Artificial neuron network
Dotaz
Zobrazit nápovědu
- MeSH
- kognice MeSH
- lidé MeSH
- neuronové sítě MeSH
- neuroplasticita MeSH
- percepce MeSH
- teoretické modely MeSH
- Check Tag
- lidé MeSH
V soucasné dobe patrí produkce zdravotne nezávadných potravin mezi priority každého vyspelého státu. Odhaduje se, že více než 25 % celosvetové produkce potravinárských plodin je zlikvidováno v dusledku napadení fusáriovými plísnemi. Kontaminace rostlinného materiálu (krmiv, potravin) toxinogenními houbami je nebezpecná z nekolika hledisek. Jednak mohou houby vytváret dráždivé tekavé metabolity, toxické látky nebo spóry vyvolávající u nekterých citlivejších jedincu alergii. Napadené potraviny ci krmiva mívají zpravidla nižší nutricní hodnotu a dochází u nich napríklad ke snižování obsahu využitelných bílkovin a sacharidu. Produkce mykotoxinu však patrí mezi nejzávažnejší dusledky fungálního znecištení. Jednou z možností rychlé detekce fungální kontaminace potravin jsou i umelé nosy.
The production of safety food is the priority of developed countries. More than 25 % of worldwide production of cereals is contaminated with Fusarium fungi. Spoiled food/feed has a lower nutritional quality and also negative health effects. Fungi produce irritating volatile compounds, toxic compounds (mycotoxins) and allergizing spores. The most important metabolites from the toxicological point of view are mycotoxins. Several analytical methods are used for the detection of moulds in food/feed, urban dust or environmental samples. One of the most perspective methods is artificial nose which combines measurement using sensor array and signal evaluation using chemometrical methods, for example artificial neural networks.
Využití umělé inteligence jako asistenční detekční metody v endoskopii se v uplynulých letech těší zvyšujícímu se zájmu. Algoritmy strojového učení slibují zefektivnění detekce polypů, a dokonce optickou lokalizaci nálezů, to vše s minimálním zaškolením endoskopisty. Praktickým cílem této studie je analýza CAD softwaru (computer-aided diagnosis) Carebot pro detekci kolorektálních polypů s využitím konvoluční neuronové sítě. Navržený binární klasifikátor pro detekci polypů dosahuje přesnosti až 98 %, specificity 0,99 a preciznosti 0,96. Současně je diskutována nezbytnost dostupnosti rozsáhlých klinických dat pro vývoj modelů na bázi umělé inteligence pro automatickou detekci adenomů a benigních neoplastických lézí.
The use of artificial intelligence as an assistive detection method in endoscopy has attracted increasing interest in recent years. Machine learning algorithms promise to improve the efficiency of polyp detection and even optical localization of findings, all with minimal training of the endoscopist. The practical goal of this study is to analyse the CAD software (computer-aided diagnosis) Carebot for colorectal polyp detection using a convolutional neural network. The proposed binary classifier for polyp detection achieves accuracy of up to 98%, specificity of 0.99 and precision of 0.96. At the same time, the need for the availability of large-scale clinical data for the development of artificial--intelligence-based models for the automatic detection of adenomas and benign neoplastic lesions is discussed.
- Klíčová slova
- prostorová lokalizace,
- MeSH
- diagnóza počítačová * MeSH
- lidé MeSH
- neuronové sítě MeSH
- polypy střeva * diagnóza MeSH
- umělá inteligence MeSH
- Check Tag
- lidé MeSH
Úvod: Umělé neuronové sítě se stávají důležitou technologií při analýze dat a jejich vliv začíná prostupovat i do oblasti medicíny. Naše pracoviště se dlouhodobě věnuje experimentální chirurgii, na to navazuje náš zájem o pokrok v ostatních oblastech moderních technologií a tím i umělých neuronových sítí. V rámci aktuálního čísla chceme prozkoumat i tento aspekt technického pokroku. Hlavním cílem je kritické zhodnocení silných i slabých stránek technologie umělých neuronových sítí s ohledem na využití v klinické a experimentální chirurgii. Metody: V článku je věnována pozornost in-silico modelování a zejména pak možnostem neuronových sítí s ohledem na zpracování obrazových dat v medicíně. V textu je krátce shrnut historický vývoj hlubokého učení neuronových sítí a základní principy jejich fungování. Dále je představena taxonomie základních řešených úloh. Zmíněny jsou i možné problémy při učení i s možnostmi jejich řešení. Výsledky: Článek poukazuje na rozličné možnosti umělých neuronových sítí v biologických aplikacích. Na řadě biomedicínských aplikací umělých neuronových sítí popisuje rozdělení a princip základních úloh strojového učení a hlubokého učení – klasifikace, detekce a segmentace. Závěr: Aplikace metod umělých neuronových sítí mají v medicíně a chirurgii značný potenciál. Obcházejí potřebu zdlouhavého subjektivního nastavování parametrů znalostním inženýrem, neboť se učí přímo z dat. Při využití nevhodně vyváženého datasetu však může docházet k neočekávaným, avšak zpětně vysvětlitelným chybám. Řešení představuje vytvoření dostatečně bohatého datasetu pro učení a ověření funkce.
