В данной диссертационной работе описано создание трех модель машинного обучения, включающие в себя две модели нейронных сетей и RandomForest. Эти модели были настроены на работу с медицинскими данными. Они дают возможность предсказывать некий параметр исходя из ряда существующих признаков, описанных в работе. Методы машинного обучения применяются к крупным наборам данных записей пациентов и путем анализа предыдущих случаев могут предложить предсказания наиболее подходящего лечения для пациента с определенными особенностями за короткое время. Конкретно, этот проект рассматривает анонимный набор данных для пациентов с раком молочной железы (с и без сердечно-сосудистых заболеваний) и предлагает разные модели и, следовательно, прогнозы по тем же данным. Проект исследует комбинацию методов машинного обучения, включая различные нейронные сети и случайный лес. Цель состоит в том, чтобы найти наиболее подходящую технику для данного набора данных и для нашего исследовательского вопроса.

• Введение
• Глава 1. Задачи и методы нейросетевого анализа медицинских данных
• Общие сведения о диагностике раковых заболеваний
• Классификация методов машинного обучения
• Применение искусственного интеллекта в медицине
• Обучение нейронных сетей с учителем
• Методы обучения нейронных сетей на деревьях решений
• Многослойные нейронные сети
• Сверточные нейронные сети
• Выводы
• Глава 2. Описание медицинских данных
• Классификация медицинских данных
• Общий анализ медицинских данных
• Фильтрация медицинских данных
• Выводы
• Глава 3. Разработка нейросетевых моделей для анализа медицинских данных
• Модель многослойной нейронной сети
• Модель сверточной нейронной сети
• Модель «случайный лес»
• Выводы
• Глава 4. Программная реализация моделей нейронных сетей
• Модель многослойной нейронной сети
• Сверточная нейронная сеть
• Модель «Случайный лес»
• Выводы
• Глава 5. Сравнение разработанных моделей нейронных сетей
• Матрица неточностей и F1 оценка [22]
• Показатели эффективности
• Выводы
• Заключение
• Список литературы