-
1Academic Journal
Authors: A. M. Ziganshin, G. B. Dikke, A. R. Yanbarisova, А. М. Зиганшин, Г. Б. Дикке, А. Р. Янбарисова
Source: Obstetrics, Gynecology and Reproduction; Vol 19, No 2 (2025); 180-191 ; Акушерство, Гинекология и Репродукция; Vol 19, No 2 (2025); 180-191 ; 2500-3194 ; 2313-7347
Subject Terms: прогнозирование риска, leiomyoma, UL, risk factors, prevention, neural network analysis, neural network, multilayer perceptron, risk prediction, лейомиома, ЛМ, факторы риска, профилактика, нейросетевой анализ, нейронная сеть, многослойный перцептрон
File Description: application/pdf
Relation: https://www.gynecology.su/jour/article/view/2427/1319; Саноев Б.А., Ниёзова Г.Ш., Хикматова Н.И. Макро- и микроскопические проявления лейомиомы матки. Новый день в медицине. 2020;30(2):526–8.; Cheng L.-C., Li H.-Y., Gong Q.-Q. et al. Global, regional, and national burden of uterine fibroids in the last 30 years: Estimates from the 1990 to 2019 Global Burden of Disease Study. Front Med. 2022;9:1003605. https://doi.org/10.3389/fmed.2022.1003605.; Giuliani E., As-Sanie S., Marsh E.E. Epidemiology and management of uterine fibroids. Int J Gynaecol Obstet. 2020;149(1):3–9. https://doi.org/10.1002/ijgo.13102.; Адамян Л.В., Сонова М.М., Арсланян К.Н., Логинова О.Н. Современные аспекты комплексного лечения миомы матки. Лечащий врач. 2019;(3):46–50.; Navarro A., Bariani M.V., Yang Q., Al-Hendy A. Understanding the impact of uterine fibroids on human endometrium function. Front Cell Dev Biol. 2021;9:633180. https://doi.org/10.3389/fcell.2021.633180.; Аганезова Н.В., Аганезов С.С., Шило М.М. Миома матки: современные практические аспекты заболевания. Проблемы репродукции. 2022;28(4):97–105. https://doi.org/10.17116/repro20222804197.; Краснопольская К.В., Коган И.Ю. Миома матки и бесплодие: стратегии преодоления: руководство для врачей. М.: ГЭОТАР-Медиа, 2021. 144 с.; Don E.E., Mijatovic V., van Eekelen R., Huirne J.A.F. The effect of myomectomy on reproductive outcomes in patients with uterine fibroids: A retrospective cohort study. Reprod Biomed Online. 2022;45(5):970–8. https://doi.org/10.1016/j.rbmo.2022.05.025.; Gupta J.K., Sinha A.S., Lumsden M.A., Hickey M. Uterine artery embolization for symptomatic uterine fibroids. Cochrane Database Syst Rev. 2014;2014(12):CD005073. https://doi.org/10.1002/14651858.CD005073.pub4.; Стрижаков А.Н., Давыдов А.И., Пашков В.М., Лебедев В.А. Доброкачественные заболевания матки. М.: ГЭОТАР-Медиа, 2011. 288 с.; Штраус Дж.Ф., Барбьери Р.Л., Гарджуло А.Р. Репродуктивная эндокринология Йена и Джаффе. Физиология, патофизиология, клиника, диагностика и лечение. 8-е изд. М.: МИА, 2022. 1200 с.; Sohn G.S., Cho S., Kim Y.M. et al.; Working Group of Society of Uterine Leiomyoma. Current medical treatment of uterine fibroids. Obstet Gynecol Sci. 2018;61(2):192–201. https://doi.org/10.5468/ogs.2018.61.2.192.; Макацария А.Д., Воробьев А.В. Новейшие исследования и клинические практики в области гинекологии и перинатологии. Акушерство, Гинекология и Репродукция. 2024;18(5):620–4. https://doi.org/10.17749/2313-7347/ob.gyn.rep.2024.583.; Клинические рекомендации – Миома матки – 2024-2025-2026 (25.09.2024). М.: Министерство здравоохранения Российской Федерации, 2024. 23 с. Режим доступа: http://disuria.ru/_ld/14/1468_kr24O34p1D39p0M.pdf. [Дата обращения: 03.12.2024].; Srinivas T., Lulseged B., Attari M.M.A. et al. Patient characteristics associated with embolization versus hysterectomy for uterine fibroids: a systematic review and meta-analysis. J Am Coll Radiol. 2024;21(5):729–39. https://doi.org/10.1016/j.jacr.2023.12.018.; Borah B.J., Yao X., Laughlin-Tommaso S.K. et al. Comparative effectiveness of uterine leiomyoma procedures using a large insurance claims database. Obstet Gynecol. 2017;130(5):1047–56. https://doi.org/10.1097/AOG.0000000000002331.; Yang J., Fan X., Gao J. et al. Cost effectiveness analysis of total laparoscopic hysterectomy versus total abdominal hysterectomy for uterine fibroids in Western China: a societal perspective. BMC Health Serv Res. 2022;22(1):252. https://doi.org/10.1186/s12913-022-07644-9.; Stewart E.A. Clinical practice. Uterine fibroids. N Engl J Med. 2015;372(17):1646–55. https://doi.org/10.1056/nejmcp1411029.; MacEachern S.J., Forkert N.D. Machine learning for precision medicine. Genome. 2020;64(4):416–25. https://doi.org/10.1139/gen-2020-0131.; Ratna M.B., Bhattacharya S., Abdulrahim B., McLernon D.J. A systematic review of the quality of clinical prediction models in in vitro fertilisation. Hum Reprod. 2020;35(1):100–16. https://doi.org/10.1093/humrep/dez258.; El Sabeh M., Borahay M. A. The future of uterine fibroid management: a more preventive and personalized paradigm. Reprod Sci. 2021;28(11):3285–8. https://doi.org/10.1007/s43032-021-00618-y.; Wise L.A., Laughlin-Tommaso S.K. Epidemiology of uterine fibroids: from menarche to menopause. Clin Obstet Gynecol. 2016;59(1):2–24. https://doi.org/10.1097/GRF.0000000000000164.; Harmon Q.E., Brasky T.M. Risk factors for uterine fibroids: time to build on what we have learned. Fertil Steril. 2020;114(4):755–6. https://doi.org/10.1016/j.fertnstert.2020.07.059.; Bajwa J., Munir U., Nori A. et al. Artificial intelligence in healthcare: transforming the practice of medicine. Future Healthc J. 2021;8(2):e188–e194. https://doi.org/10.7861/fhj.2021-0095.; Briganti G., Le Moine O. Artificial intelligence in medicine: today and tomorrow. Front Med. 2020;7:509744. https://doi.org/10.3389/fmed.2020.00027.; https://www.gynecology.su/jour/article/view/2427
-
2Academic Journal
Source: Computer Technologies, Automatic Control, Radioelectronics; Том 25, № 2 (2025); 46-54 ; Компьютерные технологии, управление, радиоэлектроника; Том 25, № 2 (2025); 46-54 ; 2409-6571 ; 1991-976X
Subject Terms: phase space projections, qualitative phase space analysis, sliding mode, neural networks, multilayer perceptron, genetic algorithm, проекции фазового пространства, качественный анализ фазового пространства, скользящий режим, нейронные сети, многослойный перцептрон, генетический алгоритм
File Description: application/pdf
-
3Academic Journal
Authors: Shlychkova, E. O., Shevlyakov, А. N.
