Redes Neuronais - Histórico de revisões

Up201501639 em 22h34min de 17 de abril de 2016

2016-04-17T22:34:12Z

← Revisão anterior		Revisão das 23h34min de 17 de abril de 2016
Linha 77:		Linha 77:
	Em 1986 é desenvolvido o algoritmo Back–Propagation que ainda hoje é o algoritmo de aprendizagem mais utilizado.		Em 1986 é desenvolvido o algoritmo Back–Propagation que ainda hoje é o algoritmo de aprendizagem mais utilizado.

	~~Existem imensas~~ aplicações das ~~redes neuronais artificiais entre as quais destacamos:~~		=== Principais aplicações das Redes Neuronais Artificiais ===

	# '''Aplicações climatéricas		# '''Aplicações climatéricas
Linha 85:		Linha 85:
	# '''Classificação de dados		# '''Classificação de dados
	# '''Reconhecimento de padrões (linhas de montagem)		# '''Reconhecimento de padrões (linhas de montagem)
	# ''' Análise de imagens		# '''Análise de imagens
	# ''' Identificação de voz		# '''Identificação de voz
	# ''' Avaliação de crédito		# '''Avaliação de crédito
	# ''' Análise de odor e aromas		# '''Análise de odor e aromas


Linha 96:		Linha 96:


	~~Em termos de arquitectura poderemos classificar as~~ redes neuronais artificiais ~~como:~~		===Arquitectura dass redes neuronais artificiais===

	# '''Adaptação por experiência: a partir de uma apresentação sucessiva de exemplos (padrões, amostras, medidas), ajustam-se os pesos sinápticos da rede. Isso possibilita que a rede aprenda por experimentação.		# '''Adaptação por experiência: a partir de uma apresentação sucessiva de exemplos (padrões, amostras, medidas), ajustam-se os pesos sinápticos da rede. Isso possibilita que a rede aprenda por experimentação.

Up201501639 em 22h28min de 17 de abril de 2016

2016-04-17T22:28:10Z

← Revisão anterior		Revisão das 23h28min de 17 de abril de 2016
Linha 60:		Linha 60:
	As redes neuronais artificiais tiveram um aumento da sua utilização nos últimos anos. Na área médica esse aumento é particularmente visível nos algoritmos de tomada de decisão, com especial enfoque no processo de diagnóstico. Existem inúmeros exemplos onde estas redes já são aplicadas, como é o caso do cancro da próstata <ref name="ref4">X. Hu, H. Cammann, H.-A. Meyer, K. Miller, K. Jung, and C. Stephan (2013) “Artificial neural networks and prostate cancer—tools for diagnosis and management,” Nat. Rev. Urol., feb, vol. 10, no. 3, pp. 174–182.</ref> ou da mama<ref name="ref5"> S. Issac Niwas, P. Palanisamy, R. Chibbar, and W. J. Zhang (2012) “An Expert Support System for Breast Cancer Diagnosis using Color Wavelet Features,” J. Med. Syst., Oct, vol. 36, no. 5, pp. 3091–3102.</ref>, da restrição do crescimento fetal <ref name="ref6"> M. E. Street, M. Buscema, A. Smerieri, L. Montanini, and E. Grossi (2013) “Artificial Neural Networks, and Evolutionary Algorithms as a systems biolo-gy approach to a data-base on fetal growth restriction,” Prog. Biophys. Mol. Biol., Dec., vol. 113, no. 3, pp. 433–438.</ref>, da tuberculose <ref name="ref7">O. Er, F. Temurtas, and A. Ç. Tanrıkulu, (2010) “Tuberculosis Dis-ease Diagnosis Using Artificial Neural Networks,” J. Med. Syst., Jun, vol. 34, no. 3, pp. 299–302, </ref>, ou do diagnóstico de retino-patia diabética <ref name="ref8">S. J. J. Kumar and M. Madheswaran, (2012) “An Improved Medical Decision Support System to Identify the Diabetic Retinopathy Using Fundus Images,” J. Med. Syst., Dec., vol. 36, no. 6, pp. 3573–3581.</ref>		As redes neuronais artificiais tiveram um aumento da sua utilização nos últimos anos. Na área médica esse aumento é particularmente visível nos algoritmos de tomada de decisão, com especial enfoque no processo de diagnóstico. Existem inúmeros exemplos onde estas redes já são aplicadas, como é o caso do cancro da próstata <ref name="ref4">X. Hu, H. Cammann, H.-A. Meyer, K. Miller, K. Jung, and C. Stephan (2013) “Artificial neural networks and prostate cancer—tools for diagnosis and management,” Nat. Rev. Urol., feb, vol. 10, no. 3, pp. 174–182.</ref> ou da mama<ref name="ref5"> S. Issac Niwas, P. Palanisamy, R. Chibbar, and W. J. Zhang (2012) “An Expert Support System for Breast Cancer Diagnosis using Color Wavelet Features,” J. Med. Syst., Oct, vol. 36, no. 5, pp. 3091–3102.</ref>, da restrição do crescimento fetal <ref name="ref6"> M. E. Street, M. Buscema, A. Smerieri, L. Montanini, and E. Grossi (2013) “Artificial Neural Networks, and Evolutionary Algorithms as a systems biolo-gy approach to a data-base on fetal growth restriction,” Prog. Biophys. Mol. Biol., Dec., vol. 113, no. 3, pp. 433–438.</ref>, da tuberculose <ref name="ref7">O. Er, F. Temurtas, and A. Ç. Tanrıkulu, (2010) “Tuberculosis Dis-ease Diagnosis Using Artificial Neural Networks,” J. Med. Syst., Jun, vol. 34, no. 3, pp. 299–302, </ref>, ou do diagnóstico de retino-patia diabética <ref name="ref8">S. J. J. Kumar and M. Madheswaran, (2012) “An Improved Medical Decision Support System to Identify the Diabetic Retinopathy Using Fundus Images,” J. Med. Syst., Dec., vol. 36, no. 6, pp. 3573–3581.</ref>

