AAI Labs
Pradinis
Paslaugos
ProduktaiProjektaiTyrimaiDI inžinieriai
Įmonė
Daugiau
Susisiekti
Loading…

Paslaugos

  • DI energetikai
  • DI savivaldybėms
  • DI transportui
  • Generatyvinis DI
  • LLM verslui
Visos paslaugos →

Įmonė

  • Apie mus
  • Karjera
  • Projektai
  • Privatumo politika
  • MTEP
  • Kontaktai

Daugiau

  • Mokymai
  • ES DI aktas
  • DI žodynas
  • Tyrimai
  • Tinklaraštis
  • Naujienos

Produktai

  • AI Team for Hire
  • AI Scan
  • Merkys.AI
  • Cargobroker.AI
  • DI inžinerinei pramonei
Visi produktai →

UAB Taikomasis dirbtinis intelektas © 2026

[email protected]LinkedIn →
Tyrimas2025

NMF ir GMM taikymas minkštajai inkstų akmenų klasifikacijai pagal FTIR duomenis

Inkstų akmenų sudėties nustatymas padeda parinkti gydymą, tačiau retos akmenų rūšys apsunkina neuroninių tinklų taikymą. Tyrime rodoma, kad NMF dimensijų mažinimo ir Gauso mišinių modelio derinys FTIR spektrams pasiekia 75% atitikimą net esant ribotam pavyzdžių skaičiui.

Skaityti tyrimą

Santrauka

Tyrime vertinamas neigiamų reikšmių neturintis matricų faktorizavimas ir Gauso mišinių modeliai minkštajai inkstų akmenų klasifikacijai pagal FTIR spektrinius duomenis. Klinikinis tikslas – tiksliau nustatyti akmenų sudėtį, kuri svarbi gydymui ir pasikartojimo prevencijai.

Autoriai

Aistis Raudys, Aušra Šubonienė, Arūnas Želvys

Kas vertinta tyrime

Darbas sutelktas į retas arba mišrias akmenų sudėtis, kur duomenų trūkumas riboja neuroninių tinklų metodus. Vertinama, ar NMF gali pateikti naudingą mažesnio matmens reprezentaciją, o GMM – išreikšti neapibrėžtumą per tikimybinius klasių priskyrimus.

Pagrindinės išvados

NMF ir GMM derinys suteikia praktišką būdą analizuoti akmenų sudėtį tada, kai pavyzdžių nedaug. Metodas pasiekia prasmingą atitikimą su etaloninėmis žymomis ir kartu išsaugo tikimybinį požiūrį į dviprasmius atvejus.

Tai ypač aktualu medicininiuose duomenų rinkiniuose, kuriuose retos klasės yra kliniškai svarbios, bet prastai reprezentuojamos mokymo duomenyse.

Kodėl tai svarbu

Medicininiai AI metodai dažnai turi veikti su mažais, nesubalansuotais ir triukšmingais duomenų rinkiniais. Šis tyrimas rodo, kad interpretuojami statistiniai metodai tokiose sąlygose gali išlikti naudingi, ypač kai neapibrėžtumas yra klinikinio sprendimo dalis.