Grunnleggende og bakgrunn

1. Maskinlæringsalgoritmer

Denne delen gir en omfattende oversikt over de mest brukte maskinlæringsalgoritmene i sykdomsdiagnostikk.

1.1 Beslutningstrær

Decision tree (DT) algoritmer følger regelen for partisjonering. I en DT-modell kan attributter ha ulike verdier som kalles klassifiseringstrær; blader representerer forskjellige klasser, mens grener gjenspeiler kombinasjonen av funksjoner som fører til disse klasseetikettene. DT, på den annen side, kan ta kontinuerlige variabler kalt regresjonstrær. C4.5 og EC4.5 er to av de velkjente og mest brukte DT-algoritmene.

1.2 Støtte vektormaskiner

For klassifiserings- og regresjonsrelaterte utfordringer er støttevektormaskiner (SVM) en populær maskinlæringsmetode. Støttevektormaskiner ble introdusert av Vapnik på slutten av 1900-tallet. I tillegg til sykdomsdiagnose, har støttevektormaskiner blitt brukt i en rekke andre disipliner, inkludert ansiktsuttrykksgjenkjenning, proteinfolding, fjern homologfunn, talegjenkjenning og tekstklassifisering. For umerkede data kan ikke overvåkede ML-algoritmer fungere. Ved å bruke hyperplan-oppdagelse for klynging mellom data, kan støttevektormaskiner klassifisere umerkede data. Utgangen fra en støttevektormaskin er imidlertid ikke ikke-lineært differensierbar. For å overvinne disse problemene er valg av riktig kjerne og parametere to nøkkelfaktorer for bruk av SVM-er i dataanalyse.

1,3 k - Nærmeste nabo

(KNN) klassifisering er en ikke-parametrisk klassifiseringsteknikk oppfunnet av Evelyn Fix og Joseph Hodges i 1951. kNN er egnet for både klassifisering og regresjonsanalyse. kNN-klassifisering gir klassetilhørighet. En stemmemekanisme brukes til å klassifisere gjenstander. Den euklidiske avstandsteknikken brukes til å bestemme avstanden mellom to dataprøver. Projeksjonsverdien for regresjonsanalyse er gjennomsnittet av KNN-verdiene.

Klikk her for å få effekten av urte Cistanches

1.4 Naive Bayes

Den naive Bayesianske (NB) klassifikatoren er en Bayesiansk-basert sannsynlighetsklassifiserer. Basert på en gitt post eller datapunkt, forutsier den sannsynligheten for medlemskap i hver klasse. Den mest sannsynlige klassen er den med høyest sannsynlighet. NB-klassifikatoren brukes til å forutsi sannsynligheter, ikke forutsigelser.

1.5 Logistisk regresjon

Logistisk regresjon (LR) er en maskinlæringsmetode som brukes til å løse klassifiseringsproblemer. LR-modeller har et sannsynlig rammeverk med projeksjonsverdier som strekker seg fra 0 til 1. Eksempler på LR-basert ML inkluderer spamidentifikasjon, oppdagelse av falske transaksjoner på nettet og deteksjon av malignitet. Surrogatfunksjonen, ofte referert til som sigmoidfunksjonen, brukes av LR. sigmoid-funksjoner transformerer hvert reelt tall mellom 0 og 1.

1.6 AdaBoost-algoritme

Yoav Freund og Robert Schapire utviklet Adaptive Boosting, ofte kjent som AdaBoost. AdaBoost er en klassifikator som kombinerer flere svake klassifiserere til en enkelt klassifikator. AdaBoost fungerer ved å gi mer vekt til prøver som er vanskeligere å klassifisere og gi de som allerede er godt klassifisert AdaBoost fungerer ved å gi mer vekt til prøver som er vanskeligere å klassifisere og mindre vekt til de som allerede er godt klassifisert. Den kan brukes til klassifisering så vel som regresjonsanalyse.

fordelene med Cistanche tubulosa

2. Oversikt over dyp læring

Deep learning (DL) er et underfelt av maskinlæring (ML) som bruker flere nivåer for å trekke ut informasjon på høyere og lavere nivå (dvs. bilder, numeriske verdier, klassifikasjonsverdier) fra input. De fleste moderne dyplæringsmodeller er bygget på kunstige nevrale nettverk (ANN), spesielt konvolusjonelle nevrale nettverk (CNN), som kan integreres med andre dyplæringsmodeller, inkludert generative modeller, dype trosnettverk og Boltzmann-maskiner. Dyplæring kan deles inn i tre typer: veiledet, semi-veiledet og uovervåket. Dype nevrale nettverk (DNN), forsterkende læring og tilbakevendende nevrale nettverk (RNN) er noen av de mest fremtredende DL-arkitekturene (RNN).

