Зміст
Добірка наукової літератури з теми "Класифікація медичних даних"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Класифікація медичних даних".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Статті в журналах з теми "Класифікація медичних даних"
1
Ключко, О. М. "ЕЛЕКТРОННІ ІНФОРМАЦІЙНІ СИСТЕМИ В МЕДИЦИНІ ТА БІОЛОГІЇ: ЗАГАЛЬНИЙ АНАЛІЗ". Medical Informatics and Engineering, № 2 (13 липня 2020): 111–23. http://dx.doi.org/10.11603/mie.1996-1960.2020.2.11183.
Повний текст джерелаАнотація:
У публікації узагальнено та проаналізовано досвід застосування електронних інформаційних систем із використанням баз даних. Коротко проаналізовано розвиток ідеї інформаційних систем та досліджено їх зразки, розроблені для медицини та біології, що описано у численних науково-технічних публікаціях (близько 370). Виконана класифікація таких систем, що традиційно були розроблені для медицини та біології. Далі розглянуто різні приклади таких інформаційних систем, а також систем, що мають характеристики як медичних, так і біологічних, щоб полегшити розроблення майбутніх досконаліших версій.
Продемонстровано, що можна виділити кілька основних типів інформаційних систем із базами даних для медицини, біології. Виконуючи їх класифікацію, нами впорядковано такі системи відповідно до кількості публікацій, присвячених кожному типу.
За результатами дослідження зроблено ряд висновків: 1. Медичні інформаційні системи характеризуються найбільшою чисельністю, різноманітністю та наближеністю до практики. 2. Електронні інформаційні системи в нейрофізіології, біології характеризуються більшою наближеністю до наукових досліджень. 3. Основна увага розробників зосереджена зараз на розробленні: медичних інформаційних систем загального призначення, електронних бібліотечних систем, електронних систем для роботи з документами, експертних систем і телекомунікаційних систем, що з'явилися в цих списках останнім часом, з початку пандемії SARS-CoV-2 (2019-nCoV). Інші типи були представлені менше, ніж зазначені.
2
Мулеса, О. Ю., В. Є. Снитюк та С. О. Герзанич. "Метод нечіткої класифікації на основі послідовного аналізу вальда". Automation of technological and business processes 11, № 4 (13 лютого 2020): 35–42. http://dx.doi.org/10.15673/atbp.v11i4.1597.
Повний текст джерелаАнотація:
Розглядаються задачі прогнозування можливості зміни стану об’єкта на основі його оцінки за множиною критеріїв. До таких задач відносять задачі медичного прогнозування, тобто прогнозування можливості виникнення в майбутньому у особи загрозливого для неї стану. Цю задачу можна сформулювати як задачу класифікації, де один з класів відповідатиме великому ступеню ризику виникнення загрозливого стану, а інший – низькому ступеню ризику. В такій інтерпретації задача класифікації може бути розв’язана за допомогою методу послідовного аналізу Вальда, який базується на теоремі Байєса та враховує інформативність ознак, за якими проводиться класифікація. Такий підхід має ряд особливостей, пов’язаних з визначенням порогів та опрацюванням тих значень ознак, які близькі до порогових. В статті показано, що при застосуванні методу Вальда для об’єктів із значеннями ознак, близькими до порогових, можливі випадки отримання протилежних рішень. З метою підвищення ефективності класифікації запропоновано метод нечіткої класифікації. Особливістю розробленого методу є те, що особа, яка приймає рішення, може вказати характер функції належності для визначення близькості заданих значень до порогових і таким чином задати інтервал допустимої зміни порогових значень. Алгоритм обчислює ступені належності заданого об’єкта до кожного з класів.
Виконано експериментальну верифікацію розробленого методу для задачі прогнозування невиношування вагітності. На етапі формалізації медичних знань відібрані показники, які можуть бути використані для прогнозування, створена база даних клінічного матеріалу. На модельних прикладах продемонстровано перевагу розробленого методу в порівнянні з методом послідовного аналізу Вальда.
Отримані в дослідженні результати можуть використовуватися при побудові прогностичних алгоритмів в медицині.
3
Prokopiv, M. M., S. K. Yevtushenko та O. Ye Fartushna. "Класифікація мостових інфарктів". INTERNATIONAL NEUROLOGICAL JOURNAL 18, № 1 (12 березня 2022): 30–34. http://dx.doi.org/10.22141/2224-0713.18.1.2022.926.
