49003

ПОСТАНОВКА ДИАГНОЗА АТОПИЧЕСКОГО ДЕРМАТИТА У ДЕТЕЙ

Курсовая

Информатика, кибернетика и программирование

Искусственные нейронные сети Выбор объема сети Выбор архитектуры сети География исследовательских групп применяющих нейросети для разработки медицинских приложений очень широка.

Русский

2013-12-19

974 KB

11 чел.

Федеральное агентство по образованию

государственное образовательное учреждение высшего профессионального образования «ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

факультет информатики и экономики

кафедра прикладной информатики

КУРСОВОЙ ПРОЕКТ

по дисциплине

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

на тему:

«ПОСТАНОВКА ДИАГНОЗА АТОПИЧЕСКОГО ДЕРМАТИТА У ДЕТЕЙ»

Работу выполнила

студентка гр.1233

Е.А. Некрасова

Научный руководитель

Профессор Ясницкий Л.Н.

Подпись

«____»________________2008г.

Пермь 2008 год.

СОДЕРЖАНИЕ

[1] СОДЕРЖАНИЕ

[2]
ВВЕДЕНИЕ

[3]
Глава 1. НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ

[3.1] 1.1. Искусственные нейронные сети

[3.2] 1.2. Применение нейронных сетей для задач классификации

[3.2.1] 1.2.1. Цель классификации

[3.2.2] 1.2.2. Использование нейронных сетей в качестве классификатора

[3.2.3] 1.2.3. Подготовка исходных данных

[3.2.4] 1.2.4. Выбор объема сети

[3.2.5] 1.2.5. Выбор архитектуры сети

[3.3] 1.3. Области применения и перспективы развития

[3.3.1] 1.3.1. Маркетинг

[3.3.2] 1.3.2. Социология

[3.3.3] 1.3.3. Экономика и бизнес

[3.3.4] 1.3.4. Промышленность и машиностроение

[3.3.5] 1.3.5. Робототехника

[3.3.6] 1.3.6. Медицина и диагностика

[4]
Глава 2. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В МЕДИЦИНЕ

[4.1] 2.1. Постановка задачи

[4.2] 2.2. Анализ полученных результатов

[5]
ЗАКЛЮЧЕНИЕ

[6]
БИБЛИОГРАФИЧЕСКИЙ СПИСОК


ВВЕДЕНИЕ

В настоящее время все окружающее изменяется необычайно быстро. Разумеется, так было всегда. Единственное различие между прошлым и настоящим состоит в изменении субъекта быстрых изменений. Сами же изменения и быстрый, порой мгновенный рост подчиняются широко известному закону экспоненциального роста в ограниченном объеме.

Он прекрасно иллюстрируется задачей о банке с микробами.

Итак [7]: отдельные особи микробов вида M делятся каждую секунду (одна на две) и находятся в стеклянной (трехлитровой) банке. По условию задачи, если в начальный момент времени в банке находится один микроб, то ровно через одни сутки банка наполнится до краев.

Вопрос задачи: "За какое время банка наполнится наполовину?" Ответ - за одни сутки без одной секунды.

Не укладывается в воображении то, что за одни сутки без 20 секунд банка заполнена лишь на одну миллионную часть. Решение этой задачи можно проиллюстрировать графиком – переход с 0 на 1 происходит в течение 10 секунд, т.е. практически за одну десятитысячную часть суток и на графике выглядит как резкая ступенька.

Знания о механизмах мозга представляют типичный пример экспоненциального роста в ограниченном объеме. Специалисты уже сейчас могут констатировать: нам известно уже очень много: 1/10, 1/1000 или 1/1000000 часть всех механизмов мозга. Время удвоения знаний - год (или 5 лет, что в общем-то не очень существенно). В любом случае мы находимся вблизи той точки во времени, когда практически все о работе мозга нам станет известно.[7]

Та часть работ, которая связана с разработкой устройств переработки информации на основе принципов работы естественных нейронных систем, относится к области нейроинформатики или нейровычислений (нейрокомпьютинга). Термины эти появились недавно - в середине 80-х годов. В то же время сравнение электронного и биологического мозга ведется постоянно на протяжении всей истории существования вычислительной техники.

