-
Uporaba globokega učenja za napovedovanje diagnoze in simptomov spektra psihotičnih motenj na podlagi funkcijske konektivnosti : magistrsko deloAvberšek, Lev KiarDuševne motnje so pojav, ki ga lahko opazujemo na različnih ravneh – od genetike, živčnih vezij in omrežij, kognitivnih procesov do vedenja in doživljanja. Sodobna psihiatrična diagnostika temelji ... predvsem na opisnih kriterijih sprememb vedenja in doživljanja, kljub temu da te ne odražajo motnje na stopnji nevrobiološkega in kognitivnega sistema. Rezultata počasnega prenosa znanja iz nevroznanosti v klinično psihologijo in psihiatrijo sta visoka komorbidnost med prepoznanimi diagnostičnimi kategorijami ter nizka uspešnost zdravljenja. Možno rešitev podajajo raziskovalni pristopi, ki spodbujajo povezovanje ravni razumevanja duševnih motenj. Mednje sodita računska psihiatrija ter strojno učenje. Namen raziskave je bil preveriti, v kakšni meri nam globoko učenje, podzvrst strojnega učenja, omogoča prepoznati in opisati lastnosti nevrovedenjske geometrije psihotičnih motenj. Natančneje smo v študiji s pomočjo globokega učenja skušali oblikovati modele, ki s pomočjo vzorcev globalne možganske povezanosti napovedujejo diagnozo in mere psihopatologije ter primerjati i) uspešnost dobljenih modelov s predhodnimi študijami, ii) globoko učenje s kanonično korelacijsko analizo in iii) uspešnost modelov pri napovedovanju a priori teoretičnih mer ter empirično pridobljenih indikatorjev psihopatologije. V raziskavo smo vključili odprtodostopen vzorec 636 udeležencev, ki je vključeval 150 oseb z bipolarno motnjo, 119 s shizoafektivno motnjo, 167 s shizofrenijo in 202 osebi brez diagnoze. Oblikovali smo globoke modele za štiri naloge: binarno in multiplo klasifikacijo diagnoz, regresijo a priori teoretičnih mer in empiričnih indikatorjev psihopatologije na podlagi vzorcev globalne možganske povezanosti. Dobljeni modeli so uspešno razlikovali med zdravimi posamezniki in posamezniki z motnjo psihotičnega spektra (98,34 %). Najpomembnejše možganske regije za uspešno delovanje modelov, so se skladale s predhodnimi študijami. Natančnost razlikovanja motenj psihotičnega spektra je bila znatno nižja (56,04 %), notranji procesi globokih modelov pa manj zanesljivi. Nalogi regresije a priori mer psihopatologije in empiričnih indikatorjev sta pokazali, da je globoko učenje zmožno pojasniti več variance kot kanonična korelacijska analiza, vendar nič od tega ne izkazuje zadovoljive posplošljivosti. Modeli globokega učenja so bili nekoliko bolj uspešni pri napovedovanju a priori teoretičnih mer kot empiričnih indikatorjev. Naše ugotovitve kažejo na pomembne potenciale globokega učenja. S pomočjo dostopnih podatkov je mogoče na podlagi funkcijske povezanosti možganov natančno razlikovati med zdravimi in nezdravimi udeleženci ter zajeti kompleksnejše nevrovedenjske vzorce kot kanonična korelacijska analiza. Glede na skladnost notranjih procesov globokih modelov s predhodnimi ugotovitvami o psihotičnih motnjah izkazujejo globoki modeli praktično vrednost kot presejalni instrument. Pri kompleksnejših nalogah uporabljeni globoki modeli niso dosegli zadovoljive posplošljivosti, kar kaže na potrebo po nadaljnjem razvoju modelov ter večjem naboru učnih podatkov.Vrsta gradiva - magistrsko delo ; neleposlovje za odrasleZaložništvo in izdelava - Ljubljana : [L. K. Avberšek], 2023Jezik - slovenskiCOBISS.SI-ID - 164944131
Avtor
Avberšek, Lev Kiar
Drugi avtorji
Repovš, Grega |
Demšar, Jure, računalničar
Teme
globoko učenje |
strojno učenje |
podatkovno usmerjene metode |
motnje psihotičnega spektra |
funkcijska magnetna resonanca |
magistrska dela |
magistrska dela |
deep learning |
machine learning |
data-driven methods |
psychosis spectrum disorders |
functional magnetic resonance |
masters theses |
The positive and negative syndrome scale PANSS |
The brief assessment of cognition in schizophrenia BACS |
The brief assessment of cognition in schizophrenia BACS
![loading ... loading ...](themes/default/img/ajax-loading.gif)
Knjižnica/institucija |
Kraj | Akronim | Za izposojo | Druga zaloga |
---|---|---|---|---|
FF, Osrednja humanistična knjižnica, Ljubljana | Ljubljana | FFLJ |
v čitalnico 1 izv.
|
![loading ... loading ...](themes/default/img/ajax-loading.gif)
![loading ... loading ...](themes/default/img/ajax-loading.gif)
![loading ... loading ...](themes/default/img/ajax-loading.gif)
Vnos na polico
Trajna povezava
- URL:
Faktor vpliva
Dostop do baze podatkov JCR je dovoljen samo uporabnikom iz Slovenije. Vaš trenutni IP-naslov ni na seznamu dovoljenih za dostop, zato je potrebna avtentikacija z ustreznim računom AAI.
Leto | Faktor vpliva | Izdaja | Kategorija | Razvrstitev | ||||
---|---|---|---|---|---|---|---|---|
JCR | SNIP | JCR | SNIP | JCR | SNIP | JCR | SNIP |
Baze podatkov, v katerih je revija indeksirana
Ime baze podatkov | Področje | Leto |
---|
Povezave do osebnih bibliografij avtorjev | Povezave do podatkov o raziskovalcih v sistemu SICRIS |
---|---|
Avberšek, Lev Kiar | ![]() |
Repovš, Grega | 17893 |
Demšar, Jure, računalničar | 37645 |
Izberite prevzemno mesto:
Prevzem gradiva po pošti
Obvestilo
Gesla v Splošnem geslovniku COBISS
Izbira mesta prevzema
Mesto prevzema | Status gradiva | Rezervacija |
---|
Prosimo, počakajte trenutek.