Применение нейронных сетей для повышения объема обучающей выборки

Abstract

Предложен механизм получения искусственной выборки медицинских численных данных методами искусственного интеллекта. Разработанная генеративно-состязательная нейронная сеть позволяет получить выборку медицинских данных в любом заданном пользователем системы объеме на основе имеющихся функциональных данных пациента. В работе получена искусственная выборка функциональных данных пациента объемом 100 тыс. записей по 11 параметрам (возраст, АДС, АДД, АДП, задержка дыхания на вдохе, задержка дыхания на выдохе, жизненная емкость легких, масса тела, аккомодация, острота слуха, статическая балансировка). Полученная выборка использовалась для построения прогностической модели определения биовозраста с помощью нейронных сетей. Средняя абсолютная ошибка полученной модели составила три года, в то время как средняя абсолютная ошибка моделей, полученных на исходных выборках, составила пять лет.

A mechanism for obtaining artificial sampling of medical numerical data by artificial intelligence methods is proposed. The developed generative-adversarial neural network allows you to get a sample of medical data in any volume specified by the user of the system based on the available functional data of the patient. In the work, an artificial sample of the patient’s functional data with a volume of 100,000 records was obtained for 11 parameters (age, ADS, ADD, ADP, breath retention on inhalation, breath retention on exhalation, vital lung capacity, body weight, accommodation, hearing acuity, static balancing). The resulting sample was used to build a predictive model for determining bio-age using neural networks. The average absolute error of the obtained model was 3 years, while the average absolute error of the models obtained from the initial samples was 5 years.