Моделювання процесу ранжування у нейромережному класифікаторі об’єктів
DOI:
https://doi.org/10.31649/1681-7893-2024-48-2-128-134Ключові слова:
ранжування, нейромережний класифікатор об’єктів, медичне діагностуванняАнотація
У складі експертних систем різного призначення однією з базових є підсистема підт-римки прийняття рішень, яка, у свою чергу, потребує необхідності у процедурі кла-сифікації об’єктів. Особливо наочно це спостерігається в інтелектуальних системах медичного діагностування, в яких широко застосовуються методи та засоби штуч-ного інтелекту. В цьому контексті на високому рівні ефективно зарекомендував себе підхід із залученням сучасних методів нейротехнології. В даній роботі розглядаєть-ся варіант структурної організації нейромережного класифікатора об’єктів як вдос-коналеної моделі нейромережі Хеммінга. Особливістю наведеного варіанта класифі-катора є розширення його функціональних можливостей за рахунок формування ра-нгів входження класифікованого об’єкта до всіх визначених класів. На прикладі ме-дичного діагностування це означає ранжування всіх можливих діагнозів захворю-вання, тобто визначення не тільки найбільш вірогідного діагнозу, але й найближчих за рангом до нього. Фактично це дозволить уточнювати поставлений діагноз, а от-же, покращити результати медичного дігностування. Відповідно проведено іміта-ційне моделювання процесу класифікації з ранжуванням результатів, який відповідає класифікації з реалізацією конкуренції між нейронами конкурентного шару із залу-ченням від’ємно-зворотних (латеральних) зв’язків. Такий підхід є базовим у теорії нейронних мереж для визначення нейрона-переможця за версією WTA (Winner Takes All). Імітаційне моделювання варіанта класифікації виконувалось із залученням конкретних біомедичних даних (вісьмох симптомів) для діагностування захворювань апендициту (чотирьох діагнозів). Результати моделювання процесів нейромережної класифікації об’єктів з формуванням відповідних рангів наведено у вигляді таблиці. Вони підтвердили правильність алгоритму функціонування для розглянутої моделі класифікації.
Посилання
Haykin S., Neural networks, A ComprehensiveFoundation, Second ed. Prantice Hall, Upper Saddle River, NJ, 1999.
Jones М. T., All Application Programming. Charles River Media, Inc, 2003.
Gawlikowski, Jakob & Tassi, Cedrique & Ali, Mohsin & Lee, Jongseok & Humt, Matthias & Feng, Jianxiang & Kruspe, Anna & Triebel, Rudolph & Jung, Peter & Roscher, Ribana & Shahzad, Muhammad & Yang, Wen & Bamler, Richard & Zhu, Xiao, “A survey of uncertainty in deep neural networks”, Artificial Intelligence Review. 56. 1-77. (2023). 10.1007/s10462-023-10562-9.
Kupershtein L., Martyniuk T., etc. (2016). Neural network approach in the stroke diagnosis, Proceedings of the 2016 IEEE 1st International Conference on Data Mining and Processing, DSMP 23-27 Aug. 2016. DOI: 10.1109/DSMP.2016.7583525.
Aldape-Perez, M., Yanez-Marquez, C., Camacho-Nieto, O., & J Arguelles-Cruz, A. (2012). An associative memory approach to medical decision support systems, Computer methods and programs in biomedicine, 106(3), p. 287–307. https://doi.org/10.1016/j.cmpb.2011.05.002.
Malhotra, Priyanka & Gupta, Sheifali & Koundal, Deepika & Zaguia, Atef & Enbeyle, Wegayehu. (2022). Deep Neural Networks for Medical Image Segmentation”, Journal of Healthcare Engineering. 1-15. 2022.10.1155/2022/9580991.
Kshatri, Sapna & Singh, Deepak, “Convolutional Neural Network in Medical Image Analysis: A Review”, Archives of Computational Methods in Engineering. 30. 2023. 10.1007/s11831-023-09898-w.
