مبانی و پیشینه

1. الگوریتم های یادگیری ماشین

این بخش یک نمای کلی از متداول ترین الگوریتم های یادگیری ماشینی در تشخیص بیماری ارائه می دهد.

1.1 درختان تصمیم

الگوریتم های درخت تصمیم (DT) از قانون پارتیشن بندی پیروی می کنند. در یک مدل DT، ویژگی ها ممکن است مقادیر مختلفی به نام درختان طبقه بندی داشته باشند. برگ ها نشان دهنده کلاس های مختلف هستند، در حالی که شاخه ها ترکیبی از ویژگی هایی را منعکس می کنند که منجر به این برچسب های کلاس می شود. از طرف دیگر DT ممکن است متغیرهای پیوسته ای به نام درختان رگرسیون بگیرد. C4.5 و EC4.5 دو مورد از شناخته شده ترین و پرکاربردترین الگوریتم های DT هستند.

1.2 پشتیبانی از ماشین های برداری

برای طبقه‌بندی و چالش‌های مرتبط با رگرسیون، ماشین‌های بردار پشتیبان (SVM) یک روش یادگیری ماشینی محبوب هستند. ماشین های بردار پشتیبان توسط Vapnik در اواخر قرن بیستم معرفی شدند. علاوه بر تشخیص بیماری، ماشین‌های ناقل پشتیبانی در رشته‌های مختلف دیگری از جمله تشخیص حالت چهره، تا کردن پروتئین، کشف همولوگ از راه دور، تشخیص گفتار و طبقه‌بندی متن استفاده شده‌اند. برای داده های بدون برچسب، الگوریتم های ML نظارت شده نمی توانند کار کنند. با استفاده از کشف ابر صفحه برای خوشه بندی بین داده ها، ماشین های بردار پشتیبان می توانند داده های بدون برچسب را طبقه بندی کنند. با این حال، خروجی یک ماشین بردار پشتیبانی غیرخطی قابل تمایز نیست. برای غلبه بر این مشکلات، انتخاب هسته و پارامترهای مناسب دو عامل کلیدی برای کاربرد SVMها در تجزیه و تحلیل داده ها هستند.

1.3 k - نزدیکترین همسایه

طبقه بندی (KNN) یک تکنیک طبقه بندی ناپارامتریک است که توسط Evelyn Fix و Joseph Hodges در سال 1951 ابداع شد. kNN برای طبقه بندی و تحلیل رگرسیون مناسب است. طبقه بندی kNN منجر به وابستگی طبقاتی می شود. مکانیزم رای گیری برای طبقه بندی اقلام استفاده می شود. تکنیک فاصله اقلیدسی برای تعیین فاصله بین دو نمونه داده استفاده می شود. مقدار پیش بینی برای تحلیل رگرسیون میانگین مقادیر KNN است.

برای دریافت اینجا کلیک کنید تاثیر سیستانچ های گیاهی

1.4 بیز ساده لوح

طبقه بندی کننده ساده بیزی (NB) یک طبقه بندی کننده احتمالی مبتنی بر بیزی است. بر اساس یک رکورد یا نقطه داده داده شده، احتمال عضویت در هر کلاس را پیش بینی می کند. محتمل ترین کلاس کلاسی است که بیشترین احتمال را دارد. طبقه بندی NB برای پیش بینی احتمالات استفاده می شود، نه پیش بینی ها.

1.5 رگرسیون لجستیک

رگرسیون لجستیک (LR) یک روش یادگیری ماشینی است که برای حل مسائل طبقه بندی استفاده می شود. مدل‌های LR یک چارچوب احتمالی با مقادیر پیش‌بینی از 0 تا 1 دارند. نمونه‌هایی از ML مبتنی بر LR شامل شناسایی هرزنامه، شناسایی تراکنش جعلی آنلاین، و تشخیص بدخیمی است. تابع جانشین، که اغلب به عنوان تابع سیگموئید شناخته می شود، توسط LR استفاده می شود. توابع سیگموید هر عدد واقعی را بین 0 و 1 تبدیل می‌کنند.

