Artificial Neural Network for Multiclass Recognition and its Application to the Thyroid Functional State

Скорочена інформація про документ
dc.contributor.authorKriukova, G. V.
dc.contributor.authorRadchenko, S. P.
dc.contributor.authorSudakov, O. O.
dc.contributor.authorКрюкова, Галина Віталіївна
dc.contributor.authorРадченко, Сергій Петрович
dc.contributor.authorСудаков, Олександр Олександрович
dc.contributor.authorКрюкова, Галина Витальевна
dc.contributor.authorРадченко, Сергей Петрович
dc.contributor.authorСудаков, Александр Александрович
dc.date.accessioned2018-07-26T13:43:32Z
dc.date.available2018-07-26T13:43:32Z
dc.date.issued2017
dc.description.abstractenBackground. Development of automated diagnostic requires selection and improvement of appropriate machine learning methods, in particular multiclass recognition. Artificial Neural Networks (ANN) of various architecture are considered as an approach to the problem. Objective. The goal is to analyze and compare performance of ANN-based classifiers on various datasets for further improvement of model selection strategy. Methods. ANN-based models of the distribution of class labels in terms of predictor features are constructed, trained and validated for datasets of clinical records. Varying training algorithms for multi-layer perceptrons, Kohonen neural network, linear functional strategy with multi-parameters regularization are considered. Results. Performance of the classifiers is compared in terms of accuracy, sensitivity, and specificity. Linear functional strategy classifier outperforms the other with more complex ANN-architecture and exhibits relative steadiness to overfitting. Performance of Kohonen neural network on large dataset exceeds 90 % in terms of specificity for each class, withal sensitivity for distinct classes is more than 95 %. Conclusions. The understanding of the strengths and limitations of each method is crucial for careful choice of ANN-based classifier, particularly its architecture, regularization and training algorithm.uk
dc.description.abstractruПроблематика. Развитие методов автоматической диагностики требует выбора и совершенствования подходящих методов машинного обучения, в частности мультиклассовой классификации. В качестве подхода к этой задаче рас­сматривается искусственная нейронная сеть (ИНС) разного строения. Цель исследования. Целью работы является анализ и сравнение производительности классификаторов, базирующихся на ИНС, на различных данных для дальнейшего совершенствования стратегии выбора модели. Методика реализации. Построены модели на основе ИНС распределения классовых меток в зависимости от признаков предиктора, обучены и проверны на клинических данных. Рассмотрены различные алгоритмы обучения мультислойного перцептрона, нейронная сеть Кохонена и линейная функциональная стратегия с многопараметрической регуляризацией. Результаты исследований. Производительность классификаторов сопоставляется относительно точности, чувствитель­ности и специфичности. Классификатор на основе линейной функциональной стратегии опережает другие на основе более сложных ИНС, а также демонстрирует сравнительную устойчивость к переобучению. Продуктивность нейронной сети Кохонена на больших наборах данных по специфичности превышает 90 % для каждого класса, при этом чувствительность для отдельных классов превышает 95 %. Выводы. Понимание сильных и слабых сторон каждого метода имеет особое значение для точного выбора классификатора на основе ИСН, в частности его архитектуры, алгоритмов регуляризации и обучения.uk
dc.description.abstractukПроблематика. Розробка засобів автоматичної діагностики вимагає вибору й удосконалення відповідних методів машинного навчання, зокрема мультикласової класифікації. Щоб адресувати цю задачу, розглядаються штучні нейронні мережі (ШНМ) різних конструкцій. Мета дослідження. Метою роботи є аналіз та порівняння ефективності класифікаторів, що базуються на ШНМ, на різних даних для подальшого вдосконалення стратегії вибору моделі. Методика реалізації. Побудовано моделі на основі ШНМ розподілу класових міток ознак предиктора, треновані та оцінені на клінічних даних. Досліджено різні алгоритми навчання багатошарового персептрона, нейронну мережу Кохонена та лінійну функціональну стратегію з багатопараметричною регуляризацією. Результати досліджень. Ефективність класифікаторів порівнюється з точки зору точності, чутливості та специфічності. Класифікатор, побудований за допомогою лінійної функціональної стратегії, випереджає інші, що базуються на ШНМ зі складною архітектурою, а також демонструє відносну стійкість до перенавчання. Продуктивність нейронної мережі Кохонена на великих наборах даних по специфічності перевищує 90 % для кожного класу, одночасно з тим чутливість для окремих класів перевищує 95 %.uk
dc.description.sponsorshipThe authors gratefully acknowledge the support of the project AMMODIT funded within EU H2020-MSCA-RICEen
dc.format.pagerangeС. 48-53uk
dc.identifier.citationKriukova G. V. Artificial Neural Network for Multiclass Recognition and its Application to the Thyroid Functional State / G. V. Kriukova, S. P. Radchenko, O. O. Sudakov // Наукові вісті НТУУ «КПІ» : міжнародний науково-технічний журнал. – 2017. – № 1(111). – С. 48–53. – Бібліогр.: 16 назв.uk
dc.identifier.doihttps://doi.org/10.20535/1810-0546.2017.1.93128
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/24059
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceНаукові вісті НТУУ «КПІ» : міжнародний науково-технічний журнал, 2017, № 1(111)uk
dc.subjectartificial neural networkuk
dc.subjectclassificationuk
dc.subjectultrasound image processinguk
dc.subjectregularizationuk
dc.subjectinverse problemuk
dc.subjectштучна нейронна мережаuk
dc.subjectкласифікаціяuk
dc.subjectобробка ультразвукових зображеньuk
dc.subjectрегуляризаціяuk
dc.subjectобернена задачаuk
dc.subjectискусственная нейронная сетьuk
dc.subjectклассификацияuk
dc.subjectобработка ультразвуковых изображенийuk
dc.subjectрегуляризацияuk
dc.subjectобратная задачаuk
dc.subject.udc519.65+616.4uk
dc.titleArtificial Neural Network for Multiclass Recognition and its Application to the Thyroid Functional Stateuk
dc.title.alternativeШтучна нейронна мережа для мультикласової класифікації та її застосування до визначення функціонального стану щитовидної залозиuk
dc.title.alternativeИскусственная нейронная сеть для мультиклассовой классификации и ее приложение к определению функционального состояния щитовидной железыuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
NVKPI2017-1_05.pdf
Розмір:
311.69 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
7.74 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Наукові вісті НТУУ «КПІ»: міжнародний науково-технічний журнал, № 1(111)