พื้นฐานและความเป็นมา

1. อัลกอริทึมการเรียนรู้ของเครื่อง

ส่วนนี้ให้ภาพรวมที่ครอบคลุมของอัลกอริธึมการเรียนรู้ของเครื่องที่ใช้บ่อยที่สุดในการวินิจฉัยโรค

1.1 ต้นไม้การตัดสินใจ

อัลกอริทึมแผนผังการตัดสินใจ (DT) เป็นไปตามกฎของการแบ่งพาร์ติชัน ในแบบจำลอง DT แอตทริบิวต์อาจมีค่าต่างๆ ที่เรียกว่า ต้นไม้การจัดหมวดหมู่ ใบไม้แสดงถึงคลาสต่างๆ ในขณะที่กิ่งก้านสะท้อนถึงการผสมผสานของคุณสมบัติที่นำไปสู่ป้ายกำกับคลาสเหล่านี้ ในทางกลับกัน DT อาจใช้ตัวแปรต่อเนื่องที่เรียกว่าต้นไม้ถดถอย C4.5 และ EC4.5 เป็นสองอัลกอริธึม DT ที่เป็นที่รู้จักและใช้กันอย่างแพร่หลายที่สุด

1.2 สนับสนุนเครื่องเวกเตอร์

สำหรับการจำแนกประเภทและความท้าทายที่เกี่ยวข้องกับการถดถอย เครื่องเวกเตอร์สนับสนุน (SVM) เป็นวิธีการเรียนรู้ของเครื่องที่ได้รับความนิยม Vapnik นำเสนอเครื่องเวกเตอร์สนับสนุนในช่วงปลายศตวรรษที่ 20 นอกจากการวินิจฉัยโรคแล้ว เครื่องเวกเตอร์สนับสนุนยังถูกนำมาใช้ในสาขาวิชาอื่นๆ อีกหลากหลายสาขา รวมถึงการจดจำสีหน้า การพับโปรตีน การค้นพบโฮโมล็อกระยะไกล การรู้จำเสียง และการจำแนกข้อความ สำหรับข้อมูลที่ไม่มีป้ายกำกับ อัลกอริทึม ML ภายใต้การดูแลจะไม่สามารถทำได้ การใช้ไฮเปอร์เพลนดิสคัฟเวอรี่สำหรับการจัดกลุ่มระหว่างข้อมูล เครื่องเวกเตอร์สนับสนุนสามารถจำแนกข้อมูลที่ไม่มีป้ายกำกับได้ อย่างไรก็ตาม ผลลัพธ์ของเครื่องเวกเตอร์สนับสนุนไม่สามารถหาอนุพันธ์แบบเชิงเส้นได้ เพื่อแก้ปัญหาเหล่านี้ การเลือกเคอร์เนลและพารามิเตอร์ที่เหมาะสมเป็นปัจจัยสำคัญสองประการสำหรับการประยุกต์ใช้ SVM ในการวิเคราะห์ข้อมูล

1.3 k - เพื่อนบ้านที่ใกล้ที่สุด

การจำแนกประเภท (KNN) เป็นเทคนิคการจำแนกประเภทแบบไม่มีพารามิเตอร์ที่คิดค้นโดย Evelyn Fix และ Joseph Hodges ในปี 1951 kNN เหมาะสำหรับทั้งการจำแนกประเภทและการวิเคราะห์การถดถอย ผลการจำแนกประเภท kNN ในการเข้าร่วมชั้นเรียน กลไกการลงคะแนนใช้เพื่อจัดประเภทรายการ เทคนิคระยะทางแบบยุคลิดใช้เพื่อกำหนดระยะห่างระหว่างตัวอย่างข้อมูลสองตัวอย่าง ค่าประมาณการสำหรับการวิเคราะห์การถดถอยคือค่าเฉลี่ยของค่า KNN

คลิกที่นี่เพื่อรับ ผลของสมุนไพร Cistanches

1.4 Naïve Bayes

ลักษณนามไร้เดียงสาแบบเบส์ (NB) คือลักษณนามความน่าจะเป็นแบบเบส์ โดยอิงจากเรกคอร์ดหรือจุดข้อมูลที่กำหนด ระบบจะคาดการณ์ความน่าจะเป็นของการเป็นสมาชิกในแต่ละชั้นเรียน คลาสที่มีโอกาสเป็นไปได้มากที่สุดคือคลาสที่มีความเป็นไปได้สูงสุด ลักษณนาม NB ใช้เพื่อทำนายความน่าจะเป็น ไม่ใช่การคาดคะเน