	A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos ~~(Fig.3)~~. No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. <ref name=ref4 />		A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos . No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. <ref name=ref4 />

	Os modelos de redes neuronais sobre a restrição do crescimento fetal a nível uterino permitiram descobrir o importante papel que a interleucina pró-inflamatória 6 (IL-6), da proteína de ligação ao factor de crescimento tipo insulina 2 (IGFBP-2) e do fator de crescimento tipo insulina II (IGF-II) têm no desenvolvimento desta patologia. Com a aplicação das redes neuronais permitiu sugerir-se que a diminuição de IL-6 e IGFBP-2 poderá levar a um aumento da IGF-II e desta forma evitar o surgimento da restrição do crescimento fetal. <ref name=ref6 />		Os modelos de redes neuronais sobre a restrição do crescimento fetal a nível uterino permitiram descobrir o importante papel que a interleucina pró-inflamatória 6 (IL-6), da proteína de ligação ao factor de crescimento tipo insulina 2 (IGFBP-2) e do fator de crescimento tipo insulina II (IGF-II) têm no desenvolvimento desta patologia. Com a aplicação das redes neuronais permitiu sugerir-se que a diminuição de IL-6 e IGFBP-2 poderá levar a um aumento da IGF-II e desta forma evitar o surgimento da restrição do crescimento fetal. <ref name=ref6 />
Linha 93:		Linha 93:
	Mas como é que tudo se conjuga? E de que maneira as redes neuronais são inteligentes e conseguem aprender e não apenas executar instruções definidas?		Mas como é que tudo se conjuga? E de que maneira as redes neuronais são inteligentes e conseguem aprender e não apenas executar instruções definidas?

	Como já anteriormente referido descrito as redes neuronais artificiais não são mais que um sistema que simula o funcionamento e comportamento do cérebro humano através de processos de aprendizagem e experiência. Através de meios de técnicas computacionais, suportados em modelos matemáticos é possível “treinar” uma rede para por exemplo permitir a classificação de padrões. Podem ser definidas como um conjunto de unidades de processamento, caracterizadas por neurónios artificiais interligados por um grande número de interconexões (sinapses artificiais), que são representadas por vetores/matrizes de pesos sinápticos. Estão inseridas dentro da área conhecida como sistemas inteligentes ou inteligência computacional.		Como já anteriormente referido descrito as redes neuronais artificiais não são mais que um sistema que simula o funcionamento e comportamento do cérebro humano através de processos de aprendizagem e experiência. Através de meios de técnicas computacionais, suportados em modelos matemáticos é possível “treinar” uma rede para por exemplo permitir a classificação de padrões. Podem ser definidas como um conjunto de unidades de processamento, caracterizadas por neurónios artificiais interligados por um grande número de interconexões (sinapses artificiais), que são representadas por vetores/matrizes de pesos sinápticos. Estão inseridas dentro da área conhecida como sistemas inteligentes ou inteligência computacional.<ref name="ref9">Redes Neurais Artificiais para engenharia e ciências aplicadas – Ivan Nunes da Silva/ Danilo Hernane Spatti/ Rogério Andrade Flauzino </ref> <ref name="ref10">CEFAGE – Aplicação das Redes Neuronais Artificiais à Deteção dos Mercados Euronext Mais Rentáveis</ref> <ref name="ref11">Sistemas Inteligentes baseados em Redes Neurais Artificiais aplicados ao Pro-cessamento de Imagens </ref>

