Krónikus vesebetegség kimutatása vérmintákból neurális hálózatok segítségével

További információ:Ali.ma@wecistanche.com

Mohamed Ghassan Latheef*, Rajasvaran Logeswaran és Nurul Haniza Mohtar

Asia Pacific University of Technology & Innovation, Bukit Jalil, 57000 Kuala Lumpur, Malajzia

*A megfelelő szerző e-mail címe: TP047492@mail.apu.edu.my,

Absztrakt.

Ez a cikk mesterséges neurális hálózati megközelítést javasol az automatikus észleléshezKrónikus vesebetegségbetegektől vett folyadékmintákon keresztül. Megadják az ilyen rendszer kidolgozásának indokait, valamint a betegek és az orvosi ipar számára lehetséges előnyöket. Hasonló rendszerek javasoltak az iparban és a diagnosztizáláshozkrónikus vesebetegségmás megközelítések, például osztályozási algoritmusok segítségével tárják fel. Összegyűjtik a neurális hálózat betanításához szükséges adatkészletet, elemzik a jellemzőket, valamint a neurális hálózat fejlesztéséhez használható módszertant és eszközöket.

Index feltételek. MesterségesNeurális hálózatok, Orvosi diagnosztika, adatelemzés,Krónikus vesebetegség(CKD).

1. Bemutatkozás

Becslések szerint minden 10 felnőttből egy szenved valamilyen vesekárosodástól, és évente milliók halnak meg aKrónikus vesebetegség(CKD) [1]. A Global Burden of Disease tanulmány szerint 1990-ben a CKD a 27. helyen állt a halálozások összesített számának listáján világszerte, de 2010-ben a 18. helyre emelkedett – ez a lista a HIV és AIDS után a második helyen áll. CKD (Krónikus vesebetegség)rendkívül káros és gyógyíthatatlan, de ha korán észlelik, előrehaladása gyógyszeres kezeléssel és megfelelő étrenddel megállítható.

A betegséget azonban nehéz korán elkapni, a korai stádiumban kifelé látható figyelmeztető tünetek hiánya miatt. Ezért, kivéve, ha valakinek egyéb olyan állapota van, amely miatt érzékenyebbé válik a vesekárosodásra, ha az illető nagyon óvatos és rendszeres testellenőrzést végez, vagy ha más okból vett vér- vagy vizeletvizsgálatot, és véletlenül CKD-t is talált, általában CKD(Krónikus vesebetegség) csak középső és késői stádiumban található meg.

CKD(Krónikus vesebetegség) meghatározzák, hogy a vesék három hónapnál hosszabb időn keresztül mikor nem képesek hatékonyan ellátni tervezett funkcióit, például megtisztítani a vért a salakanyagoktól és a felesleges termékektől, és segíteni a vérnyomás szabályozásában [2]. Ez salakanyagok felhalmozódásához vezethet a páciens testében, ami a boka duzzadásához és puffadásához, álmatlansághoz, légszomjhoz és gyengeséghez vezethet. Mire ezek a tünetek is megjelennek, már túl késő lehet. A korai CKD nem mutat külső jeleket vagy tüneteket, néha egészen addig a pontig, amíg a személy már elvesztette veseműködésének 90 százalékát [3].

A CKD diagnosztizálásának jelenlegi módszerei(Krónikus vesebetegség) magában foglalja a vér szérum kreatininszintjének mérését, a vércukorszint mérését annak megállapítására, hogy a beteg cukorbeteg-e (mivel a cukorbetegeknél nagyon gyakori a CKD), valamint az albumin vagy a fehérje jelenlétének mérése a vérben. vizelet, amelyet az egészséges vesékben szűrnének ki.

