Uvod

Na področju medicine se umetna inteligenca (AI) osredotoča predvsem na razvoj algoritmov in tehnologij za ugotavljanje, ali se sistem pravilno obnaša pri diagnozi bolezni. Medicinska diagnoza je bolezen ali stanje, ki pojasnjuje znake in simptome osebe. Običajno se diagnostične informacije zberejo iz bolnikove zdravstvene anamneze in fizičnega pregleda. Ker je veliko indikacij in simptomov nejasnih, lahko diagnozo postavijo le usposobljeni zdravstveni delavci, kar je pogosto težko. Posledično se države, ki nimajo dovolj zdravstvenih delavcev, kot so države v razvoju, kot sta Bangladeš in Indija, soočajo s težavami pri zagotavljanju ustreznih diagnostičnih postopkov za svoje največje število bolnikov. Poleg tega diagnostični postopki pogosto zahtevajo zdravniške preiskave, ki se ljudem z nizkimi dohodki pogosto zdijo drage in nedostopne.

Ker smo ljudje nagnjeni k napakam, ni presenetljivo, da se pri bolnikih pogosteje pojavljajo pretirane diagnoze. Prekomerna diagnoza lahko povzroči težave, kot je nepotrebno zdravljenje, ki lahko resno vpliva na zdravje in finance posameznika. Glede na poročilo Nacionalne akademije znanosti, tehnike in medicine iz leta 2015 bo večina ljudi vsaj enkrat v življenju naletela na diagnostično napako. Obstaja veliko dejavnikov, ki vplivajo na napačno diagnozo, vključno s pomanjkanjem ustreznih simptomov, ki so pogosto neopazni, redkimi boleznimi in boleznimi, ki so napačno spregledane.

Strojno učenje (ML) je skoraj povsod, od najsodobnejše tehnologije (npr. mobilni telefoni, računalniki in robotika) do zdravstva (tj. diagnoza bolezni in varnost). Strojno učenje postaja vse bolj priljubljeno na različnih področjih, vključno z diagnostiko bolezni v zdravstvu. Številni raziskovalci in zdravniki dokazujejo obljubo diagnosticiranja bolezni na podlagi strojnega učenja (MLBDD), ki je poceni in prihrani čas. Tradicionalni diagnostični postopki so dragi, dolgotrajni in pogosto zahtevajo človeško posredovanje. Medtem ko zmožnosti posameznika omejujejo tradicionalne diagnostične tehnike, sistemi, ki temeljijo na ml, nimajo takih omejitev in stroji se ne izčrpajo na enak način kot ljudje. Posledično se lahko razvije metoda diagnosticiranja bolezni, ki presegajo število pacientov, ki se nepričakovano pojavijo v zdravstveni oskrbi. Medicinski podatki, kot so slike (npr. rentgenski posnetki, MRI) in tabelarični podatki (npr. bolnikovo stanje, starost in spol), se uporabljajo pri gradnji sistemov MLBDD.

Koristi Cistanche za naše ledvice

Strojno učenje (ML) je podmnožica umetne inteligence, ki uporablja podatke kot vhodni vir. Rezultati, pridobljeni z uporabo vnaprej določenih matematičnih funkcij (razvrstitev ali regresija), so za ljudi pogosto težko dosegljivi. Na primer, z uporabo ML je pogosto preprosteje locirati maligne celice na mikroskopskih slikah, kar je pogosto izziv izvesti z gledanjem slik. Poleg tega so nedavne študije po zaslugi napredka v globokem učenju (oblika strojnega učenja) pokazale, da je MLBD več kot 90-odstotno natančen. Alzheimerjeva bolezen, srčno popuščanje, rak dojke in pljučnica so le nekatere od bolezni, ki jih strojno učenje lahko prepozna. Pojav algoritmov strojnega učenja na področju diagnoze bolezni ponazarja uporabnost tehnologije na medicinskem področju.

Preboji v zadnjih letih pri težavah s strojnim učenjem v medicini, kot so neravnovesje podatkov, interpretacija strojnega učenja in etika strojnega učenja, so le nekatera od številnih zahtevnih področij, ki jih je treba preprosto obravnavati. Ta dokument ponuja pregled novih aplikacij strojnega učenja in poglobljenega učenja pri diagnosticiranju bolezni ter pregled razvoja na tem področju, da osvetli trenutne trende, pristope in težave pri strojnem učenju pri diagnosticiranju bolezni. Začnemo s pregledom več pristopov k strojnemu učenju in tehnikam globokega učenja ter specifičnih arhitektur za odkrivanje in razvrščanje različnih oblik diagnoze bolezni.

