Моделі на базі конформних предикторів для систем діагностики в медицині

Анотація

Недоліком багатьох діагностичних систем є неможливість в достатній мірі оцінити достовірність рішень. При вирішенні проблеми класифікації кожен приклад може бути класифікований з різним ступенем якості. Запропонована міра якості зразкової класифікації (міра невідповідності). Мета дослідження - поліпшити оцінку достовірності діагностики в медицині на основі конформних предикторів, які дозволяють проводити вірогідну класифікацію, а також виявляти ненормальні випадки, коли класифікатор не може визначити клас для конкретного об'єкта, або відносить один об'єкт до окремих класів одночасно. У статті описується побудова і тестування різних імовірнісних моделей двійковій класифікації на основі машинного навчання, зокрема, методу SVM і конформних предикторів, що використовують міру невідповідності. Для вивчення і тестування моделей був використаний базі набір даних BreastCancerWisconsin (Diagnostic) DataSet для побудови лінійних, полиномов різного ступеня і моделей RBF. Оцінені результати прогнозування для кожного прикладу з набору тестів, а також інтегральні характеристики якості моделей, з урахуванням як правильності прогнозів для кожного класу, так і кількості різних типів аномалій. На основі кращих відібраних моделей (лінійна, поліноміальна модель 2-го ступеня і RBF) розроблена інтелектуальна діагностична система для застосування в медицині, яка дозволяє автоматизувати побудову моделі, а також проводити діагностику і відображати достовірність отриманого діагнозу або повідомляти про неможливість поставити діагноз. Програма також дозволяє декільком лікарям входити в систему, додавати нових пацієнтів і редагувати інформацію про них. Кожен пацієнт має свою медичну карту з результатами обстеження і поставленими діагнозами. Результати дослідження можуть бути застосовані в системах діагностики різних захворювань. Це можна зробити, використовуючи дані з симптомами і відповідними діагнозами і створивши відповідні моделі на цій основі.