1.6 الگوریتم AdaBoost

Yoav Freund و Robert Schapire توسعه Adaptive Boosting را توسعه دادند که معمولاً به عنوان AdaBoost شناخته می شود. AdaBoost طبقه‌بندی‌کننده‌ای است که چندین طبقه‌بندی ضعیف را در یک طبقه‌بندی واحد ترکیب می‌کند. AdaBoost با دادن وزن بیشتر به نمونه هایی که طبقه بندی آنها سخت تر است و دادن وزن به نمونه هایی که قبلاً به خوبی طبقه بندی شده اند کار می کند. می توان از آن برای طبقه بندی و همچنین تحلیل رگرسیون استفاده کرد.

فواید سیستانچ توبولوزا

2. مروری بر یادگیری عمیق

یادگیری عمیق (DL) زیرشاخه‌ای از یادگیری ماشین (ML) است که از چندین سطح برای استخراج اطلاعات سطح بالاتر و پایین (یعنی تصاویر، مقادیر عددی، مقادیر طبقه‌بندی) از ورودی استفاده می‌کند. بیشتر مدل‌های یادگیری عمیق معاصر بر روی شبکه‌های عصبی مصنوعی (ANN)، به‌ویژه شبکه‌های عصبی کانولوشن (CNN) ساخته شده‌اند که می‌توانند با سایر مدل‌های یادگیری عمیق، از جمله مدل‌های مولد، شبکه‌های باور عمیق، و ماشین‌های بولتزمن ادغام شوند. یادگیری عمیق را می توان به سه نوع تقسیم کرد: تحت نظارت، نیمه نظارت و بدون نظارت. شبکه‌های عصبی عمیق (DNN)، یادگیری تقویتی، و شبکه‌های عصبی مکرر (RNN) برخی از برجسته‌ترین معماری‌های DL (RNNs) هستند.

هر لایه در یادگیری عمیق ویژگی های مختلف داده را یاد می گیرد در حالی که یاد می گیرد داده های ورودی خود را به لایه های بعدی تبدیل کند. به عنوان مثال، در یک برنامه تشخیص تصویر، ورودی اصلی ممکن است ماتریسی از پیکسل ها باشد و لایه اول ممکن است لبه های تصویر را تشخیص دهد. از سوی دیگر، لایه دوم بینی و چشم ها را می سازد و رمزگذاری می کند، و لایه سوم ممکن است با ترکیب تمام اطلاعات جمع آوری شده از دو لایه اول، چهره ها را تشخیص دهد.

در زمینه پزشکی، DL نویدبخش است. رادیولوژی و آسیب شناسی دو رشته پزشکی برجسته هستند که سال هاست از یادگیری عمیق در تشخیص بیماری ها استفاده زیادی کرده اند. علاوه بر این، جمع آوری اطلاعات ارزشمند از حالت های مولکولی و تعیین پیشرفت بیماری یا حساسیت به درمان، کاربردهای عملی DL است که اغلب توسط مطالعات انسانی به رسمیت شناخته شده است.

مکمل سیستانچ

ارزش عصاره گیاه سیستانچ برای کلیه:

مطالعات پزشکی نشان داده است که مواد فعال موجود درعصاره سیستانچمی تواند بازسازی و متابولیسم سلول های انسان را ترویج کند، توانایی تنظیم ایمنی را افزایش دهد و آشکار باشدضد سرطان، اثرات ضد ویروسی و ضد پیری. در سال های اخیر، درمانبیماری های کلیویبا سیستانچه نتایج خوبی به دست آورده است. سیستانچ مکملی برای مردان و زنان است و می تواند ناتوانی جنسی مردانه و ناباروری زنان را درمان کند. علاوه بر این، کلیه را بدون آسیب رساندن به یین مقوی کنید و استفاده طولانی مدت معمولاً علائمی مانند گرما و خشکی دهان ایجاد نمی کند.

به گفته دکتر زو جینگ، بخش نفرولوژی، بیمارستان Ruijin، دانشکده پزشکی دانشگاه شانگهای جیائو تونگ، بیماران مبتلا به بیماری های زیر باید توجه ویژه ای داشته باشند:

1. دیابت: دیابت بار گلوکز من را تشدید می کند، چه دیابت نوع 1 یا نوع 2 باشد، نفروپاتی دیابتی ممکن است رخ دهد، و هر چه دوره بیماری طولانی تر باشد، خطر بیشتر است. هنگامی که مرحله نهایی بیماری کلیوی پیشرفت کرد، کنترل آن دشوارتر می شود.