Up201501639 em 22h22min de 17 de abril de 2016

2016-04-17T22:22:11Z

← Revisão anterior		Revisão das 23h22min de 17 de abril de 2016
Linha 49:		Linha 49:

	O modelo de neurónio artificial mais simples foi proposto em 1943 por McCulloch & Pitts. Nessa representação, cada neurónio da rede pode ser implementado conforme mostra a figura.		O modelo de neurónio artificial mais simples foi proposto em 1943 por McCulloch & Pitts. Nessa representação, cada neurónio da rede pode ser implementado conforme mostra a figura.

			[[Ficheiro:neuronio_artificial.jpg]]

	Os diversos sinais de entrada advindos do meio externo (aplicação) são espelhados pelo conjunto {x1, x2, …, xn}, que são análogos aos impulsos eléctricos externos captados pelos dendritos no neurónio biológico. As ponderações exercidas pelas junções sinápticas do modelo biológico são representadas no neurónio artificial pelo conjunto de pesos sinápticos {w1, w2, …, w3}. A relevância de cada uma das entradas {xi} do neurónio é então executada através de multiplicações pelo respectivo peso {wi}. Assim, torna-se possível verificar que a saída do corpo celular artificial, denotado por u, é a soma ponderada de suas entradas.		Os diversos sinais de entrada advindos do meio externo (aplicação) são espelhados pelo conjunto {x1, x2, …, xn}, que são análogos aos impulsos eléctricos externos captados pelos dendritos no neurónio biológico. As ponderações exercidas pelas junções sinápticas do modelo biológico são representadas no neurónio artificial pelo conjunto de pesos sinápticos {w1, w2, …, w3}. A relevância de cada uma das entradas {xi} do neurónio é então executada através de multiplicações pelo respectivo peso {wi}. Assim, torna-se possível verificar que a saída do corpo celular artificial, denotado por u, é a soma ponderada de suas entradas.

Up201501639 em 22h18min de 17 de abril de 2016

2016-04-17T22:18:24Z

← Revisão anterior		Revisão das 23h18min de 17 de abril de 2016
Linha 60:		Linha 60:
	A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos (Fig.3). No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. <ref name=ref4 />		A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos (Fig.3). No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. <ref name=ref4 />

	Os modelos de redes neuronais sobre a restrição do crescimento fetal a nível uterino permitiram descobrir o importante papel que a interleucina pró-inflamatória 6 (IL-6), da proteína de ligação ao factor de crescimento tipo insulina 2 (IGFBP-2) e do fator de crescimento tipo insulina II (IGF-II) têm no desenvolvimento desta patologia. Com a aplicação das redes neuronais permitiu sugerir-se que a diminuição de IL-6 e IGFBP-2 poderá levar a um aumento da IGF-II e desta forma evitar o surgimento da restrição do crescimento fetal. <ref name="ref6">		Os modelos de redes neuronais sobre a restrição do crescimento fetal a nível uterino permitiram descobrir o importante papel que a interleucina pró-inflamatória 6 (IL-6), da proteína de ligação ao factor de crescimento tipo insulina 2 (IGFBP-2) e do fator de crescimento tipo insulina II (IGF-II) têm no desenvolvimento desta patologia. Com a aplicação das redes neuronais permitiu sugerir-se que a diminuição de IL-6 e IGFBP-2 poderá levar a um aumento da IGF-II e desta forma evitar o surgimento da restrição do crescimento fetal. <ref name=ref6 />

