Asas dan Latar Belakang

1. Algoritma Pembelajaran Mesin

Bahagian ini memberikan gambaran keseluruhan menyeluruh tentang algoritma pembelajaran mesin yang paling biasa digunakan dalam diagnosis penyakit.

1.1 Pokok Keputusan

Algoritma pepohon keputusan (DT) mengikut peraturan pembahagian. Dalam model DT, atribut mungkin mempunyai pelbagai nilai yang dipanggil pokok klasifikasi; daun mewakili kelas yang berbeza, manakala cawangan mencerminkan gabungan ciri yang membawa kepada label kelas ini. DT, sebaliknya, mungkin mengambil pembolehubah berterusan yang dipanggil pokok regresi. C4.5 dan EC4.5 ialah dua daripada algoritma DT yang terkenal dan paling banyak digunakan.

1.2 Menyokong mesin vektor

Untuk cabaran berkaitan klasifikasi dan regresi, mesin vektor sokongan (SVM) ialah kaedah pembelajaran mesin yang popular. Mesin vektor sokongan telah diperkenalkan oleh Vapnik pada akhir abad ke-20. Selain diagnosis penyakit, mesin vektor sokongan telah digunakan dalam pelbagai disiplin lain, termasuk pengecaman ekspresi muka, lipatan protein, penemuan homolog jauh, pengecaman pertuturan dan klasifikasi teks. Untuk data tidak berlabel, algoritma ML yang diselia tidak boleh berfungsi. Menggunakan penemuan hyperplane untuk pengelompokan antara data, mesin vektor sokongan boleh mengklasifikasikan data tidak berlabel. Walau bagaimanapun, output mesin vektor sokongan tidak boleh dibezakan secara tidak linear. Untuk mengatasi masalah ini, pemilihan kernel dan parameter yang sesuai adalah dua faktor utama untuk aplikasi SVM dalam analisis data.

1.3 k - Jiran Terdekat

Pengelasan (KNN) ialah teknik pengelasan bukan parametrik yang dicipta oleh Evelyn Fix dan Joseph Hodges pada tahun 1951. kNN sesuai untuk analisis klasifikasi dan regresi. Pengkelasan kNN menghasilkan gabungan kelas. Mekanisme pengundian digunakan untuk mengklasifikasikan item. Teknik jarak Euclidean digunakan untuk menentukan jarak antara dua sampel data. Nilai unjuran untuk analisis regresi ialah purata nilai KNN.

Klik di sini untuk mendapatkan kesan herba Cistanches

1.4 Teluk Naif

Pengelas Bayesian (NB) naif ialah pengelas probabilistik berasaskan Bayesian. Berdasarkan rekod atau titik data yang diberikan, ia meramalkan kebarangkalian keahlian dalam setiap kelas. Kelas yang paling berkemungkinan ialah kelas yang mempunyai kebarangkalian tertinggi. pengelas NB digunakan untuk meramal kebarangkalian, bukan ramalan.

1.5 Regresi logistik

Regresi logistik (LR) ialah kaedah pembelajaran mesin yang digunakan untuk menyelesaikan masalah pengelasan. Model LR mempunyai rangka kerja kebarangkalian dengan nilai unjuran antara 0 hingga 1. Contoh ML berasaskan LR termasuk pengenalan spam, pengesanan transaksi penipuan dalam talian dan pengesanan keganasan. Fungsi pengganti, sering dirujuk sebagai fungsi sigmoid, digunakan oleh LR. fungsi sigmoid mengubah setiap nombor nyata antara 0 dan 1.

1.6 Algoritma AdaBoost

Yoav Freund dan Robert Schapire membangunkan Adaptive Boosting, biasanya dikenali sebagai AdaBoost. AdaBoost ialah pengelas yang menggabungkan berbilang pengelas lemah menjadi pengelas tunggal. AdaBoost berfungsi dengan memberikan lebih berat kepada sampel yang lebih sukar untuk dikelaskan dan memberikan yang sudah dikelaskan dengan baik AdaBoost berfungsi dengan memberikan lebih berat kepada sampel yang lebih sukar untuk dikelaskan dan mengurangkan berat kepada yang sudah dikelaskan dengan baik. Ia boleh digunakan untuk klasifikasi serta analisis regresi.

kebaikan Cistanche tubulosa

2. Gambaran Keseluruhan Pembelajaran Mendalam

Pembelajaran mendalam (DL) ialah subbidang pembelajaran mesin (ML) yang menggunakan pelbagai peringkat untuk mengekstrak maklumat peringkat tinggi dan rendah (iaitu imej, nilai berangka, nilai pengelasan) daripada input. Kebanyakan model pembelajaran mendalam kontemporari dibina pada rangkaian saraf tiruan (ANN), khususnya rangkaian saraf konvolusi (CNN), yang boleh disepadukan dengan model pembelajaran mendalam lain, termasuk model generatif, rangkaian kepercayaan mendalam dan mesin Boltzmann. Pembelajaran mendalam boleh dibahagikan kepada tiga jenis: diselia, separuh diselia, dan tidak diselia. Rangkaian saraf dalam (DNN), pembelajaran pengukuhan dan rangkaian saraf berulang (RNN) ialah beberapa seni bina DL (RNN) yang paling menonjol.