2. خون بالا: فشار فشار خون بالا و به من لقب «برادر سخت» داده اند. فشار خون بالا نه تنها به من فشار می آورد و به سلامتی من آسیب می رساند، بلکه زمانی که عملکردم نادرست است، به طور ثانویه باعث افزایش فشار خون می شود. ما دو نفر با هم "تبانی" کردیم، از این هم حیله گر بود!

3. هیپراوریسمی: با تغییر سبک زندگی، میزان بروز نقرس (هیپراوریسمی) به تدریج افزایش می یابد. کریستال‌های اورات در کلیه‌ها رسوب می‌کنند و بدتر شدن عملکرد کلیه را تسریع می‌کنند. بدتر شدن عملکرد کلیه باعث کاهش توانایی کلیه ها برای دفع اسید اوریک، تشدید مجدد هیپراوریسمی و تشکیل یک دایره باطل می شود.

4. سبک زندگی بد: کم تحرکی طولانی مدت و ورزش نکردن منجر به چاقی، اضافه وزن یا بیدار ماندن معمولی تا دیر وقت، نوشیدن مشروبات الکلی و سیگار و غیره می شود که باعث می شود مدت طولانی کار کنم و نتوانم استراحت کنم، در نتیجه بارم را افزایش داده و باعث می شود خسارت.

عصاره سیستانچ توبولوزا

6. تعریق را فعال کنید

هر زمان که عرق می کنیم، بار کلیه های خود را سبک می کنیم زیرا راه دیگری برای خارج کردن مایعات از بدن تقویت می کنیم. از این نظر، افزایش تعریق می تواند "درمان" خوبی برای مراقبت از عملکرد کلیه باشد. فعالیت بدنی متوسط ​​یا با شدت بالا یا با فواصل زمانی. حمام سونا خشک و مرطوب. خوردن ادویه های تند، مانند زنجبیل یا فلفل هندی.

7. استفاده منظم از پاک کننده ها

یک یا دو بار در سال، به خصوص در طول تغییرات فصلی، ایده خوبی است که برای ترویج دفع سموم و بهبود عملکرد کبد و کلیه، مقداری پاکسازی یا تصفیه انجام دهید. این شامل بهبود عادات غذایی، به طور عمده پاکسازی کلیه است، که می توانید امتحان کنید:

الف: آب سیر و پیاز را بیشتر به رژیم غذایی خود اضافه کنید.

ب: آب گلابی سبز، کرفس و سیب را جایگزین نوشیدنی های صنعتی کنید.

ج: از دم کرده های طبیعی قاصدک، بیدمشک و دم اسب برای تحریک دفع مایعات استفاده کنید.

8. حرارت موضعی را اعمال کنید

گرمای موضعی با استفاده از بطری آب گرم یا پد گرمایشی می تواند در صورت احساس ناراحتی در ناحیه کمر در ناحیه کلیه، تسکین دهد. از سوی دیگر، اجتناب از سرمای شدید در ناحیه تنه، به ویژه بادهای سرد در فصل زمستان، برای پیشگیری (یا تسکین حسب مورد) ناراحتی در این ناحیه، صرف نظر از وجود بیماری کلیوی، ضروری است.

9. از مصرف الکل و مصرف بیش از حد خودداری کنید

نکاتی برای مراقبت از پانکراس: الکل مصرف نکنید. البته اجتناب از الکل برای مراقبت از سلامت کلیه ها حیاتی است. مطالعات مختلف نشان داده‌اند که الکل می‌تواند عملکرد کلیه‌ها را تا حد زیادی بدتر کند و هر چه میزان مصرف الکل بیشتر باشد، خطر ابتلا به مشکلات مختلف سلامتی بیشتر می‌شود. از سوی دیگر، مهم است که همیشه به یاد داشته باشید که هر چیزی بیش از حد برای سلامتی شما مضر است، نه فقط الکل یا سایر مواد.