1.5 การถดถอยโลจิสติก

Logistic regression (LR) เป็นวิธีการเรียนรู้ของเครื่องที่ใช้ในการแก้ปัญหาการจำแนกประเภท แบบจำลอง LR มีกรอบความน่าจะเป็นที่มีค่าประมาณการตั้งแต่ 0 ถึง 1 ตัวอย่างของ ML ที่ใช้ LR รวมถึงการระบุสแปม การตรวจจับธุรกรรมฉ้อฉลทางออนไลน์ และการตรวจจับที่ร้ายกาจ LR ใช้ฟังก์ชันตัวแทนซึ่งมักเรียกว่าฟังก์ชันซิกมอยด์ ฟังก์ชันซิกมอยด์แปลงทุกจำนวนจริงระหว่าง 0 ถึง 1

1.6 อัลกอริทึม AdaBoost

Yoav Freund และ Robert Schapire พัฒนา Adaptive Boosting หรือที่เรียกกันทั่วไปว่า AdaBoost AdaBoost เป็นตัวแยกประเภทที่รวมตัวแยกประเภทที่อ่อนแอหลายตัวไว้ในตัวแยกประเภทเดียว AdaBoost ทำงานโดยให้น้ำหนักมากขึ้นแก่ตัวอย่างที่จำแนกได้ยาก และให้น้ำหนักแก่ตัวอย่างที่จัดประเภทได้ดีอยู่แล้ว AdaBoost ทำงานโดยให้น้ำหนักมากขึ้นแก่ตัวอย่างที่จำแนกได้ยาก และให้น้ำหนักน้อยลงสำหรับตัวอย่างที่จัดประเภทดีอยู่แล้ว สามารถใช้สำหรับการจำแนกประเภทเช่นเดียวกับการวิเคราะห์การถดถอย

ประโยชน์ของ Cistanche tubulosa

2. ภาพรวมการเรียนรู้เชิงลึก

การเรียนรู้เชิงลึก (DL) เป็นฟิลด์ย่อยของแมชชีนเลิร์นนิง (ML) ที่ใช้หลายระดับเพื่อดึงข้อมูลระดับสูงและระดับล่าง (เช่น รูปภาพ ค่าตัวเลข ค่าการจัดประเภท) จากอินพุต โมเดลการเรียนรู้เชิงลึกร่วมสมัยส่วนใหญ่สร้างขึ้นบนเครือข่ายประสาทเทียม (ANNs) โดยเฉพาะอย่างยิ่งเครือข่ายประสาทเทียม (CNNs) ซึ่งสามารถรวมเข้ากับโมเดลการเรียนรู้เชิงลึกอื่นๆ รวมถึงโมเดลเชิงกำเนิด เครือข่ายความเชื่อเชิงลึก และเครื่องจักร Boltzmann การเรียนรู้เชิงลึกสามารถแบ่งออกได้เป็น 3 ประเภท ได้แก่ แบบมีผู้ดูแล กึ่งดูแล และไม่ดูแล โครงข่ายประสาทเทียมเชิงลึก (DNN) การเรียนรู้แบบเสริมแรง และโครงข่ายประสาทเทียมแบบเกิดซ้ำ (RNN) เป็นสถาปัตยกรรม DL (RNN) ที่โดดเด่นที่สุดบางส่วน

แต่ละเลเยอร์ในการเรียนรู้เชิงลึกจะเรียนรู้แอตทริบิวต์ข้อมูลที่แตกต่างกัน ในขณะที่เรียนรู้ที่จะแปลงข้อมูลอินพุตเป็นเลเยอร์ถัดไป ตัวอย่างเช่น ในแอปพลิเคชันการจดจำรูปภาพ อินพุตดั้งเดิมอาจเป็นเมทริกซ์ของพิกเซล และเลเยอร์แรกอาจตรวจพบขอบของรูปภาพ ในทางกลับกัน ชั้นที่สองจะสร้างและเข้ารหัสจมูกและดวงตา และชั้นที่สามอาจจดจำใบหน้าโดยการรวมข้อมูลทั้งหมดที่รวบรวมจากสองชั้นแรก

ในด้านการแพทย์ DL มีคำมั่นสัญญาที่ดี รังสีวิทยาและพยาธิวิทยาเป็นสองสาขาทางการแพทย์ที่โดดเด่นซึ่งใช้การเรียนรู้เชิงลึกอย่างกว้างขวางในการวินิจฉัยโรคเป็นเวลาหลายปี นอกจากนี้ การรวบรวมข้อมูลที่มีค่าจากสถานะของโมเลกุลและการพิจารณาความก้าวหน้าของโรคหรือความไวต่อการรักษาคือการใช้งานจริงของ DL ซึ่งมักจะได้รับการยอมรับจากการศึกษาในมนุษย์

อาหารเสริม Cistanche

คุณค่าของสารสกัดสมุนไพร Cistanche ต่อไต:

การศึกษาทางการแพทย์พบว่าสารออกฤทธิ์ที่มีอยู่ในสารสกัดจากซิสแตนช์สามารถส่งเสริมการสร้างเซลล์ใหม่และเมแทบอลิซึมของมนุษย์ เพิ่มความสามารถในการควบคุมภูมิคุ้มกัน และมีความชัดเจนต้านมะเร็งฤทธิ์ต้านไวรัสและต่อต้านริ้วรอย ในช่วงไม่กี่ปีที่ผ่านมาการรักษาโรคไตด้วย Cistanche ได้ผลลัพธ์ที่ดี Cistanche เป็นอาหารเสริมสำหรับทั้งชายและหญิงและสามารถรักษาความอ่อนแอของผู้ชายและภาวะมีบุตรยากของผู้หญิง นอกจากนี้ยังทำให้ไตแข็งแรงขึ้นโดยไม่ทำร้ายหยิน และโดยทั่วไปการใช้ในระยะยาวจะไม่ทำให้เกิดอาการเช่นร้อนและปากแห้ง

จากข้อมูลของ Dr. Xu Jing, Department of Nephrology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine กล่าวว่า ผู้ป่วยโรคต่อไปนี้ควรให้ความสนใจเป็นพิเศษ:

1. โรคเบาหวาน: โรคเบาหวานจะทำให้ปริมาณกลูโคสของฉันแย่ลง ไม่ว่าจะเป็นเบาหวานชนิดที่ 1 หรือ 2 โรคไตจากเบาหวานสามารถเกิดขึ้นได้ และยิ่งเป็นโรคนานเท่าไรก็ยิ่งมีความเสี่ยงมากขึ้นเท่านั้น เมื่อโรคไตวายเรื้อรังระยะสุดท้ายดำเนินไป ก็จะควบคุมได้ยากขึ้น

2. เลือดสูง : ความดัน ความดันสูง จนได้รับฉายาว่าพี่แข็ง ความดันโลหิตสูงไม่เพียงทำให้ความดันสูงและทำลายสุขภาพของฉัน แต่เมื่อฉันทำงานผิดปกติ มันยังทำให้ความดันโลหิตสูงเป็นอันดับสองอีกด้วย เราสองคน "ชน" กัน มันยากกว่า!

3. ภาวะกรดยูริกเกินในเลือด: เมื่อมีการเปลี่ยนแปลงวิถีชีวิต อัตราการเกิดโรคเกาต์ (กรดยูริกในเลือดสูง) จะค่อยๆ เพิ่มขึ้น ผลึกยูเรตจะสะสมอยู่ในไต เร่งการเสื่อมของการทำงานของไต การเสื่อมสภาพของการทำงานของไตจะลดความสามารถในการขับกรดยูริกของไต ทำให้ภาวะกรดยูริกในเลือดสูงกำเริบอีกครั้ง และก่อตัวเป็นวงจรอุบาทว์

4. พฤติกรรมการใช้ชีวิตที่ไม่ดี: การอยู่ประจำที่เป็นเวลานานและขาดการออกกำลังกายทำให้เกิดโรคอ้วน น้ำหนักเกิน หรือติดนิสัยนอนดึก ดื่มเหล้า สูบบุหรี่ ฯลฯ จะทำให้ทำงานเป็นเวลานานและไม่สามารถพักผ่อนได้ จึงเป็นการเพิ่มภาระและทำให้ ความเสียหาย.