Setiap lapisan dalam pembelajaran mendalam mempelajari atribut data yang berbeza sambil belajar mengubah data inputnya kepada lapisan seterusnya. Contohnya, dalam aplikasi pengecaman imej, input asal mungkin matriks piksel dan lapisan pertama mungkin mengesan tepi imej. Lapisan kedua, sebaliknya, akan membina dan mengekod hidung dan mata, dan lapisan ketiga mungkin mengenali wajah dengan menggabungkan semua maklumat yang dikumpul daripada dua lapisan pertama.

Dalam bidang perubatan, DL sangat menjanjikan. Radiologi dan patologi adalah dua bidang perubatan terkemuka yang telah menggunakan pembelajaran mendalam secara meluas dalam diagnosis penyakit selama bertahun-tahun. Di samping itu, mengumpul maklumat berharga daripada keadaan molekul dan menentukan perkembangan penyakit atau kerentanan rawatan adalah penggunaan praktikal DL, yang sering diiktiraf oleh kajian manusia.

suplemen cistanche

Nilai ekstrak herba Cistanche kepada buah pinggang:

Kajian perubatan mendapati bahan aktif yang terkandung dalamEkstrak cistancheboleh menggalakkan pertumbuhan semula sel manusia dan metabolisme, meningkatkan keupayaan peraturan imun, dan mempunyai jelasanti kanser, kesan antivirus dan anti-penuaan. Dalam beberapa tahun kebelakangan ini, rawatan terhadappenyakit buah pinggangdengan Cistanche telah mencapai keputusan yang baik. Cistanche adalah suplemen untuk lelaki dan wanita dan boleh merawat mati pucuk lelaki dan kemandulan wanita. Selain itu, tonify buah pinggang tanpa menyakiti yin, dan penggunaan jangka panjang secara amnya tidak menyebabkan gejala seperti panas dan mulut kering.

Menurut Dr. Xu Jing, Jabatan Nefrologi, Hospital Ruijin, Sekolah Perubatan Universiti Jiao Tong Shanghai, pesakit yang mempunyai penyakit berikut harus memberi perhatian khusus:

1. Diabetes: Diabetes akan memburukkan lagi beban glukosa saya, sama ada diabetes jenis 1 atau jenis 2, nefropati diabetik boleh berlaku, dan semakin lama perjalanan penyakit, semakin besar risikonya. Apabila penyakit buah pinggang peringkat akhir berkembang, ia menjadi lebih sukar untuk dikawal.

2. Darah tinggi: tekanan Darah tinggi dan saya digelar "abang keras". Bukan sahaja tekanan darah tinggi memberi tekanan tinggi kepada saya dan merosakkan kesihatan saya, tetapi apabila saya tidak berfungsi, ia juga menyebabkan tekanan darah tinggi kedua. Kami berdua "bersubahat" bersama, lebih rumit!

3. Hiperurisemia: Dengan perubahan gaya hidup, kejadian gout (hiperurisemia) meningkat secara beransur-ansur. Kristal urat didepositkan di dalam buah pinggang, mempercepatkan kemerosotan fungsi buah pinggang; Kemerosotan fungsi buah pinggang akan mengurangkan keupayaan buah pinggang untuk mengeluarkan asid urik, memburukkan lagi hiperurisemia, dan membentuk lingkaran ganas.

4. Gaya hidup yang tidak baik: Sedentari jangka panjang dan kurang bersenam membawa kepada obesiti, berat badan berlebihan, atau kebiasaan berjaga lewat, minum dan merokok, dsb., akan membuatkan saya bekerja untuk masa yang lama dan tidak boleh berehat, seterusnya meningkatkan beban saya dan menyebabkan kerosakan.

Ekstrak cistanche tubulosa

6. Aktifkan peluh

Setiap kali kita berpeluh, kita meringankan beban pada buah pinggang kita kerana kita menguatkan cara lain untuk mengeluarkan cecair dari badan. Dalam pengertian ini, meningkatkan peluh boleh menjadi "terapi" yang baik untuk menjaga fungsi buah pinggang. Aktiviti fizikal sederhana atau berintensiti tinggi, atau mengikut selang waktu. Mandi sauna kering dan basah. Makan rempah panas, seperti halia atau lada cayenne.

7. Penggunaan pembersih secara tetap

Sekali atau dua kali setahun, terutamanya semasa perubahan bermusim, adalah idea yang baik untuk melakukan beberapa pembersihan atau pembersihan untuk menggalakkan penyingkiran toksin dan meningkatkan fungsi hati dan buah pinggang. Ini termasuk meningkatkan tabiat pemakanan, terutamanya melakukan pembersihan buah pinggang, yang boleh anda cuba:

a: Menambahkan sup bawang putih dan bawang merah ke dalam diet anda dengan lebih kerap.

b: Gantikan minuman industri dengan pir hijau, saderi, dan jus epal.

c: Gunakan infusi semula jadi dandelion, burdock, dan ekor kuda untuk merangsang penyingkiran cecair.

