Difference between revisions of "Code crypté : transmission éphaptique"

Code crypté : transmission éphaptique (view source)

Revision as of 15:42, 6 May 2023

1,521 bytes added , 1 year ago

no edit summary

Luca

Editor, Editors, USER, editor, translator

5,845

edits

@@ Line 26: / Line 26: @@
 == Introduction ==
-In the chapter '[[1° Clinical case: Hemimasticatory spasm - en|1st Clinical case: Hemimasticatory spasm]]' we immediately reached a conclusion bypassing all the cognitive, clinical and scientific process which underlies the diagnostic definition but it is not that simple otherwise our poor patient Mary Poppins would not have had to wait 10 years for the correct diagnosis.<blockquote>It should be emphasized that it is not a question of negligence on the part of clinicians rather of the complexity of 'biological complex systems' and above all of a mindset still anchored to a 'classical probability' which categorizes healthy and diseased phenotypes according to symptoms and signs sampled clinicians instead of probing the 'State' of the system in the temporal evolution. This concept, anticipated in the chapter '[[Logic of medical language: Introduction to quantum-like probability in the masticatory system]]' and in '[[Conclusions on the status quo in the logic of medical language regarding the masticatory system]]' has laid the foundations for a medical language more articulated and less deterministic, mainly focused on the 'State' of the 'Mesoscopic System' whose purpose is, essentially, to decrypt the message in machine language generated by the Central Nervous System as we will assist in the description of other clinical cases that will be reported in the next Masticationpedia chapters. </blockquote>This model, which we propose with the term 'Cognitive Neural Network' abbreviated as 'RNC' is a dynamic cognitive intellectual process of the clinician who interrogates the network for self-training. The 'RNC' is not a 'Machine Learning' because while the latter must be trained by the clinician, with statistical and prediction adjustments, the 'RNC' trains the clinician or rather directs the clinician to the diagnosis while always being questioned following a logical human, hence the term 'cognitive'.
+Dans le chapitre '1er cas clinique : spasme hémimasticatoire' nous sommes immédiatement arrivés à une conclusion contournant tout le processus cognitif, clinique et scientifique qui sous-tend la définition diagnostique mais ce n'est pas si simple sinon notre pauvre patiente Mary Poppins n'aurait pas dû attendre 10 ans pour le bon diagnostic.<blockquote>Il faut souligner qu'il ne s'agit pas d'une négligence des cliniciens mais plutôt de la complexité des "systèmes biologiques complexes" et surtout d'un état d'esprit encore ancré dans une "probabilité classique" qui catégorise les phénotypes sains et malades en fonction des symptômes et signe des cliniciens échantillonnés au lieu de sonder « l'état » du système dans l'évolution temporelle. Ce concept, anticipé dans le chapitre « Logique du langage médical : introduction à la probabilité de type quantique dans le système masticatoire » et dans « Conclusions sur le statu quo dans la logique du langage médical concernant le système masticatoire », a jeté les bases d'une théorie médicale langage plus articulé et moins déterministe, principalement focalisé sur 'l'Etat' du 'Système Mésoscopique' dont le but est, essentiellement, de décrypter le message en langage machine généré par le Système Nerveux Central comme nous allons aider à la description d'autres cas cliniques qui seront rapportés dans les prochains chapitres de Masticationpedia. </blockquote>Ce modèle, que nous proposons sous le terme 'Cognitive Neural Network' en abrégé 'RNC' est un processus intellectuel cognitif dynamique du clinicien qui interroge le réseau pour l'autoformation. Le 'RNC' n'est pas un 'Machine Learning' car alors que ce dernier doit être formé par le clinicien, avec des ajustements statistiques et prédictifs, le 'RNC' forme le clinicien ou plutôt oriente le clinicien vers le diagnostic tout en étant toujours questionné suivant une logique humain, d'où le terme « cognitif ».
-In fact, some classic machine learning models, whose training in the laboratory gives positive results, fail when applied to the real context. This is typically attributed to a mismatch between the datasets the machine was trained with and the data it encounters in the real world. A practical example of this can be represented by the conflict of assertions encountered in the diagnostic process of our patient Mary Poppins between the dental and neurological context which only the support of the coherence demarcator <math>\tau</math>(cognitive process) managed to solve.
