జర్నల్ ఆఫ్ థియరిటికల్ & కంప్యూటేషనల్ సైన్స్
అందరికి ప్రవేశం

నైరూప్య

వర్గీకరణ కోసం సపోర్ట్ సెంటర్ మెషిన్ మెథడ్ మరియు మెడికల్ డయాగ్నోసిస్ సిస్టమ్‌లో సహాయం

జెఫెంగ్ వాంగ్, లారెంట్ పెరోడీ, హువా కావో మరియు శామ్యూల్ బౌడెట్

లక్ష్యాలు: రోగనిర్ధారణ మరియు రోగ నిరూపణకు సహాయపడే కొత్త కృత్రిమ మేధో పద్ధతి 'సపోర్ట్ సెంటర్ మెషీన్స్' (SCM) వైద్య వ్యవస్థకు వర్తించబడుతుంది. పద్ధతులు డేటా ప్రాసెసింగ్‌లో, మెషిన్ లెర్నింగ్ సమయంలో SCM ప్రతి తరగతి యొక్క నిజమైన కేంద్రాలను కోరుకుంటుంది. వైద్య వ్యవస్థలో అప్లికేషన్ కోసం, ఇది ఈ కేంద్రాలను ఆరోగ్య-పరిస్థితి నమూనాలుగా చేస్తుంది మరియు అన్ని ఆరోగ్య రికార్డులను మ్యాప్‌లోకి అనువదిస్తుంది. వ్యాధి లేని మరియు వ్యాధులు వంటి అన్ని మోడల్‌లు ఈ మ్యాప్‌లో లేబుల్ చేయబడ్డాయి. అందువల్ల, రోగి యొక్క ఆరోగ్య రికార్డుల పరిణామాన్ని మ్యాప్‌తో పర్యవేక్షించవచ్చు. ఇటీవలి రికార్డ్ డేటా నుండి కేంద్రాలకు ఉన్న దూరాల పరిణామం ఆధారంగా, సిస్టమ్ ఆరోగ్యకరమైన పరిణామం యొక్క ధోరణిని అంచనా వేస్తుంది మరియు భవిష్యత్తులో సంభావ్య పరిస్థితిని అంచనా వేస్తుంది. ఫలితాలు: SCM 'విస్కాన్సిన్ బ్రెస్ట్ క్యాన్సర్ డేటా'పై పరీక్షించబడింది మరియు LDA మరియు SVM పద్ధతులతో పోల్చబడింది. ఆరోగ్యకరమైన మ్యాప్‌ను నిర్వచించడానికి ఇరవై కేంద్రాలు కనుగొనబడ్డాయి. రైలు కోసం నాలుగు వందల యాభై యాదృచ్ఛిక డేటా ఎంపిక పరీక్ష ఫలితాల ఆధారంగా, SCM మెరుగైన పనితీరును కనబరిచింది, రొమ్ము క్యాన్సర్ యొక్క సరైన గుర్తింపు నిష్పత్తులు 91.4% నుండి 95.6% వరకు మారాయి, ఇవి 10% డేటాకు అనుగుణంగా ఉన్నాయి మరియు మెషిన్ లెర్నింగ్ చేయడానికి 90% డేటా ఉపయోగించబడుతుంది. ఈ నిష్పత్తులు SVM మరియు LDA కంటే 1% నుండి 5% వరకు పెరిగాయి. అదనంగా, SVM మరియు LDAతో పోలిస్తే SCM ఫలితాల సరైన గుర్తింపు నిష్పత్తుల వ్యత్యాసం 0.8% నుండి 3.0% వరకు తగ్గింది. శిక్షణ కోసం కేవలం 10% డేటా ఉన్నప్పటికీ, నిష్పత్తి కేవలం 3 ప్రధాన భాగాలతో 87% ఉంటుంది. సిస్టమ్ శిక్షణ కోసం 50% డేటాను ఉపయోగించినప్పుడు మరియు ఇతరులను పరీక్షించినప్పుడు, నిష్పత్తి సగటు 93% మరియు ఉత్తమమైనది 95%.
ముగింపులు: SCM విజయవంతంగా వ్యాధి నిర్ధారణ/రోగనిర్ధారణ వ్యవస్థను రూపొందించింది మరియు ఆరోగ్యకరమైన మ్యాప్‌ను రూపొందించింది. ఇది 2D లేదా 3D మ్యాప్‌లో ఆరోగ్య రికార్డును ప్రదర్శించగలదు, ఇది వైద్యునికి వివరణను సముచితంగా ఇవ్వడానికి అనుమతిస్తుంది. అదనంగా, ఒక కొత్త పరిస్థితి (లక్షణం / వ్యాధి) సంభవించినట్లయితే, అభ్యాసకుడు దానిని దృశ్యమానం చేయవచ్చు మరియు SCM యొక్క ప్రస్తుత మ్యాప్‌ల ప్రకారం దానిని విశ్లేషించవచ్చు.