Многоклассовая классификация в задаче дифференциальной диагностики венозных заболеваний по данным микроволновой радиотермометрии
Автор: В. В. Левшинский
Журнал: Программные системы: теория и приложения @programmnye-sistemy
Рубрика: Искусственный интеллект, интеллектуальные системы, нейронные сети
Статья в выпуске: 2 (49) т.12, 2021 года.
Бесплатный доступ
Работа посвящена применению математических моделей в задаче дифференциальной диагностики венозных заболеваний по данным микроволновой радиотермометрии. Описан модифицированный процесс трансформации признакового пространства в термометрических данных. После конструирования признаков выполняется решение задачи многоклассовой классификации несколькими способами: путем сведения к задачам бинарной классификации методами «один против всех» и «каждый против каждого», а также путем построения многомерной логистической регрессии. Лучшим алгоритмом классификации достигнут средний показатель сбалансированной точности 0.574. Ключевой особенностью подхода является то, что результат классификации обосновывается в понятных для врача-диагноста терминах. Представлены наиболее значимые закономерности и точность, с которой они могут выявить различные классы заболеваний.
Микроволновая радиотермометрия, математическое моделирование, конструирование признаков, многоклассовая классификация.
Короткий адрес: https://sciup.org/143173913
IDR: 143173913 | DOI: 10.25209/2079-3316-2021-12-2-19-36
Список литературы Многоклассовая классификация в задаче дифференциальной диагностики венозных заболеваний по данным микроволновой радиотермометрии
- Дорожная карта развития «Сквозной» цифровой технологии «Нейротехнологии и искусственный интеллект», Министерство цифрового развития, связи и массовых коммуникаций Российской Федерации, 2019.
- M. Sedankin, A. Gudkov, V. Leushin, S. Vesnin, I. Sidorov, D. Chupina, S. Agasieva, V. Skuratov, S. Chizhikov. “Microwave radiometry of the pelvic organs”, Biomedical Engineering, 53:4 (2019), pp. 288–292.
- A.V. Tarakanov, A.A. Tarakanov, S. Vesnin, V. Efremov, N. Roberts, I. Goryanin. “Influence of ambient temperature on recording of skin and deep tissue temperature in region of lumbar spine”, European Journal of Molecular & Clinical Medicine, 7:1 (2020), pp. 21–26.
- I. Goryanin, S. Karbainov, O. Shevelev, A. Tarakanov, K. Redpath, S. Vesnin, Y. Ivanov. “Passive microwave radiometry in biomedical studies”, Drug Discovery Today, 25:4 (2020), pp. 757–763.
- Т.В. Замечник, С.И. Ларин, А.Г. Лосев. Комбинированная радиотермометрия как метод исследования венозного кровообращения нижних конечностей, монография, Изд-во ВолгГМУ, Волгоград, 2015, ISBN 978-5-9652-0400-7, 252 с.
- Т.В. Замечник, Н.С. Овчаренко, С.И. Ларин, А.Г. Лосев. «Изучение надежности комбинированной термографии как метода диагностики состояния вен нижних конечностей», Флебология, 4:3 (2010), с. 23–26. [РИНЦ]
- Е.В. Анисимова, Т.В. Замечник, А.Г. Лосев. «Об одной математической модели диагностики венозных заболеваний по данным комбинированной термометрии», Вестник новых медицинских технологий, 19:2 (2012), с. 239–241.
- Т.А. Ставров, Е.В. Букина, А.Г. Лосев, Т.В. Замечник. «Математическая модель верификации ранних рецидивов варикозной болезни по данным радиотермометрии», Вестник новых медицинских технологий, 20:2 (2013), с. 14–18.
- А.Г. Лосев, В.В. Левшинский. «Интеллектуальный анализ термометрических данных в диагностике молочных желез», Управление большими системами, 70 (2017), с. 113–135.
- V. Levshinskii. “Intelligent system for diagnostics of venous diseases based on the microwave radiothermometry data”, “Smart Technologies” for Society, State and Economy, ISC 2020, Lecture Notes in Networks and Systems, vol. 155, eds. E. G. Popkova, B. S. Sergi, Springer, Cham, 2021, pp. 212–219.
- Е.А. Мазепа, О.В. Гришина, В.В. Левшинский, Х.М. Сулейманова. «Об унификации метода анализа данных микроволновой радиотермометрии», Математическая физика и компьютерное моделирование, 20:6 (2017), с. 38–50.
- Д.А. Веденяпин, А.Г. Лосев. «Об одной нейросетевой модели диагностики венозных заболеваний», Управление большими системами, 39 (2012), с. 219–229.
- К.В. Воронцов. Лекции по логическим алгоритмам классификации, 2007, 53 с.
- P. Flach. Machine Learning. The Art and Science of Algorithms that Make Sense of Data, 1st Edition, Cambridge University Press, 2012, ISBN 978-1107422223, 409 pp.
- S. Raschka, V. Mirjalili. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Ed., Packt Publishing, Birmingham, UK, 2019, ISBN 978-1789955750, 770 pp.
- M. Grandini, E. Bagli, G. Visani. Metrics for multi-class classification: an overview, 2020, 17 pp. arXivarXiv:2008.05756 [stat.ML]