Искусственный интеллект- это раздел информатики, посвященный моделированию интеллектуальной деятельности человека.[1] Сегодня - это обширная область исследований и разработок интеллектуальных систем, предназначенных для работ в трудно формализуемых областях деятельности человека.  Для задач, решаемых методом искусственного интеллекта, характерно наличие большого числа степеней свободы с числом вариантов поиска решений, приближающимся к бесконечности. В отличие от жестко детерминированных компьютерных программ системы искусственного интеллекта сами ищут пути решения поставленной задачи. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, не зависящей от воли разработчика жизнью.   

Сегодня существуют несколько направлений развития искусственного интеллекта. Это такие направления как разработка интеллектуальных систем, основанных на знаниях, нейросетевые и нейрокомпьютерные технологии, распознавание образов, игры и творчество, компьютерная лингвистика, интеллектуальные роботы, компьютерные вирусы и интеллектуальное математическое моделирование.

С помощью нейронных сетей можно, например, предсказывать показатели биржевого рынка, распознавать оптические или звуковые сигналы, строить самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту, распознавать диагнозы.

География исследовательских групп, применяющих нейросети для разработки медицинских приложений, очень широка. О США нечего и говорить - в университете каждого штата ведутся подобные исследования, причем главное их направление - рак молочной железы. Да что там университеты - военные академии этим тоже занимаются. В Чехии Иржи Шима разработал теорию обучения нейронных сетей, способных эффективно работать с так называемыми интервальными данными (когда известны не значения параметра, а интервал его изменения), и использует их в различных медицинских приложениях. В Китае сотрудники Института атомной энергии обучили нейросеть отличать больных с легкими и тяжелыми заболеваниями эпителия пищевода от тех, кто страдает раком пищевода, на основе элементного анализа ногтей.[10] 

В России в НИИЯФ МГУ нейросети применяются для анализа заболеваний органов слуха.[10]

Наконец, в Австралии Джордж Христос использовал теорию нейронных сетей для построения первой гипотезы о причинах загадочного синдрома внезапной смерти новорожденных.[10]

В своей курсовой работе я попытаюсь решить задачу из области медицины, такую как постановка диагноза атопичного дерматита у детей до 5 лет.

Цель: показать, можно ли использовать нейронные сети и эффективно ли применение нейронных сетей при постановке диагноза атопичного дерматита у детей до 5 лет.

Достижение поставленных целей предопределило постановку и решение следующих задач:

  •  раскрыть сущность искусственного интеллекта;
  •  обучить один из нейросимуляторов;
  •  вывести закон, показывающий результат работы.

Предметом исследования является развитие применения нейросетей в медицине.


Глава 1. НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ

1.1. Искусственные нейронные сети

В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (НС). Актуальность исследований в этом направлении подтверждается массой различных применений НС.[2] 

Рис.1 Искусственный нейрон

Основу каждой НС составляют относительно простые, в большинстве случаев – однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рисунке 1. Каждый синапс характеризуется величиной синаптической связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости.

Текущее состояние нейрона определяется, как взвешенная сумма его входов [2]:

Выход нейрона есть функция его состояния:

y = f(s)

Рис.2 а) функция единичного скачка; б) линейный порог (гистерезис); в) сигмоид – гиперболический тангенс; г) сигмоид

Нелинейная функция f называется активационной и может иметь различный вид, как показано на рисунке 2. Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция или сигмоид [5]:

При уменьшении сигмоид становится более пологим, в пределе при =0 вырождаясь в горизонтальную линию на уровне 0.5, при увеличении сигмоид приближается по внешнему виду к функции единичного скачка с порогом T в точке x=0. Из выражения для сигмоида очевидно, что выходное значение нейрона лежит в диапазоне [0,1].

Рис.3 Однослойный персептрон

Так же НС присущ принцип параллельной обработки сигналов, который достигается путем объединения большого числа нейронов в так называемые слои и соединения определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно.[5]

В качестве примера простейшей НС рассмотрим трехнейронный персептрон (рис.3), то есть такую сеть, нейроны которой имеют активационную функцию в виде единичного скачка . На n входов поступают некие сигналы, проходящие по синапсам на 3 нейрона, образующие единственный слой этой НС и выдающие три выходных сигнала [2]:

,   j=1...3

Очевидно, что все весовые коэффициенты синапсов одного слоя нейронов можно свести в матрицу W, в которой каждый элемент wij задает величину i-ой синоптической связи j-ого нейрона. Таким образом, процесс, происходящий в НС, может быть записан в матричной форме [2]:

Y=F(XW)

где X и Y – соответственно входной и выходной сигнальные векторы,

F(W) – активационная функция, применяемая поэлементно к компонентам вектора W.

Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной микросхемы, на которых обычно реализуется НС. Чем сложнее НС, тем масштабнее задачи, подвластные ей.

1.2. Применение нейронных сетей для задач классификации

Решение задачи классификации является одним из важнейших применений нейронных сетей.

Задача классификации представляет собой задачу отнесения образца к одному из нескольких попарно не пересекающихся множеств [6]. Примером таких задач может быть, например, задача определения кредитоспособности клиента банка, медицинские задачи, в которых необходимо определить, например, исход заболевания, решение задач управления портфелем ценных бумаг (продать купить или "придержать" акции в зависимости от ситуации на рынке), задача определения жизнеспособных и склонных к банкротству фирм.

1.2.1. Цель классификации

При решении задач классификации необходимо отнести имеющиеся статические образцы (характеристики ситуации на рынке, данные медосмотра, информация о клиенте) к определенным классам. Возможно несколько способов представления данных. Наиболее распространенным является способ, при котором образец представляется вектором. Компоненты этого вектора представляют собой различные характеристики образца, которые влияют на принятие решения о том, к какому классу можно отнести данный образец [6]. Например, для медицинских задач в качестве компонентов этого вектора могут быть данные из медицинской карты больного. Таким образом, на основании некоторой информации о примере, необходимо определить, к какому классу его можно отнести. Классификатор таким образом относит объект к одному из классов в соответствии с определенным разбиением N-мерного пространства, которое называется пространством входов, и размерность этого пространства является количеством компонент вектора.

Прежде всего, нужно определить уровень сложности системы. В реальных задачах часто возникает ситуация, когда количество образцов ограничено, что осложняет определение сложности задачи. Возможно выделить три основных уровня сложности [6]:

  1.  Первый (самый простой) – когда классы можно разделить прямыми линиями (или гиперплоскостями, если пространство входов имеет размерность больше двух) – так называемая линейная разделимость.
  2.  Во втором случае классы невозможно разделить линиями (плоскостями), но их возможно отделить с помощью более сложного деления – нелинейная разделимость.
  3.  В третьем случае классы пересекаются и можно говорить только о вероятностной разделимости.

1.2.2. Использование нейронных сетей в качестве классификатора

Сети с прямой связью являются универсальным средством аппроксимации функций, что позволяет их использовать в решении задач классификации. Как правило, нейронные сети оказываются наиболее эффективным способом классификации, потому что генерируют фактически большое число регрессионных моделей (которые используются в решении задач классификации статистическими методами).

К сожалению, в применении нейронных сетей в практических задачах возникает ряд проблем. Во-первых, заранее не известно, какой сложности (размера) может потребоваться сеть для достаточно точной реализации отображения. Эта сложность может оказаться чрезмерно высокой, что потребует сложной архитектуры сетей. Так Минский в своей работе "Персептроны" доказал, что простейшие однослойные нейронные сети способны решать только линейно разделимые задачи. Это ограничение преодолимо при использовании многослойных нейронных сетей. В общем виде можно сказать, что в сети с одним скрытым слоем вектор, соответствующий входному образцу, преобразуется скрытым слоем в некоторое новое пространство, которое может иметь другую размерность, а затем гиперплоскости, соответствующие нейронам выходного слоя, разделяют его на классы [6]. Таким образом сеть распознает не только характеристики исходных данных, но и "характеристики характеристик", сформированные скрытым слоем.

1.2.3. Подготовка исходных данных

Для построения классификатора необходимо определить, какие параметры влияют на принятие решения о том, к какому классу принадлежит образец. При этом могут возникнуть две проблемы. Во-первых, если количество параметров мало, то может возникнуть ситуация, при которой один и тот же набор исходных данных соответствует примерам, находящимся в разных классах. Тогда невозможно обучить нейронную сеть, и система не будет корректно работать (невозможно найти минимум, который соответствует такому набору исходных данных). Исходные данные обязательно должны быть непротиворечивы. Для решения этой проблемы необходимо увеличить размерность пространства признаков (количество компонент входного вектора, соответствующего образцу). Но при увеличении размерности пространства признаков может возникнуть ситуация, когда число примеров может стать недостаточным для обучения сети, и она вместо обобщения просто запомнит примеры из обучающей выборки и не сможет корректно функционировать. Таким образом, при определении признаков необходимо найти компромисс с их количеством.