	Os modelos desenvolvidos para a tuberculose estão por sua vez direcionados com o diagnóstico (Fig. 4). E uma taxa de precisão de aproximadamente 93%. <ref name=ref7 />		Os modelos desenvolvidos para a tuberculose estão por sua vez direcionados com o diagnóstico (Fig. 4). E uma taxa de precisão de aproximadamente 93%. <ref name=ref7 />

Up201501639 em 22h17min de 17 de abril de 2016

2016-04-17T22:17:14Z

← Revisão anterior		Revisão das 23h17min de 17 de abril de 2016
Linha 58:		Linha 58:
	As redes neuronais artificiais tiveram um aumento da sua utilização nos últimos anos. Na área médica esse aumento é particularmente visível nos algoritmos de tomada de decisão, com especial enfoque no processo de diagnóstico. Existem inúmeros exemplos onde estas redes já são aplicadas, como é o caso do cancro da próstata <ref name="ref4">X. Hu, H. Cammann, H.-A. Meyer, K. Miller, K. Jung, and C. Stephan (2013) “Artificial neural networks and prostate cancer—tools for diagnosis and management,” Nat. Rev. Urol., feb, vol. 10, no. 3, pp. 174–182.</ref> ou da mama<ref name="ref5"> S. Issac Niwas, P. Palanisamy, R. Chibbar, and W. J. Zhang (2012) “An Expert Support System for Breast Cancer Diagnosis using Color Wavelet Features,” J. Med. Syst., Oct, vol. 36, no. 5, pp. 3091–3102.</ref>, da restrição do crescimento fetal <ref name="ref6"> M. E. Street, M. Buscema, A. Smerieri, L. Montanini, and E. Grossi (2013) “Artificial Neural Networks, and Evolutionary Algorithms as a systems biolo-gy approach to a data-base on fetal growth restriction,” Prog. Biophys. Mol. Biol., Dec., vol. 113, no. 3, pp. 433–438.</ref>, da tuberculose <ref name="ref7">O. Er, F. Temurtas, and A. Ç. Tanrıkulu, (2010) “Tuberculosis Dis-ease Diagnosis Using Artificial Neural Networks,” J. Med. Syst., Jun, vol. 34, no. 3, pp. 299–302, </ref>, ou do diagnóstico de retino-patia diabética <ref name="ref8">S. J. J. Kumar and M. Madheswaran, (2012) “An Improved Medical Decision Support System to Identify the Diabetic Retinopathy Using Fundus Images,” J. Med. Syst., Dec., vol. 36, no. 6, pp. 3573–3581.</ref>		As redes neuronais artificiais tiveram um aumento da sua utilização nos últimos anos. Na área médica esse aumento é particularmente visível nos algoritmos de tomada de decisão, com especial enfoque no processo de diagnóstico. Existem inúmeros exemplos onde estas redes já são aplicadas, como é o caso do cancro da próstata <ref name="ref4">X. Hu, H. Cammann, H.-A. Meyer, K. Miller, K. Jung, and C. Stephan (2013) “Artificial neural networks and prostate cancer—tools for diagnosis and management,” Nat. Rev. Urol., feb, vol. 10, no. 3, pp. 174–182.</ref> ou da mama<ref name="ref5"> S. Issac Niwas, P. Palanisamy, R. Chibbar, and W. J. Zhang (2012) “An Expert Support System for Breast Cancer Diagnosis using Color Wavelet Features,” J. Med. Syst., Oct, vol. 36, no. 5, pp. 3091–3102.</ref>, da restrição do crescimento fetal <ref name="ref6"> M. E. Street, M. Buscema, A. Smerieri, L. Montanini, and E. Grossi (2013) “Artificial Neural Networks, and Evolutionary Algorithms as a systems biolo-gy approach to a data-base on fetal growth restriction,” Prog. Biophys. Mol. Biol., Dec., vol. 113, no. 3, pp. 433–438.</ref>, da tuberculose <ref name="ref7">O. Er, F. Temurtas, and A. Ç. Tanrıkulu, (2010) “Tuberculosis Dis-ease Diagnosis Using Artificial Neural Networks,” J. Med. Syst., Jun, vol. 34, no. 3, pp. 299–302, </ref>, ou do diagnóstico de retino-patia diabética <ref name="ref8">S. J. J. Kumar and M. Madheswaran, (2012) “An Improved Medical Decision Support System to Identify the Diabetic Retinopathy Using Fundus Images,” J. Med. Syst., Dec., vol. 36, no. 6, pp. 3573–3581.</ref>

