| Form of studies |
Bachelor |
| Title of the study programm |
Information Technology |
| Title in original language |
Klasifikatoru ansambļa izmantošana atrofiskā gastrīta skrīningā |
| Title in English |
The Application of Classifier Ensemble to Screening of Atrophic Gastritis |
| Department |
12100 Institute of Information Technology |
| Scientific advisor |
Mg. sc. ing. Arnis Kiršners |
| Reviewer |
Mg. sc. ing. Egmonts Treiguts |
| Abstract |
Atrofiskais gastrīts tiek uzskatīts par galveno priekšvēstnesi kuņģa vēzim, kas ir izplatītākais nāves cēlonis starp onkoloģiskajām slimībām vairumā valstu un reģionu. Atrofiskā gastrīta smaguma pakāpe ir cieši saistīta ar kuņģa vēža attīstības varbūtību, tādēļ ir svarīgi šo slimību diagnosticēt agrīnā stadijā, pielietojot skrīningu lielai populācijai. Pieejamās diagnostikas metodes ir pārāk dārgas, invazīvas vai nepietiekoši precīzas, tādēļ šī darba mērķis ir izstrādāt klasifikācijas modeli, kas, izmantojot pacientu aptaujas laikā iegūtu atribūtu jeb raksturojumu kopu, piemēram, vecums, svars, smēķēšanas un slimību vēsture, ar pietiekoši augstu precizitāti identificētu atrofiskā gastrīta slimniekus.
Klasifikācijas modeļu apmācībai un testēšanai izmantoti pētījuma dati par pa- cientiem, kas griezušies stacionārā pēc medicīniskās palīdzības vai speciālista konsultācijas. Katram no pacientiem ir veikta kuņģa biopsija, kuras rezultāts (pozitīvs/negatīvs) tiek uzskatīts par atrofiskā gastrīta rādītāju un novērojuma klasi.
Datu pirmapstrādes posmā tika veikta trūkstošo vērtību apstrāde, nebūtisko atribūtu izslēgšana un nepārtraukto vērtību diskretizēšana. Atribūtu atlasē par kritēriju tika izvēlēts Gain Ratio informativitātes rādītājs.
Viena no efektīvākajām metodēm klasifikācijas precizitātes uzlabošnai ir klasifikatoru ansamblis, kas objekta klase noteikšanai, apvieno visu ansamblī iesaistīto bāzes klasifikatoru individuālos vērtējumus. Lai novērtētu šīs metodes pielietošanas iespējas atrofiskā gastrīta klasificēšanai, darba gaitā tika izstrādāti un salīdzināti vairāki klasifikatoru ansambļi, izmantojot populāros Bagging, Boosting un Random Forests risinājumus.
Bakalaura darbā ir 55 lpp., 13 attēli, 4 tabulas un 2 pielikumi. |
| Keywords |
Klasifikācija, datu pirmapstrāde, klasifikatoru ansamblis, atrofiskais gastrīts, bagging, boosting |
| Keywords in English |
Classification, data preprocessing, ensemble learning, atrophoc gastritis, bagging, boosting |
| Language |
lv |
| Year |
2014 |
| Date and time of uploading |
06.06.2014 00:33:17 |