Повний текст джерелаАнотація:
Актуальність. Мостові інсульти є складними в діагностиці і, порівняно з півкульними інсультами, мають гірший прогноз та перебіг. Проте мало наукових праць опубліковано про класифікацію мостових інсультів. Ми прагнули надати місткий та короткий огляд наукової медичної літератури щодо класифікації мостових інсультів. Матеріали та методи. Проведено комплексний електронний пошук літератури у базах даних Scopus, Web of Science, MEDLINE, SciЕLО, PubMed, The Cochrane Library, EMBASE, Global Health, CyberLeninka, RINC, а також у базах даних державних наукових бібліотек України, Європейського Союзу, Великобританії, США з метою виявлення наукових публікацій, у яких обговорювалася класифікація мостових інсультів. Результати. Наведено та обговорено огляд наукової медичної літератури про класифікацію мостових інсультів. Висновки. Ми надали докладний огляд класифікації мостових інсультів.
4
Nazirova, T. O., та O. B. Kostenko. "Нейрономережева інформаційна технологія опрацювання медичних даних". Scientific Bulletin of UNFU 28, № 8 (25 жовтня 2018): 141–45. http://dx.doi.org/10.15421/40280828.
Повний текст джерелаАнотація:
Швидкий розвиток комп'ютерної техніки формує передумови для розробок нейрокомп'ютерів (тобто комп'ютерів 6-го покоління), які, за прогнозами в галузі штучного інтелекту, активно будуть використані для перероблення будь-якої інформації, за тими ж принципами, що й біологічні нейронні мережі – такі як людський мозок. Тому попит на використання нейромережеві технології поступово охоплює дедалі ширший коло користувачів зокрема й у галузі охорони здоров'я. Досліджено можливості застосування штучних нейронних мереж для оброблення даних регіональної охорони здоров'я. Нейронні мережі – потужний метод моделювання, що дає змогу відтворювати складні нелінійні залежності, що актуально для систем прийняття рішень управління пацієнтопотоком у медичних закладах. Запропоновано інформаційну технологію оброблення медичних даних за допомогою штучних нейронних мереж, що дасть змогу підвищити ефективність надання медичної допомоги під час профілактичних медоглядів, ніж відомі інформаційні технології класифікації. Розглянуті такі положення: принципи дії штучних нейронних мереж, переваги і недоліки їх використання та основні функції. Також наведено перспективи використання штучних нейронних мереж щодо класифікації пацієнтів для проходження профілактичного медичного огляду.
5
Микитенко, Павло Васильович, та Віталій Васильович Лапінський. "ПРОЄКТУВАННЯ МІЖДИСЦИПЛІНАРНОЇ ІНТЕГРАЦІЇ МЕДИЧНОЇ ІНФОРМАТИКИ". Information Technologies and Learning Tools 75, № 1 (24 лютого 2020): 26–41. http://dx.doi.org/10.33407/itlt.v75i1.3569.
Повний текст джерелаАнотація:
На основі аналізу комплексу наукових дисциплін, які вивчаються студентами спеціальності «Медицина», а саме фундаментальних біомедичних і хімічних, клінічних та соціально-гігієнічних дисциплін, здійснено їх класифікацію для побудови змішаного графу з метою встановлення міждисциплінарної інтеграції з медичною інформатикою. Показано, що для того, щоб сформувати в студентів-медиків цілісне уявлення про професійні сфери застосування інформатики та мотивувати їх до отримання нових знань, необхідно посилити міждисциплінарну інтеграцію дисципліни «Медична інформатика». Результати аналізу зв’язків між елементами субграфів свідчать, що оптимальним є той випадок, коли деякий елемент з кожного кластеру «дисципліна» з’єднаний ребрами з деяким елементом кластера «навчальна тема» з урахуванням множини загальних ознак кожної дисципліни, при цьому відповідно реалізуються випереджальні й зворотні зв'язки змісту навчання. За такої побудови послідовностей зв’язків практичних занять з комплексом наукових дисциплін можна отримати позитивний ефект від застосування міждисциплінарного підходу, оскільки відбуватиметься актуалізація навчального матеріалу, яка сприятиме систематизації й узагальненню знань, формуванню цілісного уявлення про професійні сфери застосування інформатики, створенню мотивації до використання комп’ютерних технологій в професійній діяльності медика. Також побудовано «радіальну» модель, яка відображає поточний стан міждисциплінарних зв’язків та встановлено, що інтеграція навчальних тем реалізується вибірково. Розглянуто ключові аспекти, котрі забезпечують максимальну міждисциплінарну інтеграцію такого практичного заняття, як «Аналіз біосигналів. Методи опрацювання біосигналів. Візуалізація медико-біологічних даних. Оброблення та аналіз медичних зображень». Шляхом анкетування студентів-медиків щодо визначення характеру інтеграції навчальних тем з медичної інформатики та мотивації до використання комп’ютерних технологій в майбутній професійній діяльності отримано результати, які підтверджують доцільність міждисциплінарної інтеграції.
6
Яременко, В., та С. Материнська. "Використання штучних нейронних мереж для визначення наявності сердцево-судинних хвороб та захворювань печінки при малих наборах даних." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, № 40 (24 вересня 2020): 164–69. http://dx.doi.org/10.36910/6775-2524-0560-2020-40-25.
