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 پزشکی یک رویکرد کوچک داده

عنوان انگلیسی: 

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

فهرست مطالب:

1- خلاصه

2- معرفی

3- علم اصول

4- جامدات متخلخل: داده

5- استحکام فشاری استخوان ترابکولار

6- مقاومت فشاری بتن

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

8- چند روش اجرا

9- آزمون داده‌ جایگزین

10- خلاصه ای از چارچوب پیشنهادی

11- ارزیابی NN تعمیم

12- معیارهای عملکرد

13- مدل جایگزین: روش های گروه NN

14- تحلیل آماری

15- عملکرد جمعی NN (در هر اجرا)

16- آزمون داده‌های جایگزین: تفسیر برای اندازه های مختلف داده‌ها

17- عملکرد فردی NN

18- به طور کلی عملکرد NN داده‌های کوچک

19- مقایسه NN مجموعه داده‌های کوچک با مدل گروه برای داده‌های بتن مسلح

20- نتایج : مدل استخوان CS

21- پیکربندی طراحی NN

22- آزمون داده‌های جایگزین

23- مدل CS استخوان بهینه

24- مقایسه با گروه NN

25- بحث

26- اهمیت روش پیشنهادی

27- اهمیت عملی مدل استخوان CS

28- تصدیق

29- 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

در برخی رشته های پزشکی برای شناسایی بیماری از پردازش تصویر استفاده می شود. اما، گاهی اوقات بازیابی داده‌‌ها در تصاویر مختلف ساده نبود. همچنین نیازمند صرف زمان بود. زمان مسئله ای ساده ای نیست بخصوص در ارتباط با بیماری های خاص مثل سرطان و لازم است فرایند تشخیص در کوتاه ترین زمان انجام شود.

شبکه های عصبی از اواخر ۱۹۸۰ در پزشکی مورد استفاده قرار گرفتند. در بسیاری از تحقیقات طبی که نتیجه­ گیری از داده­ های حجیم مربوط به یک بیماری خاص به طور دستی امکان نداشته است، شبکه های عصبی در تشخیص بیماری به پزشکان یاری رسانند.

انگیزه: مطالعات تک محور در زمینه پزشکی اغلب با نمونه های محدود به دلیل پیچیدگی و هزینه های بالای جمع‌آوری داده‌های بیمار مشخص می شود.  روش ها یادگیری ماشین برای مدل رگرسیون داده‌های کوچک (که کمتر از 10 مشاهدات در هر متغیر پیش بینی کننده) هنوز کم است. همچنین کارما با ایجاد یک چارچوب جدید برای استفاده از شبکه های عصبی مصنوعی nns برای انجام وظایف رگرسیون شامل مجموعه های داده‌های پزشکی کوچک می باشد.

روش ها: به منظور رفع نوسانات پراکنده و مسائل مربوط به اعتبارسنجی که در رگرسیون nn محدود می شود. همچنین در مجموعه داده‌های کوچک ظاهر می شود. چندین روش اجرا و تجزیه و تحلیل داده‌های جایگزین در این مقاله پیشنهاد شد و این رویکرد به NNs گروهی از پیشرفته مقایسه شد. اثر اندازه داده‌ها برروی عملکرد NN نیز مورد بررسی قرار گرفت.

ترجمه مقاله دسترسی به مجموعه داده‌های محدود با شبکه های عصبی در زمینه های پزشکی در elsevier چاپ گردیده است همچنین چنانچه تمایل به مشاهده مطالب بیشتر دارید به سایت دانلودنما مراجعه فرمایید.