АЛГОРИТМЫ МАШИННОГО ОБУЧЕНИЯ В МЕДИЦИНЕ:ПРОГНОЗИРОВАНИЕ ЗАБОЛЕВАНИЙ СЕРДЦА

В статье представлен подробный обзор методов современного машинного обучения для диагностики сердечно-сосудистых заболеваний. Рассмотрена проблема прогнозирования риска развития патологий сердца на основе анализа больших объемов медицинских данных. Подчеркивается, что существует более ста различных факторов, которые могут оказывать прямое или внешнее влияние на изменения в сердце, поэтому очень важно выбрать наиболее значимые информационные признаки с помощью специальных алгоритмов. Детально описываются различные современные подходы и методы решения поставленной задачи прогнозирования сердечных заболеваний: непараметрические регрессионные модели - обобщенные аддитивные модели, штрафные обобщенные аддитивные модели; мощные методы искусственных нейронных сетей — многослойные перцептроны, радиальные базисные функции, обобщенные регрессионные нейронные сети. Приведен сравнительный анализ точности, эффективности и достоверности построенных моделей с использованием статистической метрики коэффициента правильности классификации. В завершении сделан обоснованный вывод о высокой эффективности комплексного применения современных алгоритмов машинного обучения. Вывод сделан на примере решения практических задач прогнозирования сердечных событий в обширных массивах данных с целью значительного улучшения качества диагностики и повышения эффективности лечения пациентов.

алгоритмы машинного обучения, обобщенные аддитивные регрессионные модели, штрафные обобщенные аддитивные модели, нейронные сети.

1. Aladag C.H., Basaran M.A., Egrioglu E., Yolcu U., Uslu V.R. (2009), “Forecasting in High Order Fuzzy Time Series by Using Neural Networks to Define Fuzzy Relations”, Expert Systems with Applications, 36, pp. 4228-4231.

2. Bishop C.M. (1995), Neural Networks for Pattern Recognition, Oxford: Oxford University Press.

3. Buja, A., Hastie, T., & Tibshirani, R. (1989), Linear smoothers and additive models, The Annals of Statistics, 17 (2), 453-555.

4. David W. Aha & Dennis Kibler (1988). «Instance-based prediction of heart-disease presence with the Cleveland database.»

5. Detrano, R., Janosi, A., Steinbrunn, W., Pfisterer, M., Schmid, J., Sandhu, S., Guppy, K., Dierckx P. (1993) Curve and surface fitting with splines, Clarendon Press, Oxford,

6. Duchon, J. Splines minimizing rotation-invariant semi-norms in Sobolev spaces. In: Construction Theory of Functions of Several Variables. 1977. Berlin: Springer.

7. Gennari, J.H., Langley, P, & Fisher, D. (1989). Models of incremental concept formation. Artificial Intelligence, 40, 11-61.

8. Hastie, T.J., & Tibshirani, R. (1999). Generalized additive models, London: Chapman &Hall.

9. Haykin S. (1999), Neural Networks: A Comprehensive Foundation, Prentice Hall.

10. Jinyan Li and Limsoon Wong (2003), Using Rules to Analyse Bio-medical Data: A Comparison between C4.5 and PCL, Lecture Notes in Computer Science 2762, 254-265.

11. Melluish T et al. (2001). Comparing the Bayes and Typicalness Frameworks. Lecture Notes in Computer Science.

12. Setiono R, Huan Liu (1997). NeuroLinear: From neural networks to oblique decision rules. Neurocomputing, 17.

13. Wood, S., & Augustin, N.H. (2002). GAMs with integrated model selection using penalized regression splines and applications to environmental modelling. Ecological Modelling, 157, 157-177.

14. Zurada J. M.(1992), Introduction of Artificial Neural Systems, St. Paul: West Publishing

2026-03-14