Повний текст джерелаАнотація:
В даній роботі проведено аналіз ефективності застосування штучних нейронних мереж для вирішення задачі класифікації для невеликих наборів медичних даних із сфери діагностування. Для дослідження було обрано два набори даних: дані про серцево-судинні захворювання та про хвороби печінки. Отримані результати було порівняно з результатами точності для стандартних методів машинного навчання, що використовуються в задачах класифікації Для проведення дослідження було обрано модель багатошарового перцептрона. Програмним засобом для реалізації став Python, що надає можливість використовувати допоміжні бібліотеки при роботі з методами машинного навчання.
7
Поляченко, A. "Згорткова нейронна мережа для класифікації томографічних і рентгенівських знімків в системі розпізнавання." КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ: ОСВІТА, НАУКА, ВИРОБНИЦТВО, № 36 (27 листопада 2019): 128–33. http://dx.doi.org/10.36910/6775-2524-0560-2019-36-15.
Повний текст джерелаАнотація:
У роботі запропоновано та побудовано систему розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій. Дана система включає блоки: введення інформації про пацієнта, обробки медичних зображень, для встановлення висновку, для класифікації виявлених патологій, базу даних, підготовки звіту. У статті приділено увагу особливостям розробки згорткової нейронної мережі для класифікації томографічних і рентгенівських знімків в системі розпізнавання, призначеної для пошуку і локалізації патологій. В результаті, було запропоновано згорткову нейронну мережу для класифікації томографічних і рентгенівських знімків в запропонованій системі розпізнавання, призначеної для пошуку і локалізації патологій.
8
Поляченко, А. І. "РУЧНА ОБРОБКА МЕДИЧНИХ ЗОБРАЖЕНЬ ЛІКАРЕМ-ДІАГНОСТОМ У СИСТЕМІ РОЗПІЗНАВАННЯ ТОМОГРАФІЧНИХ І РЕНТГЕНІВСЬКИХ ЗНІМКІВ ДЛЯ ПОШУКУ І ЛОКАЛІЗАЦІЇ ПАТОЛОГІЙ". Automation of technological and business processes 11, № 3 (11 листопада 2019): 42–45. http://dx.doi.org/10.15673/atbp.v11i3.1502.
Повний текст джерелаАнотація:
У статті запропоновано та побудовано систему розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій. Дана система включає блоки: введення інформації про пацієнта, обробки медичних зображень, для встановлення висновку, для класифікації виявлених патологій, базу даних, підготовки звіту. У запропонованій системі початковим етапом є отримання томографічних чи рентгенівських знімків, які, далі, поступають до блоків введення інформації про пацієнта і обробки медичних зображень. Інформація про пацієнта в результаті введення потрапляє до бази даних разом із томографічними чи рентгенівськими знімками. У пропонуємій системі розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій існує можливість для лікаря-діагноста самому виділяти підозрілу з його точки зору область і надалі обробити тільки цю область або за допомогою існуючих загорткових нейронних мереж виділити області патологій-новоутворень, або вибрати конкретні алгоритми обробки медичних зображень.
9
А.І. Поляченко. "РУЧНА ОБРОБКА МЕДИЧНИХ ЗОБРАЖЕНЬ ЛІКАРЕМ-ДІАГНОСТОМ У СИСТЕМІ РОЗПІЗНАВАННЯ ТОМОГРАФІЧНИХ І РЕНТГЕНІВСЬКИХ ЗНІМКІВ ДЛЯ ПОШУКУ І ЛОКАЛІЗАЦІЇ ПАТОЛОГІЙ". Наукові нотатки, № 67 (31 січня 2020): 117–20. http://dx.doi.org/10.36910/6775.24153966.2019.67.18.
Повний текст джерелаАнотація:
У статті запропоновано та побудовано систему розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій. У даній статті необхідно розробити систему розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій та розглянути принципи ручної обробки медичних зображень лікарем-діагностом.
Для пошуку і локалізації аномалій на томографічних і рентгенівських знімках пропонується система, яка буде складатися з наступних блоків : блок введення інформації про пацієнта; блок обробки медичних зображень, що включає: згорткову нейронну мережу (ЗНМ) для класифікації томографічних і рентгенівських знімків; ЗНМ для визначення залежностей значень просторового фактора від стандартизованих -значень і з наступним розрахунком коефіцієнту загальної просторової автокореляції; ЗНМ для сегментації томографічних і рентгенівських знімків; підсистему ручної обробки медичних зображень, що представлена лікарем-діагностом;блок для встановлення висновку, що включає нейронну мережу (НМ), призначену для порівняння отриманих результатів; блок для класифікації виявлених патологій, що включає НМ; базу даних, як вже існуючих знімків, так і нових, у т.ч. з результатом оброблення; блок підготовки звіту.
