График распространения наличия жалоб при данном Класс и их отсутствие

Введение.

В этой работе рассматривается результат работы нейросетей версии 3.5 и анализ метаданных на которых происходит обучающийся процесс.

Нейросеть состоит из 22 нейронов для каждой из 2 БД состоящих из БД анамнеза и БД анализы. Для каждой БД сформирована логика 2 потоков данных. 1 поток это общие данные в которых отображается всевозможные вариации жалоб\показателей для класса заболеваний. 2 поток это сформированные данные от общих данных при наличии изменений в предикторах (для БД анализов это двумерный датафрейм состоящий из значений отклонения в MAX\MIN сторону). В рамках нейронной сети было использовано 2 активационные функции: сигмоида и тангенс. Для уменьшения времени на выведение результатов было использовано различное количество обучающих прогонов с движением операции обучения: (1-outputs).

Анализ метаданных.

Анамнез

С последних данных произошли изменения в БД, изменилась размерность и стала 22x869. Решение снизить количество независимых переменных было обусловлено самой сущностью становления 1 при опросе, что является положительной стороной.

График распространения наличия жалоб при данном класс и их отсутствие

Общий график принятых значений в данном классе

График при разделении классов на отдельный subplot.

График от индекса принимающих значение 1. Каждый subplot – Класс по МКБ10

Гистограмма индексов в классе при значении 1

График среднего значения по каждому предиктору в классах(МКБ10)

График среднего квадратичного значения по каждому предиктору в классах(МКБ10)

График среднего по всем классам(МКБ10) от всех предикторов

График среднего квадратичного по всем классам(МКБ10) от всех предикторов

Корреляционная матрица по предикторам

Корреляционная матрица по классам(МКБ10)

Анализы.

Max.

График распределения 1 и 0 по индексам

График принятых значений показателей по классам(МКБ10)

График показателей при принятии 1 по индексу

График показателей при принятии 0 по индексу

Гистограмма при принятии 1 по индексу

Гистограмма при принятии 0 по индексу

Среднее по классам(МКБ10)

Среднее по показателям в классах

Среднее квадратичное по классам(МКБ10)

Среднее квадратичное по показателям в классах(МКБ10)

Корреляционная матрица по классам(МКБ10)

Корреляционная матрица по показателям

MIN.

График распределения 1 и 0 по индексам

График принятых значений показателей по классам(МКБ10)

График показателей при принятии 1 по индексу

График показателей при принятии 0 по индексу

Гистограмма при принятии 1 по индексу

Среднее по классам(МКБ10)

Результаты работ.

При работе нейронов и анализа подхода к решению медицинской задачи требуется использование нескольких подходов. Начиная от самого простого, похожего по мышлению - беспокоящая система: подобное заболевание, до сопоставления сложных физиологических механизмов.

Для реализации таких подходов можно использовать либо схему описывающую ее полный подход, то есть каждый процесс возникающий, как в нормальном так и патологическом - записать в логической последовательности общих схем, что не может быть осуществимо, одним человеком, слишком большой и сложный подход.

Метод который предоставляем мы, для анализа 1 медицинской задачи используется решение 3 нейросетей в каждой которой по 22 прецептрона.. Первая нейросеть принимает на вход значений по бд класса по мкб10 порядково и такой же список количеством из 0. На выход принимает значения[ 1 и 0 ]. Этим мы добиваемся вычисление степени сродства и вероятностью между полным здоровьем и Вероятностью заболевания. На этом этапе вероятность остаётся очень относительной и ее показатели очень не информативны из-за рассматриваемых объемов. Однако, при загрузке и разделении бд на графы отвечающих за систему отклонившуюся от нормы мы приобретаем значения наименьших списков и вероятность сильно повышается.

По своей сущности этот перцептрон пытается нам сказать в каком классе по списку в каком столбце возникла наибольшая вероятность сродства и вернуть это вида 1.

2 нейронная сеть отвечает за интерпретированную задачу от общего списка. При анализе задаче мы встречаемся с проблемой либо не полноты заполненных данных, либо просто не учетом самой системы, либо каким то ещё другим фактором, который может оказывать сам алгоритм либо сам человек(недосказаность, вариант, когда человек скрывает правду или же ее искажает). При вариации когда виноват сам алгоритм мы можем это проверить и доказать и понять действительно ли он виноват или же он просто недополучил данных или же этот случай выходил за пределы возможностей алгоритма.

3 нейронная сеть отвечает за нахождение коэффициента, который позволит установить доминирующую систему. На данный момент он больше похож на коэффициент сродства включающийся системы к общей БД и уникальной БД формирующийся исходя от поданных предикторов.

 

При анализе задач, которые были решены мы получили довольно не плохие результаты если исходить из возможностей БД и методов подходов. Для достижения эффективных методов требуется еще немного поработать над алгоритмом подачи данных. На данный момент он является общим, что является не верным для анализа неполных данных или попросту отсутствующих.

Линейная регрессия.

 

Результаты представлены в отдельном Excel файле. Анализ проводился только по анамнезу.

На вход обучения подавались данные от 2 объединенных таблиц. 1 таблица это общая БД по анамнезу, 2 таблица интерпретируемая по данный случай в зависимости от жалоб по анамнезу(869*2). На Y подавались номер класса по мкб 10.

Разделения на обучающую и тестовую не производилось, поскольку данных не так много и нет разделения по классифицирующим признакам.

На predict подвались значения соответствующих жалоб пациента.

В задаче K000456 нет жалоб и рассмотрению этой задачи не целесообразно, поскольку нет разделения при отсутствии заболевания при отсутствии жалоб.

Knn.

Этот метод при разных комбинациях существующих данных не дал вообще ни каких результатов, при разных подходах. Число предсказаний равно 0.

Выводы.

Полученные результаты, как мы считаем хорошо справляются с поставленной задачей при условии недостаточности данных, требующих дальнейших разработок и выявления новых методов подачи данных.

Заключающее слова.

Рассказать про каждый метод и нюансы не предоставляется возможным, поскольку мы сильно ограничены во времени, пытаясь совмещать жизнь, учебу и данную работу. Но мы идем и развиваемся каждый день. Спасибо вам, что читаете и исследуете вместе с нами, и пишите нам! Не передать словами, как нам приятно читать ваши отзывы и ваши сообщения! При желании или в случае возникших вопросов вы всегда можете написать нам на почту или в сообщения группы и мы обязательно ответим! С уважением, команда студентов!

Введение.

В этой работе рассматривается результат работы нейросетей версии 3.5 и анализ метаданных на которых происходит обучающийся процесс.

Нейросеть состоит из 22 нейронов для каждой из 2 БД состоящих из БД анамнеза и БД анализы. Для каждой БД сформирована логика 2 потоков данных. 1 поток это общие данные в которых отображается всевозможные вариации жалоб\показателей для класса заболеваний. 2 поток это сформированные данные от общих данных при наличии изменений в предикторах (для БД анализов это двумерный датафрейм состоящий из значений отклонения в MAX\MIN сторону). В рамках нейронной сети было использовано 2 активационные функции: сигмоида и тангенс. Для уменьшения времени на выведение результатов было использовано различное количество обучающих прогонов с движением операции обучения: (1-outputs).

Анализ метаданных.

Анамнез

С последних данных произошли изменения в БД, изменилась размерность и стала 22x869. Решение снизить количество независимых переменных было обусловлено самой сущностью становления 1 при опросе, что является положительной стороной.

График распространения наличия жалоб при данном класс и их отсутствие