	A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos (Fig.3). No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. <ref name="ref4">		A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos (Fig.3). No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. <ref name=ref4 />

	Os modelos de redes neuronais sobre a restrição do crescimento fetal a nível uterino permitiram descobrir o importante papel que a interleucina pró-inflamatória 6 (IL-6), da proteína de ligação ao factor de crescimento tipo insulina 2 (IGFBP-2) e do fator de crescimento tipo insulina II (IGF-II) têm no desenvolvimento desta patologia. Com a aplicação das redes neuronais permitiu sugerir-se que a diminuição de IL-6 e IGFBP-2 poderá levar a um aumento da IGF-II e desta forma evitar o surgimento da restrição do crescimento fetal. <ref name="ref6">		Os modelos de redes neuronais sobre a restrição do crescimento fetal a nível uterino permitiram descobrir o importante papel que a interleucina pró-inflamatória 6 (IL-6), da proteína de ligação ao factor de crescimento tipo insulina 2 (IGFBP-2) e do fator de crescimento tipo insulina II (IGF-II) têm no desenvolvimento desta patologia. Com a aplicação das redes neuronais permitiu sugerir-se que a diminuição de IL-6 e IGFBP-2 poderá levar a um aumento da IGF-II e desta forma evitar o surgimento da restrição do crescimento fetal. <ref name="ref6">

	Os modelos desenvolvidos para a tuberculose estão por sua vez direcionados com o diagnóstico (Fig. 4). E uma taxa de precisão de aproximadamente 93%. <ref name="ref7">		Os modelos desenvolvidos para a tuberculose estão por sua vez direcionados com o diagnóstico (Fig. 4). E uma taxa de precisão de aproximadamente 93%. <ref name=ref7 />

	A utilização de redes neuronais na retinopatia diabética permitiu o desenvolvimento e validação do diagnóstico através da análise de várias imagens da retina. Desta forma, o sistema pode ser utilizado como um auxílio na prática clínica, funcionando como um observador secundário que ajuda na árvore de decisão clínica da retinopatia diabética.<ref name="ref8">		A utilização de redes neuronais na retinopatia diabética permitiu o desenvolvimento e validação do diagnóstico através da análise de várias imagens da retina. Desta forma, o sistema pode ser utilizado como um auxílio na prática clínica, funcionando como um observador secundário que ajuda na árvore de decisão clínica da retinopatia diabética.<ref name=ref8 />