Kliknite tukaj, da dobiteVpliv izvlečka Cistanche na naše ledvice

Z uporabo zaključkov matematičnih in statističnih metod, ki strojem omogočajo učenje brez programiranja, je bil ta pomemben napredek prvič prepoznan leta 1959, ko je Arthur Samuel predlagal empirično učenje za strojno učenje in algoritme za prepoznavanje vzorcev v igrah.

Osrednje načelo ML je učenje iz podatkov za napovedovanje ali odločanje na podlagi dodeljenih nalog.

Zahvaljujoč tehnikam strojnega učenja (ML) je zdaj veliko zamudnih nalog mogoče opraviti hitro in z minimalnim naporom. Z eksponentno širitvijo računalniške moči in podatkovne zmogljivosti je postalo vse lažje usposobiti modele strojnega učenja, ki temeljijo na podatkih, za napovedovanje rezultatov s skoraj popolno natančnostjo. Številni dokumenti ponujajo široko paleto razredov metod ML. Vendar lahko algoritme ML razdelimo v več podskupin, ki temeljijo na različnih metodah učenja

Pomen naše ledvice:

Ledviceje eden izmed pomembnih organov človeškega telesa, s proizvodnjo urina za odstranjevanje metabolitov telo ne potrebuje izločenih odpadkov, uravnava in vzdržuje telesno vodo in elektrolite, kislinsko-bazično ravnovesje, sodeluje pri uravnavanju krvnega tlaka, hematopoeze in drugih fizioloških funkcij, ko je delovanje ledvic poškodovano, bo ogrozilo človeško življenje, kar kaže na pomen zaščite delovanja ledvic, ledvica ima tudi endokrino funkcijo inuravnava krvni tlak, hematopoezesinrast kostnega mozgaindruge fiziološke funkcije.

Cistanche

Trenutno stanje ledvične bolezni:

Konferenca o kontroverzah KDIGO (Kidney Disease: Improving Global Outcomes) o podporni oskrbi je priznala veliko potrebo po podporni oskrbi za bolnike z boleznijo ledvic zaradi njihovehveliko breme fizičnih in psihosocialnih simptomov, krajša pričakovana življenjska doba in veliko breme sočasnih bolezni, vendar opaža, da se podporna oskrba premalo uporablja. Ta perspektiva usmerjevalnega odbora Koalicije za podporno oskrbo ledvičnih bolnikov pregleduje predlagana nacionalna in mednarodna priporočila za izboljšanje podporne oskrbe resno bolnih bolnikov z odpovedjo ledvic ali bližajočim se odpovedi ledvic in se zavzema za nujne spremembe politike.

Način za lajšanje ledvične bolezni:

Sklical je 2. svetovni vrh o zdravju ledvic Mednarodnega združenja za nefrologijosstoritve podporne oskrbe, ki se pogosto uporablja kot sinonim za paliativno in večina bolnikov in zdravstvenih delavcev raje, vključno z aktivnim medicinskim vodenjem brez dialize, "bistveni element" celovite oskrbe ledvic, vendar v Združenih državah večinoma ni na voljo. Dializa morda nekoristi vsem resno bolnim bolnikom, zlasti tistim starejšim s pridruženimi boleznimi, šibkostjo ali demenco ali tistim, ki menijo, da je čas, porabljen za dializo, pretirano obremenjujoč. Če pa ni organizirane poti za aktivno zdravljenje brez dialize, lahko zdravniki, bolniki in družinski člani dojemajo zdravljenje kot "ničesar" in čutijo pritisk, da uvedejo dializo, da bi zagotovili nekaj oskrbe. Podporna nega je osredotočena na bolnika. Nacionalni projekt soglasja za kakovostno paliativno oskrbo, Nacionalni forum za kakovost in druge organizacije so opredelili paliativno oskrbo kot "oskrbo, osredotočeno na bolnika in družino, ki optimizira kakovost življenja s predvidevanjem, preprečevanjem in zdravljenjem trpljenja."

