Prédiction des maladies médicales utilisant des réseaux neuronaux artificiels

Cette étude examine une variété de modèles de réseaux neuronaux artificiels (RNA) en termes d'efficacité de classification dans une maladie orthopédique, à savoir l'ostéoporose. La prédiction du risque d'ostéoporose peut être considérée comme un problème de classification de motifs, basé sur un ensemble de paramètres cliniques. Des perceptrons multicouches (MLP) et des réseaux neuronaux probabilistes (PNN) ont été utilisés pour faire face à la prédiction des facteurs de risque d'ostéoporose. Cette approche est la première technique d'intelligence computationnelle basée sur des RNA pour l'étude du risque d'ostéoporose dans la population grecque. Les MLP et les PNN sont tous deux des réseaux à propagation avant ; cependant, leur mode de fonctionnement est différent. Diverses architectures MPL ont été examinées après avoir modifié le nombre de nœuds dans la couche cachée, les fonctions de transfert et les algorithmes d'apprentissage. De plus, les PNN ont été mis en œuvre avec des valeurs d'étalement allant de 0,1 à 50, et 4 ou 2 neurones dans la couche de sortie, selon le codage du résultat souhaité pour l'ostéoporose. Les résultats obtenus conduisent à la conclusion que les PNN surpassent les MLP, démontrant ainsi qu'ils constituent une technique d'intelligence computationnelle appropriée pour la prédiction des facteurs de risque d'ostéoporose. De plus, le problème de surajustement était plus fréquent dans les MLP, contrairement aux PNN à mesure que leur valeur d'étalement augmentait. L'objectif du PNN proposé est d'assister les spécialistes dans la prédiction de l'ostéoporose, évitant des tests supplémentaires inutiles avec la densitométrie osseuse.