СТОХАСТИКАЛЫҚ ДИНАМИКАЛЫК ОҢТАЙЛАНДЫРУ АРҚЫЛЫ ДИАГНОЗДЕРДІ КЛАСТЕРЛЕУ ЖӘНЕ ЖІКТЕУ

Бұл зерттеу медициналық нысандарды тану және диагноздерді жіктеу үшін табиғи тілді өңдеу тәсілдерін. (NLP) оңтайландырудың жаңа әдістерін ұсынады. Пациенттердің сұраныстары мен PubMed мақалаларының аннотацияларын пайдалана отырып, мақалада биомедициналық нысандар мен ауруларды анықтау үшін ақпаратты алудың озық әдістері қолданылады. Диагноздер TF-IDF және K-means кластерлеу комбинациясы арқылы топтастырылады, содан кейін белгілі субъектілерге негізделген ауру кластерлерін болжау үшін жіктеу үлгілері қолданылады.

Бұл жұмыстың негізгі жаңалығы – параметрлерді дәл баптау үшін стохастикалық динамикалық оңтайландыруды қолдану. Бұл кластерлеу мен жіктеудің дәлдігін едәуір арттырады. Сонымен қатар, зерттеу сөздердің векторлық көріністерінің өлшемдерінің, кластерлер санының және шешім ағашының тереңдігінің модельдің соңғы дәлдігіне әсерін талдайды. Эксперименттік нәтижелер ұсынылған әдіс дәлдік пен масштабталу бойынша дәстүрлі әдістерден асып түсу арқылы медициналық нысандарды алу және жіктеу дәлдігін арттыратынын көрсетеді. Биомедициналық деректерді талдаудың бұл ауқымды және тиімді тәсілі клиникалық шешімдер қабылдауға, жекешелендірілген медицинаны қамтамасыз етуге, пациенттердің жағдайын жақсартуға сондай-ақ осы бағыттағы зерттеу процестерінің тиімділігін арттыруға ықпал ететін денсаулық сақтау туралы құнды зерттеулер жасауға көмектеседі.

1. Choudhary P. An Intelligent Chatbot Design and Implementation Model Using Long Short-Term Memory with Recurrent Neural Networks and Attention Mechanism / P. Choudhary, S. Chauhan // Decision Analytics Journal. – 2023. – Vol. 9, № 100359. https://doi.org/10.1016/j.dajour.2023.100359.

2. Online Biomedical Named Entities Recognition by Data and Knowledge-Driven Model / Cao Lulu et al // Artificial Intelligence in Medicine. – 2024. – Vol. 150, № 102813. https://doi.org/10.1016/j.artmed.2024.102813.

3. Exploring Named Entity Recognition and Relation Extraction for Ontology and Medical Records Integration / D.P. da Silva et al // Informatics in Medicine Unlocked. – 2023. – Vol. 43, № 101381. https://doi.org/10.1016/j.imu.2023.101381.

4. Medical Named Entity Recognition (MedNER): A Deep Learning Model for Recognizing Medical Entities (Drug, Disease) from Scientific Texts / Miah M.S. Ullah et al // IEEE EUROCON 2023 – 20th International Conference on Smart Technologies. – 2023. – P. 158-162. https://doi.org/10.1109/EUROCON56442.2023.10199075.

5. Named Entity Recognition Based on Boundary Enhanced for Chinese Electronic Medical Records / X. Chen et al // 2023 12th International Conference of Information and Communication Technology (ICTech). – 2023. – P. 73-77. https://doi.org/10.1109/ICTECH58362.2023.00025.

6. Tang L. Named Entity Recognition in Chinese Medical Texts Based on RoBERTa-WWMIDCNN-CRF / L. Tang, J. Kong, L. Xu // 2024 IEEE 25th China Conference on System Simulation Technology and Its Application (CCSSTA). – 2024. – P. 315-319. https://doi.org/10.1109/CCSSTA62096.2024.10691735.

7. Zhang Y. Named Entity Recognition of Medical Examination Reports Based on BiLSTM+CRF Model / Y. Zhang, F. Zhang // 2023 4th International Seminar on Artificial Intelligence, Networking and Information Technology (AINIT). – 2023. – P. 340-344. https://doi.org/10.1109/AINIT59027.2023.10212675.

8. Patient Clustering Optimization with K-Mean in Healthcare Data Analysis / A.K. Rai et al // 2023 International Conference on Artificial Intelligence for Innovations in Healthcare Industries (ICAIIHI). – 2023. – P. 1-7. https://doi.org/10.1109/ICAIIHI57871.2023.10489428.

9. Ershadi Mohammad Mahdi. Applications of Dynamic Feature Selection and Clustering Methods to Medical Diagnosis / Ershadi Mohammad Mahdi, Seifi Abbas // Applied Soft Computing. – 2022. – Vol. 126, № 109293. https://doi.org/10.1016/j.asoc.2022.109293.

10. A Large-Scale Dataset of Patient Summaries for Retrieval-Based Clinical Decision Support Systems / Z. Zhao et al // Scientific Data. – 2023. – Vol. 10, № 909. https://doi.org/10.1038/s41597-023-02814-8.