+En effet, certains modèles classiques de machine learning, dont l'apprentissage en laboratoire donne des résultats positifs, échouent lorsqu'ils sont appliqués au contexte réel. Cela est généralement attribué à une inadéquation entre les ensembles de données avec lesquels la machine a été entraînée et les données qu'elle rencontre dans le monde réel. Un exemple pratique de ceci peut être représenté par le conflit d'assertions rencontrées dans le processus diagnostique de notre patiente Mary Poppins entre le contexte dentaire et neurologique qui ne supporte que le démarcateur de cohérence <math>\tau</math>(processus cognitif) réussi à résoudre.
-One of the limits of machine learning, therefore, is known as "data shift",<ref>Jérôme Dockès, Gaël Varoquaux, Jean-Baptiste Poline. Preventing dataset shift from breaking machine-learning biomarkers.GigaScience, Volume 10, Issue 9, September 2021, giab055,</ref> or "data movement" and another underlying cause of the failure of some models outside the laboratory, is the "subspecification"<ref>Alexander D’Amour et al. Underspecification Presents Challenges for Credibility in Modern Machine Learning. Journal of Machine Learning Research 23 (2022) 1-61,Submitted 11/20; Revised 12/21; Published 08/22</ref><ref>Damien Teney, Maxime Peyrard, Ehsan Abbasnejad. Predicting Is Not Understanding: Recognizing and Addressing Underspecification in Machine Learning.ECCV 2022: Computer Vision – ECCV 2022 pp 458–476Cite as</ref> so much so that the attempt to build an algorithm-enhanced electronic medical record (EMR) system designed specifically for use in a cancer center, was a notable failure at an estimated cost of $39,000,000 USD. This effort was a 2012 partnership between M.D. Anderson Partners and IBM Watson in Houston, Texas.<ref>Herper M. MD Anderson benches IBM Watson in setback for artificial intelligence in medicine. Forbes. 2017 February 19. [Ref list]</ref> Early promotional news describing the project stated that the plan was to combine genetic data, pathology reports with doctors' notes and relevant journal articles to help doctors come up with diagnoses and treatments. However, five years later, in February 2017, M.D. Anderson announced that he had closed the project because, after several years of trying, he hadn't produced a tool for use with patients that was ready to move beyond pilot testing.{{q2|Fascinating and provocative, explain to me in detail|... the model is essentially simple in its cognitive complexity}}
+L'une des limites de l'apprentissage automatique est donc connue sous le nom de "décalage de données",<ref>Jérôme Dockès, Gaël Varoquaux, Jean-Baptiste Poline. Preventing dataset shift from breaking machine-learning biomarkers.GigaScience, Volume 10, Issue 9, September 2021, giab055,</ref> ou "mouvement de données" et une autre cause sous-jacente de l'échec de certains modèles en dehors du laboratoire, est la "sous-spécification"<ref>Alexander D’Amour et al. Underspecification Presents Challenges for Credibility in Modern Machine Learning. Journal of Machine Learning Research 23 (2022) 1-61,Submitted 11/20; Revised 12/21; Published 08/22</ref><ref>Damien Teney, Maxime Peyrard, Ehsan Abbasnejad. Predicting Is Not Understanding: Recognizing and Addressing Underspecification in Machine Learning.ECCV 2022: Computer Vision – ECCV 2022 pp 458–476Cite as</ref> à tel point que la tentative de construire un système de dossier médical électronique (DME) amélioré par algorithme, conçu spécifiquement pour être utilisé dans un centre de cancérologie, a été un échec notable pour un coût estimé à 39 000 000 USD. Cet effort était un partenariat de 2012 entre M.D. Anderson Partners et IBM Watson à Houston, Texas.<ref>Herper M. MD Anderson benches IBM Watson in setback for artificial intelligence in medicine. Forbes. 2017 February 19. [Ref list]</ref>Les premières nouvelles promotionnelles décrivant le projet indiquaient que le plan était de combiner des données génétiques, des rapports de pathologie avec des notes de médecins et des articles de revues pertinents pour aider les médecins à proposer des diagnostics et des traitements. Cependant, cinq ans plus tard, en février 2017, M.D. Anderson a annoncé qu'il avait clos le projet car, après plusieurs années d'essais, il n'avait pas produit d'outil à utiliser avec les patients qui était prêt à aller au-delà des tests pilotes.{{q2|Fascinant et provocant, expliquez-moi en détail|... le modèle est essentiellement simple dans sa complexité cognitive}}
-In essence, the encrypted machine language message sent out by the Central Nervous System in the 10 years of illness of our patient Mary Poppins was interpreted through verbal language as Orofacial Pain from Temporomandibular Disorders'. We have remarked several times, however, that human verbal language is distorted by vagueness and ambiguity therefore, not being a formal language, such as mathematical language, it can generate diagnostic errors. The message in machine language sent out by the Central Nervous System to be searched for is not pain (pain is a verbal language) but the anomaly of 'System State' in which the organism was in that time period. Hence the shift from the semiotics of the symptom and the clinical sign to the '[[System logic|System Logic]]' which, through 'Systems Theory' models, quantify the system's responses to incoming stimuli, even in healthy subjects.
