Журнал «Современная Наука»

ПЕРЕДОВЫЕ МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ УЛУЧШЕННОГО ПРОГНОЗИРОВАНИЯ СТАДИЙ БОЛЕЗНИ АЛЬЦГЕЙМЕРА

Мохамед Дуаш (Аспирант, Уральский федеральный университет имени первого Президента России Б. Н. Ельцина )

Ронкин Михаил (доцент Уральский федеральный университет имени первого Президента России Б. Н. Ельцина )

В статье рассматривается применение моделей глубокого и машинного обучения для прогнозирования стадий болезни Альцгеймера с целью повышения точности и качества диагностики. Сравнены три модели CNN, K-ближайшие соседи, временные сверточные сети (TCN) и XGBoost для классификации стадий изображений мозга. CNN модели оптимизированы для извлечения пространственных особенностей, KNN используется для классификации, TCN — для анализа временных закономерностей, а XGBoost улучшает предсказания с помощью ансамблевого метода. Целью было найти наиболее точную и вычислительно эффективную модель. Результаты экспериментов показывают сильные и слабые стороны каждого подхода для выбора лучших алгоритмов для клинической практики.

Ключевые слова:Болезнь Альцгеймера, CNN, метод K-ближайших соседей (KNN), временные сверточные сети (TCN), XGBoost, машинное обучение, глубокое обучение, классификация при сканировании мозга, анализ медицинских изображений, точность прогнозирования, ансамблевое обучение, диагностические инструменты

Читать полный текст статьи …

Ссылка для цитирования:
Мохамед Д. , Ронкин М. ПЕРЕДОВЫЕ МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ УЛУЧШЕННОГО ПРОГНОЗИРОВАНИЯ СТАДИЙ БОЛЕЗНИ АЛЬЦГЕЙМЕРА // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и Технические Науки. -2025. -№02. -С. 106-113 DOI 10.37882/2223-2966.2025.02.20

ПРАВОВАЯ ИНФОРМАЦИЯ:
Перепечатка материалов допускается только в некоммерческих целях со ссылкой на оригинал публикации. Охраняется законами РФ. Любые нарушения закона преследуются в судебном порядке.
© ООО "Научные технологии"