Далее необходимо определить способ представления входных данных для нейронной сети, т.е. определить способ нормирования [6]. Нормировка необходима, поскольку нейронные сети работают с данными, представленными числами в диапазоне 0..1, а исходные данные могут иметь произвольный диапазон или вообще быть нечисловыми данными. При этом возможны различные способы, начиная от простого линейного преобразования в требуемый диапазон и заканчивая многомерным анализом параметров и нелинейной нормировкой в зависимости от влияния параметров друг на друга.

1.2.4. Выбор объема сети

Правильный выбор объема сети имеет большое значение. Построить небольшую и качественную модель часто бывает просто невозможно, а большая модель будет просто запоминать примеры из обучающей выборки и не производить аппроксимацию, что, естественно, приведет к некорректной работе классификатора. Существуют два основных подхода к построению сети – конструктивный и деструктивный [6]. При первом из них вначале берется сеть минимального размера, и постепенно увеличивают ее до достижения требуемой точности. При этом на каждом шаге ее заново обучают. Также существует так называемый метод каскадной корреляции, при котором после окончания эпохи происходит корректировка архитектуры сети с целью минимизации ошибки. При деструктивном подходе вначале берется сеть завышенного объема, и затем из нее удаляются узлы и связи, мало влияющие на решение. При этом полезно помнить следующее правило: число примеров в обучающем множестве должно быть больше числа настраиваемых весов. Иначе вместо обобщения сеть просто запомнит данные и утратит способность к классификации – результат будет неопределен для примеров, которые не вошли в обучающую выборку.

1.2.5. Выбор архитектуры сети

При выборе архитектуры сети обычно опробуется несколько конфигураций с различным количеством элементов. При этом основным показателем является объем обучающего множества и обобщающая способность сети. Обычно используется алгоритм обучения Back Propagation (обратного распространения) с подтверждающим множеством.

Алгоритм построения классификатора на основе нейронных сетей [6]:

  1.  Работа с данными
    •  Составить базу данных из примеров, характерных для данной задачи
    •  Разбить всю совокупность данных на два множества: обучающее и тестовое (возможно разбиение на 3 множества: обучающее, тестовое и подтверждающее).
  2.  Предварительная обработка
    •  Выбрать систему признаков, характерных для данной задачи, и преобразовать данные соответствующим образом для подачи на вход сети (нормировка, стандартизация и т.д.). В результате желательно получить линейно отделяемое пространство множества образцов.
    •  Выбрать систему кодирования выходных значений (классическое кодирование, 2 на 2 кодирование и т.д.)
  3.  Конструирование, обучение и оценка качества сети
    •  Выбрать топологию сети: количество слоев, число нейронов в слоях и т.д.
    •  Выбрать функцию активации нейронов (например "сигмоида")
    •  Выбрать алгоритм обучения сети
    •  Оценить качество работы сети на основе подтверждающего множества или другому критерию, оптимизировать архитектуру (уменьшение весов, прореживание пространства признаков)
    •  Остановится на варианте сети, который обеспечивает наилучшую способность к обобщению и оценить качество работы по тестовому множеству
  4.  Использование и диагностика
    •  Выяснить степень влияния различных факторов на принимаемое решение (эвристический подход).
    •  Убедится, что сеть дает требуемую точность классификации (число неправильно распознанных примеров мало)
    •  При необходимости вернутся на этап 2, изменив способ представления образцов или изменив базу данных.
    •  Практически использовать сеть для решения задачи.

Для того, чтобы построить качественный классификатор, необходимо иметь качественные данные. Никакой из методов построения классификаторов, основанный на нейронных сетях или статистический, никогда не даст классификатор нужного качества, если имеющийся набор примеров не будет достаточно полным и представительным для той задачи, с которой придется работать системе.