+Essentiellement, le message crypté en langage machine envoyé par le système nerveux central au cours des 10 années de maladie de notre patiente Mary Poppins a été interprété par le langage verbal comme une douleur orofaciale due à des troubles temporo-mandibulaires. Nous avons remarqué à plusieurs reprises, cependant, que le langage verbal humain est déformé par le flou et l'ambiguïté donc, n'étant pas un langage formel, comme le langage mathématique, il peut générer des erreurs de diagnostic. Le message en langage machine envoyé par le Système Nerveux Central à rechercher n'est pas la douleur (la douleur est un langage verbal) mais l'anomalie de "l'Etat du Système" dans lequel se trouvait l'organisme à cette période de temps. D'où le passage de la sémiotique du symptôme et du signe clinique à la « logique du système » qui, à travers les modèles de la « théorie des systèmes », quantifie les réponses du système aux stimuli entrants, même chez les sujets sains.
-All this is replicated in the proposed 'RNC' model by dividing the process into incoming triggers (Input) and outgoing data (Output) to then be reiterated in a loop managed cognitively by the clinician up to the generation of a single node useful for the definitive diagnosis. The model basically breaks down as follows:
+Tout cela est répliqué dans le modèle 'RNC' proposé en divisant le processus en déclencheurs entrants (Input) et en données sortantes (Output) pour ensuite être réitéré dans une boucle gérée cognitivement par le clinicien jusqu'à la génération d'un nœud unique utile pour la diagnostic définitif. Le modèle se décompose essentiellement comme suit :
+* '''Input''' : Par déclencheur entrant, nous entendons le processus cognitif que le clinicien met en œuvre en fonction des considérations reçues des énoncés précédents, comme cela a été souligné dans les chapitres concernant la « Logique du langage médical ». Dans notre cas, à travers le 'Consistency Demarcator <math>\tau</math>,le contexte neurologique a été défini comme adapté au lieu de celui dentaire poursuivant une explication diagnostique clinique des TMD. Ce déclencheur est d'une importance primordiale car il permet au clinicien de centrer la commande de lancement de l'analyse du réseau qui va connecter un large échantillon de données correspondant au déclencheur défini. A cette commande initiale essentielle, en tant que clé de déchiffrement algorithmique, s'ajoute la dernière commande de fermeture qui est tout aussi importante car elle dépend de l'intuition du clinicien qui considérera le processus de déchiffrement comme terminé. Sur la figure 1, la structure du « RNC » est représentée dans laquelle la différence entre les structures de réseau neuronal plus courantes dans lesquelles la première étape est structurée avec un nombre élevé de variables d'entrée peut être notée. Dans notre 'RNC' la première étape correspond uniquement à un nœud et précisément à la commande d'initialisation de l'analyse réseau appelée 'Consistency Demarcator <math>\tau</math>', les boucles suivantes du réseau, qui permettent au clinicien de terminer ou de réitérer le réseau, (1ère boucle ouverte, 2ème boucle ouverte,......nère boucle ouverte) sont déterminantes pour conclure le processus de déchiffrement ( Code Décrypté ). Cette étape sera expliquée plus en détail plus loin dans le chapitre.
