ручному в роботі, зрозумілому програмному забезпеченні, дозволяє виявляти нелінійні зв'язки між змінними, тому вона більш краща для використання в прогнозуванні.
С. Stephan et al. застосували ІНС для автоматизованого аналізу біоптату передміхурової залози. Методика грунтувалася на виявленні загального простат-специфічного антигену (ПСА) і визначенні відсотка вільного ПСА. Чутливість склала 95%, специфічність - 34%. При доповненні нейромережі моделлю логістичної регресії специфічність зросла до 95%.
F. K. Chun et al. використовували ІНС для виявлення групи ризику раку передміхурової залози в порівнянні з млр. ІНС також продемонструвала більш точні прогностичні можливості.
У трансплантології G. Santori et al. застосували нейромережеві технології в прогнозуванні відстроченого зниження креатиніну сироватки крові у дітей після трансплантації нирки. Для виявлення кореляції між вхідними змінними і шуканим результатом у пацієнтів, що підлягають трансплантації нирки, була створена штучна нейронна мережа, навчена на 107 клінічних прикладах. Були відібрані найбільш важливі змінні, що корелюють з результатом: креатинін сироватки крові в день пересадки, діурез за перші 24 години, ефективність гемодіалізу, підлога реципієнта, підлога донора, маса тіла в перший день після пересадки, вік. Модель була відкалібрована другий вибіркою пацієнтів (n = 41). Точність нейронної мережі в навчальній, калібрувальної і перевірочної вибірках склала 89%; 77% і 87% відповідно. Порівняльний логістичний аналіз показав загальну точність 79%. Чутливість і специфічність ІНС склали 87%, тоді як метод логістичної регресії продемонстрував найгірші результати - 37% і 94% відповідно.
У медичній радіології F. Dоhler et al. використовували нейронну мережа для класифікації зображень МРТ з метою автоматизованого виявлення гиппокампального склерозу. ІНС була навчена на 144 прикладах зображень і дозволяла класифікувати зміни в тканини головного мозку відносно наявності склеротичних змін. E.E. Gassman et al. створили ІНС для автоматизованої ідентифікації кісткових структур і оцінили надійність цієї методики у порівнянні з традиційними. Крім того, сегментацію структур кістки ІНС виконала в 10 разів швидше. p> У неврології A.T. Tzallas et al. застосували нейросеть для прогнозування епілептичних нападів на основі аналізу електроенцефалограм. Прогностична точність методу склала 98 - 100%. p> Розроблена нами нейромережева модель призначена для прогнозування вірогідності розвитку інфікованого панкреонекрозу на підставі даних, отриманих при надходженні хворого в стаціонар і протягом перших 48 годин госпіталізації: точність результатів - 90%, специфічність - 96% . Використовуючи цю модель, ми отримали можливість вже на ранніх термінах захворювання гострим панкреатитом визначити групу хворих, загрозливих по розвитку інфікованого панкреонекрозу з вибором адекватної лікувально-діагностичної тактики.
Крім того, нейронна мережа дозв...
