Przetwarzanie wielowymiarowych danych medycznych z zastosowaniem rosnącego gazu neuronowego

• Autorzy: Katarzyna Gruber-Szydło , Jacek Gruber , Michał Szynkaruk

Warianty tytułu

The Processing of Multivariate Associations of Medical Data Using the Growing Neural Gas

• Języki publikacji: PL

Abstrakty

W artykule omówiono możliwości usprawnienia przetwarzania danych medycznych i zwiększenia wydajności tego procesu przez wprowadzenie początkowego etapu eksploracji danych z wykorzystaniem rosnącego gazu neuronowego GNG (ang. Growing Neural Gas). Przetwarzanie danych medycznych charakteryzuje się dużą złożonością i występującymi w nim trudnościami, ponieważ analizowane dane są wielowymiarowe i dotyczą dopiero poznawanych zależności i zjawisk. W pracy wskazano, dlaczego rosnący gaz neuronowy pozwala osiągać lepsze rezultaty niż inne popularne sztuczne sieci neuronowe uczone metodą nienadzorowaną.(abstrakt oryginalny)

EN

Increasing economies of medical data analysis process by entering the initial phase of exploration data using the growing neural gas (GNG), has been discussed in this article. The processing of medical data is characterized by high complexity and difficulties occurring in the analyzed data as multidimensional and concern only cognized relationships and phenomena. It was pointed out why the growing neural gas achieves better results than other popular artificial neural network learned by unattended.(original abstract)

Słowa kluczowe

PL

Dane medyczne; Wielowymiarowa analiza porównawcza; Sieci neuronowe

EN

Medical data; Multi-dimensional comparative analysis; Neural networks

• Czasopismo: Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
• Rocznik: 2012
• Numer: z. 63a
• Strony: 337--351

Twórcy

autor

Katarzyna Gruber-Szydło

• Akademia Medyczna we Wrocławiu

autor

Jacek Gruber

• Politechnika Wrocławska

autor

Michał Szynkaruk

• Politechnika Wrocławska

Bibliografia

• 1. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Sieci neuronowe, tom 6. Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.
• 2. Fritzke B.: A Growing Neural Gas Network Learns Topologies. MIT Press, Cambridge MA 1995.
• 3. Gruber-Szydło K.: Wybrane białka szoku termicznego i skierowane przeciwko nim przeciwciała u narażonych na metale ciężkie. Akademia Medyczna we Wrocławiu, Wydział Lekarski, Klinika Chorób Wewnętrznych, Zawodowych i Nadciśnienia Tętniczego, rozprawa doktorska, Wrocław 2009.
• 4. Krętowska M.: Sztuczne sieci neuronowe. Materiały do wykładu - wykład 11. Politechnika Białostocka, Wydział Informatyki, Instytut Informatyki, http://aragorn.pb.bialystok.pl/~gkret/SSN/SSN_w11.PDF, 17/04/2011.
• 5. Martinetz T., Schulten K.: A neural gas network learns topologies. Artifcial Neural Networks. Elsevier, 1991, p. 397-402.
• 6. Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2006.
• 7. Rossi M.R., Somji S., Garrett S.H., Sens M.A., Joginder N., Sens D.A.: Expression of hsp27, hsp60, hsc70, and hsp70 stress response genes in cultured human urothelial cells (UROtsa) exposed to lethal and sublethal concentrations of sodium arsenite. Environ Health Perspect 110, (2002), pp. 1225-1232.
• 8. Tadeusiewicz R.: Neurocybernetyka teoretyczna. Wydawnictwa Uniwersytetu Warszawskiego, Warszawa, 2009.
• 9. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
• 10. SASEnterprise Miner. http://www.sas.com/technologies/analytics/datamining/miner/neuralnet/, 17/04/2011.
• 11. Statistica Automated Neural Networks. http://www.statsoft.com/products/statistica- Automated-Neural-Networks/, 17/04/2011.
• 12. Neural Competitive Models Demo - GNG. http://www.neuroinformatik.ruhr-unibochum. de/ini/VDM/research/gsn/DemoGNG/GNG_2.html, 17/04/2011.
• 13. Neural Competitive Models Demo - NG. http://www.neuroinformatik.ruhr-unibochum. de/ini/VDM/research/gsn/DemoGNG/NG_2.html, 17/04/2011.
• 14. Neural Competitive Models Demo - SOM. http://www.neuroinformatik.ruhr-unibochum. de/ini/VDM/research/gsn/DemoGNG/SOM_2.html, 17/04/2011.