Santrauka
Tikslas - įvertinti dirbtinio neuroninio tinklo galimybes nustatyti atvejus su navikine patologija ir potencialą optimizuoti patologijos diagnostiką.
Tyrimo metodai. Gimdos kūno endometrioidinės adenokarcinomos diagnozės prognozavimas vertintas sukuriant dirbtinio neuroninio tinklo, logistinės regresijos, kriterijų sistemos prognostinius modelius. Potencialas prognozuoti adenokarcinomos diagnozę vertintas analizuojant 416 tiriamąsias, kurioms atlikta pilnutinė histerektomija ir rezekuotų audinių patologijos tyrimas Lietuvos sveikatos mokslų universiteto ligoninės Kauno klinikų Patologinės anatomijos klinikoje. Teorinių modelių prognostinis potencialas vertintas pagal plotą po kreive (ROC kreivės). Cohen kapa koeficientu vertintas modelių rezultatų sutapimas su patologijos tyrimo išvadomis.
Rezultatai. Logistinės regresijos modelis tiksliau nei kriterijų sistemos modelis prognozavo endometrioidinės adenokarcinomos diagnozę (AUC = 0,842; k = 0,55, 95 % PI 0,458-0,642; p < 0,001). Endometrioidinės adenokarcinomos diagnozę tiksliausiai prognozavo dirbtinio neuroninio tinklo modelis (AUC = 0,908; k = 0,594, 95 % PI 0,504-0,684; p < 0,001).
Išvados. Patologijos diagnozės prognozavimo tikslumas tarp skirtingų informacijos apdorojimo taktikų nebuvo vienodas. Ateityje dirbtinis intelektas gali būti naudojamas unikaliems struktūriniams pokyčiams ir jų deriniams nustatyti, kuriant naujus diagnostikos metodus. Dirbtinio intelekto sistemos naudingos siekiant optimizuoti patologijos diagnostiką ir pasiekti didžiausią tikslumą.
