Nozioni di base e background

1. Algoritmi di apprendimento automatico

Questa sezione fornisce una panoramica completa degli algoritmi di apprendimento automatico più comunemente utilizzati nella diagnosi delle malattie.

1.1 Alberi decisionali

Gli algoritmi dell'albero decisionale (DT) seguono la regola del partizionamento. In un modello DT, gli attributi possono avere vari valori chiamati alberi di classificazione; le foglie rappresentano classi diverse, mentre i rami riflettono la combinazione di caratteristiche che portano a queste etichette di classe. DT, d'altra parte, può accettare variabili continue chiamate alberi di regressione. C4.5 e EC4.5 sono due degli algoritmi DT ben noti e più utilizzati.

1.2 Supportare le macchine vettoriali

Per le sfide relative alla classificazione e alla regressione, le macchine a vettori di supporto (SVM) sono un metodo di apprendimento automatico diffuso. Le macchine vettoriali di supporto furono introdotte da Vapnik alla fine del XX secolo. Oltre alla diagnosi delle malattie, le macchine vettoriali di supporto sono state utilizzate in una varietà di altre discipline, tra cui il riconoscimento delle espressioni facciali, il ripiegamento delle proteine, la scoperta di omologhi distanti, il riconoscimento vocale e la classificazione del testo. Per i dati senza etichetta, gli algoritmi ML supervisionati non possono funzionare. Utilizzando la scoperta dell'iperpiano per il clustering tra i dati, le macchine vettoriali di supporto possono classificare i dati senza etichetta. Tuttavia, l'output di una macchina vettoriale di supporto non è differenziabile in modo non lineare. Per superare questi problemi, la selezione del kernel e dei parametri appropriati sono due fattori chiave per l'applicazione di SVM nell'analisi dei dati.

1,3 k - Vicino più vicino

La classificazione (KNN) è una tecnica di classificazione non parametrica inventata da Evelyn Fix e Joseph Hodges nel 1951. kNN è adatta sia per la classificazione che per l'analisi di regressione. La classificazione kNN determina l'affiliazione alla classe. Un meccanismo di voto viene utilizzato per classificare gli elementi. La tecnica della distanza euclidea viene utilizzata per determinare la distanza tra due campioni di dati. Il valore di proiezione per l'analisi di regressione è la media dei valori KNN.

Clicca qui per ottenere l'effetto delle erbe Cistanches

1.4 Bayes ingenuo

Il classificatore naïve bayesiano (NB) è un classificatore probabilistico basato su bayesiano. Sulla base di un dato record o punto dati, prevede la probabilità di appartenenza a ciascuna classe. La classe più probabile è quella con la probabilità più alta. il classificatore NB viene utilizzato per prevedere le probabilità, non le previsioni.

1.5 Regressione logistica

La regressione logistica (LR) è un metodo di apprendimento automatico utilizzato per risolvere problemi di classificazione. I modelli LR hanno un framework probabilistico con valori di proiezione che vanno da 0 a 1. Esempi di ML basato su LR includono l'identificazione dello spam, il rilevamento di transazioni fraudolente online e il rilevamento di malignità. La funzione surrogata, spesso indicata come funzione sigmoidea, è utilizzata da LR. le funzioni sigmoidee trasformano ogni numero reale compreso tra 0 e 1.

1.6 Algoritmo AdaBoost

Yoav Freund e Robert Schapire hanno sviluppato Adaptive Boosting, comunemente noto come AdaBoost. AdaBoost è un classificatore che combina più classificatori deboli in un unico classificatore. AdaBoost funziona dando più peso ai campioni più difficili da classificare e dando a quelli che sono già ben classificati AdaBoost funziona dando più peso ai campioni più difficili da classificare e meno peso a quelli che sono già ben classificati. Può essere utilizzato per la classificazione e per l'analisi di regressione.

i benefici di Cistanche tubulosa

2. Panoramica sull'apprendimento approfondito

Il deep learning (DL) è un sottocampo del machine learning (ML) che utilizza più livelli per estrarre informazioni di livello superiore e inferiore (ovvero immagini, valori numerici, valori di classificazione) dall'input. La maggior parte dei modelli di deep learning contemporanei sono costruiti su reti neurali artificiali (ANN), in particolare reti neurali convoluzionali (CNN), che possono essere integrate con altri modelli di deep learning, inclusi modelli generativi, reti di credenze profonde e macchine Boltzmann. Il deep learning può essere suddiviso in tre tipi: supervisionato, semi-supervisionato e non supervisionato. Le reti neurali profonde (DNN), l'apprendimento per rinforzo e le reti neurali ricorrenti (RNN) sono alcune delle più importanti architetture DL (RNN).