Hvert lag i dyp læring lærer forskjellige dataattributter mens de lærer å transformere inndataene til påfølgende lag. For eksempel, i en bildegjenkjenningsapplikasjon kan den opprinnelige inngangen være en matrise av piksler og det første laget kan oppdage kantene på bildet. Det andre laget ville på den annen side konstruere og kode nesen og øynene, og det tredje laget kan gjenkjenne ansikter ved å kombinere all informasjonen samlet fra de to første lagene.

Innen det medisinske feltet har DL store løfter. Radiologi og patologi er to fremtredende medisinske felt som har brukt dyp læring mye i sykdomsdiagnostikk i mange år. I tillegg er det å samle verdifull informasjon fra molekylære tilstander og bestemme sykdomsprogresjon eller behandlingsfølsomhet praktisk bruk av DL, som ofte er anerkjent av menneskelige studier.

Cistanche supplement

Verdien av urten Cistanche-ekstrakt for nyrene:

Medisinske studier har funnet at de aktive ingrediensene iCistanche ekstraktkan fremme menneskelig celleregenerering og metabolisme, forbedre immunreguleringsevnen og har åpenbareanti-kreft, antivirale og antialdringseffekter. De siste årene har behandlingen avnyresykdommermed Cistanche har oppnådd gode resultater. Cistanche er et supplement for både menn og kvinner og kan behandle både mannlig impotens og kvinnelig infertilitet. Dessuten tonifisere nyrene uten å skade yin, og langvarig bruk forårsaker vanligvis ikke symptomer som varme og munntørrhet.

I følge Dr. Xu Jing, avdeling for nefrologi, Ruijin sykehus, Shanghai Jiao Tong University School of Medicine, bør pasienter med følgende sykdommer være spesielt oppmerksomme:

1. Diabetes: Diabetes vil forverre glukosebelastningen min, enten det er type 1 eller type 2 diabetes, diabetisk nefropati kan oppstå, og jo lengre sykdomsforløpet er, jo større er risikoen. Når sluttstadiet av nyresykdommen utvikler seg, blir det vanskeligere å kontrollere.

2. Høyt blod: trykk Høyt blodtrykk og jeg får kallenavnet "hard brother". Ikke bare legger høyt blodtrykk høyt press på meg og skader helsen min, men når jeg er dysfunksjonell, forårsaker det også sekundært høyt blodtrykk. Vi to "samarbeidet" sammen, det var enda vanskeligere!

3. Hyperurikemi: Ved livsstilsendringer øker forekomsten av gikt (hyperurikemi) gradvis. Uratkrystaller avsettes i nyrene, og akselererer forverringen av nyrefunksjonen; Forverring av nyrefunksjonen vil redusere nyrenes evne til å skille ut urinsyre, forverre hyperurikemi igjen og danne en ond sirkel.

4. Dårlig livsstil: Langvarig stillesittende og mangel på mosjon fører til fedme, overvekt eller vane å være oppe sent, drikke og røyke osv., vil få meg til å jobbe lenge og ikke hvile, og dermed øke belastningen og forårsake skader.

Cistanche tubulosa ekstrakt

6. Aktiver svetting

Hver gang vi svetter, letter vi belastningen på nyrene våre fordi vi styrker en annen måte å fjerne væske fra kroppen på. Slik sett kan økende svetting være en god «terapi» for å ivareta nyrefunksjonen. Moderat eller høy intensitet fysisk aktivitet, eller med intervaller. Tørre og våte badstuebad. Spise varme krydder, som ingefær eller kajennepepper.

7. Regelmessig bruk av rensemidler

En eller to ganger i året, spesielt under sesongmessige endringer, er det en god idé å gjøre litt rensing eller rensing for å fremme eliminering av giftstoffer og forbedre lever- og nyrefunksjonen. Dette inkluderer å forbedre kostholdsvaner, hovedsakelig å gjøre nyrerens, som du kan prøve:

a: Tilsett hvitløk og løkbuljong til kostholdet ditt oftere.

b: Bytt ut industridrikker med grønn pære, selleri og eplejuice.

c: Bruk naturlige infusjoner av løvetann, burdock og kjerringrokk for å stimulere eliminering av væske.