Subject Terms: МНОГОСЛОЙНЫЙ ПЕРЦЕПТРОН, GENETIC METHOD OF FEATURE SELECTION, ВАЛЕНТНОСТЬ, MULTILAYER PERCEPTRON, КОМПЬЮТЕРНАЯ ИГРА, EMOTION, VALENCE, ЭЭГ, EEG, ЭМОЦИЯ, ЕНЕТИЧЕСКИЙ МЕТОД ОТБОРА ПРИЗНАКОВ, COMPUTER GAME
Access URL: http://elar.urfu.ru/handle/10995/137913
-
4Academic Journal
Subject Terms: психические нарушения, gene polymorphism, дети, children left without parental care, оставшиеся без попечения родителей, социальные сироты, 3. Good health, mental disorders, social orphans, нейросетевой анализ, multilayer perceptron, полиморфизм генов, 10. No inequality, neural network analysis, многослойный перцептрон
-
5Academic Journal
Authors: A. M. Ziganshin, G. B. Dikke, V. A. Mudrov, А. М. Зиганшин, Г. Б. Дикке, В. А. Мудров
Source: Obstetrics, Gynecology and Reproduction; Vol 17, No 2 (2023); 211-220 ; Акушерство, Гинекология и Репродукция; Vol 17, No 2 (2023); 211-220 ; 2500-3194 ; 2313-7347
Subject Terms: многослойный перцептрон, СNP, cephalopelvic disproportion, neural network analysis, neural network, multilayer perceptron, КУТ, краниотазовая диспропорция, нейросетевой анализ, нейронная сеть
File Description: application/pdf
Relation: https://www.gynecology.su/jour/article/view/1652/1106; Мочалова М.Н., Пономарева Ю.Н., Мудров В.А., Мудров А.А. Современные методы диагностики и прогнозирования клинически узкого таза. Журнал акушерства и женских болезней. 2016;65(5):82–91. https://doi.org/10.17816/JOWD65582-91.; Skripchenko N.Ya., Nevyshna Yu.V., Lozova L.А. et al. Current aspects of delivery in healthy women in accordance with the data of retrospective analysis. Wiad Lek. 2021;74(10 pt 1):2463–5. https://doi.org/10.36740/WLek202110118.; Pavličev M., Romero R., Mitteroecker P. Evolution of the human pelvis and obstructed labor: new explanations of an old obstetrical dilemma. Am J Obstet Gynecol. 2020;222(1):3–16. https://doi.org/10.1016/j.ajog.2019.06.043.; Ayenew A.A. Incidence, causes, and maternofetal outcomes of obstructed labor in Ethiopia: systematic review and meta-analysis. Reprod Health. 2021;18(1):61. https://doi.org/10.1186/s12978-021-01103-0.; Мудров В.А., Зиганшин А.М., Якимова А.В. Возможности ранней дифференциальной диагностики между аномалиями родовой деятельности и клинически узким тазом. Лечение и профилактика. 2021;11(3):5–13.; Frémondière P., Thollon L., Adalian P. Et al. Which foetal-pelvic variables are useful for predicting caesarean section and instrumental assistance? Med Princ Pract. 2017;26(4):359–67. https://doi.org/10.1159/000477732.; Stalberg K., Bodestedt A., Lyrenäs S., Axelsson O. A narrow pelvic outlet increases the risk for emergency cesarean section. Acta Obstet Gynecol Scand. 2006;85(7):821–4. https://doi.org/10.1080/00016340600593521.; Korhonen U., Taipale P., Heinonen S. Fetal pelvic index to predict cephalopelvic disproportion – a retrospective clinical cohort study. Acta Obstet Gynecol Scand. 2015;94(6):615–21. https://doi.org/10.1111/aogs.12608.; Мудров В.А., Чацкис Е.М., Нижегородцева Д.А., Тттян Е.В. Роль ультразвуковой пельвиометрии в диагностике анатомически и клинически узкого таза. Журнал акушерства и женских болезней. 2017;66(6):20–9. https://doi.org/10.17816/JOWD66620-29.; Pattinson R.C., Cuthbert A., Vannevel V. Pelvimetry for fetal cephalic presentations at or near term for deciding on mode of delivery. Cochrane Database Syst Rev. 2017;3(3):CD000161. https://doi.org/10.1002/14651858.CD000161.; MacEachern S.J., Forkert N.D. Machine learning for precision medicine. Genome. 2020;64(4):416–25. https://doi.org/10.1139/gen-2020-0131.; Pasini A. Artificial neural networks for small dataset analysis. J Thorac Dis. 2015;7(5):953–60. https://doi.org/10.3978/j.issn.2072-1439.2015.04.61.; Siristatidis C.S., Chrelias C., Pouliakis A. et al. Artificial neural networks in gynaecological diseases: current and potential future applications. Med Sci Monit. 2010;16(10):RA231–6.; Ahn K.H., Lee K.-S. Artificial intelligence in obstetrics. Obstet Gynecol Sci. 2022;65(2):113–24. https://doi.org/10.5468/ogs.21234.; Siristatidis C., Pouliakis A., Chrelias C., Kassanos D. Artificial intelligence in IVF: a need. Syst Biol Reprod Med. 2011;57(4):179–85. https://doi.org/10.3109/19396368.2011.558607.; Curchoe C.L., Bormann C.L. Artificial intelligence and machine learning for human reproduction and embryology presented at ASRM and ESHRE 2018. J Assist Reprod Genet. 