สารสกัดจาก Cistanche tubulosa

6. เปิดใช้งานการขับเหงื่อ

เมื่อใดก็ตามที่เราเหงื่อออก เราจะแบ่งเบาภาระของไตเพราะเราทำให้ไตแข็งแรงขึ้นอีกวิธีหนึ่งในการขจัดของเหลวออกจากร่างกาย ในแง่นี้ การเพิ่มเหงื่ออาจเป็น "การบำบัด" ที่ดีในการดูแลการทำงานของไต การออกกำลังกายระดับปานกลางหรือเข้มข้นสูง หรือตามช่วงเวลา ห้องซาวน่าแบบแห้งและแบบเปียก การรับประทานเครื่องเทศรสร้อน เช่น ขิงหรือพริกป่น

7. การใช้น้ำยาทำความสะอาดเป็นประจำ

ปีละครั้งหรือสองครั้ง โดยเฉพาะอย่างยิ่งในช่วงที่มีการเปลี่ยนแปลงตามฤดูกาล ควรทำความสะอาดหรือทำให้บริสุทธิ์เพื่อส่งเสริมการกำจัดสารพิษและปรับปรุงการทำงานของตับและไต ซึ่งรวมถึงการปรับปรุงพฤติกรรมการบริโภคอาหาร การทำความสะอาดไตเป็นหลัก ซึ่งคุณสามารถลอง:

ตอบ: เพิ่มน้ำซุปกระเทียมและหัวหอมในอาหารของคุณบ่อยขึ้น

b: แทนที่เครื่องดื่มอุตสาหกรรมด้วยลูกแพร์เขียว ขึ้นฉ่ายฝรั่ง และน้ำแอปเปิ้ล

ค: ใช้ดอกแดนดิไลออน หญ้าเจ้าชู้ และหางม้าจากธรรมชาติเพื่อกระตุ้นการกำจัดของเหลว

8. ใช้ความร้อนเฉพาะที่

ความร้อนเฉพาะที่โดยใช้ขวดน้ำร้อนหรือแผ่นความร้อนสามารถช่วยบรรเทาได้ในกรณีที่รู้สึกไม่สบายบริเวณหลังส่วนล่างในบริเวณไต ในทางกลับกัน การหลีกเลี่ยงความเย็นจัดในบริเวณลำตัว โดยเฉพาะอย่างยิ่งลมหนาวในฤดูหนาวเป็นสิ่งสำคัญเพื่อป้องกัน (หรือบรรเทา แล้วแต่กรณี) ความรู้สึกไม่สบายในบริเวณนี้ โดยไม่คำนึงว่าจะมีโรคไตอยู่หรือไม่

9. หลีกเลี่ยงแอลกอฮอล์และยาเกินขนาด

เคล็ดลับดูแลตับอ่อน : งดเครื่องดื่มแอลกอฮอล์ แน่นอนว่าการหลีกเลี่ยงเครื่องดื่มแอลกอฮอล์มีความสำคัญต่อการดูแลสุขภาพไต การศึกษาต่างๆ แสดงให้เห็นว่าแอลกอฮอล์สามารถทำลายการทำงานของไตได้ในระดับหนึ่ง และยิ่งดื่มในปริมาณที่มากขึ้น ความเสี่ยงในการเกิดปัญหาสุขภาพต่างๆ ก็ยิ่งมากขึ้น ในทางกลับกัน สิ่งสำคัญคือต้องจำไว้เสมอว่าทุกสิ่งที่มากเกินไปนั้นไม่ดีต่อสุขภาพของคุณ ไม่ใช่แค่แอลกอฮอล์หรือยาอื่นๆ

อ้างอิง:

1.บริเจน ม.; พาเทล ร.; Kaushik, ม.; Rana, K. การสำรวจเกี่ยวกับอัลกอริทึมแผนผังการตัดสินใจสำหรับการจำแนกประเภท ภายใน เจ เอ็ง การพัฒนา ความละเอียด 2557. จำหน่าย

2. วอลส์, อาร์เอส; คูรุนด์การ์ จีดี ; คามิทการ์, SD; มูลีย์ เอเอ ; ภลจันทรา, PU; Lokhande, SN การใช้ Naïve Bayes, Decision Tree และ Random Forest Techniques เพื่อการวิเคราะห์โรคไตเรื้อรังอย่างมีประสิทธิภาพ ในรายงานการประชุมนานาชาติด้านเทคโนโลยีสารสนเทศและการสื่อสารสำหรับระบบอัจฉริยะ เมืองอัห์มดาบาด อินเดีย 15–16 พฤษภาคม 2020 Springer: เบอร์ลิน/ไฮเดลเบิร์ก เยอรมนี 2020; หน้า 237–245.

