Skip Navigation Linksلیست مقالات ترجمه شده / مقالات ترجمه شده مهندسی پزشکی /

عنوان ترجمه شده مقاله: الگوریتم‌های آموزش سریع شبکه عصبی برای کاربردهای پزشکی

در این مطالعه، شبکه عصبی چندلایه (MLP) با الگوریتم‌های یادگیری سریع برای پیش‌بینی دقیق غلظت اوره خون پس از دیالیز استفاده می‌شود.

Abstract

Measuring the blood urea nitrogen concentration is crucial to evaluate dialysis dose (Kt/V) in patients with renal failure. Although frequent measurement is needed to avoid inadequate dialysis efficiency, artificial intelligence can repeatedly perform the forecasting tasks and may be a satisfactory substitute for laboratory tests. Artificial neural networks represent a promising alternative to classical statistical and mathematical methods to solve multidimensional nonlinear problems. It also represents a promising forecasting application in nephrology. In this study, multilayer perceptron (MLP) neural network with fast learning algorithms is used for the accurate prediction of the post-dialysis blood urea concentration. The capabilities of eight different learning algorithms are studied, and their performances are compared. These algorithms are Levenberg–Marquardt, resilient backpropagation, scaled conjugate gradient, conjugate gradient with Powell–Beale restarts, Polak–Ribiere conjugate gradient and Fletcher–Reeves conjugate gradient algorithms, BFGS quasi-Newton, and one-step secant. The results indicated that BFGS quasi-Newton and Levenberg–Marquardt algorithm produced the best results. Levenberg–Marquardt algorithm outperformed clearly all the other algorithms in the verification phase and was a very robust algorithm in terms of mean absolute error (MAE), root mean square error (RMSE), Pearson’s correlation coefficient (\( R_{p}^{2} \)) and concordance coefficient (RC). The percentage of MAE and RMSE for Levenberg–Marquardt is 0.27 and 0.32 %, respectively, compared to 0.38 and 0.41 % for BFGS quasi-Newton and 0.44 and 0.48 % for resilient backpropagation. MLP-based systems can achieve satisfying results for predicting post-dialysis blood urea concentration and single-pool dialysis dose spKt/V without the need of a detailed description or formulation of the underlying process in contrast to most of the urea kinetic modeling techniques

چکیده

اندازه‌گیری غلظت نیتروژن اوره خون برای ارزیابی دوز دیالیز (Kt / V) در بیماران مبتلا به نارسایی کلیه بسیار مهم است. اگر چه اندازه‌گیری مکرر برای جلوگیری از بروز نارسایی در عملکرد کلیه لازم است، اما روش‌های هوش مصنوعی می‌تواند به صورت مکرر برای پیش‌بینی استفاده شده و می‌تواند در آینده جایگزینی مناسب برای تست‌های آزمایشگاهی باشد. شبکه‌های عصبی مصنوعی یک جایگزین خوب برای روش‌های آماری و ریاضی کلاسیک به منظور حل مسائل غیرخطی چندبعدی است. همچنین این روش، یک برنامه پیشگویی مفید در کاربردهای نفرولوژی است. در این مطالعه، شبکه عصبی چندلایه (MLP) با الگوریتم‌های یادگیری سریع برای پیش‌بینی دقیق غلظت اوره خون پس از دیالیز استفاده می‌شود. قابلیت هشت الگوریتم یادگیری مختلف مورد مطالعه قرار گرفته و عملکرد آن‌ها مقایسه شده است. این الگوریتم‌ها عبارت‌اند از Levenberg-Marquardt، الگوریتم پس انتشار مقاوم، گرادیان مختلط مقیاس بندی شده، گرادیان مختلط به همراه روش راه‌اندازی Powell-Beale، گرادیان مختلط Polak-Ribiere و الگوریتم‌ گرادیان مختلط Fletcher-Reeves، روش شبه نیوتن BFGS و الگوریتم یک مرحله‌ای متقاطع. نتایج حاصل نشان می‌دهد که الگوریتم شبه نیوتن BFGS و الگوریتم Levenberg-Marquardt بهترین نتایج را ارائه می‌کنند. الگوریتم Levenberg-Marquardt در مرحله اعتبار سنجی ازنظر خطای متوسط ​​(MAE)، خطای متوسط ​​مربع ریشه (RMSE)، ضریب همبستگی پیرسون (R2p) و ضریب همگامی آماری (RC)نسبت به همه الگوریتم‌ها، عملکرد بهتری از خود نشان می‌دهد. درصد MAE و RMSE در روش Levenberg-Marquardt به ترتیب 0.27 و 0.32 % بوده که در مقایسه با 0.38 و 0.41 % حاصل از روش شبه نیوتن BFGS و 0.44 و 0.48 درصد حاصل از روش پس انتشار مقاوم مقادیر بهتری هستند. سیستم‌های مبتنی بر MLP می‌توانند نتایج رضایت بخشی را در پیش‌بینی غلظت اوره خون پس از دیالیز و دوز spKt / V بدون نیاز به توصیف دقیق و یا فرمول‌بندی فرآیند غیرمتمرکز در مقایسه با بیشتر روش‌های مدل‌سازی حرکت اوره نتیجه دهند.