1.3. Области применения и перспективы развития

Традиционно математические модели строились путём изучения и использования фундаментальных законов природы. В результате рассмотрения этих моделей вытекали математические формулы либо формулировки краевых задач для дифференциальных уравнений [1].

Персептроны открыли иной подход к самой методике построения математических моделей. Появилась возможность, не задумываясь над законами физики, химии, биологии, медицины, общественного развития, исходя из одного только эмпирического опыта (обучающей выборки) строить математические модели, которые сами извлекают эти законы и позволяют их эффективно использовать для решения широкого круга практических задач [1].

Появился новый инструмент извлечения знаний из данных, позволяющий заново открывать фундаментальные законы природы, выявлять ранее неизвестные и никогда не исследованные зависимости и закономерности и активно использовать их для решения конкретных практических задач [1].

 1.3.1. Маркетинг

В настоящее время известные подходы к планированию маркетинговых стратегий строятся в основном на эвристических методах, основанных на прошлом опыте, интуиции и здравом смысле менеджера. В ряде случаев такие подходы оказываются неэффективными и могут привести к существенным коммерческим потерям. Наиболее перспективным направлением является разработка аналитического инструментария стратегического маркетинга, основанного на применении математических моделей и методов принятия решений и соответствующего программного обеспечения. Методы анализа сложных стохастических систем с использованием компьютерных систем постоянно совершенствуются. При этом наряду с прочно устоявшимися и широко применяемыми методами математического моделирования интенсивно развиваются и используются на практике и другие, нетрадиционные подходы. Один из них связан с искусственными нейронными сетями. Каждый элемент нейронной сети имеет ограниченные возможности, но вся сеть в целом, объединяя большое число таких элементов, оказывается способной решать довольно сложные задачи [4].

Программное моделирование нейронных сетей обеспечивает достаточно дешевую и гибкую среду для формирования и анализа эффективности и степени риска маркетинговых стратегий, а для многих практических задач такое моделирование оказывается вполне адекватным и достаточным.

Рассматриваются постановки и основанные на применении нейросетевых технологий методы решения таких задач маркетинга, как прогнозирование потребительского спроса проведение сегментации рынка и диагностики потребителя. Для каждой задачи выбор топологии нейронной сети, ее построение и обучение проводились c помощью программной системы Statistica Neural Network, разработанной американской компанией "StatSoft". На начальном этапе исследований для решения поставленных задач использовался один из возможных типов нейронной сети - многослойный персептрон с сигмоидальной передаточной функцией активации.

1.3.2. Социология

Нейронные сети начинают все более активно использоваться и в социологи. Прежде всего, потому, что являются удобным конструктом-посредником перехода из научно-социологического языка, а так же реального языка, в математический язык (как цепочка отображения смыслов через лингвистическое многослойное «сито») [4]. 

Системы с нечеткой логикой целесообразно применять для сложных процессов, когда нет простой математической модели; если экспертные знания об объекте или о процессе можно сформулировать только в лингвистической форме. Данные системы применять нецелесообразно, когда требуемый результат может быть получен другим (стандартным) путем, или когда для объекта или процесса уже найдена адекватная или легко исследуемая математическая модель [4].

Было бы неправильно сводить применение нейронных сетей в социологии исключительно к повторению архитектуры сетей в маркетинговых исследованиях. Потенциал применения нейронных сетей в социологии гораздо богаче и интересней. Прежде всего, речь идет о социолингвистики – включении сетей к изучению процесса общения.

Сети могут помочь и решению задач типологизации, коих в прикладной социологии великое множества – начиная от задач стратификации до распознавания образов и создания типологии объектов и переменных в широком смысле.

Также очевидным кажется применение нейронных сетей для моделирования ситуации общения исходя из схемы  «раздражитель – выбор адекватной реакции из множества возможных».

 

1.3.3. Экономика и бизнес

Нейротехнология уже начала проникать в банковский сектор, хотя большинство работающих в нем еще не осознает этого. Она нередко остается в тени как черный ящик или все чаще как один из компонентов единой системы. Основные области применения нейротехнологии - поиск, отслеживание и прогнозирование закономерностей в больших массивах данных и где, как утверждают ее приверженцы, она дает более высокую точность, чем традиционные методы.

