Giliojo mokymosi metodai sintetinių asmens medicininių duomenų bazių generavimui

Ištrauka

PROGRAMŲ SISTEMŲ BAKALAURO STUDIJŲ PROGRAMA 
Giliojo mokymosi metodai sintetinių asmens medicininių duomenų bazių generavimui
Bakalauro baigiamasis darbas

SANTRAUKA
Gilusis mokymasis daro didelę įtaka visoms pramonės šakoms ir medicina nėra išimtis. Tačiau
šioje srityje progresas nėra toks greitas ir paprastas, ypač kas liečia struktūrinius medicininius
duomenis, kurie yra susiję su paciento asmens duomenimis. Tokių prieinamų duomenų trūksta dėl vis
griežtesnių teisinio reguliavimo privatumo reikalavimų. Šią problemą galėtų padėti spręsti sintetinių
duomenų naudojimas. Sugeneruoti realistiški, kokybiški duomenų rinkiniai gali būti naudojami
siekiant paspartinti progresą. Todėl šio tyrimo tikslas sudaryti giliojo mokymosi modelius struktūrinių
medicininių duomenų generavimui, išskirtinai generatyvinių adversarinių tinklų, ir 2 būdais,
tiesioginiu bei netiesioginiu, įvertinti sugeneruotų duomenų panašumą į tikrus duomenis, kokybę ir
tinkamumą naudojimui. Tyrimo eksperimentų metu pavyko sugeneruoti sintetines duomenų bazes,
tačiau padaryta išvada, kad sintetiniai duomenys negali pilnai pakeisti tikrų duomenų, bent jau
dabartiniu laiku. Sintetiniai duomenys gali būti pilnai naudojami pradinėse darbų ar tyrimų etapuose,
bet tolimesniam progresui vis tiek reikalingi tikri duomenys, tam kad būtų pasiekti maksimaliai geri
modelių, o vėliau ir įrankių rezultatai.
Raktiniai žodžiai: BDAR, asmens duomenys, sintetiniai duomenys, sintetinių duomenų
generavimas, gilusis mokymasis, generatyvinis adversarinis tinklas.

TURINYS
Santrauka 2
Summary 3
ĮVADAS 5
1. Literatūros analizė 8
1.1. Asmens duomenys bendrajame duomenų apsaugos reglamente 8
1.2. Sintetinių duomenų generavimas 13
1.3. Metrikos modelių ir sintetinių duomenų įvertinimui 23
2. Metodologija 29
3. Eksperimentai 32
3.1. Nesudėtingas generatyvinis adversarinis tinklas diabeto duomenų rinkinio generavimui . 32
3.2. Sudėtingesnis generatyvinis adversarinis tinklas diabeto duomenų rinkinio generavimui 38
3.3. Sudėtingesnis generatyvinis adversarinis tinklas širdies smūgio duomenų rinkinio generavimui 46
3.4. Generatyvinis adversarinis tinklas širdies ligų duomenų rinkinio generavimui 51
3.5. Eksperimentų apibendrinimas 55
REZULTATAI 58
IŠVADOS 59
Diskusija 60
Rekomendacijos 61
ŠALTINIAI 62

ĮVADAS
Tyrimo aktualumas
Tobulėjančios technologijos turi vis didesnę įtaką visose pramonės šakose. Jos padeda atlikti
darbus greičiau, lengviau ir geriau. Medicina, su kuria kiekvienas žmogus susiduria savo gyvenime,
nėra išimtis. Kuriami nauji įrankiai padedantys medicinos srities ekspertams atlikti jų darbus, tačiau
ne kiekvienas naujai sukurtas įrankis yra geras ir tinkamas. Šioje srityje yra reikalingas kuo aukštesnis
įrankio tikslumas, kad jis atneštų realios naudos ir būtų galima jį naudoti, nes kalbama apie žmonių
sveikatą ir gyvybę. Pati pirmoji ir bene svarbiausia žmogaus gydymo stadija yra būklės ir negalavimų
ar sveikatos sutrikimų nustatymas. Gydytojas negali skirti gydymo nežinodamas kokias sveikatos
problemas reikia spręsti, nes tai gali padaryti daugiau žalos negu atnešti naudos. Tam, kad jas nustatyti
yra daug ir įvairių tyrimų, kuriuos galima atlikti, tačiau to neužtenka. Medicinos specialistai turi
susipažinti, išnagrinėti ir įvertinti gautus tyrimų atsakymus, bei nustatyti diagnozę. Tam gali prireikti
nemažai laiko ir pastangų. Norint sumažinti šių specialistų darbo krūvius, laiką per kurį nustatomi
tyrimų rezultatai ir bendrai pagerinti šios srities efektyvumų, dirbtinio intelekto pagrindu yra kuriami
įrankiai, kurie padėtų tai padaryti. Svarbiausia kūrimo dalis yra įrankyje naudojamų mašininio
mokymosi modelių apmokymas. Norima pabrėžti, kad dažnu atveju modelis apmokomas geriau, jeigu
naudojamas didesnis tinkamų duomenų rinkinys. Tačiau tokių duomenų rinkinių yra nedaug. Ypač
srityje, susijusioje su medicininiais struktūriniais duomenimis. Kurti naujus duomenų rinkinius darosi
vis sunkiau, nes tam yra reikalingi pacientų duomenys, kurie yra saugomi vis griežtesnių...