Up201501639 em 22h15min de 17 de abril de 2016

2016-04-17T22:15:23Z

← Revisão anterior		Revisão das 23h15min de 17 de abril de 2016
Linha 58:		Linha 58:
	As redes neuronais artificiais tiveram um aumento da sua utilização nos últimos anos. Na área médica esse aumento é particularmente visível nos algoritmos de tomada de decisão, com especial enfoque no processo de diagnóstico. Existem inúmeros exemplos onde estas redes já são aplicadas, como é o caso do cancro da próstata <ref name="ref4">X. Hu, H. Cammann, H.-A. Meyer, K. Miller, K. Jung, and C. Stephan (2013) “Artificial neural networks and prostate cancer—tools for diagnosis and management,” Nat. Rev. Urol., feb, vol. 10, no. 3, pp. 174–182.</ref> ou da mama<ref name="ref5"> S. Issac Niwas, P. Palanisamy, R. Chibbar, and W. J. Zhang (2012) “An Expert Support System for Breast Cancer Diagnosis using Color Wavelet Features,” J. Med. Syst., Oct, vol. 36, no. 5, pp. 3091–3102.</ref>, da restrição do crescimento fetal <ref name="ref6"> M. E. Street, M. Buscema, A. Smerieri, L. Montanini, and E. Grossi (2013) “Artificial Neural Networks, and Evolutionary Algorithms as a systems biolo-gy approach to a data-base on fetal growth restriction,” Prog. Biophys. Mol. Biol., Dec., vol. 113, no. 3, pp. 433–438.</ref>, da tuberculose <ref name="ref7">O. Er, F. Temurtas, and A. Ç. Tanrıkulu, (2010) “Tuberculosis Dis-ease Diagnosis Using Artificial Neural Networks,” J. Med. Syst., Jun, vol. 34, no. 3, pp. 299–302, </ref>, ou do diagnóstico de retino-patia diabética <ref name="ref8">S. J. J. Kumar and M. Madheswaran, (2012) “An Improved Medical Decision Support System to Identify the Diabetic Retinopathy Using Fundus Images,” J. Med. Syst., Dec., vol. 36, no. 6, pp. 3573–3581.</ref>		As redes neuronais artificiais tiveram um aumento da sua utilização nos últimos anos. Na área médica esse aumento é particularmente visível nos algoritmos de tomada de decisão, com especial enfoque no processo de diagnóstico. Existem inúmeros exemplos onde estas redes já são aplicadas, como é o caso do cancro da próstata <ref name="ref4">X. Hu, H. Cammann, H.-A. Meyer, K. Miller, K. Jung, and C. Stephan (2013) “Artificial neural networks and prostate cancer—tools for diagnosis and management,” Nat. Rev. Urol., feb, vol. 10, no. 3, pp. 174–182.</ref> ou da mama<ref name="ref5"> S. Issac Niwas, P. Palanisamy, R. Chibbar, and W. J. Zhang (2012) “An Expert Support System for Breast Cancer Diagnosis using Color Wavelet Features,” J. Med. Syst., Oct, vol. 36, no. 5, pp. 3091–3102.</ref>, da restrição do crescimento fetal <ref name="ref6"> M. E. Street, M. Buscema, A. Smerieri, L. Montanini, and E. Grossi (2013) “Artificial Neural Networks, and Evolutionary Algorithms as a systems biolo-gy approach to a data-base on fetal growth restriction,” Prog. Biophys. Mol. Biol., Dec., vol. 113, no. 3, pp. 433–438.</ref>, da tuberculose <ref name="ref7">O. Er, F. Temurtas, and A. Ç. Tanrıkulu, (2010) “Tuberculosis Dis-ease Diagnosis Using Artificial Neural Networks,” J. Med. Syst., Jun, vol. 34, no. 3, pp. 299–302, </ref>, ou do diagnóstico de retino-patia diabética <ref name="ref8">S. J. J. Kumar and M. Madheswaran, (2012) “An Improved Medical Decision Support System to Identify the Diabetic Retinopathy Using Fundus Images,” J. Med. Syst., Dec., vol. 36, no. 6, pp. 3573–3581.</ref>

	A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos (Fig.3). No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. ~~[4]~~		A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos (Fig.3). No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. <ref name="ref4">

	Os modelos de redes neuronais sobre a restrição do crescimento fetal a nível uterino permitiram descobrir o importante papel que a interleucina pró-inflamatória 6 (IL-6), da proteína de ligação ao factor de crescimento tipo insulina 2 (IGFBP-2) e do fator de crescimento tipo insulina II (IGF-II) têm no desenvolvimento desta patologia. Com a aplicação das redes neuronais permitiu sugerir-se que a diminuição de IL-6 e IGFBP-2 poderá levar a um aumento da IGF-II e desta forma evitar o surgimento da restrição do crescimento fetal. ~~[6]~~		Os modelos de redes neuronais sobre a restrição do crescimento fetal a nível uterino permitiram descobrir o importante papel que a interleucina pró-inflamatória 6 (IL-6), da proteína de ligação ao factor de crescimento tipo insulina 2 (IGFBP-2) e do fator de crescimento tipo insulina II (IGF-II) têm no desenvolvimento desta patologia. Com a aplicação das redes neuronais permitiu sugerir-se que a diminuição de IL-6 e IGFBP-2 poderá levar a um aumento da IGF-II e desta forma evitar o surgimento da restrição do crescimento fetal. <ref name="ref6">

	Os modelos desenvolvidos para a tuberculose estão por sua vez direcionados com o diagnóstico (Fig. 4). E uma taxa de precisão de aproximadamente 93%. ~~[7]~~		Os modelos desenvolvidos para a tuberculose estão por sua vez direcionados com o diagnóstico (Fig. 4). E uma taxa de precisão de aproximadamente 93%. <ref name="ref7">
	A utilização de redes neuronais na retinopatia diabética permitiu o desenvolvimento e validação do diagnóstico através da análise de várias imagens da retina. Desta forma, o sistema pode ser utilizado como um auxílio na prática clínica, funcionando como um observador secundário que ajuda na árvore de decisão clínica da retinopatia diabética.~~[8]~~
			A utilização de redes neuronais na retinopatia diabética permitiu o desenvolvimento e validação do diagnóstico através da análise de várias imagens da retina. Desta forma, o sistema pode ser utilizado como um auxílio na prática clínica, funcionando como um observador secundário que ajuda na árvore de decisão clínica da retinopatia diabética.<ref name="ref8">

