Față. Robot. AI 2019, 6, 24.

12. Akkus, Z.; Galimzianova, A.; Hoogi, A.; Rubin, DL; Erickson, BJ Învățare profundă pentru segmentarea IRM a creierului: stadiul tehnicii și direcții viitoare. J. Cifră. Imagistică 2017, 30, 449–459.

13. Ahsan, MM; E Alam, T.; Trafalis, T.; Huebner, P. Modelul Deep MLP-CNN folosind date mixte pentru a face distincția între pacienții cu COVID-19 și non-COVID-19. Simetrie 2020, 12, 1526.

14. Houssein, EH; Emam, MM; Ali, AA; Suganthan, PN Tehnici de învățare profundă și automată pentru cancerul de sân bazat pe imagistica medicală: o revizuire cuprinzătoare. Expert Syst. Aplic. 2021, 167, 114161.