00 01 02 03 04 05 06 07 08
00
01
02
03
04
05
06
07
08

Navzkrižno testiranje simboličnih in konektivističnih pristopov strojnemu učenju na specializiranih bazah akutnega vnetja slepiča

Milan Zorman, Sandi Pohorec, Bojan Butolen, Bojan Žlahtič, Peter Kokol

Univerza v Mariboru, Fakulteta za elektrotehniko, računalništvo in informatiko, Maribor, Slovenija; Univerza v Mariboru, Medicinska fakulteta, Maribor, Slovenija; 3Univerza v Mariboru, Fakulteta za zdravstvene vede, Maribor, Slovenija
Dopisovanje

Red. prof. dr. Milan Zorman,
Univerza v Mariboru, Fakulteta
za elektrotehniko, računalništvo in
informatiko, Laboratorij za načrtovanje
sistemov, Smetanova ulica 17,
SI–2000 Maribor, Slovenija
Telefon +386 22207459;
E–pošta milan.zorman@uni–mb.si

Izvleček

Namen: Na področju učenja z nadzorovanimi metodami strojnega učenja v medicini se pogosto srečujemo s pomanjkanjem učnih objektov, primernih za učenje klasifikatorjev. Najpogostejša vzroka za to sta pomanjkanje sredstev za izpeljavo raziskav in splošna redkost raziskovanega pojava, ki ne dovoljuje, da bi zbrali podatke o zadostnem številu primerkov. V tem prispevku predstavljamo rezultate raziskav, učenja klasifikatorjev in testiranj na podatkih, ki izhajajo iz treh baz na temo akutnega vnetja slepiča, ki imajo zelo podobno strukturo, različne velikosti in izhajajo iz različnih okolij.

Metode: Odločili smo se za vzporedno izvedbo različice navzkrižnega testiranja (cross–testing) dveh vrst klasifikatorjev: odločitvenih dreves in umetnih nevronskih mrež. Naša različica navzkrižnega učenja se posveča učenju klasifikatorja na eni bazi in preizkusu in testiranju na vseh preostalih testnih množicah, vključno s pripadajočo testno množico iz istega vira.Za primerjavo omenjenih treh Acute Abdominal Pain (AAP) baz podatkov različnih velikosti in virov smo izbrali osemnajst (18) parametrov anamneze in kliničnih preiskav ter odločitveni atribut/diagnozo akutno vnetje slepiča.

Rezultati: Primerjavo rezultatov smo izvedli na osnovi splošne natančnosti, senzitivnosti in specifičnosti klasifikatorja ter uravnoteženosti slednjih dveh parametrov.

Zaključek: Dobljeni rezultati so presenetljivo odstopali od pričakovanj, saj faktorji, kot sta velikost učne množice in teoretična moč pristopa strojnega učenja niso pokazali pričakovanega vpliva.


Celoten članek