Up201501639 em 22h11min de 17 de abril de 2016

2016-04-17T22:11:55Z

← Revisão anterior		Revisão das 23h11min de 17 de abril de 2016
Linha 56:		Linha 56:


	As redes neuronais artificiais tiveram um aumento da sua utilização nos últimos anos. Na área médica esse aumento é particularmente visível nos algoritmos de tomada de decisão, com especial enfoque no processo de diagnóstico. Existem inúmeros exemplos onde estas redes já são aplicadas, como é o caso do cancro da próstata <ref name="ref4">X. Hu, H. Cammann, H.-A. Meyer, K. Miller, K. Jung, and C. Stephan (2013) “Artificial neural networks and prostate cancer—tools for diagnosis and management,” Nat. Rev. Urol., feb, vol. 10, no. 3, pp. 174–182.</ref> ou da mama[5], da restrição do crescimento fetal~~[6]~~, da tuberculose~~[7]~~, ou do diagnóstico de retino-patia diabética~~[8]~~.		As redes neuronais artificiais tiveram um aumento da sua utilização nos últimos anos. Na área médica esse aumento é particularmente visível nos algoritmos de tomada de decisão, com especial enfoque no processo de diagnóstico. Existem inúmeros exemplos onde estas redes já são aplicadas, como é o caso do cancro da próstata <ref name="ref4">X. Hu, H. Cammann, H.-A. Meyer, K. Miller, K. Jung, and C. Stephan (2013) “Artificial neural networks and prostate cancer—tools for diagnosis and management,” Nat. Rev. Urol., feb, vol. 10, no. 3, pp. 174–182.</ref> ou da mama<ref name="ref5"> S. Issac Niwas, P. Palanisamy, R. Chibbar, and W. J. Zhang (2012) “An Expert Support System for Breast Cancer Diagnosis using Color Wavelet Features,” J. Med. Syst., Oct, vol. 36, no. 5, pp. 3091–3102.</ref>, da restrição do crescimento fetal <ref name="ref6"> M. E. Street, M. Buscema, A. Smerieri, L. Montanini, and E. Grossi (2013) “Artificial Neural Networks, and Evolutionary Algorithms as a systems biolo-gy approach to a data-base on fetal growth restriction,” Prog. Biophys. Mol. Biol., Dec., vol. 113, no. 3, pp. 433–438.</ref>, da tuberculose <ref name="ref7">O. Er, F. Temurtas, and A. Ç. Tanrıkulu, (2010) “Tuberculosis Dis-ease Diagnosis Using Artificial Neural Networks,” J. Med. Syst., Jun, vol. 34, no. 3, pp. 299–302, </ref>, ou do diagnóstico de retino-patia diabética <ref name="ref8">S. J. J. Kumar and M. Madheswaran, (2012) “An Improved Medical Decision Support System to Identify the Diabetic Retinopathy Using Fundus Images,” J. Med. Syst., Dec., vol. 36, no. 6, pp. 3573–3581.</ref>

	A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos (Fig.3). No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. [4]		A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos (Fig.3). No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. [4]

Up201501639 em 22h05min de 17 de abril de 2016

2016-04-17T22:05:45Z

← Revisão anterior		Revisão das 23h05min de 17 de abril de 2016
Linha 56:		Linha 56:


	As redes neuronais artificiais tiveram um aumento da sua utilização nos últimos anos. Na área médica esse aumento é particularmente visível nos algoritmos de tomada de decisão, com especial enfoque no processo de diagnóstico. Existem inúmeros exemplos onde estas redes já são aplicadas, como é o caso do cancro da próstata~~[4]~~ ou da mama[5], da restrição do crescimento fetal[6], da tuberculose[7], ou do diagnóstico de retino-patia diabética[8].		As redes neuronais artificiais tiveram um aumento da sua utilização nos últimos anos. Na área médica esse aumento é particularmente visível nos algoritmos de tomada de decisão, com especial enfoque no processo de diagnóstico. Existem inúmeros exemplos onde estas redes já são aplicadas, como é o caso do cancro da próstata <ref name="ref4">X. Hu, H. Cammann, H.-A. Meyer, K. Miller, K. Jung, and C. Stephan (2013) “Artificial neural networks and prostate cancer—tools for diagnosis and management,” Nat. Rev. Urol., feb, vol. 10, no. 3, pp. 174–182.</ref> ou da mama[5], da restrição do crescimento fetal[6], da tuberculose[7], ou do diagnóstico de retino-patia diabética[8].

