Положение модели искусственной нейронной сети в медицинских экспертных системах

Положение модели искусственной нейронной сети в медицинских экспертных системах

Автор: Волчек Ю.А., Шишко О.Н., Спиридонова О.С., Мохорт Т.В.

Журнал: Juvenis scientia @jscientia

Рубрика: Медицинские науки

Статья в выпуске: 9, 2017 года.

Бесплатный доступ

В статье отражены некоторые аспекты использования современных информационных технологий в медицинской деятельности. На основании комплексного и многоуровневого анализа большого числа клинических данных медицинские экспертные системы позволяют прогнозировать течение и исход определенных нозологических единиц, а также ориентированы на принятие решений по плану дальнейшей тактики ведения конкретного пациента. Искусственные нейронные сети (ИНС) представляет собой самообучающийся аппаратный прототип нейрона коры головного мозга с конкретно задаваемой структурой и уникальной классифицирующей способностью. Приведенные примеры реализации нейросетевых технологий в практической медицине демонстрируют выгодные преимущества данных экспертных систем и являются важными экспансиями будущего проектирования искусственного интеллекта.

Еще

Медицинские экспертные системы, искусственная нейронная сеть, искусственный интеллект

Короткий адрес: https://sciup.org/14110323

IDR: 14110323   |   УДК: 007.52   |   DOI: 10.15643/jscientia.2017.9.001

Position of the model of the artificial neural network in medical expert systems

The article reflects some aspects of the use of modern information technologies in medical activities. Based on the complex and multilevel analysis of a large number of clinical data, medical expert systems allow you to predict the course and outcome of certain nosological units, and are also focused on making decisions on the plan for further tactics for conducting a particular patient. Artificial neural networks (INS) is a self-learning hardware prototype neuron of the cerebral cortex with a specifically defined structure and a unique classifying ability. The above examples of implementation of neural network technologies in practical medicine demonstrate the advantageous advantages of these expert systems and are important expansions of the future design of artificial intelligence.

Еще

Список литературы Положение модели искусственной нейронной сети в медицинских экспертных системах

  • Назаренко Г.И., Гулиев Я.И., Ермаков Д.Е. Медицинские информационные системы: теория и практика. М.: Физматлит, 2005. 320 с.
  • Коротких Н.Г., Петров И.Ю., Петров А.И. О проблемах выявления экспертных знаний при разработке медицинских компьютерных программ//ВНМТ. 2012. № 2. С. 192-195.
  • Андрейчиков А.В. Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2004. 423 с.
  • Румянцев П.О., Саенко В.А. и др. Статистические методы анализа в клинической практике. Обнинск: ГУ РМНЦ РАМН, 2009. 46 с.
  • Liang W., Shen G., Zhang Y. et al. Development and validation of a nomogram for predicting the survival of patients with non-metastatic nasopharyngeal carcinoma after curative treatment//Chinese Journal of Cancer. 2016. No. 1. Pp. 98-106.
  • Бокерия О.Л., Базарсадаева Т.С., Шварц В.А., Ахобеков А.А. Эффективность статинотерапии в профилактике фибрилляции предсердий у пациентов после аортокоронарного шунтирования//Анналы аритмологии. 2014. Т. 11. № 3. С. 161-169.
  • Aigelsreiter A., Neumann J., Pichler M. et al. Hepatocellular carcinomas with intracellular hyaline bodies have a poor prognosis//Liver International. 2017. Vol. 37. No. 4. Pp. 600-610.
  • Чубукова И.А. Data Mining. М.: ИНТУИТ, БИНОМ. Лаборатория знаний, 2008. 384 с.
  • Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. СПб.: Питер, 2003. 528 с.
  • Дюк В.А., Самойленко В.А. Data Mining: учебный курс. СПб.: Питер, 2001. 368 с.
  • Луценко Е.В. Интеллектуальные информационные системы. Учебное пособие. 2-е изд., перераб. и доп. Краснодар: КубГАУ, 2006. 615 с.
  • Haykin S., Principe J., Sejnowski T. et al. New Directions in Statistical Signal Processing: From Systems to Brains. London: The MIT Press, 2007. 544 p.
  • Медведев В.С. Нейронные сети. Matlab 6. М.: Диалог-МИФИ, 2002. 496 с.
  • Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2004. 344 с.
  • Жариков О.Г., Ковалев В.А., Литвин А.А. Современные возможности использования некоторых экспертных систем в медицине//Врач и информационные технологии. 2008. № 5. С. 24-30.
  • Богомолов С.Д., Киселев С.В., Медведев А.П., Назаров В.М. Применение искусственных нейронных сетей для прогнозирования в хирургии//Медикум. 2003. № 1.
  • Галушкин А. Нейронные сети. Основы теории. М.: Горячая Линия-Телеком, 2012. 523 с.
  • Крючин О.В. Искусственные нейронные сети и кластерные системы. Реализация нейросетевого симулятора//Вестник Тамбовского университета. Серия: Естественные и технические науки. 2010. Т. 15. № 1. С. 306-311.
  • Patil S.B., Kumaraswamy Y.S. Intelligent and Effective Heart Attack Prediction System Using Data Mining and Artificial Neural Network//Eur. J. Sci. Res. 2009. No. 31 (4): Pp. 642-656.
  • Hoot N., Aronsky D. Using Bayesian Networks to Predict Survival of Liver Transplant Patients//AMIA 2005 Symposium. Washington: AMIA knowledge center, 2005. Pp. 345-349.
  • Callan D., Mills L., Nott C., et al. A Tool for Classifying Individuals with Chronic Back Pain: Using Multivariate Pattern Analysis with Functional Magnetic Resonance Imaging Data//PLoS ONE. 2014. Vol. 9. No. 6. Pp. 1-12.
  • Toney L., Vesselle H. Neural Networks for Nodal Staging of Non-Small Cell Lung Cancer with FDG PET and CT: Importance of Combining Uptake Values and Sizes of Nodes and Primary Tumor//Rodiology. -2014. Vol. 270. No. 1. Pp. 91-98.
  • Andersson B., Andersson R., Ohlsson M. et al. Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks//Pancreatology. 2011. No. 11. Pp. 28-35.
  • Gorunescu F., Gorunescu M., Saftoiu A. et al. Competitive/collaborative neural computing system for medical diagnosis in pancreatic cancer detection//Expert Syst. 2011. No. 28(1). Pp. 33-44.
  • Kurt I., Ture M., Turhan Kurum A. Comparing performances of logistic regression, classification and regression tree, and neural networks for predicting coronary artery disease//Expert Systems with Applications. 2008. Vol. 34. No. 1. Pp. 366-374.
  • Hirose H., Takayama T., Hozawa S. et al. Prediction of metabolic syndrome using artificial neural network system based on clinical data including insulin resistance index and serum adiponectin//Comput. Biol. Med. 2011. No. 41 Pp. 1051-1056.
  • Franklina S., Rajan S. An automated retinal imaging method for the early diagnosis of diabetic retinopathy//Technology and Health Care 21. 2013. Рp. 557-569.
  • Чернецов С.А., Чучуева И.А. Прогнозирование уровня глюкозы в крови больных инсулинозависимым диабетом нейронными сетями и методом экстраполяции по выборке максимального подобия//Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2010. № 11. С. 1-9.
  • Saraoğlu H., Temurtas F., Altıkat S. Quantitative classification of HbA1C and blood glucose level for diabetes diagnosis using neural networks//Australas Phys Eng Sci Med. 2013. No. 36(4). Pp. 397-403.
Еще
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp