게시자: Master, Doctor Mai Vien Phuong – 위장 내시경 – 건강 검진 및 내과 – Vinmec Central Park International General Hospital.
축적된 증거는 인공 신경망의 적용이 개인차 및 배치 데이터로 인한 치료 한계를 극복하는 데 도움이 될 수 있음을 시사합니다. 따라서 인공 신경망 모델을 사용한 화학 요법 민감도 평가가 뜨거운 주제입니다.
1. 인공신경망(뉴런) 개요
개념 인공 신경망 인공 신경망 모델의 개발은 1943년에 처음 제안되었습니다. 그 이후로 복잡한 방식으로 접근했습니다. 1980년대에 인공 신경망 알고리즘의 급속한 발전은 현대 혁명을 촉발했습니다. 인공 신경망의 설계는 주로 많은 신경망으로 구성된 인간 두뇌의 신경망을 기반으로 합니다. 뉴런. 데이터 스트림(즉, 신호)은 신경 노드를 통해 전송되고 프로그래밍됩니다. 다른 층에 있는 신경 세포는 문제를 해결하기 위한 자체 작업을 가지고 있으며, 아마도 공장 생산 라인과 유사할 수 있습니다. 데이터 분석을 위한 분해 작업은 최단 시간에 최적의 솔루션을 찾는 기능을 제공합니다.
대량의 데이터로 구동되는 일종의 병렬 분산 시스템인 인공 신경망은 알려진 논리적 또는 수학적 연관성의 요구 사항을 따르지 않습니다.
2. 인공신경망의 구조
인공 신경망 가장 단순한 것은 단일 계층 네트워크(즉, 퍼셉트론 신경망)이며 입력 계층, 출력 계층 및 은닉 계층이 있습니다. 단일 계층 네트워크는 단일 요소를 기반으로 이분법을 설명하는 데에만 사용할 수 있으므로 대부분의 문제를 도달할 수 없습니다. 깊이 증폭 인공 신경망 기하학적으로 복잡한 피쳐를 맞추는 능력을 향상시킬 수 있습니다. 연구원들은 많은 레이어를 가진 인공 신경망 모델을 만들기 시작했습니다. 2016년에도 He et al.은 1000개 이상의 레이어를 가진 인공 신경망 모델을 보고했습니다. 그러나 과도한 신경망 깊이는 시스템 불안정성과 피상적 학습 손실로 이어질 수 있습니다.
3. 인공 신경망의 분류
인공 신경망은 은닉층 사이의 신호 흐름 방향에 따라 두 가지 주요 범주로 나눌 수 있습니다.
두 가지 유형의 인공 신경망 사이에는 많은 차이점이 있습니다. 피드포워드 신경망(FNN)에서 데이터 흐름은 피드백 없이 위에서 아래로 단방향입니다. 주어진 레이어의 뉴런 사이에는 연결이 존재하지 않습니다. 시스템 학습 측면에서 FNN은 재프로그래밍에 편리하고 비선형 질문을 처리할 수 있습니다. 다른 하나는 피드백 신경망입니다. 피드백 신경망의 뉴런은 출력 데이터를 동일 또는 상위 계층의 다른 뉴런으로 전송할 수 있습니다. 알고리즘은 사전 지식 데이터 세트를 기반으로 하는 다른 뉴런의 신호에 의해 동시에 조정됩니다. 반복된 보정은 인공 신경망의 뛰어난 강도와 정확도에 기여합니다. 피드백 신경망은 일반적으로 이미지 분석, 진단 및 결과 예측에 사용됩니다.
또한 뉴런 간의 “일대다” 관계는 인공 신경망의 학습 효율성을 보장합니다.