Фирма Neural Technologies работает вместе с ведущими банками Великобритании над системами оценки кредитоспособности частных лиц и гарантий размещения ссуд под залог недвижимости. Как сообщил Райман-Табб (Nick Ryman-Tubb), фирма Neural Technologies совместно с американскими брокерами работает также над использованием нейротехнологии для прогнозирования биржевого курса.

По его словам, "нейросистемы дают лучшие результаты, чем линейные и другие статистические методы, поскольку они способны выявлять даже очень слабые нелинейности. Улучшение точности оценки общей суммы дебиторской задолженности даже на 5% стоит того, чтобы об этом знать" [8]. Поэтому сегодня развивающиеся рынки проявляют большой интерес к нейротехнологии особенно там, где труд дорог.

1.3.4. Промышленность и машиностроение 

Большие возможности открывает перед машиностроением применение теории сетей с нейроподобными элементами и развитие нейросетевых технологий.

В настоящее время можно говорить о том, что достаточно глубоко разработана формальная теория нейронных сетей. Решение различных задач в нейросетевом логическом базисе становится возможным на основе использования более 30-летнего научного задела в этом направлении. Количество таких задач возрастает стремительными темпами, особенно с увеличением их размерности. Сегодня можно говорить об универсальности нейросетевых технологий, о том, что любую задачу можно решить с их использованием.

Можно выявить достаточно много областей применения нейросетевой технологии для решения задач машиностроения. Перечислим наиболее важные задачи.

В области технической подготовки производства [8]:

1.Разработка технологических справочников.

2.Разработка вычислительных алгоритмов и их реализация.

3.Разработка диагностических программных средств.

4.Разработка систем контроля качества.

5.Разработка систем автоматизированного нормирования.

6.Разработка систем мониторинга и управления технологическими процессами.

7.Разработка советчиков машиностроителя (технолога, руководителя предприятия или его подразделения).

8.Разработка систем адаптивного управления технологическими, экономическими и организационными процессами.

9.Прогнозирование технических характеристик новых изделий машиностроительного производства.

1.3.5. Робототехника

Можно предположить, что в будущем классические системы будут, вероятно, полностью заменены нейронными. В управлении роботами это касается, прежде всего, таких уровней как формализация задачи, планирование движений и регулирование приводов (рис.4).

Основным признаком интеллектуальности робототехнических систем может считаться их способность самостоятельно решать поставленные задачи на основе сигналов многочисленных сенсоров [8]. Эффективность обработки сигналов с помощью нейронных сетей и их оптимизационные способности позволяют уже сейчас реализовать, например,

Рис. 4 Области применения нейросетей в         распознавание голосовых

робототехнике

команд, ориентирование в пространстве или определение местоположения и свойств объектов в рабочей зоне.

1.3.6. Медицина и диагностика

В 1990 году Вильям Бакст из Калифорнийского университета в Сан-Диего использовал нейронную сеть - многослойный персептрон - для распознавания инфаркта миокарда у пациентов, поступающих в приемный покой с острой болью в груди. Его целью было создание инструмента, способного помочь врачам, которые не в силах справиться с потоком данных, характеризующих состояние поступившего больного. Другой целью может быть совершенствование диагностики. Свою задачу исследователь усложнил, поскольку анализировал данные только тех пациентов, кого уже направили в кардиологическое отделение. Бакст использовал лишь 20 параметров, среди которых были возраст, пол, локализация боли, реакция на нитроглицерин, тошнота и рвота, потение, обмороки, частота дыхания, учащенность сердцебиения, предыдущие инфаркты, диабет, гипертония, вздутие шейной вены, ряд особенностей ЭКГ и наличие значительных ишемических изменений [10].

Сеть продемонстрировала точность 92% при обнаружении инфаркта миокарда и дала только 4% случаев сигналов ложной тревоги, ошибочно подтверждая направление пациентов без инфаркта в кардиологическое отделение. Итак, налицо факт успешного применения искусственных нейронных сетей в диагностике заболевания. Предположим, что из десяти человек, у которых инфаркт действительно есть, диагностический метод позволяет обнаружить заболевание у восьми. Тогда чувствительность метода составит 80%. Если же мы возьмем десять человек, у которых инфаркта нет, а метод диагностики заподозрит его у трех человек, то доля ложных тревог составит 30%, при этом дополнительная к нему характеристика - специфичность метода - будет равна 70%.

