Аналіз методів підтримки прийняття рішень в системах поляризаційної інтроскопії біологічних тканин та рідин

Abstract

The article discusses the features of the application of decision support methods based on machine learning, fuzzy logic and neural networks in polarization introscopy systems of biological objects. It was determined that methods such as fuzzy logic, some machine learning methods (decision trees, XGBoost) and neural networks (multilayer perceptron) allow to achieve an increase in the accuracy of polarization diagnostics of BS to the level of 81-98%. However, the obtained accuracy results may be overestimated due to the imperfection of the evaluation models and methods of sample formation, which requires further research. A comparative analysis of their accuracy characteristics is presented, taking into account the input data, software implementation and the type of pathologies diagnosed in the introscopy system.

В статті розглянуто особливості застосування методів підтримки прийняття рішень на основі машинного навчання, нечіткої логіки та нейронних мереж в системах поляризаційної інтроскопії біологічних об’єктів. Наводиться порівняльний аналіз їх  характеристик точності з урахуванням вхідних даних, програмної реалізації та типу діагностованих в системі інтроскопії  патологій. Було визначено, що такі методи, як нечітка логіка, деякі методи машинного навчання (дерева рішень, XGBoost) та нейронні мережі (багатошаровий перцептрон) дозволяють досягти підвищення точності поляризаційної діагностики БШ до рівня 81-98%. Проте отримані результати точності можуть бути завищеними через недосконалість моделей оцінювання та способи формування вибірок, що потребує подальшого дослідження.