Neural Networks: A Diagnostic Tool for Gastric Electrical Uncoupling?
Notice bibliographique
Résumé
Neural Networks have been successfully employed in different biomedical settings. They have been\nuseful for feature extractions from images and biomedical data in a variety of diagnostic applications. In this\npaper, they are applied as a diagnostic tool for classifying different levels of gastric electrical uncoupling in\ncontrolled acute experiments on dogs. Data was collected from 16 dogs using six bipolar electrodes inserted into\nthe serosa of the antral wall. Each dog underwent three recordings under different conditions: (1) basal state, (2)\nmild surgically-induced uncoupling, and (3) severe surgically-induced uncoupling. For each condition half-hour\nrecordings were made. The neural network was implemented according to the Learning Vector Quantization\nmodel. This is a supervised learning model of the Kohonen Self-Organizing Maps. Majority of the recordings\ncollected from the dogs were used for network training. Remaining recordings served as a testing tool to examine\nthe validity of the training procedure. Approximately 90% of the dogs from the neural network training set were\nclassified properly. However, only 31% of the dogs not included in the training process were accurately\ndiagnosed. The poor neural-network based diagnosis of recordings that did not participate in the training process\nmight have been caused by inappropriate representation of input data. Previous research has suggested\ncharacterizing signals according to certain features of the recorded data. This method, if employed, would reduce\nthe noise and possibly improve the diagnostic abilities of the neural network.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».