뉴런 층은 동시에 둘 이상의 뉴런에 신호를 전송할 수 있습니다. 신호 흐름이 다음 계층의 각 뉴런에 고르지 않게 분포되는 것이 중요합니다. 흐름 불평등은 인공 신경망이 외부 환경에 적응할 수 있도록 합니다. 활성화 함수를 계산하기 전에 데이터는 가중치 요인에 대해 조정되며, 가중치 요인 각각은 특정 뉴런과 해당 관계가 있습니다.
가중치 요소는 데이터 흐름 컨트롤러 역할을 합니다. 더 큰 가중치 요소는 출력에 더 큰 영향을 미칩니다. 반대로 가중치를 0으로 설정하면 해당 뉴런의 기능을 대체할 수 있습니다.
4. 인공신경망과 임상의사결정 지원 역할
밖 임상 결정 과정에서 결정적인 역할을 합니다. 많은 의사와 과학자들은 표준화되고 정확하며 개인화된 치료를 촉진하기 위해 노력해 왔습니다. 위암의 주요 보조 요법으로, 원자가 환자 내성, 병리학적 민감도, 특정 용량 및 요법과 같은 많은 요인을 고려해야 합니다.
라는 증거를 축적 인공신경망 적용 개인차 및 배치 데이터로 인한 치료 한계를 극복하는 데 도움이 될 수 있습니다. 인공 신경망 모델을 사용한 화학 요법 민감도 평가는 뜨거운 주제입니다. 신뢰할 수 있는 예측 시스템 구축을 위해 대장암 고급 및 국소 전이성, 여러 인공 신경망 모델이 임상 지표를 통합하는 데 사용되었습니다. 그들의 정확도는 임상의의 정확도보다 훨씬 뛰어났습니다.
또한 이미지에 대한 딥 러닝 엑스레이 원자가 평가에서 잠재적 가치를 보여줍니다. 예를 들어, CNN 시스템은 간 전이가 있는 202건의 대장암 사례를 사용하여 훈련되었으며 CT 정보를 기반으로 베바시주맙 요법과 함께 FOLFOX에 대한 반응을 예측하는 데 정확도가 좋은 것으로 밝혀졌습니다. 방사선 요법, 항통합 요법, 한의학 및 면역요법 인공 신경망의 도움으로 개선할 수도 있습니다.
5. 수술의 단계 인식 및 품질 관리를 위한 인공 신경망
외과적 지도 및 감독의 품질 관리는 임상의의 기술에 크게 의존합니다. 일반적으로 훈련된 의사를 훈련하고 수술 절차가 불확실성 요인에 영향을 받지 않도록 하는 것은 어렵습니다. Kitaguchi와 동료들은 수술 중 비디오로 구동되는 CNN을 기반으로 하는 새로운 딥 러닝 방법을 만들었습니다. 수술 단계를 자동으로 인식해 각각 81%, 83.2%의 높은 정확도로 수술한다. 이러한 성과는 응용 분야를 시작할 것입니다 인공 신경망 새로운. 임상의, 특히 젊은 외과의는 이러한 기술 혁신을 통해 많은 이점을 얻을 수 있습니다. 불행히도 윤리적 제한과 복잡한 수술 상황으로 인해 일부 연구가보고되었습니다. 외과의의 기술과 관행에 정확히 일치하는 효과적인 안내 시스템을 개발하려면 더 많은 관심과 투자가 필요합니다.
참조:
Cao B, Zhang KC, Wei B, Chen L. 위장병 전문의의 관점에서 본 인공 신경망의 현상 및 미래 전망. 월드 J 위장 엔테롤 2021년; 27(21): 2681-2709 [DOI: 10.3748/wjg.v27.i21.2681]
Mungle T, Tewary S, Das DK, Arun I, Basak B, Agarwal S, Ahmed R, Chatterjee S, Chakraborty C. MRF-ANN: 면역조직화학 이미지 유방암에 대한 자동화된 ER 채점을 위한 기계 학습 방법. J 마이크로스크 . 2017년; 267 : 117-129. [ PubMed ] [ DOI ] [ Trích dẫn trong bài viết này: 1 ]
