Search Results

You are looking at 1 - 2 of 2 items for :

  • "gépi tanulás" 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

A közleményben bemutatott módszer egyik nagy előnye, hogy nagy általánossággal bír (más tájegységekre is alkalmazható) és egy bizonyos mértékben kiküszöböli a romániai táblázatos módszer szubjektivitásából adódó bizonytalanságokat. Pontosabban mondva, ha egy szakértőkből álló csoport meghatározza a példabemenetekhez tartozó talajértékeket, akkor a továbbiakban minden más tényezőhöz tartozó talajérték egyértelműen kiszámolható a súlyok segítségével megadott P-függvény (8) által. Az általunk megadott TP-típusú függvény (8. képlet) viszonylag sok (17) tényező alapján tudja csak megbecsülni egy adott pontban a talajértéket. Ha megfigyeljük a tanuló táblázatot (2. táblázat), észrevehető, hogy egy tájegységen belül bizonyos tényezők nem változnak. Ezeket ki lehet iktatni a gépi tanulás alkalmazásakor és így egyszerűsíthető a P-függvény. A hálózat által adott eredmények kiértékelése során (3. ábra) azt tapasztaltuk, hogy a Csíki-medence tájegységre a P-függvény (8) egy tizedes pontossággal meghatározza a talajértéket. A módszer által kapott TP-függvény csak a mintavételi pontok tartományán belül alkalmazható. Így pl. a Csíki-medencére meghatározott súlyok csak e tájegység talajértékeinek kiszámítására használhatók. Más tájegységre az ottani mintavételi adatok alapján a hiba-visszaterjesztési algoritmusával új súlymátrixokat kell szerkeszteni.  A módszer egy fontos eredménye, hogy a kapott súlyok egy tájegységet jellemeznek talajérték szempontjából. Érdekes következtetések vonhatók le, ha több különböző tájegységre meghatározzuk a súlyokat és megvizsgáljuk ezek között a korrelációkat. Ennek megvalósításához létrehozunk az ESRI Arcview térinformatikai programcsomaghoz egy kiegészítő modult (Arcview extension)  az Avenue script nyelv segítségével. Ez a modul egy tájegységre az ismert példabemenetek és talajértékek alapján megszerkeszt egy megfelelő számú neuronból álló hálózatot és meghatározza a súlyokat. A súlyok segítségével és a talajértéket befolyásoló tényezők ismeretében a tájegység bármely pontjában a talajérték kiszámítható és összehasonlítható a más módszerek által adott eredményekkel.  A pontosság növelése nem szükséges, mivel a talajok osztályokba való csoportosítása a talajérték nagyobb léptékű változása szerint történik. Így elégséges, hogy bizonyos tényezőkre a hálózat által megtanult súlyok jól osztályozzanak. Ezt a hálózat statisztikai értelemben meg is valósítja, mivel a hálózati osztályozók aszimptotikusan egyenértékűek a Bayes-féle statisztikai osztályozó eljárásokkal (Ruck et al., 1990).

Restricted access