Azonban ezek általában három hónapos kreatininszint-ellenőrzést igényelnek, valamint olyan egyéb kritériumok betartását, mint a vérvizelés, a veleszületett fejlődési rendellenességek stb. Az Egyesült Államok Nemzeti Diabétesz és Emésztő- és Vesebetegségek Intézete (NIDDK) szerint a legfrissebb kutatások arra utalnak, /osztályozási rendszere azonosítja a CKD kockázatát a betegek adatainak pontosabb előrejelzéséből adódóan, több tényezőt igényel, és nem csak az eGFR-, kreatinin- vagy albuminszintet, hanem mindhárom tényezőt, az életkort és a cukorbetegség állapotát [4]. Ezért ennek a projektnek az a célja, hogy egy hasonló, több funkcióval rendelkező betegadat-készletet használjon fel egy neurális hálózat képzésére, amely képes azonosítani a CKD jelenlétét jelző mintákat, és bináris osztályozást végezni. Ezzel a projekt célja, hogy megkönnyítse a a CKD tesztelésének folyamata(Krónikus vesebetegség) és csökkentse a több hónapos várakozási időt annak megállapítására, hogy a probléma krónikus-e, egyszerűen egy vérvizsgálat és más megfigyelések és minták eredményeinek felhasználásával, nagyobb biztonsággal a több tényezőn alapuló diagnózisban, nem pedig egyetlen tényezőn. nagyobb eséllyel lenne kiugró külső tényezők miatt. Ez különösen létfontosságú, mivel a CKD bármilyen progressziója visszafordíthatatlan, ezért a betegek érdeke, hogy gyorsan és pontosan diagnosztizálják a kezelést, és megtegyék a megfelelő intézkedéseket a károsodás azonnali lassítása érdekében.

Kattintson az organikus lehetőséghezCistanche krónikus vesebetegség kezelésére

2. Irodalmi áttekintés

2.1 Domain kutatás

Az orvosi diagnosztika és döntéshozatal kiemelten fontos, nagy kockázatú terület, hiszen a pontos diagnózis felállítása elengedhetetlen a betegek egészsége szempontjából. MesterségesNeurális hálózatokAz ANN-okat és más gépi tanulási technikákat egyre gyakrabban alkalmazzák betegségek diagnosztizálására, ígéretes pontossággal.

Al-Shaya bemutatott két olyan esetet, amikor az ANN-t (1) akut nephritis betegség diagnosztizálására használták, amikor a vesék hirtelen begyulladnak, és kezelés nélkül veseelégtelenséghez vezetnek, valamint (2) szívbetegséget [5]. Feed-forward backpropagációt alkalmaztak, az akut nephritis modellje 99 százalékos, a szívbetegségek pedig 95 százalékos pontosságú diagnózisról számoltak be. Az előbbi modellje 6 bemenettel, 20 rejtett neuronnal, 2 réteggel rendelkezett, és Levenberg-Marquardt backpropagációt használt tanító algoritmusként, a képzés az átlagos négyzethiba (MSE) javításán alapult. Ez utóbbi hálózat 2 réteget, 22 bemenetet, 20 rejtett neuront használt, a többi tényező megegyezett az előzővel.

Šter és Dobnikar öt különböző orvosi adatbázist tesztelt (Koszorúér-betegség, Mellrák, Hepatitis, Pima Indians Diabetes és Szívbetegség) ANN és ​​egyszerűbb lineáris diszkriminancia módszerekkel [6]. A teljesítmény viszonylag azonos volt, ami azt sugallja, hogy az adatok egyszerűek, az értékek független attribútumok. Mint ilyenek, azt állítják, hogy a komplex osztályozási rendszerek vagy az ANN szükségtelenek az orvosi diagnosztikában, mivel a lineáris diszkrimináns és a Naive Bayes módszerek esetében is magasak az eredmények. Meg kell azonban jegyezni, hogy a módszereket alapértelmezett konfigurációkkal, finomhangolás nélkül tesztelték, és ahogy ők maguk is elismerik, hogy a betegek diagnosztizálásában még néhány százalékos pontatlanság is létfontosságú, mennyiségileg akár több száz is lehet. több ezer emberből. Ez egy korábbi tanulmány volt, és az ANN-ok ezt követően jelentősen növekedtek, különösen a mély tanulással. Az ANN-okkal kapcsolatban azonban állandó probléma az átláthatóság hiánya – nem látható, hogy az ANN hogyan hozta meg az általa hozott döntést, és milyen értékeken alapult a döntés. A beteg nem lenne meggyőződve, ha az orvos nem tudná, miért adják a betegnek az adott gyógyszert és kezelést egyszerűen az ANN előírását követve. A magyarázat hiánya azt is jelenti, hogy az emberi orvosok a sötétben maradnak, és nem tudnak tanulni az ANN döntéseiből.

Liu et al. vállalta az egészségügyi szakemberek pontosságának tesztelését az olyan mély tanulási technikákhoz képest, mint az ANN [7]. Annak érdekében, hogy minél nagyobb adathalmazhoz jussanak, átkutatták a meglévő cikkeket és elemzéseket, hogy a 2012. január 1. és 2019. június 6. közötti tanulmányok metaanalízisét végezzék el a mély tanulási modellek bármely betegség diagnosztikai teljesítményét összehasonlító tanulmányokhoz. az egészségügyi szakemberekhez képest. E tanulmányok közül 14 teljesítményének összehasonlítása 87 százalékos összesített szenzitivitást és 92,5 százalékos egyesített specificitást mutatott a mély tanulási modelleknél, az egészségügyi szakemberek esetében pedig 86,4 százalék és 90,5 százalék. Bár az eredmények hasonlóak, a mély tanulási modellek összességében jobban teljesítettek, még ha csak kismértékben is, és a százalékos arány bármilyen kismértékű növekedése még mindig számtalan megmentett vagy javított életet tükröz azáltal, hogy ezt az adatot az ilyen egészségi állapottól szenvedők mennyiségi értékére extrapolálják.

2.2 Hasonló rendszerek

Számos cikk részletezi a CKD diagnózisát(Krónikus vesebetegség) ANN vagy más módszerek használatával, például a Support Vector Machines (SVM) és a Naive Bayes használatával.

Kriplani et al. Deep Neural Networket használtak a CKD előrejelzésére a bemeneti réteg 18 paraméterével, bár a rejtett rétegbeli neuronok, rétegek és a hálózati architektúra száma nem szerepel a cikkben [8]. A Deep Neural Network valódi pozitív aránya 95,2 százalék, a valódi negatív arány pedig 100 százalék volt, amelyet más osztályozási módszerekkel is összehasonlítottak, mint például a Logistic, a Random Forest, az Adaboost, az SVM és a Naive Bayes. A lap azt állította, hogy a Mély Neurális Hálózatuk volt a legmagasabb a fent említett módszerek közül. A dolgozatban közölt teljesítményeredmények további elemzésekor azonban, bár ugyanazt a valódi negatív arányt minden más osztályozási módszerrel kaptuk, a Naïve Bayes és a Random Forest, viszonylag egyszerűbb algoritmusok, éppúgy teljesítettek, mint az ANN 95,2 százalékos valódi pozitív értékkel. pontosság. Ezenkívül mind az Adaboost, mind az SVM valódi pozitív, 96,2 százalékos pontossági arányt ért el, ami magasabb, mint a Deep Neural Network. Egy másik táblázatban a Naïve Bayes és a Deep Neural Network 97,7679 százalékos pontossággal szerepelt, míg az Adaboost és az SVM egyaránt 98,2143 százalékos, a Random Forest pedig 99,1071 százalékos pontossággal. Így az a következtetésük, hogy az összes összehasonlított modell közül a Deep Neural Network volt a legjobb, hibásnak tűnik a cikkükben közölt adatok szerint, mivel nemcsak lassabb és nagyobb számítási erőforrásokat fogyaszt, a Naive Bayes pedig egyformán teljesít az Adaboosttal. , SVM és Random Forest nagyobb pontosságot ér el.

Ahmad et al. SVM-et használt, hogy egy kiegészítő döntéstámogató eszközt javasoljon vészhelyzetekre, 5 bemenet felhasználásával: vérnyomás, szérum kreatinin, sejttérfogat, hypertonia faktor és anaemia faktor [9]. Az SVM R programozási nyelven volt kódolva, 98,34 százalékos pontossággal. Tanulmányukban arra a következtetésre jutottak, hogy az attribútumok fontossága összefügg a Gini átlagos csökkenésével, vagyis a változó összes csomóponti szennyezettségének csökkenése átlagával, ahol a magasabb érték nagyobb szerepet játszik az attribútumban. Ennek alapján azt találták, hogy a csomagolt sejttérfogat a legfontosabb tulajdonság a CKD diagnosztizálásában(Krónikus vesebetegség) az adatokból. Mivel jelenleg kizárólag a szérum kreatininszintje a krónikus vesebetegség diagnosztizálásának egyik módja, ez bizonytalanságot teremt azzal kapcsolatban, hogy vajon pontosabb lenne-e inkább a Packed Cell Volume értékekre hagyatkozni.

Ravindra és mtsai. SVM-et is használt a CKD osztályozása és azonosítása érdekében(Krónikus vesebetegség) betegek [10]. A bemeneti értékeket négy különböző esetre osztották fel a köztük lévő szoros kapcsolat alapján:

Eset 1 -vérnyomás, fajsúly ​​és szérum kreatinin;

Eset: 2 -albumin, cukor, vércukorszint véletlenszerű és hemoglobin;

Eset 3 -csomagolt sejttérfogat, fehérvérsejtszám és vörösvértestszám;

Eset: 4 -albumin, cukor, vércukorszint véletlenszerű, szérum kreatinin, nátrium, kálium és hemoglobin.

