Perceptron multistrat

(categorie: inteligență artificială)

Perceptronul multistrat este cel mai simplu tip de rețea neurală: straturi de unități complet conectate, în care informația curge într-o singură direcție, de la intrare spre ieșire, fără bucle.

Este arhitectura folosită când datele sunt un tabel de valori numerice, fără structură spațială sau temporală, și modelul de rețea neurală testat în studiul din 2026 privind pancreatita acută.

Cum funcționează

Structura are trei componente: un strat de intrare cu câte o unitate pentru fiecare variabilă, unul sau mai multe straturi ascunse și un strat de ieșire care produce rezultatul. În studiul din 2026, rețeaua avea două straturi ascunse.

Fiecare unitate dintr-un strat este conectată la toate unitățile din stratul următor — de unde denumirea de complet conectat. Fiecare conexiune are o greutate proprie, iar numărul total de parametri crește rapid cu dimensiunea straturilor.

Funcția neliniară aplicată de fiecare unitate este esențială. Fără ea, oricâte straturi ar exista, modelul ar fi echivalent cu o simplă combinație liniară a variabilelor. Neliniaritatea este ceea ce permite reprezentarea relațiilor complexe.

Limita pe date tabelare mici ține de eficiența învățării. Pentru a găsi un prag — riscul crește peste o anumită valoare a ureei —, o rețea trebuie să aproximeze acea discontinuitate prin combinații de funcții continue, ceea ce necesită multe exemple. Un arbore de decizie găsește pragul direct.

Rezultate și poziție

Rezultatul în studiul din 2026

Arie sub curba ROC de 0,772, cu interval de încredere 0,705–0,839 — sub toți cei trei algoritmi bazați pe arbori, dar peste regresia logistică și peste mașina cu vectori suport.

Cea mai bună calibrare dintre modelele de învățare automată

Panta de calibrare de 0,440, mai bună decât 0,300 pentru XGBoost și 0,291 pentru LightGBM, deși încă departe de valoarea ideală de 1.

Sensibilitate bună la pragul de 20%

0,667, egală cu cea a random forest, dar cu precizie mică, 0,275, deci cu multe alarme false.

Flexibilitate mare, avantaj mic

Poate reprezenta relații complexe, dar pe date tabelare mici această capacitate nu se traduce în performanță.

Relevanță clinică

Poziția intermediară a acestui model este instructivă. A depășit metodele liniare — regresia logistică cu 0,749 și mașina cu vectori suport cu 0,665 —, ceea ce confirmă că relațiile din date nu sunt liniare. Dar a fost depășit de arbori, ceea ce arată că neliniaritatea din date este de tip prag, nu de tip curbă netedă.

Detaliul privind calibrarea merită remarcat. Perceptronul a avut o pantă de 0,440, mai bună decât algoritmii de tip boosting. Tendința spre predicții extreme este mai pronunțată la aceștia din urmă, iar recalibrarea le este mai necesară.

Autorii au ales să testeze șase familii de algoritmi, plus scorul BISAP, exact pentru a putea trage astfel de concluzii. O comparație cu un singur algoritm nu ar fi permis identificarea tipului de relație prezent în date.

Aceasta este o calitate metodologică notabilă. Analiza sistematică din 2025 a arătat că multe studii de învățare automată pentru pancreatita acută nu fac comparații adecvate, ceea ce face imposibilă judecarea alegerii algoritmului.

Pentru un cititor, perceptronul multistrat este exemplul unui model care are, teoretic, capacitatea de a reprezenta orice relație — și care, practic, pierde în fața unei metode mult mai simple, pentru că datele nu sunt de tipul care îi pune capacitatea în valoare.

Ce trebuie raportat

Numărul de straturi ascunse și de unități per strat.

Funcțiile de activare și metoda de optimizare folosite.

Metodele de prevenire a supraajustării, precum abandonul aleatoriu al unor unități.

Normalizarea variabilelor de intrare, necesară pentru acest tip de model.

Comparația cu algoritmi mai simpli, pentru justificarea alegerii.

Factori care influențează performanța perceptronului multistrat

Numărul de straturi și de unități.

Volumul setului de antrenament.

Normalizarea datelor de intrare.

Funcțiile de activare alese.

Metodele de regularizare.

Tipul de relații prezente în date — prag sau curbă netedă.

Numărul de variabile disponibile.

Perceptron multistrat în context Healthwise

Perceptronul multistrat este forma cea mai simplă și cea mai veche de rețea neurală, și cea care se aplică natural pe date tabelare. Rezultatul lui în studiul din 2026 — mai bun decât metodele liniare, mai slab decât arborii — spune ceva precis despre structura datelor clinice: relațiile sunt neliniare, dar de tip prag.

Pe Healthwise, apare ca modelul de rețea neurală testat în studiul despre predicția insuficienței de organ din pancreatita acută.

Concluzie

Perceptronul multistrat este cea mai simplă rețea neurală: straturi complet conectate, cu informația curgând într-o singură direcție, folosită pe date tabelare.

Ce trebuie reținut: în studiul din 2026 a obținut 0,772, mai bine decât metodele liniare dar sub toți algoritmii bazați pe arbori — un rezultat care arată că relațiile din datele clinice sunt neliniare, dar de tip prag; a avut însă cea mai bună calibrare dintre modelele de învățare automată.