3. ราเชนทราน เค; ญาบาลัน, ม.; Thiruchelvam, V. ทำนายมะเร็งเต้านมด้วยวิธีการเรียนรู้ของเครื่องภายใต้การดูแลบนข้อมูลที่ไม่สมดุลของชั้นเรียน ภายใน เจ แอดวา คอมพิวเตอร์ วิทย์ แอป 2020, 11, 54–63.

4. เชา HY; ชาน, PY; Su, ECY ทำนายภาวะเบาหวานขึ้นจอประสาทตาและระบุคุณสมบัติทางชีวการแพทย์ที่ตีความได้โดยใช้อัลกอริทึมการเรียนรู้ของเครื่อง บีเอ็มซี ไบโออินฟอร์ม 2018, 19, 111–121.

5. . นูรเราะหฺมาน, อ.; อับดุลลาห์ เอส; Murfifi, การจำแนกชนิดย่อยของโรคพาร์กินสัน: การประยุกต์ใช้แผนผังการตัดสินใจ การถดถอยโลจิสติก และแบบจำลองโลจิกลีฟ ในการดำเนินการประชุม AIP; AIP Publishing LLC: เมลวิลล์ นิวยอร์ก สหรัฐอเมริกา 2020; เล่มที่ 2242 น. 030015.

6. . ดรักเกอร์, เอช; วู, ด.; Vapnik, VN สนับสนุนเครื่องเวกเตอร์สำหรับการจัดหมวดหมู่สแปม IEEE ทรานส์ โครงข่ายประสาทเทียม 2542, 10, 1048–1054.

7. แก้ไข, E.; Hodges, JL การวิเคราะห์การเลือกปฏิบัติ การเลือกปฏิบัติแบบไม่อิงพารามิเตอร์: คุณสมบัติความสอดคล้อง ภายใน สถิติ รายได้ Int เดอ สเตตัส 2532, 57, 238–247.

8. ไรท์ RE การถดถอยโลจิสติก ในการอ่านและทำความเข้าใจสถิติหลายตัวแปร สมาคมจิตวิทยาอเมริกัน: วอชิงตัน ดี.ซี. สหรัฐอเมริกา 2538

9. Schapire, RE อธิบาย AdaBoost ในการอนุมานเชิงประจักษ์ สปริงเกอร์: เบอร์ลิน/ไฮเดลเบิร์ก เยอรมนี 2556; หน้า 37–52.

10. หวัดดี ฉัน; เบงจิโอ, วาย.; Courville, A. การเรียนรู้เชิงลึก; MIT Press: Cambridge, MA, USA, 2016.

11. Hayashi, Y. ทิศทางที่ถูกต้องในการพัฒนาการเรียนรู้เชิงลึกแบบกล่องขาวในด้านรังสีวิทยา พยาธิวิทยา และจักษุวิทยา: การทบทวนสั้นๆ ด้านหน้า. หุ่นยนต์. เอไอ 2019, 6, 24.

12. อักคุส, ซี.; กาลิมเซียโนวา, อ.; ฮูกิ, อ.; รูบิน, ดีแอล; Erickson, BJ การเรียนรู้เชิงลึกสำหรับการแบ่งส่วน MRI ของสมอง: ล้ำสมัยและทิศทางในอนาคต เจ. ดิจิต. อิมเมจจิ้ง 2017, 30, 449–459.

13. อาซัน MM; E Alam, T.; ทราฟาลิส, ต.; Huebner, P. Deep MLP-CNN model ใช้ข้อมูลผสมเพื่อแยกความแตกต่างระหว่างผู้ป่วย COVID-19 และผู้ป่วยที่ไม่ใช่ COVID-19 สมมาตร 2020, 12, 1526

14. ฮุสเซน, EH; อีแมมมม ; อาลี, เอเอ; Suganthan, PN เทคนิค Deep and machine learning สำหรับมะเร็งเต้านมที่ใช้การถ่ายภาพทางการแพทย์: การทบทวนอย่างครอบคลุม ระบบผู้เชี่ยวชาญ แอป 2021, 167, 114161.