Mind a négy esetet külön-külön tesztelték az SVM osztályozóval, a többi tényező nélkül, és azt találták, hogy a 2. eset volt a legmagasabb, 93,75 százalékos. A pontosság azonban alacsonyabb, mint más korábbi cikkeknél, amelyek több adatbevitelt használtak. Ezért, míg az albumin, a cukor, a véletlen vércukorszint és a hemoglobin önmagukban jó eredményeket hoznak, más bemenetek nagyobb pontosságot mutattak, ha együtt szerepelnek.

Salekin és Stankovic a Random Forestet használta, és 99,3 százalékos pontosságot és 0.1084 Root Mean Square Error-t (RMSE) érte el 24 bemenet használatával [11]. Ezután azonban számos módszert alkalmaztak, például a gépi tanulási burkoló módszert és a LASSO-szabályozást, hogy az eredeti 24 jellemző közül ötöt válasszanak ki:

^.fajsúly,^.albumin,^.diabetes mellitus,^.magas vérnyomás, és^.hemoglobin.

A Cistanche javíthatja a veseműködést

A cikk kiemelt egy költséghatékony automatikus detektálási módszert, ezért a szükséges tényezők számának csökkentése a pontosság lehető legmagasabb szinten tartása mellett növelné a költséghatékonyságot a kevesebb szükséges teszt és a tesztek eredményének megszerzéséhez szükséges idő miatt. Becsléseik szerint az Egyesült Államok 2016-os inflációjával és az orvosi vizsgálat díjával együtt legfeljebb 45,05 USD-be kerülne egy betegvizsgálat. Az 5 attribútummal 98 százalékos pontosságot értek el 0,11 RMSE-vel, ami mindössze 1,3 százalékos csökkenést jelent, miután az eredeti 24 jellemzőből 19-et elvetettek.

Vijayarani és Dhayanand a MATLAB-ot használta az SVM és egy ANN (visszatáplálásos visszacsatolás) teljesítményének összehasonlítására vesebetegségben szenvedő betegek adatkészletén [12]. Az ANN pontossága 87,70 százalék volt, az SVM pedig 76,32 százalékos pontossággal. Az SVM azonban 3,22 másodpercet vett igénybe, míg az ANN ennek majdnem a duplája, 7,26 másodperc. A pontosság jelentősen elmaradt a korábban említett rendszerekétől. Ennek a rendszernek azonban több is volt, mint a CKD bináris osztályozása(Krónikus vesebetegség) vagy Egészséges vesék, ehelyett 5 különböző esetbe sorolták be: normál, akut nephritis szindróma, CKD, akut veseelégtelenség vagy krónikus glomerulonephritis, ami bonyolultabbá tette a feladatot.

2.3 Áttekintés összefoglalása

Liu et al. bemutatja az ANN és ​​más gépi tanulást helyettesítő anyagok életképességét az egészségügyi szakemberek képzett szemének helyettesítésére, egyszerűen pontosabbak. Azonban, ahogy Šter és Dobnikar rávilágít, probléma van az ANN-döntések átláthatóságával, mivel nem lehet azonosítani, hogy melyik tényező játszott szerepet a döntésben, és milyen erősen. A tényezők az ANN-on kívül is azonosíthatók különféle adatbányászati ​​és -elemzési módszerekkel, hasonlóan Salekin és Stankovic CKD-vel kapcsolatos megközelítéséhez.(Krónikus vesebetegség) funkciókat, hogy megtudja, melyik játszik nagyobb szerepet. Azonban vannak ellentmondások, amikor különböző módszereket használnak a jellemzők prioritásának meghatározására, például az 5-ből álló halmaz, amely csak 1 jellemzőn osztozik, és Ravindra és munkatársai az albumin esetében a legnagyobb pontossággal. Ezen túlmenően Ahmad és munkatársai Mean Decrease in Gini megközelítése a csomagolt sejttérfogatot találta a legjelentősebb tényezőnek, azonban a korábbi közlemények egyikében sem tulajdonítottak semmilyen jelentőséget ennek a tényezőnek a rendszerükhöz választott végső jellemzők tekintetében.