1-مقدمه

مدل‌سازی ریاضی دیالیز با پیشرفت حلال‌ها شروع شد [137]. اساس کار روش‌های اندازه‌گیری دیالیز بر مبنای حرکت اوره در خون بوده و در حال حاضر در شرکت‌های سان‌فرانسیسکو توسط Frank Gotch و John Sargent در حال استفاده هستند، که در این روش، حالت تعمیم‌یافته‌ای از معادلات Wolf و معادلات دقیق‌تر برای دیالیز مجدد پس از یک مطالعه غیرمتمرکز به کار می‌رود [مرکز تعاونی مطالعه ملی دیالیز (NCDS) ؛ 65، 90]. نتایج مطالعات مرکز تعاونی ملی دیالیز (NCDS) ارتباط بین حرکت اوره و نتیجه بالینی بیماران مبتلا به همودیالیز را نشان داده است [90]. این نتایج مربوط به ارائه فرمول Kt / V و مدل‌سازی حرکت اوره (UKM) برای اندازه‌گیری دوز حاصل و کافی بودن دیالیز است. طراحی NCDS بر اساس این فرض صورت گرفته است که نیترات اوره خون (BUN) می‌تواند به عنوان یک جایگزین برای سموم اورمیک استفاده شود و دوز دیالیز را می‌توان با سطح BUN ی حاصل تعیین کرد [113]. محاسبه Kt / V در حال حاضر به طور گسترده‌ای برای کیفیت‌سنجی روش درمان HD استفاده می‌شود [2، 11، 23، 31، 40-44، 63، 75]. مدل‌های ریاضی همودیالیز متعددی در مقالات اشاره شده است، از مدل‌های حرکت اوره به صورت تک حوزه‌ای (spUKM) گرفته [30، 33، 34,66، 112، 125، 64] تا مدل‌های حرکت اوره به صورت دو حوزه‌ای (dpUKM) ( [118], [117] و  [25]) یا تعداد حوزه‌های بیشتر [46]، که در این روش‌ها، توکسین اورمیک بین حوزه‌ها توزیع می‌شود (اوره، کراتینین و اسید اوریک). در مدل تک حوزه‌ای (که با  spKt / V نشان داده می‌شود) فرض می‌شود که اوره به طور مجزا در میان تمام بخش‌های بدن تعادل برقرار می‌کند، در حالی که مدل دو حوزه‌ای همانند این است که اوره بین دو بخش مجزا، داخل سلولی و خارج از سلولی توزیع می‌شود. به محض اینکه اوره با استفاده از دیالیز در فضای خارج سلولی محو می‌شود، توسط یک گرادیان اسمزی (تراوشی) در سراسر غشای سلول پراکنده می‌گردد. این فرآیند به‌تدریج صورت می‌گیرد. به طور معمول 30 دقیقه طول می‌کشد تا 95٪ از گرادیان اولیه اوره در غشاء سلولی تعادل برقرار کند، به شرطی که گرادیان با دیالیز بعدی ادامه پیدا نکند....


موسسه ترجمه البرز اقدام به ترجمه مقاله " مهندسی پزشکی " با موضوع " الگوریتم‌های آموزش سریع شبکه عصبی برای کاربردهای پزشکی " نموده است که شما کاربر عزیز می توانید پس از دانلود رایگان مقاله انگلیسی و مطالعه ترجمه چکیده و بخشی از مقدمه مقاله، ترجمه کامل مقاله را خریداری نمایید.
عنوان ترجمه فارسی
الگوریتم‌های آموزش سریع شبکه عصبی برای کاربردهای پزشکی
نویسنده/ناشر/نام مجله :
Neural computing & applications
سال انتشار
2013
کد محصول
1010901
تعداد صفحات انگليسی
16
تعداد صفحات فارسی
34
قیمت بر حسب ریال
1,331,000
نوع فایل های ضمیمه
Pdf+Word
حجم فایل
2 مگا بایت
تصویر پیش فرض


این مقاله ترجمه شده را با دوستان خود به اشتراک بگذارید
سایر مقالات ترجمه شده مهندسی پزشکی را مشاهده کنید.
کاربر عزیز، بلافاصله پس از خرید مقاله ترجمه شده مقاله ترجمه شده و با یک کلیک می توانید مقاله ترجمه شده خود را دانلود نمایید. مقاله ترجمه شده خوداقدام نمایید.
جهت خرید لینک دانلود ترجمه فارسی کلیک کنید
جستجوی پیشرفته مقالات ترجمه شده
برای کسب اطلاعات بیشتر، راهنمای فرایند خرید و دانلود محتوا را ببینید
هزینه این مقاله ترجمه شده 1331000 ریال بوده که در مقایسه با هزینه ترجمه مجدد آن بسیار ناچیز است.
اگر امکان دانلود از لینک دانلود مستقیم به هر دلیل برای شما میسر نبود، کد دانلودی که از طریق ایمیل و پیامک برای شما ارسال می شود را در کادر زیر وارد نمایید


این مقاله ترجمه شده مهندسی پزشکی در زمینه کلمات کلیدی زیر است:





Multilayer perceptron
Levenberg–Marquardt
Conjugate gradient algorithms
Quasi-Newton algorithms

تاریخ انتشار در سایت: 2017-07-07
جستجوی پیشرفته مقالات ترجمه شده

خدمات ترجمه تخصصی و ویرایش مقاله مهندسی پزشکی در موسسه البرز

نظرتان در مورد این مقاله ترجمه شده چیست؟

ثبت سفارش جدید