Порівняльний аналіз класичних та байєсівських нейромереж для прогнозування серцево-судинних захворювань

Abstract

У роботі проведено порівняльний аналіз класичної багатошарової нейронної мережі (MLP) та байєсівської нейронної мережі (BNN) у задачі класифікації серцево-судинних захворювань. Для експериментів використано клінічний набір даних UCI Heart Disease. Встановлено, що при співмірній загальній точності на стандартній вибірці, байєсівська модель демонструє значно вищу надійність при обробці нетипових та зашумлених даних завдяки здатності кількісно оцінювати епістемічну невизначеність. Запропоновано використовувати BNN як основу для медичних систем підтримки прийняття рішень.

A comparative analysis of a classical Multilayer Perceptron (MLP) and a Bayesian Neural Network (BNN) for the classification of cardiovascular diseases is conducted in this paper. The UCI Heart Disease clinical dataset was used for the experiments. It is established that while achieving comparable overall accuracy on the standard dataset, the Bayesian model demonstrates significantly higher reliability when processing atypical and noisy data due to its ability to quantify epistemic uncertainty. It is proposed to use BNNs as the foundation for medical decision support systems.