الگوریتم آموزش سریع شبکه عصبی برای کاربرد های پزشکی

 ترجمه مقاله الگوریتم آموزش سریع شبکه عصبی برای کاربرد های پزشکی

ترجمه مقاله Fast neural network learning algorithms for medical applications

در این پست ترجمه مقاله الگوریتم آموزش سریع شبکه عصبی برای کاربرد های پزشکی را برای شما دوستان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به طور کاملا رایگان دانلود نمایید.

چکیده مقاله

اندازه‌گیری غلظت نیتروژن اوره خون برای ارزیابی دوز دیالیز (Kt / V) در بیماران مبتلا به نارسایی کلیه بسیار مهم است. اگر چه اندازه‌گیری مکرر برای جلوگیری از بروز نارسایی در عملکرد کلیه لازم است، اما روش ‌های هوش مصنوعی می‌تواند به صورت مکرر برای پیش‌بینی استفاده شده و می‌تواند در آینده جایگزینی مناسب برای تست ‌های آزمایشگاهی باشد. شبکه‌ عصبی مصنوعی برای روش‌ های ریاضی کلاسیک و آماری به منظور حل مسئله غیرخطی چند بعدی به عنوان بهترین جایگزین به حساب می آید. همچنین این روش، یک برنامه پیشگویی مفید در کاربرد های نفرولوژی است. در این بررسی های به عمل آمده، شبکه عصبی چندلایه با الگوریتم‌ های یادگیری سریع برای پیش‌بینی غلظت اوره خون پس از دیالیز استفاده می‌شود. توانایی و قابلیت هشت الگوریتم یادگیری مورد بررسی قرار گرفته و کارکرد آنها مقایسه شده است. اسامی این الگوریتم ‌ها اعم از الگوریتم پس انتشار مقاوم، گرادیان مختلط مقیاس بندی شده، Levenberg-Marquardt، گرادیان مختلط به همراه روش راه‌اندازی Powell-Beale، الگوریتم‌ گرادیان مختلط Fletcher-Reeves و گرادیان مختلط Polak-Ribiere ، روش الگوریتم یک مرحله‌ای متقاطع و شبه نیوتن BFGS نتیجه حاصل نشان می‌دهد که الگوریتم Levenberg-Marquardt و الگوریتم شبه نیوتن BFGS بهترین نتایجات را نمایش می دهند. در مرحله اعتبار سنجی الگوریتم Levenberg-Marquardt از نظر خطای متوسط مربع ریشه (RMSE) ، خطای متوسط (MAE)، ضریب همگامی آماری (RC) ، ضریب همبستگی پیرسون (R2p) نسبت به دیگر الگوریتم‌ ها، کارکرد خوبی از خود نشان می‌دهد.

مقدمه

طراحی ریاضی دیالیز با پیشروی حلال ‌ها آغاز به کار شد. مبنای کار روش‌ اندازه‌گیری دیالیز بر پایه حرکات اوره در خون بوده و در حال حاضر در شرکت ‌سان ‌فرانسیسکو توسط John Sargent , Frank Gotch در حال استفاده است، که در این روش، حالت تعمیم ‌یافته‌ای از معادلات Wolf و معادلات دقیق‌تر برای دیالیز مجدد پس از یک مطالعه غیرمتمرکز به کار می‌رود مرکز تعاونی مطالعه ملی دیالیز (NCDS) نتایج مطالعات مرکز تعاونی ملی دیالیز (NCDS) ارتباط بین حرکت اوره و نتیجه بالینی بیماران مبتلا به همودیالیز را نشان داده است این نتایج مربوط به ارائه فرمول Kt / V و مدل‌سازی حرکت اوره (UKM) برای اندازه‌گیری دوز حاصل و کافی بودن دیالیز است. مدلسازی NCDS بر مبنای این فرض قرار گرفته که نیترات اوره خون می‌تواند به صورت یک جایگزین برای سم های اورمیک استفاده شود و مقدار دیالیز را می‌توان با سطح BUN مشخص کرد ارزیابی Kt / V به طور وسیعی برای کیفیت ‌سنجی روش درمان HD استفاده می‌شود.

چکیده انگلیسی

Measuring the blood urea nitrogen concentration is crucial to evaluate dialysis dose (Kt/V) in patients with renal failure. Although frequent measurement is needed to avoid inadequate dialysis efficiency, artificial intelligence can repeatedly perform the forecasting tasks and may be a satisfactory substitute for laboratory tests. Artificial neural networks represent a promising alternative to classical statistical and mathematical methods to solve multidimensional nonlinear problems. It also represents a promising forecasting application in nephrology. In this study, multilayer perceptron (MLP) neural network with fast learning algorithms is used for the accurate prediction of the post-dialysis blood urea concentration. The capabilities of eight different learning algorithms are studied, and their performances are compared. These algorithms are Levenberg–Marquardt, resilient backpropagation, scaled conjugate gradient, conjugate gradient with Powell–Beale restarts, Polak–Ribiere conjugate gradient and Fletcher– Reeves conjugate gradient algorithms, BFGS quasi-Newton and one-step secant. The results indicated that BFGS quasi-Newton and Levenberg–Marquardt algorithm produced the best results. Levenberg–Marquardt algorithm outperformed clearly all the other algorithms in the verification phase and was a very robust algorithm in terms of mean absolute error (MAE), root mean square error (RMSE), Pearson’s correlation coefficient (R2p and concordance coefficient (RC). The percentage of MAE and RMSE for Levenberg–Marquardt is 0.27 and 0.32 %, respectively, compared to 0.38 and 0.41 % for BFGS quasi Newton and 0.44 and 0.48 % for resilient backpropagation MLP-based systems can achieve satisfying results for predicting post-dialysis blood urea concentration and singlepool dialysis dose spKt/V without the need of a detailed description or formulation of the underlying process in contrast to most of the urea kinetic modeling techniques.

منیع : springer.com