Нейронные сети представляют собой нелинейные системы, позволяющие гораздо лучше классифицировать данные, чем обычно используемые линейные методы. Нейросети оказались способными принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных. Отличительное свойство нейросетей состоит в том, что они не программируются – не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. Для искусственных нейронных сетей под обучением понимается процесс настройки архитектуры сети (структуры связей между нейронами) и весов синаптических связей (влияющих на сигналы коэффициентов) для эффективного решения поставленной задачи.
Необходимость выбора оптимальной адьювантной терапии, стандартизации и оптимизации послеоперационного диспансерного наблюдения за пациентамиP определяет актуальность поиска новых, более совершенных прогностических систем на основании доступных и достаточно простых клинических и лабораторных критериев. Такую возможность дает применение нейросетевого анализа данных и моделирования, которое отличается высокой прогностической точностью, не уступая традиционным методам математического моделирования таким как многофакторный корреляционно регрессионный анализ. Прогноз основывается на матрице данных реальных клинических случаев, что определяет его высокую прикладную ценность. Ис]кусственная нейронная сеть – это множество нейронов, соединен]ных между собой. Искусственный нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он об]ладает группой синапсов (X) – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбужде]ния или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синоптической связи или ее весом (W), который по своему физическому смыслу эк]вивалентен электрической проводимости. Несмотря на большое разнообразие вариантов нейронных сетей, все они имеют общие черты.
Key words: bladder cancer, neural network, treatment late fates.
A neural forecasting network of bladder cancer treatment results was developed in the course of the research. TheP network lets make a perfect diseaseP forecast. When forecasting bladder cancer, it is reasonable to apply a trilaminar network having the neuron quantity of the out sheet to be equal to the possible disease outcome quantity. The neural network helps to chose optimal therapeutic approach, changing the input sheet vector value and estimating the out- coming vector value.
zimichew@mail.ru, Contact phone: +7 (846) 995-79-18,
443099, 89 Chapaevskaya str., Samara, Russia,
Candidate of Sciences(Medicine),
of Samara State University of Medicine,
Zimichev Aleksandr Anatolievich,
Samara State University of Medicine,
Neural network forecasting of treatment late fates of bladder cancer patients
Ключевые слова: рак мочевого пузыря, нейронная сеть, отдаленные результаты лечения.
В результате исследования разработана нейронная сеть прогноза результата лечения рака мочевого пузыря,PP позволяющая с высокой степенью достоверности предсказать исход лечения. При прогнозе рака мочевого пузыря целесообразно применять трехслойную сеть с количеством нейронов в выходном слое равном возможному числу исходов заболевания. С помощью нейронной сети возможно выбрать оптимальную тактику лечения, меняя величину вектора входного слоя нейронов и оценивая величину выходного вектора.
443099, Россия, г.Самара, ул.Чапаевская, 89,
ассистент кафедры урологии СГМУ, канд.мед.наук,
Зимичев Александр Анатольевич,
Самарский государственный медицинский университет,
Нейронная сеть в прогнозировании отдаленных результатов лечения больных раком мочевого пузыря
Электронный научно-практический журнал
Нейронная сеть в прогнозировании отдаленных результатов лечения больных раком мочевого пузыря | КРЕАТИВНАЯ ОНКОЛОГИЯ И ХИРУРГИЯ
Комментариев нет:
Отправить комментарий