Izvleček Cistanche

Na Kitajskem,Tradicionalna kitajska medicinanosi izkušnje in teoretična znanja starih Kitajcev v boju proti boleznim. Je medicinski teoretski sistem, ki se je postopoma oblikoval in razvijal skozi dolgoletno medicinsko prakso pod vodstvom starodavnega preprostega materializma in spontane dialektike.Cistanche, kot nekakšna tradicionalna kitajska medicina, lahko učinkovito lajša bolezni ledvic.

Nekaj ​​oCistanche:

funkcija:

Prvič, lahko zdravi pomanjkanje Janga v ledvicah, pomanjkanje sperme in krvi, ki ga povzročajo bolečine in šibkost v pasu in kolenu, brezvoljnost, strah pred mrazom in mrazom, impotenca in spermatogeneza, neplodnost zaradi mraza v palači itd.

Drugič, lahko se uporablja za zdravljenje pomanjkanja ledvičnega qi-ja, kislosti v pasu in kolenih, izgube spomina, omotice, tinitusa in šibkosti okončin, pogosto s šisandro, porijo in ekvivalentom semena kuskute.

Navodila za zdravilo:

Pomanjkanje Yina, ogenj in driska z blatomne bi smeli jemati.

Nosečnice in doječe ženske: Če ste noseči, nameravate zanositi ali dojite, obvestite svojega zdravnika in se vprašajte, ali lahko za zdravljenje uporabljate kitajsko medicino.

otroci: Zdravilo za otroke je treba dajati pod vodstvom zdravnika in pod nadzorom odrasle osebe.

Zdravilo pravilno shranjujte in ga ne dajajte drugim.

REFERENCE

1. McPhee, SJ; Papadakis, MA; Rabow, MW (ur.) Trenutna medicinska diagnoza in zdravljenje; McGraw-Hill Medical: New York, NY, ZDA, 2010.

2. Ahsan, MM; Ahad, MT; Soma, FA; Paul, S.; Chowdhury, A.; Luna, SA; Yazdan, MMS; Rahman, A.; Siddique, Z.; Huebner, P. Odkrivanje SARS-CoV-2 na rentgenskem slikanju prsnega koša z uporabo umetne inteligence. IEEE Access 2021, 9, 35501–35513.

3. Coon, ER; Quinonez, RA; Moyer, VA; Schroeder, AR Prevelika diagnoza: Kako lahko naša prisila po diagnozi škoduje otrokom. Pediatrija 2014, 134, 1013–1023.

4. Balogh, EP; Miller, BT; Ball, JR Izboljšanje diagnoze v zdravstvenem varstvu; National Academic Press: Washington, DC, ZDA, 2015.

5. Ahsan, MM; Siddique, Z. Diagnoza srčnih bolezni na podlagi strojnega učenja: sistematični pregled literature. arXiv 2021, arXiv:2112.06459.

6. Ahsan, MM; E Alam, T.; Trafalis, T.; Huebner, P. Model Deep MLP-CNN z uporabo mešanih podatkov za razlikovanje med bolniki s COVID-19 in bolniki, ki niso-19. Symmetry 2020, 12, 1526.

7. Stafford, I.; Kellermann, M.; Mossotto, E.; Beattie, R.; MacArthur, B.; Ennis, S. Sistematični pregled aplikacij umetne inteligence in strojnega učenja pri avtoimunskih boleznih. Številka NPJ. med. 2020, 3, 1–11.

8. Ahsan, MM; Gupta, KD; Islam, MM; Sen, S.; Rahman, M.; Shakhawat Hossain, M. Odkrivanje simptomov COVID-19 na podlagi nasnetmobile z razložljivo umetno inteligenco z uporabo različnih načinov slikanja. Mach. Naučite se. Knowl. Extr. 2020, 2, 490–504.

9. Samuel, AL Nekatere študije strojnega učenja z uporabo igre dama. IBM J. Res. Dev. 1959, 3, 210–229.

10. Brownlee, J. Mojstrstvo strojnega učenja s Pythonom. Mach. Naučite se. Mastery Pty Ltd. 2016, 527, 100–120.

11. . Houssein, EH; Emam, MM; Ali, AA; Suganthan, PN Tehnike globokega in strojnega učenja za rak dojke na podlagi medicinskega slikanja: celovit pregled. Strokovni sistem Appl. 2021, 167, 114161.