-* '''Input:''' By incoming trigger we mean the cognitive process that the clinician implements as a function of the considerations received from previous statements, as has been pointed out in the chapters concerning the 'Medical language logic'. In our case, through the 'Consistency Demarcator <math>\tau</math>, the neurological context was defined as suitable instead of the dental one pursuing a clinical diagnostic explanation of TMDs. This trigger is of essential importance because it allows the clinician to center the network analysis initiation command which will connect a large sample of data corresponding to the set trigger. To this essential initial command, as an algorithmic decryption key, is added the last closing command which is equally important as it depends on the intuition of the clinician who will consider the decryption process finished. In Figure 1, the structure of the 'RNC' is represented in which the difference between the more common neural network structures in which the first stage is structured with a high number of input variables can be noted. In our 'RNC' the first stage corresponds only to a node and precisely to the network analysis initialization command called 'Consistency Demarcator <math>\tau</math>', the subsequent loops of the network, which allow the clinician to terminate or to reiterate the network, (1st loop open, 2st loop open,...... nst loop open) are decisive for concluding the decryption process ( Decrypted Code ). This step will be explained in more detail later in the chapter.
+[[File:Immagine 17-12-22 alle 11.34.jpeg|center|500x500px|'''Figure 1:'''Représentation graphique du 'RNC' proposée par Masticationpedia|thumb]]
-[[File:Immagine 17-12-22 alle 11.34.jpeg|center|500x500px|'''Figure 1:'''Graphical representation of the 'RNC' proposed by Masticationpedia|thumb]]
 <center></center>
-* '''Output:''' The outgoing data from the network, which substantially correspond to a precise cognitive trigger request, returns a large number of data classified and correlated to the requested keyword. The clinician will have to devote time and concentration to continue decrypting the machine code. In fact, we have witnessed how, following the indications dictated by research criteria such as the 'Research Diagnostic Criteria' (RDC), our patient Mary Poppins was immediately categorized as 'TMDs' and we have also suggested a way to expand diagnostic capabilities in dentistry through a 'fuzzy' model that would allow to range in contexts other than one's own. This shows the complexity in making differential diagnoses and the difficulties in following a classical semiotic roadmap because we are anchored too much to verbal language and too little to a quantum culture of biological systems. This borders on the concept of machine language and initial decryption command that we will briefly explain in the next paragraph.
+* '''Sortie''' : Les données sortantes du réseau, qui correspondent sensiblement à une requête de déclenchement cognitif précise, renvoient un grand nombre de données classées et corrélées au mot-clé demandé. Le clinicien devra consacrer du temps et de la concentration pour continuer à déchiffrer le code machine. En fait, nous avons été témoins de la manière dont, suivant les indications dictées par des critères de recherche tels que les « critères de diagnostic de la recherche » (RDC), notre patiente Mary Poppins a été immédiatement classée dans la catégorie des « TMD » et nous avons également suggéré un moyen d'étendre les capacités de diagnostic dans la dentisterie à travers un modèle « flou » qui permettrait de se situer dans des contextes autres que le sien. Cela montre la complexité à faire des diagnostics différentiels et les difficultés à suivre une feuille de route sémiotique classique car nous sommes trop ancrés au langage verbal et trop peu à une culture quantique des systèmes biologiques. Cela confine à la notion de langage machine et de commande initiale de déchiffrement que nous expliquerons brièvement dans le paragraphe suivant.
