МОЖЛИВОСТІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ ДІАГНОСТУВАННЯ ЗАХВОРЮВАНЬ ЛЕГЕНЬ ЗА РЕНТГЕНІВСЬКИМИ ЗНІМКАМИ

Анотація

У статті розкрито можливості штучних нейронних мереж діагностування захворювань легень за рентгенівськими знімками. Підкреслено, що розвиток алгоритмів машинного навчання надає широкі можливості у галузі автоматизації вирішення медичних завдань, а комп'ютерна обробка рентгенівських знімків підвищує точність аналізу зображень, знижує роль людського фактору при прийнятті рішень, дозволяє оцінити ефективність застосування терапії та в цілому покращує якість життя людей. В результаті досліджень було підтверджено, що рентгенівські знімки грудної клітки можуть мати велике значення для постановки діагнозу пацієнтам і також можуть бути корисні для діагностики різних видів пневмонії, розроблено архітектуру нейронної мережі для діагностики захворювань легень. Описано структуру мережі, з відокремленням кожного окремого шару, наголошено, що вся обробка інформації в прихованому шарі полягає у використанні системи ваг, а саме, використання системи певних коефіцієнтів під час передачі від одного шару іншому. Сила ваги або по-іншому важливість інформації визначається величиною даного коефіцієнта, чим він більше, тим більш важлива інформація передається між нейронами. Підкреслено, що підсумкова інформація, яку видасть нейронна мережа, залежатиме від безлічі факторів: через які нейрони проходитиме інформація, як виглядає внутрішня архітектура мережі, а також наявність якої кількості прихованих шарів у архітектурі мережі. Зазначається, що головною перевагою представленого методу є те, що машину опорних векторів можна легко інтегрувати в архітектуру глибокого навчання. Навчена модель формує вектори ознак з останньої повністю підключеної моделі глибокого навчання та надає оцінки кожному класу, що є вагомим фактором у загальній системі діагностування. Також наголошено, що використання машини опорних векторів замість класифікатора дозволяє підвищити точність класифікації для діагностування захворювань. У статті відокремлено і недоліки, до яких віднесено той факт, що моделі глибокого навчання у поєднанні з моделями машини опорних векторів вимагають як мінімум двох навчальних наборів даних.