Search Results

You are looking at 1 - 8 of 8 items for :

  • "machine learning" x
  • Medical and Health Sciences x
  • All content x
Clear All
Orvosi Hetilap
Authors: Dezső Ribli, Richárd Zsuppán, Péter Pollner, Anna Horváth, Zoltán Bánsághi, István Csabai, Viktor Bérczi, and Zsuzsa Unger

Absztrakt:

Bevezetés és célkitűzés: A számítógépes ’mélytanulás’ (deep learning) az elmúlt két évtized számítástechnikai fejlődésének legjelentősebb ajándéka. A számítógépes mélytanulásban rejlő – egyelőre még beláthatatlan – lehetőségek megértése, befogadása és alkalmazása a medicina megkerülhetetlen feladata. Módszer: Ajándék és feladat, hiszen az exponenciálisan növekvő adatok (képalkotó vizsgálati, laboratóriumi, terápiaválasztási lehetőségek, terápia-kölcsönhatások stb.) „bitjeinek” tengerében minden vágyunk és deklarációnk ellenére mind kevésbé tudjuk a személyre és állapotra, a tumorra és környezetére szabott individuális ellátást megvalósítani. Eredmények: A jelen pillanatban felelős ellátóként – és nem kevésbé felelős finanszírozóként – azt élhetjük meg, hogy egyéni és közösségi szinten is szuboptimális folyamatokat tartunk fenn, aminek oka egyszerre az adatok bősége, ugyanakkor az ellátáshoz individuálisan fontos adatok hiánya. A számítógépes mélytanulás, a medicina lényegét adó ember–ember közti találkozás gyógyító erejét nem csorbítva – hanem inkább kiterjesztve –, ebben kínál fényt az alagútban. Következtetés: Belátva tehát saját adatintegrációs és ismereti korlátainkat, nekünk, orvosoknak és ellátásfinanszírozóknak – sajátos előítéleteinket és félelmeinket feladva – kell megtanulni a számítógépes mélytanulásban rejlő különleges lehetőségeket, melyek nemcsak a képalkotó diagnosztikában, hanem már napi realitásként a terápia területén is használhatók (immunterápia). A közlemény ehhez igyekszik kedvet csinálni. Orv Hetil. 2019; 160(4): 138–143.

Open access
Hematológia–Transzfuziológia
Authors: Lívia Varga, Zsuzsanna Nemes Nagy, Andrea Mosonyiné Kőszegi, Sándor Nagy, Judit Jakab, Anikó Szilvási, Zsófia Vilimszky, András Bors, Attila Tordai, Ildikó Zsigmond Soós, and Hajnalka Andrikovics

Diao JA, Kohane IS, Manrai AK. Biomedical informatics and machine learning for clinical genomics. Hum Mol Genet. 2018; 27: 29–34. 9 Haeussler M, Zweig AS, Tyner C, et al. The UCSC Genome Browser

Open access
Imaging
Authors: Melinda Boussoussou, Borbála Vattay, Bálint Szilveszter, Márton Kolossváry, Judit Simon, Milán Vecsey-Nagy, Béla Merkely, and Pál Maurovich-Horvat

, Tesche C , De Geer J , Kurata A , Diagnostic Accuracy of a Machine-Learning Approach to Coronary Computed Tomographic Angiography-Based Fractional Flow Reserve: Result From the MACHINE Consortium . Circ Cardiovasc Imaging . 2018 ; 11 ( 6 ): e

Open access

, Gerhardt RT , Blackbourne LH , Ryan KL : Use of advanced machine-learning techniques for noninvasive monitoring of hemorrhage . J. Trauma 71 ( 1 Suppl ), S25 – S32 ( 2011 ) 8. Cooke WH , Cox JF , Diedrich AM , Taylor JA

Restricted access

. Artificial intelligence in drug discovery. Future Med Chem. 2018; 10: 2025–2028. 48 Vamathevan J, Clark D, Czodrowsky P, et al. Applications of machine learning in drug discovery and

Open access

equal to 0.01162882, multiple R  = 0.107837008, and generalized R 2  = −0.008962246. Discussion Regression analysis is widely used for prediction where its use has substantial overlap with the field of machine learning

Open access
Orvosi Hetilap
Authors: Tamás Schneider, Erika Tóth, József Lővey, Zsuzsanna Molnár, Beáta Deák, Erika Várady, Judit Csomor, András Matolcsy, Zsolt Lengyel, Klára Petri, István Gaudi, and András Rosta

862 Shipp, M. A., Ross, K. N., Tamayo, P. és mtsai: Diffuse large B-cell lymphoma outcome prediction by gene-expression profiling and supervised machine learning. Nature Med

Open access

. The definition of insulin resistance using HOMA-IR for Americans of Mexican descent using machine learning . PLoS One . 2011 ; 6 : e21041 10.1371/journal.pone.0021041 30. Ramli NS , Brown L , Ismail P , Rahmat A . Effects of red pitaya

Restricted access