📄Работа №197701
Тема: Ранжирование списка медицинских препаратов при назначении врача в зависимости от релевантности к заболеванию
Тип работы
Дипломные работы, ВКР
Предмет
информатика
Объем:
58 листов
Год:
2023
Просмотров:
39
4200
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Аннотация
ВВЕДЕНИЕ 5
1 СОВРЕМЕННЫЕ ТЕХНОЛОГИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ
КЛАССИФИКАЦИИ МЕДИЦИНСКИХ ПРЕПАРАТОВ 7
1.1 Назначение медицинского лечения как задача классификации.
Основные виды классификации 7
1.2 Классические методы машинного обучения для классификации 9
1.2.1 Метод ближайших соседей (K–Nearest Neighbors) 9
1.2.2 Метод потенциальных функций 11
1.2.3 Наивный байесовский классификатор 14
1.2.4 Линейная регрессия (Linear regression) 17
1.2.5 Случайный лес (Random Forest) 19
1.3 Нейросетевые технологии 21
1.3.1 Сеть встречного распространения 21
1.3.2 Рекуррентные нейронные сети (RNN) 25
1.4 Современные программные продукты для классификации медицинских препаратов 27
1.5 Обоснование использования инструментов для реализации 30
1.6 Вывод по главе 1 32
2 КЛАССИФИКАЦИЯ МЕДИЦИНСКИХ ЛЕКАРСТВ ПО СИМПТОМАМ С
ПРИМЕНЕНИЕМ МАШИННОГО ОБУЧЕНИЯ 34
2.1 Постановка задачи классификации медицинских препаратов 34
2.2 Описание имеющихся данных для обучения и проверки модели 35
2.3 Модель линейной регрессии 37
2.4 Модель случайного леса для регрессии 39
2.5 Метрики для оценки качества выполнения классификации 41
2.6 Вывод по главе 2 44
3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МЕТОДОВ КЛАССИФИКАЦИИ
МЕДИЦИНСКИХ ПРЕПАРАТОВ 46
3.1 Работа с данными до начала обучения моделей 46
3.2 Программная реализация моделей машинного обучения линейной
регрессии и случайного леса 48
3.3 Результаты выполнения моделей классификации 51
3.4 Вывод по главе 3 53
ЗАКЛЮЧЕНИЕ 54
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 56
ПРИЛОЖЕНИЯ отсутствуют
ВВЕДЕНИЕ 5
1 СОВРЕМЕННЫЕ ТЕХНОЛОГИИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ
КЛАССИФИКАЦИИ МЕДИЦИНСКИХ ПРЕПАРАТОВ 7
1.1 Назначение медицинского лечения как задача классификации.
Основные виды классификации 7
1.2 Классические методы машинного обучения для классификации 9
1.2.1 Метод ближайших соседей (K–Nearest Neighbors) 9
1.2.2 Метод потенциальных функций 11
1.2.3 Наивный байесовский классификатор 14
1.2.4 Линейная регрессия (Linear regression) 17
1.2.5 Случайный лес (Random Forest) 19
1.3 Нейросетевые технологии 21
1.3.1 Сеть встречного распространения 21
1.3.2 Рекуррентные нейронные сети (RNN) 25
1.4 Современные программные продукты для классификации медицинских препаратов 27
1.5 Обоснование использования инструментов для реализации 30
1.6 Вывод по главе 1 32
2 КЛАССИФИКАЦИЯ МЕДИЦИНСКИХ ЛЕКАРСТВ ПО СИМПТОМАМ С
ПРИМЕНЕНИЕМ МАШИННОГО ОБУЧЕНИЯ 34
2.1 Постановка задачи классификации медицинских препаратов 34
2.2 Описание имеющихся данных для обучения и проверки модели 35
2.3 Модель линейной регрессии 37
2.4 Модель случайного леса для регрессии 39
2.5 Метрики для оценки качества выполнения классификации 41
2.6 Вывод по главе 2 44
3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МЕТОДОВ КЛАССИФИКАЦИИ
МЕДИЦИНСКИХ ПРЕПАРАТОВ 46
3.1 Работа с данными до начала обучения моделей 46
3.2 Программная реализация моделей машинного обучения линейной
регрессии и случайного леса 48
3.3 Результаты выполнения моделей классификации 51
3.4 Вывод по главе 3 53
ЗАКЛЮЧЕНИЕ 54
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 56
ПРИЛОЖЕНИЯ отсутствуют
📖 Введение
Современная фармацевтическая промышленность не стоит на месте и постоянно совершенствуется. В связи с этим возросло количество лекарственных средств для всех известных заболеваний. Поиск надлежащего лечения в медицинских справочниках, клинических рекомендациях и базах данных позволяет найти наиболее полный ответ на поставленный клинический запрос. Однако при этом возникает проблема больших объемов материалов, которые необходимо просмотреть.
Параллельно этому процессу идет быстрый рост производительности вычислительной техники. Мощность компьютеров увеличивается, что позволяет реализовывать автоматические системы обработки многомерных данных фактически в режиме реального времени. Ценность такого рода систем в том, что они способны мгновенно анализировать и обобщать огромное количество прецедентов, что является возможностью, недоступной специалисту-врачу.
В 2021 году исследователи из Лондонского университета королевы Марии разработали алгоритм машинного обучения, который ранжирует лекарства на основе их эффективности в снижении роста раковых клеток. Такой подход может иметь потенциал для продвижения персонализированных методов лечения в будущем, позволяя онкологам выбирать лучшие лекарства для лечения отдельных онкологических больных [1].