2019;36(4):591–600. https://doi.org/10.1007/s10815-019-01408-x.; Dhombres F., Bonnard J., Bailly K. Et al. Contributions of artificial intelligence reported in Obstetrics and Gynecology Journals: systematic review. J Med Internet Res. 2022;24(4):e35465. https://doi.org/10.2196/35465.; Мудров В.А. Алгоритмы статистического анализа данных иомедицинских исследований с помощью пакета программ SPSS (доступным языком): учебное пособие. М.: Логосфера, 2022. 143 c.; Choi R.Y, Coyner A.S., Kalpathy-Cramer J. et al. Introduction to machine learning, neural networks, and deep learning. Transl Vis Sci Technol. 2020;9(2):14. https://doi.org/10.1167/tvst.9.2.14.; Maharaj D. Assessing cephalopelvic disproportion: back to the basics. Obstet Gynecol Surv. 2010;65(6):387–95. https://doi.org/10.1097/OGX.0b013e3181ecdf0c.; Bertini A., Salas R., Chabert S. et al. Using machine learning to predict complications in pregnancy: a systematic review. Front Bioeng Biotechnol. 2022;9:780389. https://doi.org/10.3389/fbioe.2021.780389.; Jaufuraully S., Dromey B., Story L. et al. Magnetic resonance imaging in late pregnancy to improve labour and delivery outcomes – a systematic literature review. BMC Pregnancy Childbirth. 2022;22(1):949. https://doi.org/10.1186/s12884-022-05290-x.; Sarno L., Neola D., Carbone L. et al. Use of artificial intelligence in obstetrics: not quite ready for prime time. Am J Obstet Gynecol MFM. 2022;5(2):100792. https://doi.org/10.1016/j.ajogmf.2022.100792; https://www.gynecology.su/jour/article/view/1652
-
6Academic Journal
Authors: Del, Irina V., Starchenko, Alexander V.
Source: Proceedings of SPIE. 2022. Vol. 12341 : 28th International Symposium on Atmospheric and Ocean Optics: Atmospheric Physics, 2022, Tomsk, Russia. P. 1234166-1-1234166-6
-
7Academic Journal
Authors: Клепикова, Светлана Владимировна
Subject Terms: энергоемкость, априорное ранжирование, корреляционно-регрессионный анализ, генетический алгоритм, многослойный перцептрон, energy intensity, a priori ranking, regression analysis, correlation analysis, neural network, genetic algorithm, multilayer perceptron
File Description: application/pdf
Relation: Клепикова С. В. Применение нейронных сетей в управлении энергоэффективностью предприятия / С. В. Клепикова // Нейро-нечіткі технології моделювання в економіці. – 2018. – № 7. – С. 127-147.; http://repository.kpi.kharkov.ua/handle/KhPI-Press/50434; orcid.org/0000-0002-3218-943X
Availability: http://repository.kpi.kharkov.ua/handle/KhPI-Press/50434
-
8Academic Journal
Authors: Kulyk, V. M., Korotyeyeva, T. O.
Source: Scientific Bulletin of UNFU; Том 27 № 9 (2017): Науковий вісник НЛТУ України; 111-114 ; Научный вестник НЛТУ Украины; Том 27 № 9 (2017): Научный Вестник НЛТУ Украины; 111-114 ; Scientific Bulletin of UNFU; Vol 27 No 9 (2017): Scientific Bulletin of UNFU; 111-114 ; 2519-2477 ; 1994-7836 ; 10.15421/402709
Subject Terms: neural networks, multilayer perceptron, learning algorithm, backpropagation, нейросети, многослойный перцептрон, алгоритм обучения, обратное распространение ошибки, нейромережа, багатошаровий перцептрон, алгоритм навчання, обернене розповсюдження похибки
Relation: https://nv.nltu.edu.ua/index.php/journal/article/view/1392/1529; https://nv.nltu.edu.ua/index.php/journal/article/view/1392
-
9Academic Journal
Subject Terms: априорное ранжирование, energy intensity, neural network, энергоемкость, a priori ranking, correlation analysis, genetic algorithm, генетический алгоритм, multilayer perceptron, корреляционно-регрессионный анализ, многослойный перцептрон, regression analysis
File Description: application/pdf
-
10
-
11
Authors: Lobanov, Andrey, Berdnikov, Yaroslav, Mitrankov, Iurii
Subject Terms: machine learning, дерево решений, decision tree, nuclei collisions, регрессия, случайный лес, regression, multilayer perceptron, 7. Clean energy, машинное обучение, многослойный перцептрон, random forest, столкновение ядер
-
12Academic Journal
-
13Academic Journal
Authors: Сорокин, С., Сорокин, А.