8. Sapukan haba tempatan

Haba tempatan menggunakan botol air panas atau pad pemanas boleh memberikan kelegaan sekiranya berlaku ketidakselesaan bahagian bawah belakang di kawasan buah pinggang. Sebaliknya, mengelakkan kesejukan yang melampau di kawasan batang, terutamanya angin sejuk pada musim sejuk adalah penting untuk mencegah (atau melegakan, mengikut mana-mana keadaan) ketidakselesaan di kawasan ini, tanpa mengira kehadiran penyakit buah pinggang.

9. Elakkan alkohol dan dos berlebihan

Petua untuk menjaga pankreas: jangan minum alkohol. Sudah tentu, mengelakkan alkohol adalah penting untuk menjaga kesihatan buah pinggang. Pelbagai kajian telah menunjukkan bahawa alkohol boleh memburukkan fungsi buah pinggang ke tahap yang besar dan semakin banyak jumlah alkohol yang diambil, semakin besar risiko untuk mengalami pelbagai masalah kesihatan. Sebaliknya, adalah penting untuk sentiasa ingat bahawa segala yang berlebihan adalah tidak baik untuk kesihatan anda, bukan hanya alkohol atau ubat lain.

RUJUKAN:

1.Brijain, M.; Patel, R.; Kaushik, M.; Rana, K. Tinjauan tentang algoritma pepohon keputusan untuk pengelasan. Int. J. Eng. Dev. Res. 2014. Tersedia

2. Walse, RS; Kurundkar, GD; Khamitkar, SD; Muley, AA; Bhalchandra, PU; Lokhande, SN Penggunaan Berkesan Naïve Bayes, Decision Tree, dan Teknik Hutan Rawak untuk Analisis Penyakit Buah Pinggang Kronik. Dalam Prosiding Persidangan Antarabangsa mengenai Teknologi Maklumat dan Komunikasi untuk Sistem Pintar, Ahmedabad, India, 15–16 Mei 2020; Springer: Berlin/Heidelberg, Jerman, 2020; ms 237–245.

3. Rajendran, K.; Jayabalan, M.; Thiruchelvam, V. Meramalkan kanser payudara melalui kaedah pembelajaran mesin yang diselia pada data tidak seimbang kelas. Int. J. Adv. Pengiraan. Sci. Appl. 2020, 11, 54–63.

4. Tsao, HY; Chan, PY; Su, ECY Meramalkan retinopati diabetik dan mengenal pasti ciri bioperubatan yang boleh ditafsir menggunakan algoritma pembelajaran mesin. BMC Biomaklumat. 2018, 19, 111–121.

5. . Nurrohman, A.; Abdullah, S.; Murfifi, H. Klasifikasi subjenis penyakit Parkinson: Penggunaan pokok keputusan, regresi logistik, dan model daun logit. Dalam Prosiding Persidangan AIP; AIP Publishing LLC: Melville, NY, USA, 2020; Jilid 2242, hlm. 030015.

6. . Drucker, H.; Wu, D.; Vapnik, VN Menyokong mesin vektor untuk pengkategorian spam. IEEE Trans. Jaringan Neural. 1999, 10, 1048–1054.

7. Betulkan, E.; Hodges, JL Analisis diskriminasi. Diskriminasi bukan parametrik: Sifat ketekalan. Int. Stat. Rev. Int. De Stat. 1989, 57, 238–247.

8. Wright, RE Regresi Logistik. Dalam Membaca dan Memahami Statistik Multivariate; Persatuan Psikologi Amerika: Washington, DC, Amerika Syarikat, 1995.

9. Schapire, RE Menjelaskan AdaBoost. Dalam Inferens Empirikal; Springer: Berlin/Heidelberg, Jerman, 2013; ms 37–52.

10. Goodfellow, I.; Bengio, Y.; Courville, A. Pembelajaran Mendalam; MIT Press: Cambridge, MA, Amerika Syarikat, 2016.

11. Hayashi, Y. Arah yang betul diperlukan untuk membangunkan pembelajaran mendalam kotak putih dalam radiologi, patologi, dan oftalmologi: Kajian ringkas. Depan. robot. AI 2019, 6, 24.

12. Akkus, Z.; Galimzianova, A.; Hoogi, A.; Rubin, DL; Erickson, BJ Pembelajaran mendalam untuk segmentasi MRI otak: Keadaan seni dan arah masa depan. J. Digit. Pengimejan 2017, 30, 449–459.

13. Ahsan, MM; E Alam, T.; Trafalis, T.; Huebner, P. Deep MLP-CNN model menggunakan data campuran untuk membezakan antara pesakit COVID-19 dan Bukan COVID-19. Simetri 2020, 12, 1526.

14. Houssein, EH; Emam, MM; Ali, AA; Suganthan, PN Deep dan teknik pembelajaran mesin untuk kanser payudara berasaskan pengimejan perubatan: Kajian komprehensif. Sistem Pakar. Appl. 2021, 167, 114161.