	A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos (Fig.3). No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. [4]		A nível do cancro da próstata as redes neuronais artificiais têm sido usadas essencialmente para a o diagnóstico e estadiamento da doença. A nível do diagnóstico a eficácia das redes neuronais comparativamente a regressão logística é pouco superior. Contudo, a sua eficácia pode aumentar com a inclusão de novos marcadores ou de padrões ecográficos (Fig.3). No processo de estadiamento do cancro da próstata as redes neuronais têm melhores resultados do que os programas baseados em regressão logística, ou do que tabelas de consulta. Foram desenvolvidos estudos para a sua utilização a nível da avaliação do risco, da escolha do tratamento e da predição de recorrência após o tratamento, porém os resultados não são tão positivos. [4]

Up201501639 em 18h43min de 16 de abril de 2016

2016-04-16T18:43:08Z

← Revisão anterior		Revisão das 19h43min de 16 de abril de 2016
Linha 77:		Linha 77:

	# '''Aplicações climatéricas		# '''Aplicações climatéricas
	Análise de mercado financeiro		# '''Análise de mercado financeiro
	Robótica		# '''Robótica
	Identificação de fraude em cartões de crédito		# '''Identificação de fraude em cartões de crédito
	Classificação de dados		# '''Classificação de dados
	Reconhecimento de padrões (linhas de montagem)		# '''Reconhecimento de padrões (linhas de montagem)
	Análise de imagens		# ''' Análise de imagens
	Identificação de voz		# ''' Identificação de voz
	Avaliação de crédito		# ''' Avaliação de crédito
	Análise de odor e aromas		# ''' Análise de odor e aromas


Linha 95:		Linha 95:
	Em termos de arquitectura poderemos classificar as redes neuronais artificiais como:		Em termos de arquitectura poderemos classificar as redes neuronais artificiais como:

	Adaptação por experiência: a partir de uma apresentação sucessiva de exemplos (padrões, amostras, medidas), ajustam-se os pesos sinápticos da rede. Isso possibilita que a rede aprenda por experimentação.		# '''Adaptação por experiência: a partir de uma apresentação sucessiva de exemplos (padrões, amostras, medidas), ajustam-se os pesos sinápticos da rede. Isso possibilita que a rede aprenda por experimentação.
	Capacidade de aprendizagem: através de método de treino, a rede consegue relacionar as variáveis que constituem o proces-so.		# '''Capacidade de aprendizagem: através de método de treino, a rede consegue relacionar as variáveis que constituem o proces-so.
	Habilidade de generalização: após o treino, a rede consegue generalizar o conhecimento, estimando soluções até então desconhecidas.		# '''Habilidade de generalização: após o treino, a rede consegue generalizar o conhecimento, estimando soluções até então desconhecidas.
	Tolerância a falhas: como possui várias interconexões, torna-se tolerante a falha.		# '''Tolerância a falhas: como possui várias interconexões, torna-se tolerante a falha.
	Facilidade de prototipagem: implementar uma arquitetura neural pode ser facilmente transformada num protótipo de hardware ou software,		# '''Facilidade de prototipagem: implementar uma arquitetura neural pode ser facilmente transformada num protótipo de hardware ou software,
	pois após o treinamento, os resultados são, geralmente, obtidos por operações matemáticas elementares.		pois após o treinamento, os resultados são, geralmente, obtidos por operações matemáticas elementares.

Up201501639 em 18h41min de 16 de abril de 2016

2016-04-16T18:41:40Z

← Revisão anterior		Revisão das 19h41min de 16 de abril de 2016
Linha 76:		Linha 76:
	Existem imensas aplicações das redes neuronais artificiais entre as quais destacamos:		Existem imensas aplicações das redes neuronais artificiais entre as quais destacamos:

	# '''Aplicações climatéricas		# '''Aplicações climatéricas
	Análise de mercado financeiro		Análise de mercado financeiro
	Robótica		Robótica