-=== Initiation command ===
+=== Commande d'initiation ===
-For a moment let's imagine that the brain speaks the language of a computer and not vice versa as happens in engineering, to distinguish the aforementioned difference between machine language and human verbal language. To write a sentence, a word or a formula, the computer does not use the classic verbal mode (alphabet) or the decimal mode (numbers) with which we write mathematical formulas but its own 'writing' language code called html code for the web . Let's take as an example the writing of a fairly complex formula, it is presented to our brain in the verbal language with which we have learned to read a mathematical equation, in the following form:
+Fou imaginons un instant que le cerveau parle le langage d'un ordinateur et non l'inverse comme c'est le cas en ingénierie, pour distinguer la différence précitée entre le langage machine et le langage verbal humain. Pour écrire une phrase, un mot ou une formule, l'ordinateur n'utilise pas le mode verbal classique (alphabet) ou le mode décimal (chiffres) avec lesquels on écrit des formules mathématiques mais son propre code de langage "d'écriture" appelé code html pour le web . Prenons comme exemple l'écriture d'une formule assez complexe, elle est présentée à notre cerveau dans le langage verbal avec lequel nous avons appris à lire une équation mathématique, sous la forme suivante :
 <blockquote><math>+2\sum_{\alpha_1<\alpha_2}\cos\theta_{\alpha_1\alpha_2}\sqrt{P(A=\alpha_1)P(B=\beta|A=\alpha_1)} P(A=\alpha_2)
-P(B=\beta|a=\alpha_2)</math> and let us imagine, letting our minds wander, that this formula corresponds to the message of the Central Nervous System, as we have anticipated, and in particular in the 'Ephaptic Transmission' still to be decrypted</blockquote>The computer and therefore the brain, for our metaphorical example, does not know verbal language or rather it is only a convention generated to simplify natural communication, rather it has its own one with which to write the formula mentioned and in the wiki text language (with extension .php) looks like this, represented in figure 2:                <blockquote>[[File:Codice mod.png|alt=|center|frame|'''Figura 2:''' Wiki text of a mathematical formula. Note the initialization <nowiki><math> command and the script exit </math></nowiki> command]]
+P(B=\beta|a=\alpha_2)</math>et imaginons, en laissant vagabonder notre esprit, que cette formule corresponde au message du Système Nerveux Central, tel que nous l'avons anticipé, et notamment dans la 'Transmission Ephaptique' encore à décrypter</blockquote>L'ordinateur et donc le cerveau, pour notre exemple métaphorique, ne connaît pas le langage verbal ou plutôt ce n'est qu'une convention générée pour simplifier la communication naturelle, il en a plutôt la sienne avec laquelle écrire la formule mentionnée et dans le langage textuel wiki ( avec l'extension .php) ressemble à ceci, représenté dans la figure 2 :                <blockquote>[[File:Codice mod.png|alt=|center|frame|'''Figura 2:''' Texte wiki d'une formule mathématique. Notez la commande d'initialisation <nowiki><math> et la commande de sortie de script </math></nowiki>]]
-as you can see it has nothing to do with verbal language and in fact, the brain has its own machine language made up not of vowels, consonants and numbers but of action potentials, wave packets, frequencies and amplitudes, electric populations , etc. what we simply observe in an electroencephalographic tracing (EEG) and which represents, precisely, the electromagnetic fields on the scalp of the activity of the dipoles and the cerebral ionic currents that propagate in the encephalic volume. </blockquote>
+comme vous pouvez le voir cela n'a rien à voir avec le langage verbal et en fait, le cerveau a son propre langage machine composé non pas de voyelles, de consonnes et de nombres mais de potentiels d'action, de paquets d'ondes, de fréquences et d'amplitudes, de populations électriques, etc. on observe simplement dans un tracé électroencéphalographique (EEG) et qui représente, précisément, les champs électromagnétiques sur le cuir chevelu de l'activité des dipôles et les courants ioniques cérébraux qui se propagent dans le volume encéphalique. </blockquote>
-The story, however, does not end here because this is a writing language that has nothing to do with the interpreter of computer hardware and therefore with the organic structure of the brain made up of Centers with specialized functions, synaptic, polysynaptic circuitry and other other. This writing language, therefore, derives from a machine language that is not modeled in the command '<nowiki><math>' rather than '+2\sum_{\alpha_1'} but derives from a binary language subsequently converted into html writing code. This is referred to as 'machine language' for both the computer and the brain and can be simulated as follows</nowiki>