منابع:

1.بریجان، م. پاتل، آر. کاوشیک، م. Rana, K. بررسی الگوریتم درخت تصمیم برای طبقه بندی. بین المللی J. Eng. توسعه دهنده Res. 2014. موجود

2. Walse, RS; کوروندکار، جی دی. خمیتکار، SD; Muley، AA; Bhalchandra، PU; Lokhande، SN استفاده موثر از ساده ترین بیز، درخت تصمیم، و تکنیک های جنگل تصادفی برای تجزیه و تحلیل بیماری مزمن کلیه. در مجموعه مقالات کنفرانس بین المللی فناوری اطلاعات و ارتباطات برای سیستم های هوشمند، احمدآباد، هند، 15 تا 16 مه 2020؛ Springer: برلین/هایدلبرگ، آلمان، 2020؛ صص 237-245.

3. راجندران، ک. جایبالان، م. Thiruchelvam، V. پیش‌بینی سرطان پستان از طریق روش‌های یادگیری ماشینی نظارت شده بر روی داده‌های کلاس نامتعادل. بین المللی J. Adv. محاسبه کنید. علمی Appl. 2020، 11، 54–63.

4. Tsao، HY; چان، پی. Su، ECY پیش بینی رتینوپاتی دیابتی و شناسایی ویژگی های زیست پزشکی قابل تفسیر با استفاده از الگوریتم های یادگیری ماشین. BMC Bioinform. 2018، 19، 111-121.

5. . نورحمان، ع. عبدالله، س. مرفیفی، اچ. پارکینسون طبقه بندی زیرگروه بیماری: کاربرد درخت تصمیم، رگرسیون لجستیک و مدل برگ لاجیت. در مجموعه مقالات کنفرانس AIP؛ AIP Publishing LLC: ملویل، نیویورک، ایالات متحده آمریکا، 2020؛ جلد ۲۲۴۲، ص. 030015.

6. . دراکر، اچ. وو، دی. Vapnik، VN از ماشین‌های برداری برای دسته‌بندی هرزنامه پشتیبانی می‌کند. IEEE Trans. شبکه عصبی 1999، 10، 1048-1054.

7. فیکس، ای. هاجز، JL تجزیه و تحلیل تبعیض آمیز. تبعیض ناپارامتریک: ویژگی های سازگاری. بین المللی آمار کشیش بین المللی De Stat. 1989، 57، 238-247.

8. رایت، RE رگرسیون لجستیک. در خواندن و درک آمار چند متغیره; انجمن روانشناسی آمریکا: واشنگتن دی سی، ایالات متحده آمریکا، 1995.

9. Schapire، RE توضیح AdaBoost. در استنتاج تجربی; Springer: برلین/هایدلبرگ، آلمان، 2013; صص 37-52.

10. Goodfellow، I.; بنژیو، ی. کورویل، A. یادگیری عمیق. مطبوعات MIT: کمبریج، MA، ایالات متحده آمریکا، 2016.

11. Hayashi، Y. جهت درست مورد نیاز برای توسعه یادگیری عمیق جعبه سفید در رادیولوژی، آسیب شناسی، و چشم پزشکی: یک بررسی کوتاه. جلو. ربات. AI 2019، 6، 24.

12. آکوس، ز. گالیمزیانوا، آ. هوگی، ع. روبین، دی ال. اریکسون، BJ یادگیری عمیق برای بخش‌بندی MRI مغز: وضعیت هنر و مسیرهای آینده. جی دیجیت. Imaging 2017, 30, 449–459.

13. احسن، م.م. ای علم، ت. ترافالیس، تی. مدل Huebner، P. Deep MLP-CNN با استفاده از داده‌های مختلط برای تمایز بین بیماران COVID-19 و Non-COVID-19. تقارن 2020، 12، 1526.

14. حسین، ا.ح. امام، م.م. علی، ع.ا. Suganthan، PN تکنیک های یادگیری عمیق و ماشینی برای سرطان پستان مبتنی بر تصویربرداری پزشکی: یک بررسی جامع. سیستم خبره Appl. 2021, 167, 114161.