Ogni livello nel deep learning apprende attributi di dati diversi mentre impara a trasformare i dati di input nei livelli successivi. Ad esempio, in un'applicazione di riconoscimento di immagini, l'input originale può essere una matrice di pixel e il primo strato può rilevare i bordi dell'immagine. Il secondo strato, invece, costruirebbe e codificherebbe il naso e gli occhi, e il terzo strato potrebbe riconoscere i volti combinando tutte le informazioni raccolte dai primi due strati.

In campo medico, DL è molto promettente. La radiologia e la patologia sono due importanti campi medici che hanno utilizzato ampiamente l'apprendimento profondo nella diagnosi delle malattie per molti anni. Inoltre, la raccolta di informazioni preziose dagli stati molecolari e la determinazione della progressione della malattia o della suscettibilità al trattamento sono usi pratici del DL, che sono spesso riconosciuti dagli studi sull'uomo.

Supplemento cistanche

Il valore dell'estratto di erba Cistanche per il rene:

Studi medici hanno scoperto che i principi attivi contenuti inEstratto di cistanchepuò promuovere la rigenerazione e il metabolismo delle cellule umane, migliorare la capacità di regolazione immunitaria e avere evidentianticancro, effetti antivirali e anti-invecchiamento. Negli ultimi anni, il trattamento dimalattie renalicon Cistanche ha ottenuto buoni risultati. Cistanche è un integratore per uomini e donne e può trattare sia l'impotenza maschile che l'infertilità femminile. Inoltre, tonifica il rene senza danneggiare lo yin e l'uso a lungo termine generalmente non provoca sintomi come calore e secchezza delle fauci.

Secondo il Dr. Xu Jing, Dipartimento di Nefrologia, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, i pazienti con le seguenti malattie dovrebbero prestare particolare attenzione:

1. Diabete: il diabete aggraverà il mio carico di glucosio, sia che si tratti di diabete di tipo 1 o di tipo 2, può verificarsi nefropatia diabetica e più lungo è il decorso della malattia, maggiore è il rischio. Una volta che la malattia renale allo stadio terminale progredisce, diventa più difficile da controllare.

2. Sangue alto: pressione Alta pressione sanguigna e sono soprannominato "fratello duro". Non solo la pressione alta mi mette ad alta pressione e danneggia la mia salute, ma quando sono disfunzionale, provoca anche la pressione alta secondariamente. Noi due "colludiamo" insieme, è stato ancora più complicato!

3. Iperuricemia: con i cambiamenti dello stile di vita, l'incidenza della gotta (iperuricemia) aumenta gradualmente. I cristalli di urato si depositano nei reni, accelerando il deterioramento della funzione renale; Il deterioramento della funzione renale ridurrà la capacità dei reni di espellere l'acido urico, aggraverà nuovamente l'iperuricemia e formerà un circolo vizioso.

4. Cattivo stile di vita: la sedentarietà a lungo termine e la mancanza di esercizio fisico portano all'obesità, al sovrappeso o all'abitudine di stare alzati fino a tardi, bere e fumare, ecc., Mi faranno lavorare a lungo e non posso riposare, aumentando così il mio carico e causando danno.

Estratto di cistanche tubulosa

6. Attiva la sudorazione

Ogni volta che sudiamo, alleggeriamo il carico sui nostri reni perché rafforziamo un altro modo di rimuovere i liquidi dal corpo. In questo senso aumentare la sudorazione può essere una buona “terapia” per prendersi cura della funzionalità renale. Attività fisica moderata o ad alta intensità oa intervalli. Bagni di sauna asciutti e bagnati. Mangiare spezie piccanti, come lo zenzero o il pepe di cayenna.

7. Uso regolare di detergenti

Una o due volte l'anno, soprattutto durante i cambi di stagione, è bene fare un po' di pulizia o depurazione per favorire l'eliminazione delle tossine e migliorare la funzionalità epatica e renale. Ciò include il miglioramento delle abitudini alimentari, principalmente facendo la pulizia dei reni, che puoi provare:

a: Aggiungendo più spesso brodo di aglio e cipolla alla tua dieta.

b: Sostituisci le bevande industriali con pera verde, sedano e succo di mela.

c: Utilizzare infusi naturali di tarassaco, bardana ed equiseto per stimolare l'eliminazione dei liquidi.