Vannak problémák azzal kapcsolatban, hogy az ANN-ok hogyan hoznak döntéseket, és bizonyos értelemben ezek a döntések emberi elfogultsággal bírnak, mivel a fejlesztők döntik el, hogy mely bemeneteket dobják el, mint szükségteleneket, és melyeket tartsák meg. Salekinnek és Stankovicnak azonban van egy jó pontja; megvannak az eszközök, és itt az ideje, hogy pontosabb, költséghatékony megoldást dolgozzunk ki a krónikus vesebetegség azonosítására(Krónikus vesebetegség) gyorsabban kezelik a betegeket, hogy elkerüljék az indokolatlan fájdalmat, szorongást és a halált.

3.{1}} Anyagok és módszerek

3.1 Az ANN programozása

A MATLAB-ot gyors prototípuskészítéshez használták, mivel lehetővé teszi az ANN-ok natív létrehozását a Deep Learning Toolbox segítségével, további kódolás nélkül. Az 1. ábra egy pillanatképet ad a Deep Learning Toolbox ANN képzési eszközéről. A Kanbant követően a projekt összes feladata egy virtuális táblára, például Trellóra kerül, különböző oszlopokkal a már befejezett feladatokhoz (például döntés a rendszer működéséről, adatgyűjtés, ütemterv tervezés, előzetes jelentés befejezése, kitöltése etikai űrlap kitöltése stb.), a folyamatban lévő feladatok (vizsgálati jelentés befejezése) és a jövőben elvégzendő feladatok (tiszta adatok, mesterséges intelligencia oktatása adatokkal, eredmények dokumentálása stb.). Az alapelv az, hogy tartsa be a folyamatban lévő gyártási korlátot, és tartsa be azt, lehetőleg állandó legyen anélkül, hogy túllépné a határt és túl sok feladatot vállalna egyszerre, és folytassa a projekt befejezéséig.

3.2 A képzési és tesztelési adatok beszerzése

A modell betanítása és tesztelése során két lehetőséget vettek figyelembe. Az egyik az volt, hogy felvegyék a kapcsolatot a helyi kórházakkal anonim beteginformációkért, pusztán tanulmányi célokra, a másik pedig egy online használatra elérhető adatkészletet keresett. Az online volt a preferencia, és egy adatkészletet találtak 400 betegrekorddal, 250 CKD-vel(Krónikus vesebetegség) betegek és 150 nem krónikus betegségben szenvedő beteg, akiket az indiai Tamilnadu Apollo Kórházaiból gyűjtöttek össze 2 hónap alatt. Amint az 1. táblázatban látható, 24 különböző szolgáltatás volt. A rekordok azonban hiányosak voltak, és sok esetben hiányoztak vagy sérültek az adatok, ahogy ez gyakran előfordul. Ha az összes üres értékű rekordot eltávolítanánk, a használható rekordok száma csak valamivel lenne több mint 200. Így az adatok tisztításának és a hiányos rekordok megtartásának alternatív módszereit kellett keresni, például az üres értékeket móddal helyettesíteni, vagy a jellemzőben leggyakrabban látható érték, de figyelembe kell venni a jellemző más rekordokban található leggyakoribb értéket is, azon rekordok között, amelyek egyébként leginkább hasonlítanak a hiányzó jellemzőt tartalmazó rekordhoz.

Cistanche vesebetegségre

1. ábra: Neural Network Training eszköz, a Deep Learning Toolbox egyik jellemzője

1. táblázat: Szolgáltatások listája

Az értékek közül 10 szintén logikai értékeket képviselő szöveg volt, amelyeket szintén meg kellett tisztítani 0 értékre, 1 pedig értéket, mivel az ANN betanításához csak numerikus értékek fogadhatók el. Ezenkívül a nyelvi kontextus nélküli mesterséges intelligencia (AI) nehezen tudja azt az asszociációt létrehozni, hogy az "igen" a "nem" ellentéte, szemben az "1"-vel és a "0"-val. Az adatok és a megőrzött nyilvántartások tisztításának eredményétől függően előfordulhat, hogy más adatforrásokra kell támaszkodni, mint például a kórházak megkeresése anonim betegadatokért.

4. Eredmények és megbeszélés

Átlagosan a CKD tipikus életkora(Krónikus vesebetegség) a betegek 55-75 év közöttiek voltak, míg a nem CKD-s betegek életkora egyenletesebben oszlott meg. Ez azt mutatja, hogy a CKD gyakoribb az időseknél, ami a genetikai problémák hiányát tekintve ésszerű, mivel időbe telik és a vese tartós károsodása szükséges a CKD kialakulásához.