10
Загородній, О. "Принципи медичної діагностики злоякісного раку шкіри людини за допомогою штучних нейронних мереж." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, № 40 (19 вересня 2020): 31–36. http://dx.doi.org/10.36910/6775-2524-0560-2020-40-05.
Повний текст джерелаАнотація:
Наведено принципи медичної діагностики онкологічних захворювань шкіри людини за допомогою штучних нейронних мереж. Розкрито аспекти розвитку штучного інтелекту, які дозволяють створювати на базі біологічних підходів інтелектуальні системи в різних областях застосування. Охарактеризовано етапи онкологічної діагностики, які є обов’язковими та мають фундаментальний вплив на подальше лікування пацієнта у разі діагностування злоякісного раку шкіри, результатом кожного з етапів є клінічний діагноз, морфологічний діагноз та патоморфологічний діагноз. Окреслено поняття меланоми та особливості її розвитку. Досліджено алгоритми автоматизованого комп'ютерного аналізу дерматологічних зображень, які забезпечують допомогу лікарям у постановці діагнозу та сприяють підвищенню точності діагностики. Розроблено структурну схему діагностування онкологічних захворювань шкіри людини за допомогою штучних нейронних мереж. В основі завдання диференціації патологій шкірних покривів людини лежить умовний поділ на 4 частини для вирішення завдань бінарної класифікації. Підкреслено, що навчання штучної нейронної мережі відбувається за допомогою наборів даних. Наголошується, що враховуючи завдання бінарної класифікації, у кожному напрямку застосування, наборам даних присвоюються мітки класу нуль та один, представлені у вигляді масиву. У статті розроблено детальний алгоритм, наведений у вигляді блок-схеми, здатний здійснювати постановку остаточного медичного діагнозу щодо захворювання шкіри на онкологічні патології за допомогою штучної нейронної мережі. Описаний алгоритм розроблений на основі штучних нейронних мереж, навчених вирішувати завдання бінарної класифікації. Результатом роботи штучної нейронної мережі є висновок приналежності вхідного значення до класів, на яких описана нейромережа проходила етап навчання.
Дисертації з теми "Класифікація медичних даних"
1
Позняк, Дар'я Ігорівна. "Система прогнозування інсульту на основі медичних даних пацієнтів". Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2021. https://ela.kpi.ua/handle/123456789/45228.
Повний текст джерелаАнотація:
Дипломна робота: 94 c., 24 рис., 7 табл., 2 додатків, 21 джерело.
Предмет дослідження: алгоритми прогнозування інсульту на основі
статистичних та структурних моделей.
Об’єкт дослідження: відкритий набір медичних даних пацієнтів з веб-
платформи Kaggle.
Мета дослідження: проаналізувати існуючі моделі прогнозування,
розробити власну систему прогнозування інсульту на прикладі медичних даних
пацієнтів.
Використані моделі: у програмній реалізації було використано модель
градієнтного бустингу.
Актуальність роботи обумовлена тенденціями глобалізації та
діджиталізації, які в свою чергу призводять до зміни образу життя сучасної
людини, що викликає потребу у розробці новітніх методів діагностики
захворювань, а також вимагає нетривіальних рішень зі зберігання та обробки
медичних даних.
Отримані результати: побудована система прогнозування інсульту, що
може класифікувати ризик виникнення інсульту у пацієнта з прийнятною
точністю.
У рамках подальшого розвитку дослідження пропонується підвищувати
точність отриманих моделей, врахування більшої кількості характеристик стану
здоров’я пацієнтів, що можуть бути пов’язані із настанням інсульту.Thesis: 94 p., 24 fig., 10 tabl., 2 appendices, 21 sources. Subject of research: stroke prediction algorithms based on statistical and structural models. Object of study: a set of patients` medical data from the Kaggle web platform. The purpose of the study: to analyze existing models of prognosis, to develop their own system for predicting stroke on the example of medical data of patients. Models used: gradient boosting model was used in the software implementation. The urgency of the work is due to trends in globalization and digitalization, which in turn lead to changes in the lifestyle of modern man, which necessitates the development of new methods for diagnosing diseases, as well as requires non-trivial solutions for storage and processing of medical data. Results obtained: A stroke prediction system has been developed that can classify the risk of stroke in a patient with acceptable accuracy. As part of the further research, it is proposed to increase the accuracy of the obtained models, taking into account more characteristics of the health status of patients that may be associated with the stroke disease.
2
Мельник, Каріна Володимирівна. "Особливості обробки даних для медичної експертної системи". Thesis, Національний технічний університет "Харківський політехнічний інститут", 2010. http://repository.kpi.kharkov.ua/handle/KhPI-Press/44685.
Повний текст джерела