8. Påfør lokal varme

Lokal varme ved hjelp av en varmeflaske eller varmepute kan gi lindring ved ubehag i korsryggen i nyreområdet. På den annen side er det viktig å unngå ekstrem kulde i bagasjerommet, spesielt kalde vinder om vinteren for å forhindre (eller lindre, alt ettersom) ubehag i dette området, uavhengig av tilstedeværelsen av nyresykdom.

9. Unngå alkohol og overdose

Tips for å ta vare på bukspyttkjertelen: ikke drikk alkohol. Selvfølgelig er det viktig å unngå alkohol for å ta vare på nyrehelsen. Ulike studier har vist at alkohol kan forringe nyrefunksjonen i stor grad og at jo større mengde alkohol som konsumeres, desto større er risikoen for å utvikle ulike helseproblemer. På den annen side er det viktig å alltid huske at alt i overkant er dårlig for helsen, ikke bare alkohol eller andre rusmidler.

REFERANSER:

1.Brijain, M.; Patel, R.; Kaushik, M.; Rana, K. En undersøkelse om beslutningstrealgoritme for klassifisering. Int. J. Eng. Dev. Res. 2014. Tilgjengelig

2. Walse, RS; Kurundkar, GD; Khamitkar, SD; Muley, AA; Bhalchandra, PU; Lokhande, SN Effektiv bruk av naive Bayes, beslutningstre og tilfeldige skogteknikker for analyse av kronisk nyresykdom. I Proceedings of the International Conference on Information and Communication Technology for Intelligent Systems, Ahmedabad, India, 15.–16. mai 2020; Springer: Berlin/Heidelberg, Tyskland, 2020; s. 237–245.

3. Rajendran, K.; Jayabalan, M.; Thiruchelvam, V. Forutsi brystkreft via overvåket maskinlæringsmetoder på ubalanserte klassedata. Int. J. Adv. Comput. Sci. Appl. 2020, 11, 54–63.

4. Tsao, HY; Chan, PY; Su, ECY Forutsi diabetisk retinopati og identifisere tolkbare biomedisinske funksjoner ved hjelp av maskinlæringsalgoritmer. BMC Bioinform. 2018, 19, 111–121.

5. . Nurrohman, A.; Abdullah, S.; Murfifi, H. Parkinsons sykdom undertypeklassifisering: Anvendelse av beslutningstre, logistisk regresjon og logitbladmodell. I AIP Conference Proceedings; AIP Publishing LLC: Melville, NY, USA, 2020; Bind 2242, s. 030015.

6. . Drucker, H.; Wu, D.; Vapnik, VN Støtte vektormaskiner for spam-kategorisering. IEEE Trans. Nevralt nettverk 1999, 10, 1048–1054.

7. Fix, E.; Hodges, JL Diskriminerende analyse. Ikke-parametrisk diskriminering: Konsistensegenskaper. Int. Stat. Rev. Int. De Stat. 1989, 57, 238–247.

8. Wright, RE Logistisk regresjon. I lesing og forståelse av multivariat statistikk; American Psychological Association: Washington, DC, USA, 1995.

9. Schapire, RE Forklarer AdaBoost. I empirisk slutning; Springer: Berlin/Heidelberg, Tyskland, 2013; s. 37–52.

10. Goodfellow, I.; Bengio, Y.; Courville, A. Deep Learning; MIT Press: Cambridge, MA, USA, 2016.

11. Hayashi, Y. Den riktige retningen som trengs for å utvikle white-box dyp læring innen radiologi, patologi og oftalmologi: En kort gjennomgang. Front. Robot. AI 2019, 6, 24.

12. Akkus, Z.; Galimzianova, A.; Hoogi, A.; Rubin, DL; Erickson, BJ Dyplæring for hjerne-MR-segmentering: Toppmoderne og fremtidige retninger. J. Digit. Bildebehandling 2017, 30, 449–459.

13. Ahsan, MM; E Alam, T.; Trafalis, T.; Huebner, P. Deep MLP-CNN-modell som bruker blandede data for å skille mellom COVID-19- og ikke-COVID-19-pasienter. Symmetri 2020, 12, 1526.

14. Houssein, EH; Emam, MM; Ali, AA; Suganthan, PN Dyp- og maskinlæringsteknikker for medisinsk bildebehandlingsbasert brystkreft: En omfattende gjennomgang. Ekspert Syst. Appl. 2021, 167, 114161.