Subject Terms: СКОРИНГ, ПОВЕДЕНЧЕСКИЙ СКОРИНГ, НЕЙРОННЫЕ СЕТИ, МНОГОСЛОЙНЫЙ ПЕРЦЕПТРОН
File Description: text/html
-
14Academic Journal
Source: ScienceRise; Том 5, № 2 (22) (2016); 19-25
Subject Terms: artificial neural networks, training, classification, backpropagation, multilayer perceptron, 0211 other engineering and technologies, искусственные нейронные сети, обучение, классификация, обратное распространение ошибки, многослойный перцептрон, 02 engineering and technology, 0204 chemical engineering, УДК 004.85, 004.89
File Description: application/pdf
-
15Academic Journal
Authors: Мрачковський, О., Правда, В., Турко, С.
Subject Terms: морський клатер, K-розподіл, відношення правдоподібності, ада-птивне виявлення, коваріаційна матриця, багатошаровий перцептрон, нейронні мере-жі, поляриметрична декомпозиція, вектор Паулі, поляриметрична ентропія, параметр Херста, фрактальний аналіз, морской клатер, K-распределение, отношения правдоподобия, адаптивное обнаружение, ковариационная матрица, многослойный перцептрон, ней-ронные сети, поляриметрическая декомпозиция, вектор Паули, поляриметрическая энтропия, фрактальный анализ
File Description: text/html
-
16Academic Journal
Authors: Вороненко, Дмитрий Иванович
Subject Terms: электроэнергетические системы, ЭЭС, автоматизированные системы управления, технологические процессы, региональные координационные центры, РКЦ, многослойный перцептрон, нейросети каскадной корреляции, БД
File Description: application/pdf
Relation: Вороненко Д. И. Информационная система поддержки принятия решения при управлении региональными энергосистемами / Д. И. Вороненко // Вестник Нац. техн. ун-та "ХПИ" : сб. науч. тр. Темат. вып. : Энергетика: надежность и энергоэффективность. – Харьков : НТУ "ХПИ", 2010. – № 45. – С. 62-70.; http://repository.kpi.kharkov.ua/handle/KhPI-Press/26623
Availability: http://repository.kpi.kharkov.ua/handle/KhPI-Press/26623
-
17Academic Journal
Source: Вестник Воронежского государственного университета инженерных технологий.
File Description: text/html
-
18
-
19Academic Journal
Source: Вісник Національного технічного університету України Київський політехнічний інститут. Серія: Радіотехніка. Радіоапаратобудування.
Subject Terms: морський клатер, K-розподіл, відношення правдоподібності, ада-птивне виявлення, коваріаційна матриця, багатошаровий перцептрон, нейронні мере-жі, поляриметрична декомпозиція, вектор Паулі, поляриметрична ентропія, параметр Херста, фрактальний аналіз, морской клатер, K-распределение, отношения правдоподобия, адаптивное обнаружение, ковариационная матрица, многослойный перцептрон, ней-ронные сети, поляриметрическая декомпозиция, вектор Паули, поляриметрическая энтропия, параметр Херста, фрактальный анализ, 14. Life underwater
File Description: text/html
-
20
Authors: Mrachkovsky, O., Pravda, V., Turko, S.
Contributors: ELAKPI
Subject Terms: коваріаційна матриця, likelihood ratio, вектор Паулі, fractal analyses, морський клатер, K-розподіл, нейронні мережі, polarimetric entropy, ковариационная матрица, Hurst parameter, поляриметрична декомпозиція, K-distribution, відношення правдоподібності, multilayer perceptron, нейронные сети, polarimetric decomposition, K-распределение, адаптивне виявлення, многослойный перцептрон, вектор Паули, covariance matrix, Pauli vector, sea clutter, поляриметрическая энтропия, фрактальний аналіз, поляриметрическая декомпозиция, adaptive detection, neural networks, багатошаровий перцептрон, поляриметрична ентропія, отношения правдоподобия, адаптивное обнаружение, параметр Херста, фрактальный анализ, морской клатер
File Description: application/pdf