+L'histoire, cependant, ne s'arrête pas là car il s'agit d'un langage d'écriture qui n'a rien à voir avec l'interprétation du matériel informatique et donc avec la structure organique du cerveau composée de centres aux fonctions spécialisées, synaptiques, circuits polysynaptiques et autres autres . Ce langage d'écriture dérive donc d'un langage machine qui n'est pas modélisé dans la commande '<nowiki><math>' plutôt que'+2\sum_{\alpha_1'} mais dérive d'un langage binaire converti ultérieurement en code d'écriture html. Ceci est appelé "langage machine" pour l'ordinateur et le cerveau et peut être simulé comme suit</nowiki>
-<blockquote>'''00101011 00110010 01011100 01110011 01110101 01101101''' 01011111 01111011 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00111100 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 01111101 01011100 01100011 01101111 01110011 01011100 01110100 01101000 01100101 01110100 01100001 01011111 01111011 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 01111101 01011100 01110011 01110001 01110010 01110100 01111011 01010000 00101000 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00101001 01010000 00101000 01000010 00111101 01011100 01100010 01100101 01110100 01100001 01111100 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00101001 01111101 00100000 01010000 00101000 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 00101001 00001010 01010000 00101000 01000010 00111101 01011100 01100010 01100101 01110100 01100001 01111100 01100001 00111101 01011100 01100001 '''01101100 01110000 01101000 01100001 01011111 00110010 00101001'''</blockquote><blockquote>But what if the following string 00101011 00110010 01011100 01110011 01110101 01101101 which corresponds to the <nowiki><math> command is not present in this code?  </nowiki></blockquote>The message would be corrupted and the formula would not be generated due to lack of the most important step that of 'Initialization of the command code', as well as if we eliminated the last part of the code 01101100 01110000 01101000 01100001 01011111 00110010 00101001, corresponding to the closure of the script < /math> the formula would remain corrupted and indeterminate.
+<blockquote>'''00101011 00110010 01011100 01110011 01110101 01101101''' 01011111 01111011 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00111100 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 01111101 01011100 01100011 01101111 01110011 01011100 01110100 01101000 01100101 01110100 01100001 01011111 01111011 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 01111101 01011100 01110011 01110001 01110010 01110100 01111011 01010000 00101000 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00101001 01010000 00101000 01000010 00111101 01011100 01100010 01100101 01110100 01100001 01111100 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00101001 01111101 00100000 01010000 00101000 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 00101001 00001010 01010000 00101000 01000010 00111101 01011100 01100010 01100101 01110100 01100001 01111100 01100001 00111101 01011100 01100001 '''01101100 01110000 01101000 01100001 01011111 00110010 00101001'''</blockquote><blockquote>Mais que se passe-t-il si la chaîne suivante 00101011 00110010 01011100 01110011 01110101 01101101qui correspond à la commande <nowiki><math> n'est pas présent dans ce code ?  </nowiki></blockquote>Le message serait corrompu et la formule ne serait pas générée faute de l'étape la plus importante celle de 'Initialisation du code de commande', ainsi que si l'on éliminait la dernière partie du code 01101100 01110000 01101000 01100001 01011111 00110010 00101001, correspondant à la fermeture du script < /math> la formule resterait corrompue et indéterminée.
-In practice, without the initial and final command, the formula is well described in the following form that is understandable to us:
+En pratique, sans la commande initiale et finale, la formule est bien décrite sous la forme suivante qui nous est compréhensible :
 <math>+2\sum_{\alpha_1<\alpha_2}\cos\theta_{\alpha_1\alpha_2}\sqrt{P(A=\alpha_1)P(B=\beta|A=\alpha_1)} P(A=\alpha_2)
 P(B=\beta|a=\alpha_2)</math>
-it would present itself in a way incomprehensible to most people.
+il se présenterait d'une manière incompréhensible pour la plupart des gens.
 +2\sum_{\alpha_1<\alpha_2}\cos\theta_{\alpha_1\alpha_2}\sqrt{P(A=\alpha_1)P(B=\beta|A=\alpha_1)} P(A=\alpha_2) P(B=\beta|a=\alpha_2)
-Just as the lack of part of the binary code corrupts the representation of the formula, similarly the decryption of the machine language of the CNS is a source of vagueness and ambiguity of the verbal language and contextually of diagnostic error.
