دسترسی به مجموعه داده های محدود با شبکه های عصبی در زمینه های پزشکی

عنوان فارسی:

دسترسی به مجموعه داده های محدود با شبکه های عصبی در زمینه های پزشکی یک رویکرد کوچک داده

عنوان انگلیسی: 

Handling limited datasets with neural networks in medicalapplications: A small-data approach

فهرست مطالب

۱- خلاصه

۲- معرفی

۳- علم اصول

۴- جامدات متخلخل: داده

۵- استحکام فشاری استخوان ترابکولار

۶- مقاومت فشاری بتن

۷- طراحی NN برای پیش بینی CS در مواد جامد متخلخل

۸- چند روش اجرا

۹- آزمون داده جایگزین

۱۰- خلاصه ای از چارچوب پیشنهادی

۱۱- ارزیابی NN تعمیم

۱۲- معیارهای عملکرد

۱۳- مدل جایگزین: روش های گروه NN

۱۴- تحلیل آماری

۱۵- عملکرد جمعی NN(در هر اجرا)

۱۶- آزمون داده های جایگزین: تفسیر برای اندازه های مختلف داده ها

۱۷- عملکرد فردی NN

۱۸- به طور کلی عملکرد NN داده های کوچک

۱۹- مقایسه NN مجموعه داده های کوچک با مدل گروه برای داده های بتن مسلح

۲۰- نتایج : مدل استخوان CS

۲۱- پیکربندی طراحی NN

۲۲- آزمون داده های جایگزین

۲۳- مدل CS استخوان بهینه

۲۴- مقایسه با گروه NN

۲۵- بحث

۲۶- اهمیت روش پیشنهادی

۲۷- اهمیت عملی مدل استخوان CS

۲۸- تصدیق

۲۹- پیوست ها

نمونه متن انگلیسی

Abstrac

Motivation: Single-centre studies in medical domain are often characterised by limited samples due to thecomplexity and high costs of patient data collection. Machine learning methods for regression modellingof small datasets (less than 10 observations per predictor variable) remain scarce. Our work bridges thisgap by developing a novel framework for application of artificial neural networks (NNs) for regressiontasks involving small medical datasets.Methods: In order to address the sporadic fluctuations and validation issues that appear in regression NNstrained on small datasets, the method of multiple runs and surrogate data analysis were proposed in thiswork. The approach was compared to the state-of-the-art ensemble NNs; the effect of dataset size on NNperformance was also investigated.

نمونه متن فارسی

خلاصه

انگیزه: مطالعات تک محور در زمینه پزشکی اغلب با نمونه های محدود به دلیل پیچیدگی و هزینه های بالای جمع آوری داده های بیمار مشخص می شود. روش ها یادگیری ماشین برای مدل رگرسیون داده های کوچک(که کمتر از۱۰ مشاهدات در هر متغیر پیش بینی کننده)هنوز کم است. کارما با ایجاد یک چارچوب جدید برای استفاده از شبکه های عصبی مصنوعیnns)) برای انجام وظایف رگرسیون شامل مجموعه های داده های پزشکی کوچک می باشد.

روش ها: به منظور رفع نوسانات پراکنده و مسائل مربوط به اعتبارسنجی که در رگرسیون nnمحدود شده در مجموعه داده های کوچک ظاهرمیشود، چندین روش اجرا و تجزیه و تحلیل داده های جایگزین دراین مقاله پیشنهاد شده است. این رویکرد بهNNs گروهی از پیشرفته مقایسه شد، اثر اندازه داده ها برروی عملکرد NNنیز مورد بررسی قرار گرفته است.