A diabetes mellitus, más néven cukorbetegség, olyan kockázati tényező, amely növeli a krónikus vesebetegség kialakulásának esélyét. Valójában az Amerikai Nemzeti Vesealapítvány [13] szerint az 1-es típusú cukorbetegek körülbelül 30 százaléka, a 2-es típusú cukorbetegek 40 százaléka később életében CKD-t kap. Ha a cukorbetegek nem szabályozzák vércukorszintjüket gyógyszeres kezeléssel, inzulininjekciókkal és diétával, a magas glükózszint eltömíti a vesék apró vérkapillárisait, károsítva a vesét. Az adathalmazban szereplő összes cukorbeteg szintén CKD-s beteg volt, a CKD-k több mint felével(Krónikus vesebetegség) cukorbetegek.

A CKD-s betegek átlagos vörösvérsejtszáma alacsonyabb, mint a nem CKD-s betegeké, 2-6 millió között mozog az egészséges 4-7 millió vörösvérsejt helyett mikroliter vérben. Az alacsony vörösvértestszám vérszegénységre utal. A vesék az eritropoetin (EPO) nevű hormont termelik, amely arra készteti a szervezetet, hogy vérsejteket termeljen, amelyekből nem termelődik elegendő mennyiség, amikor a vesefunkció a CKD károsodása miatt csökken [14]. Ennek megfelelően az EPO szintje csökken, ami a vörösvértestek számának csökkenését okozza, ami vérszegénységet okoz. Ez kevesebb oxigénhez vezet a szervezetben, általános fáradtsághoz, légszomjhoz, hideg végtagokhoz (kéz és láb), és a legrosszabb esetben halálhoz vezet.

A nátrium és a kálium az emberi szervezet számára nélkülözhetetlen ásványi sók. A napi beviteli határérték túllépése azonban lehetséges, mint a víz esetében. Normális esetben a vesék kiürítik a felesleges sókat és folyadékokat, de probléma merül fel, ha már nem működnek úgy, ahogyan kellene. Ez folyadék felhalmozódásához vezet a szövetekben és a véráramban, ami magas vérnyomást, valamint émelygést, gyengeséget és rendellenes szívritmusokat okoz [15]. A kálium a 3,3 és 5,25 közötti tartományban van a nem krónikus vesebetegségben szenvedő betegeknél, akiknek nagy a varianciája, a nátrium pedig 135 és 151 között.(Krónikus vesebetegség) a betegek 48,4-es csúcsértékét érhetik el, ami körülbelül 10-szer magasabb a normál mennyiségnél, a nátrium pedig 170,4-nél.

A bemeneti adatokban sok olyan érték található, amelyek hasonló kapcsolt tulajdonságokkal rendelkeznek, mint például a hemoglobin, a vörösvértestszám és a vérszegénység. Természetesen az alacsony vörösvérsejtszám és az alacsony hemoglobin összefügg a vérszegénység kialakulásával. Hasonlóképpen összefüggés van a kálium- és nátriumszint és a magas vérnyomás, valamint a vércukorszint, a cukorszint és a cukorbetegség között. A gennysejtek és a gennysejt csomók, valamint a baktériumok értékei is korrelálnak, mivel a baktériumok jelenléte gennyet okoz, ami megelőzi a gennysejt csomókat. Ezzel csökkenthető a bemenetek száma, vagy figyelembe lehet venni az adatok tisztításánál és a hiányos értékek hozzáadásakor. Az ANN által az egyes bemenetekre helyezett súlyok képzésen keresztül lesznek, és nem manuálisan állíthatók be, így az, hogy az elemzés megfelel-e a neurális hálózat saját döntéshozatali folyamatának, még nem látható.

5. Következtetés

A betegekről elemzett adatok manuális adatelemzéssel már emberi szem számára is egyértelmű mintázatot mutatnak. Az ANN képes lehet sokkal finomabb mintákat látni a numerikus adatokban, és ezért nagyfokú pontosságot mutathat a CKD diagnosztizálásában.(Krónikus vesebetegség) betegeknél a testnedveikben jelenlévő jellemzők értékeinek megfigyelésével. Valójában a hasonló témájú cikkek áttekintése azt mutatja, hogy csökkenthető a jellemzők száma, és csökkenthető a betegektől begyűjtött tesztek és folyadékok mennyisége. Ezért a költségek és az erőfeszítések csökkentésével minimális csökkenést lehet elérni az eredmény pontosságában az egyes értékek közötti állandóan magas korreláció miatt.

Cistanche vesebetegségre