Introduction: Artificial neural networks are becoming an essential technology in data analysis, and their influence is starting to permeate the field of medicine. Experimental surgery has been a long-term subject of study of our lab; this is naturally reflected in our interest in other areas of modern technologies including artificial neural networks and their advancements. In the current issue, we would like to explore this aspect of technical progress. The main goal is to critically evaluate the strengths and weaknesses of artificial neural network technology concerning its use in clinical and experimental surgery. Methods: The article is focused on in-silico modeling, particularly on the potential of neural networks in terms of image data processing in medicine. The text briefly summarizes the historical development of deep learning neural networks and their basic principles. Furthermore, basic taxonomy tasks are presented. Finally, potential learning problems and possible solutions are also mentioned. Results: The article points out various possible uses of artificial neural networks in biological applications. Several biomedical applications of artificial neural networks are used to describe the division and principles of the most common tasks of machine learning and deep learning such as classification, detection, and segmentation. Conclusion: The application of artificial neural network methods in medicine and surgery offers a considerable potential; by learning directly from the data, they make it possible to avoid lengthy and subjective setting of parameters by an expert engineer. Nevertheless, the use of an unbalanced dataset can lead to unexpected, although traceable errors. The solution is to collect a dataset large enough to enable both learning and verification of proper functionality.
- MeSH
- deep learning MeSH
- lidé MeSH
- neuronové sítě * MeSH
- počítačové zpracování obrazu MeSH
- Check Tag
- lidé MeSH
- Publikační typ
- přehledy MeSH
Optimization of neural network topology, weights and neuron transfer functions for given data set and problem is not an easy task. In this article, we focus primarily on building optimal feed-forward neural network classifier for i.i.d. data sets. We apply meta-learning principles to the neural network structure and function optimization. We show that diversity promotion, ensembling, self-organization and induction are beneficial for the problem. We combine several different neuron types trained by various optimization algorithms to build a supervised feed-forward neural network called Group of Adaptive Models Evolution (GAME). The approach was tested on a large number of benchmark data sets. The experiments show that the combination of different optimization algorithms in the network is the best choice when the performance is averaged over several real-world problems.
Umělé neuronové sítě (ANN) jsou spolu s genetickými algoritmy jednou z mnoha metod řazených do skupiny metod umělé inteligence. Jejich aplikací na farmaceutická data je možné získat informace o vnitřní struktuře těchto dat, vytvořit model (tzv. adaptovat umělou neuronovou síť), či v některých případech extrahovat pravidla, na jejichž základě jsou data uspořádána. S pomocí adaptované ANN je dokonce možné predikovat tato data i pro látky, které nebyly použity v adaptační fázi. ANN mají obrovský potenciál ve farmaceutickém výzkumu, interpretaci analytických, farmakokinetických či toxikologických dat.
Artificial neural networks (ANN) and genetic algorithms are one group of methods called artificial intelligence. The application of ANN on pharmaceutical data can lead to an understanding of the inner structure of data and a possibility to build a model (adaptation). In addition, for certain cases it is possible to extract rules from data. The adapted ANN is prepared for the prediction of properties of compounds which were not used in the adaptation phase. The applications of ANN have great potential in pharmaceutical industry and in the interpretation of analytical, pharmacokinetic or toxicological data.