Landman, Jonas & Mathur, Natansh & Li, Yun & Strahm, Martin & Kazdaghli, Skander & Prakash, Anupam & Kerenidis, Iordanis, “Quantum Methods for Neural Networks and Application to Medical Image Classification”. Quantum. 6. 881. 2022) 10.22331/q-2022-12-22-881.
Rangaraj M. Rangayyan, Biomedical Signal Analysis. Second ed. Wiley-IEEE Press, 2015.
В. Вуйцік, О.З.Готра, та В.В. Григор’єв, Експертні системи. Львів, Україна: Ліга-Прес, 2006.
Yashbir & Farrelly, Colleen & Hathaway, Quincy & Choudhary, Ashok & Carlsson, Gunnar & Erickson, Bradley & Leiner, Tim, (2023). The Role of Geometry in Convolutional Neural Networks for Medical Imaging”, Mayo Clinic Proceedings: Digital Health. Volume 1, Issue 4. P. 451-642. 10.1016/j.mcpdig.2023.08.006.
Callan R., The Essence of Neural Networks. Prantice Hall Europe, NY, 1999.
S. Osowski, Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki War-szawskiej, 2013.
Martyniuk T.B., Kupershtein L.M., Medvid A.V.,. Kozhemiako A.V, Wojcik W., and Yuchshenko O. (2012). Applications of Discriminant Analysis Methods in Medical Diagnostics», Optical Fibers and Their Applications: Proceedings of SPIE 8698, 86980.
Xiaozhou Yang, Linear Discriminant Analysis, Explained”. Available at: https://towardsdatascience.com/linear-discriminant-analysis-explained-f88be6c1e00b (аccessed 5.10.2020).
Wójcik W., Pavlov S., Kalimoldayev M. (2019). Information Technology in Medical Diagnostics II. London: Taylor & Francis Group, CRC Press, Balkema book, 336 Pages.
Wójcik Waldemar, Smolarz Andrzej (2017). Information Technology in Medical Diagnostics, July 11, 2017 by CRC Press, 210 Pages.
Highly linear Microelectronic Sensors Signal Converters Based on Push-Pull Amplifier Circuits / edited by Waldemar Wojcik and Sergii Pavlov, Monograph, (2022) NR 181, Lublin, Comitet Inzynierii Srodowiska PAN, 283 Pages. ISBN 978-83-63714-80-2
Pavlov Sergii, Avrunin Oleg, Hrushko Oleksandr, and etc. (2021). System of three-dimensional human face images formation for plastic and reconstructive medicine // Teaching and subjects on bio-medical engineering Approaches and experiences from the BIOART-project Peter Arras and David Luengo (Eds.), , Corresponding authors, Peter Arras and David Luengo. Printed by Acco cv, Leuven (Belgium). - 22 P. ISBN: 978-94-641-4245-7.
Pavlov S.V., Avrunin O.G., etc. (2019). Intellectual technologies in medical diagnosis, treatment and rehabilitation: monograph / [S. In edited by S. Pavlov, O. Avrunin. - Vinnytsia: PP "TD "Edelweiss and K", 260 p. ISBN 978-617-7237-59-3.
Romanyuk, O., Zavalniuk, Y., Pavlov, S., etc. (2023). New surface reflectance model with the combi-nation of two cubic functions usage, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Srodowiska, , 13(3), pp. 101–106
Kukharchuk, Vasyl V., Sergii V. Pavlov, Volodymyr S. Holodiuk, Valery E. Kryvonosov, Krzysztof Skorupski, Assel Mussabekova, and Gaini Karnakova. (2022). "Information Conversion in Measuring Channels with Optoelectronic Sensors" Sensors 22, no. 1: 271. https://doi.org/10.3390/s22010271.
Vasyl V. Kukharchuk, Sergii V. Pavlov, Samoil Sh. Katsyv, and etc. (2021). Transient analysis in 1st order electrical circuits in violation of commutation laws”, Przegląd elektrotechniczny, ISSN 0033-2097, R. 97 NR 9/2021, p. 26-29, doi:10.15199/48.2021.09.05.
##submission.downloads##
-
pdf
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