+De même que l'absence d'une partie du code binaire corrompt la représentation de la formule, de même le décryptage du langage machine du SNC est source de flou et d'ambiguïté du langage verbal et contextuellement d'erreur diagnostique.
-=== Cognitive process ===
+=== Processus cognitif ===
-----The heart of the 'RNC' model lies in the cognitive process referred exclusively to the clinician who is at the helm while the network essentially remains the compass that warns of off course and/or suggests other alternative routes but the decision-making responsibility always refers to the clinician ( human mind). In this simple definition, we will perceive it better at the end of the chapter, the synergism 'Neural network' and 'Human cognitive process' of the clinician will be self-implementing because on the one hand the clinician is trained or better guided by the neural network (database) and this The last one will be trained on the latest updated scientific-clinical event. Basically, the definitive diagnosis will add an additional piece of information to the temporal base knowledge <math>Kb_t</math>. This model differs substantially from 'machine learning' just by observing the two models in their structural configuration (Figures 1 and 3).
+----Le cœur du modèle 'RNC' réside dans le processus cognitif référé exclusivement au clinicien qui est aux manettes alors que le réseau reste essentiellement la boussole qui avertit des dérives et/ou suggère d'autres voies alternatives mais la responsabilité décisionnelle renvoie toujours au clinicien (esprit humain). Dans cette simple définition, on le percevra mieux à la fin du chapitre, la synergie 'Réseau de neurones' et 'Processus cognitif humain' du clinicien sera auto-implémentée car d'une part le clinicien est formé ou mieux guidé par le réseau de neurones (base de données) et ce dernier sera formé sur le dernier événement scientifique-clinique mis à jour. Fondamentalement, le diagnostic définitif ajoutera une information supplémentaire à la connaissance de base temporelle <math>Kb_t</math>. Ce modèle diffère substantiellement du « machine learning » simplement en observant les deux modèles dans leur configuration structurelle (figures 1 et 3).
-[[File:Joim12822-fig-0004-m.jpeg|alt=|left|thumb|200x200px|'''Figure 3:''' Graphic representation of an archetypal ANN in which it can be seen in the first stage of initialization where there are five input nodes<ref name=":1">G S Handelman, H K Kok, R V Chandra, A H Razavi, M J Lee, H Asadi. eDoctor: machine learning and the future of medicine.J Intern Med.2018 Dec;284(6):603-619.doi: 10.1111/joim.12822. Epub 2018 Sep 3.</ref> while in the 'RNC' model the first stage is composed of only one node. Follow text. ]]Figure 3 shows a typical neural network, also known as artificial NNs. These artificial NNs attempt to use multiple layers of calculations to mimic the concept of how the human brain interprets and draws conclusions from information.<ref name=":1" /> NNs are essentially mathematical models designed to handle complex and disparate information, and this algorithm's nomenclature comes from its use of synapse-like "nodes" in the brain.<ref>Schwarzer G, Vach W, Schumacher M. On the misuses of artificial neural networks for prognostic and diagnostic classification in oncology. Stat Med 2000; 19: 541–61.</ref> The learning process of a NN can be supervised or unsupervised. A neural network is said to learn in a supervised manner if the desired output is already targeted and introduced into the network by data training while unsupervised NN has no such pre-identified target outputs and the goal is to group similar units close together in certain areas of the range of values. The supervised module takes data (e.g., symptoms, risk factors, imaging and laboratory findings) for training on known outcomes and searches for different combinations to find the most predictive combination of variables. NN assigns more or less weight to certain combinations of nodes to optimize the predictive performance of the trained model.<ref>Abdi H. A neural network primer. J Biol Syst 1994; 02: 247–81.</ref>