Rychlý rozvoj strojového učení (zejména hlubokého) podporuje jeho využití ke zpřesnění screeningu nádorových onemocnění. Hodnocení screeningové mamografie je v Česku prováděno nezávisle dvěma radiology. Zapojení umělé inteligence do algoritmu druhého čtení mamografických snímků přispívá ke zvýšení specifity a senzitivity mamografického vyhodnocování. Neuronová síť dokáže zachytit vstupní obraz a na základě natrénovaných číselných parametrů (vah), kterým je přirazena konkrétní hodnota, definuje vlastnosti, které se ve snímcích hledají, což ovlivňuje konečný výsledek mamografického vyšetření. Cílem zavedení umělé inteligence je lepší záchyt maligních nádorů v časném stadiu a zároveň snížení falešně negativních nebo pozitivních mamografických nálezů s následnou redukcí doplňujících vyšetření, což povede k ekonomickému zefektivnění screeningového procesu.
The rapid development of machine learning, especially deep learning, is fueling radiology's interest in using the technology to improve the accuracy and efficiency of cancer screening . In the Czech Republic, full-scale, organized, and audited mammography screening has been ongoing since September 2002 . The screening interval is set at two years for the group of women over 45 years of age . Evaluation of screening mammography in the Czech Republic is performed inde- pendently by two radiologists . While comparing the level of specific- ity and sensitivity of one radiologist versus one radiologist and AI, previous studies concluded that the overall level was improved . Thus, the inclusion of artificial intelligence in the algorithm of the second reading of mammography images contributes to the increase in the specificity and sensitivity of mammography screening based on the research papers from England, the USA and South Korea . The architecture of the Convolutional Neural Network (ConvNet) is very similar to the conventional neural networks, reflecting the biological behaviour of the brain . The neural network processes an input image and based on trained numerical parameters (weights) with an assigned value, define the features to look for in the images, which enables to evaluate the mammography screening . The goal of introducing AI into practice is that, in combination with humans in the evaluation process, it may lead to a higher level of detection of early-stage malignant tumors and to a reduction in false negative or positive mammographic findings . Additionally, it is expected to reduce follow-up examinations after the screening mammography making the screening process more cost effective.
The presented paper compares forecast of drought indices based on two different models of artificial neural networks. The first model is based on feedforward multilayer perceptron, sANN, and the second one is the integrated neural network model, hANN. The analyzed drought indices are the standardized precipitation index (SPI) and the standardized precipitation evaporation index (SPEI) and were derived for the period of 1948-2002 on two US catchments. The meteorological and hydrological data were obtained from MOPEX experiment. The training of both neural network models was made by the adaptive version of differential evolution, JADE. The comparison of models was based on six model performance measures. The results of drought indices forecast, explained by the values of four model performance indices, show that the integrated neural network model was superior to the feedforward multilayer perceptron with one hidden layer of neurons.
- MeSH
- koloběh vody MeSH
- lidé MeSH
- monitorování životního prostředí metody MeSH
- neuronové sítě * MeSH
- období sucha * MeSH
- předpověď MeSH
- teoretické modely * MeSH
- Check Tag
- lidé MeSH
- Publikační typ
- časopisecké články MeSH
Improper municipal solid waste (MSW) management contributes to greenhouse gas emissions, necessitating emissions reduction strategies such as waste reduction, recycling, and composting to move towards a more sustainable, low-carbon future. Machine learning models are applied for MSW-related trend prediction to provide insights on future waste generation or carbon emissions trends and assist the formulation of effective low-carbon policies. Yet, the existing machine learning models are diverse and scattered. This inconsistency poses challenges for researchers in the MSW domain who seek to identify and optimize the machine learning techniques and configurations for their applications. This systematic review focuses on MSW-related trend prediction using the most frequently applied machine learning model, artificial neural network (ANN), while addressing potential methodological improvements for reducing prediction uncertainty. Thirty-two papers published from 2013 to 2023 are included in this review, all applying ANN for MSW-related trend prediction. Observing a decrease in the size of data samples used in studies from daily to annual timescales, the summarized statistics suggest that well-performing ANN models can still be developed with approximately 33 annual data samples. This indicates promising opportunities for modeling macroscale greenhouse gas emissions in future works. Existing literature commonly used the grid search (manual) technique for hyperparameter (e.g., learning rate, number of neurons) optimization and should explore more time-efficient automated optimization techniques. Since there are no one-size-fits-all performance indicators, it is crucial to report the model's predictive performance based on more than one performance indicator and examine its uncertainty. The predictive performance of newly-developed integrated models should also be benchmarked to show performance improvement clearly and promote similar applications in future works. The review analyzed the shortcomings, best practices, and prospects of ANNs for MSW-related trend predictions, supporting the realization of practical applications of ANNs to enhance waste management practices and reduce carbon emissions.