8. Applicare calore locale

Il calore locale utilizzando una borsa dell'acqua calda o un termoforo può fornire sollievo in caso di disagio lombare nella zona dei reni. D'altra parte, evitare il freddo estremo nella zona del tronco, soprattutto i venti freddi in inverno, è essenziale per prevenire (o alleviare, a seconda dei casi) il disagio in questa zona, indipendentemente dalla presenza di malattie renali.

9. Evitare alcol e overdose

Suggerimenti per prendersi cura del pancreas: non bere alcolici. Naturalmente, evitare l'alcol è fondamentale per prendersi cura della salute dei reni. Vari studi hanno dimostrato che l'alcol può deteriorare notevolmente la funzione renale e che maggiore è la quantità di alcol consumata, maggiore è il rischio di sviluppare vari problemi di salute. D'altra parte, è importante ricordare sempre che tutto ciò che è in eccesso fa male alla salute, non solo alcol o altre droghe.

RIFERIMENTI:

1.Brijain, M.; Patel, R.; Kaushik, M.; Rana, K. Un sondaggio sull'algoritmo dell'albero decisionale per la classificazione. Int. J. Ing. Dev. Ris. 2014. Disponibile

2. Valse, RS; Kurundkar, GD; Khamitkar, SD; Muley, AA; Bhalchandra, PU; Lokhande, SN Uso efficace di Naïve Bayes, albero decisionale e tecniche di foresta casuale per l'analisi della malattia renale cronica. In Proceedings of the International Conference on Information and Communication Technology for Intelligent Systems, Ahmedabad, India, 15–16 maggio 2020; Springer: Berlino/Heidelberg, Germania, 2020; pp. 237–245.

3. Rajendran, K.; Jayabalan, M.; Thiruchelvam, V. Previsione del cancro al seno tramite metodi di apprendimento automatico supervisionati su dati sbilanciati di classe. Int. J. Avv. Calcola. Sci. Appl. 2020, 11, 54–63.

4. Tsao, HY; Chan, PY; Su, ECY Prevedere la retinopatia diabetica e identificare le caratteristiche biomediche interpretabili utilizzando algoritmi di apprendimento automatico. BMC Bioinform. 2018, 19, 111–121.

5. . Nurroman, A.; Abdullah, S.; Murfifi, classificazione del sottotipo di malattia di H. Parkinson: applicazione dell'albero decisionale, regressione logistica e modello di foglia logit. Negli Atti del Convegno AIP; AIP Publishing LLC: Melville, New York, Stati Uniti, 2020; Tomo 2242, pag. 030015.

6. . Drucker, H.; Wu, D.; Vapnik, VN Supporta le macchine vettoriali per la categorizzazione dello spam. IEEE Trans. Rete neurale. 1999, 10, 1048–1054.

7. Fissare, E.; Hodges, JL Analisi discriminatoria. Discriminazione non parametrica: proprietà di consistenza. Int. Statistica. Rev.Int. De Stat. 1989, 57, 238-247.

8. Wright, RE Regressione logistica. Nella lettura e comprensione delle statistiche multivariate; Associazione psicologica americana: Washington, DC, USA, 1995.

9. Schapire, RE Spiegazione di AdaBoost. Nell'inferenza empirica; Springer: Berlino/Heidelberg, Germania, 2013; pp. 37–52.

10. Goodfellow, I.; Bengio, Y.; Courville, A. Apprendimento profondo; MIT Press: Cambridge, MA, Stati Uniti, 2016.

11. Hayashi, Y. La giusta direzione necessaria per sviluppare il deep learning white-box in radiologia, patologia e oftalmologia: una breve rassegna. Davanti. Robot. AI 2019, 6, 24.

12. Akkus, Z.; Galimzianova, A.; Hoogi, A.; Rubino, DL; Erickson, BJ Apprendimento profondo per la segmentazione della risonanza magnetica cerebrale: stato dell'arte e direzioni future. J. cifra. Imaging 2017, 30, 449–459.

13. Ahsan, MM; E Alam, T.; Trafalis, T.; Huebner, P. Deep Modello MLP-CNN che utilizza dati misti per distinguere tra pazienti COVID-19 e non-COVID-19. Simmetria 2020, 12, 1526.

14. Houssein, EH; Emam, MM; Alì, AA; Suganthan, PN Deep e tecniche di apprendimento automatico per il cancro al seno basato sull'imaging medico: una revisione completa. Esperto Sist. Appl. 2021, 167, 114161.