+[[File:Joim12822-fig-0004-m.jpeg|alt=|left|thumb|200x200px|Figure 3 : Représentation graphique d'un ANN archétypal dans lequel on peut le voir dans la première étape d'initialisation où il y a cinq nœuds d'entrée<ref name=":1">G S Handelman, H K Kok, R V Chandra, A H Razavi, M J Lee, H Asadi. eDoctor: machine learning and the future of medicine.J Intern Med.2018 Dec;284(6):603-619.doi: 10.1111/joim.12822. Epub 2018 Sep 3.</ref> tandis que dans le modèle 'RNC' le premier étage est composé d'un seul nœud. Suivez le texte. ]]La figure 3 montre un réseau de neurones typique, également connu sous le nom de NN artificiels. Ces NN artificiels tentent d'utiliser plusieurs couches de calculs pour imiter le concept de la façon dont le cerveau humain interprète et tire des conclusions à partir des informations.<ref name=":1" /> Les NN sont essentiellement des modèles mathématiques conçus pour gérer des informations complexes et disparates, et la nomenclature de cet algorithme provient de son utilisation de "nœuds" de type synapse dans le cerveau..<ref>Schwarzer G, Vach W, Schumacher M. On the misuses of artificial neural networks for prognostic and diagnostic classification in oncology. Stat Med 2000; 19: 541–61.</ref> Le processus d'apprentissage d'un NN peut être supervisé ou non supervisé. On dit qu'un réseau de neurones apprend de manière supervisée si la sortie souhaitée est déjà ciblée et introduite dans le réseau par apprentissage des données alors que le NN non supervisé n'a pas de telles sorties cibles pré-identifiées et l'objectif est de regrouper des unités similaires proches les unes des autres dans certaines zones. de la plage de valeurs. Le module supervisé prend des données (par exemple, symptômes, facteurs de risque, imagerie et résultats de laboratoire) pour la formation sur les résultats connus et recherche différentes combinaisons pour trouver la combinaison de variables la plus prédictive. NN attribue plus ou moins de poids à certaines combinaisons de nœuds pour optimiser les performances prédictives du mode formél.<ref>Abdi H. A neural network primer. J Biol Syst 1994; 02: 247–81.</ref>
-Figure 1, on the other hand, corresponds to the 'RNC' model proposed and it can be seen how the first stage of acquisition is composed of a single node while the 'Machine learning' at the first node, the more incoming variables have the greater the 'Prediction' in exit. As mentioned, it should be taken into account that the first node is of fundamental importance because it already derives from a clinical cognitive process that led the ' <math>\tau</math> Coherence Demarcator' to determine a first-ever choice of field. From the initialization command, therefore, the neural network evolves in a series of states composed of a large number of nodes and then terminates at a first step of one or two nodes and then reiterates in a subsequent loop of several nodes until ending in the 'last conclusive node (decryption of the code). The initialization process of the first node, the last and the reiteration of the loop is exclusive to the human cognitive process of the clinician and not to a statistical automatism of machine learning, much less 'Hidden' stages. All open and closed loops must be known to the clinician.
+La figure 1, en revanche, correspond au modèle 'RNC' proposé et on voit comment la première étape d'acquisition est composée d'un seul nœud alors que le 'Machine learning' au premier nœud, plus les variables entrantes ont le plus la 'Prédiction' en sortie. Comme mentionné, il faut tenir compte du fait que le premier nœud est d'une importance fondamentale car il dérive déjà d'un processus cognitif clinique qui a conduit le' <math>\tau</math>Coherence Demarcator' pour déterminer un tout premier choix de champ. A partir de la commande d'initialisation, donc, le réseau de neurones évolue dans une série d'états composés d'un grand nombre de nœuds puis se termine à un premier pas d'un ou deux nœuds puis réitère dans une boucle ultérieure de plusieurs nœuds jusqu'à se terminer par le ' dernier noeud concluant (déchiffrement du code). Le processus d'initialisation du premier nœud, du dernier et de la réitération de la boucle est exclusif au processus cognitif humain du clinicien et non à un automatisme statistique d'apprentissage automatique, encore moins à des étapes 'cachées'. Toutes les boucles ouvertes et fermées doivent être connues du clinicien.
-For further information on the subject, it is available on Masticationpedia in the chapter '[[An artificially intelligent (or algorithm-enhanced) electronic medical record in orofacial pain]]'
+Pour plus d'informations sur le sujet, il est disponible sur Masticationpedia dans le chapitre 'An artificially intelligent (or algorithm-enhanced) electronic medical record in orofacial pain'
-But let's see in detail how a 'RNC' is built
+Mais voyons en détail comment un 'RNC' est construit
 == Cognitive Neural Network ==