Целью данной работы является разработка алгоритма на основе машинного обучения для ранжирования списка медицинских препаратов при назначении врача. Для достижения поставленной цели необходимо решить следующие задачи:
1) изучить современные методы машинного обучения и нейросетевые технологии, применяемые в похожих задачах;
2) собрать набор данных, состоящий из сведений о симптомах заболеваний и поставленному лечению для них;
3) выбрать подходящую модель машинного обучения и обучить ее на собранном датасете;
4) проверить адекватность модели.
Параллельно этому процессу идет быстрый рост производительности вычислительной техники. Мощность компьютеров увеличивается, что позволяет реализовывать автоматические системы обработки многомерных данных фактически в режиме реального времени. Ценность такого рода систем в том, что они способны мгновенно анализировать и обобщать огромное количество прецедентов, что является возможностью, недоступной специалисту-врачу.
В 2021 году исследователи из Лондонского университета королевы Марии разработали алгоритм машинного обучения, который ранжирует лекарства на основе их эффективности в снижении роста раковых клеток. Такой подход может иметь потенциал для продвижения персонализированных методов лечения в будущем, позволяя онкологам выбирать лучшие лекарства для лечения отдельных онкологических больных [1].
Целью данной работы является разработка алгоритма на основе машинного обучения для ранжирования списка медицинских препаратов при назначении врача. Для достижения поставленной цели необходимо решить следующие задачи:
1) изучить современные методы машинного обучения и нейросетевые технологии, применяемые в похожих задачах;
2) собрать набор данных, состоящий из сведений о симптомах заболеваний и поставленному лечению для них;
3) выбрать подходящую модель машинного обучения и обучить ее на собранном датасете;
4) проверить адекватность модели.
✅ Заключение
Целью данной работы было создание алгоритма на основе машинного обучения для ранжирования списка медицинских препаратов при назначении врача. Для этого было проведено исследование двух моделей машинного обучения – случайный лес для регрессии и линейная регрессия.
В первой главе была проанализирована область классификации медицинских препаратов, сформированы функциональные требования, рассмотрены аналогичные имеющиеся решения, рассмотрены их положительные и отрицательные стороны. Также изучены методы, применяющиеся для решения поставленной задачи.
Во второй главе были рассмотрены математические модели случайного леса и линейной регрессии, имеющиеся данные и метрики для оценки. В качестве метрики качества был выбран коэффициент детерминации и средняя квадратичная ошибка в качестве функции потерь.
В третьей главе была описана предобработка исходных данных, рассматриваемые модели были реализованы и проверены на тестовых данных. Были выявлены положительные и отрицательные стороны каждой модели машинного обучения.
Из результатов тестирования было определено, что модель случайного леса проявила высокую точность в классификации медицинских препаратов. Эта модель смогла успешно выделить большую часть закономерностей в данных, что подтверждается оценкой точности. Однако, следует отметить, что модель ограничена лишь теми данными, что представлены в обучающей выборке.
Модель линейной регрессии показала более низкую точность в решении поставленной задачи. Однако, данная модель всё же может верно составлять ранжированный список препаратов и при том работает в разы быстрее случайного леса. Вышесказанное говорит, что линейная регрессия будет полезным инструментом, но при более простых, линейных данных.
В итоге, на основании проведенного анализа, можно сделать вывод, что модель случайного леса демонстрирует высокую точность в классификации медицинских препаратов, в то время как модель линейной регрессии, несмотря на более низкую точность, способна выделять некоторые закономерности, которые необходимы для назначения верной модели лечения пациента. Выбор между этими моделями зависит от специфики задачи и требований к модели.
В первой главе была проанализирована область классификации медицинских препаратов, сформированы функциональные требования, рассмотрены аналогичные имеющиеся решения, рассмотрены их положительные и отрицательные стороны. Также изучены методы, применяющиеся для решения поставленной задачи.
Во второй главе были рассмотрены математические модели случайного леса и линейной регрессии, имеющиеся данные и метрики для оценки. В качестве метрики качества был выбран коэффициент детерминации и средняя квадратичная ошибка в качестве функции потерь.
В третьей главе была описана предобработка исходных данных, рассматриваемые модели были реализованы и проверены на тестовых данных. Были выявлены положительные и отрицательные стороны каждой модели машинного обучения.
Из результатов тестирования было определено, что модель случайного леса проявила высокую точность в классификации медицинских препаратов. Эта модель смогла успешно выделить большую часть закономерностей в данных, что подтверждается оценкой точности. Однако, следует отметить, что модель ограничена лишь теми данными, что представлены в обучающей выборке.
Модель линейной регрессии показала более низкую точность в решении поставленной задачи. Однако, данная модель всё же может верно составлять ранжированный список препаратов и при том работает в разы быстрее случайного леса. Вышесказанное говорит, что линейная регрессия будет полезным инструментом, но при более простых, линейных данных.
В итоге, на основании проведенного анализа, можно сделать вывод, что модель случайного леса демонстрирует высокую точность в классификации медицинских препаратов, в то время как модель линейной регрессии, несмотря на более низкую точность, способна выделять некоторые закономерности, которые необходимы для назначения верной модели лечения пациента. Выбор между этими моделями зависит от специфики задачи и требований к модели.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.