Одной из наиболее известных из разработанных экспертных систем, действие которых основывалось на знаниях, извлеченных у экспертов, и на реализации процедур вывода, была система MYCIN. Данную систему разработали в Стэнфорде в начале 70-х годов для диагностики септического шока. Половина больных умирала от него в течение суток, а врачи могли обнаруживать сепсис лишь в 50% случаев. MYCIN, казалось, была подлинным триумфом технологии экспертных систем - ведь она позволяла обнаружить сепсис в 100% случаев. Однако после более внимательного знакомства с этой экспертной системой врачи значительно усовершенствовали традиционные методы диагностики, и MYCIN потерял свое значение, превратившись в учебную систему. Экспертные системы "пошли" только в кардиологии - для анализа электрокардиограмм. Сложные правила, которые составляют главное содержание книг по клиническому анализу ЭКГ, использовались соответствующими системами для выдачи диагностического заключения.

Диагностика является частным случаем классификации событий, причем наибольшую ценность представляет классификация тех событий, которые отсутствуют в обучающем нейросеть наборе [10]. Здесь проявляется преимущество нейросетевых технологий - они способны осуществлять такую классификацию, обобщая прежний опыт и применяя его в новых случаях.

Примером программы диагностики служит пакет кардиодиагностики, разработанный фирмой RES Informatica совместно с Центром кардиологических исследований в Милане. Программа позволяет осуществлять неинвазивную кардиодиагностику на основе распознавания спектров тахограмм. Тахограмма представляет собой гистограмму интервалов между последовательными сердцебиениями, и ее спектр отражает баланс активностей симпатической и парасимпатической нервной системы человека, специфично изменяющейся при различных заболеваниях [10].

Так или иначе, уже сейчас можно констатировать, что нейронные сети превращаются в инструмент кардиодиагностики - в Англии, например, они используются в четырех госпиталях для предупреждения инфаркта миокарда.

В медицине находит применение и другая особенность нейросетей - их способность предсказывать временные последовательности [10]. Уже отмечалось, что экспертные системы преуспели в анализе ЭКГ. Нейросети здесь тоже приносят пользу. Ки Чженху, Ю Хену и Виллис Томпкинс из университета штата Висконсин разработали нейросетевую систему фильтрации электрокардиограмм, позволяющую подавлять нелинейный и нестационарный шум значительно лучше, чем ранее использовавшиеся методы. Дело в том, что нейросеть хорошо предсказывала шум по его значениям в предыдущие моменты времени. А то, что нейросети очень эффективны для предсказания временных последовательностей (таких, например, как курс валют или котировки акций), убедительно продемонстрировали результаты соревнования предсказательных программ, проводимых университетом в Санта Фе - нейросети заняли первое место и доминировали среди лучших методов.

ЭКГ - это частное, хотя и исключительно важное приложение. Однако сегодня существует и много других примеров использования нейросетей для медицинских прогнозов.

В первую очередь особое внимание уделяется сердечно-сосудистым заболеваниям, поскольку именно они удерживают печальное лидерство в списке причин смертности. На втором месте находятся онкологические заболевания. Одно из главных направлений, в котором сейчас идут работы по использованию нейронных сетей, - диагностика рака молочной железы. Этот недуг - причина смерти каждой девятой женщины.

Исследователи из университета Дьюка обучили нейронную сеть распознавать маммограммы злокачественной ткани на основе восьми особенностей, с которыми обычно имеют дело радиологи. Оказалось, что сеть способна решать поставленную задачу с чувствительностью около 100% и специфичностью 59%. В клинике Майо (Миннесота) нейросеть анализировала результаты ультразвукового исследования молочной железы и обеспечила специфичность 40%, в то время как для тех же женщин специфичность заключения радиологов оказалась нулевой.

После лечения рака молочной железы возможны рецидивы возникновения опухоли. Нейросети уже помогают эффективно их предсказывать. Подобные исследования проводятся на медицинском факультете Техасского университета. Обученные сети показали свои способности выявлять и учитывать очень сложные связи прогностических переменных, в частности, их тройные связи для улучшения предсказательной способности.

Разнообразны возможности применения нейросетей в медицине, и разнообразна их архитектура. На основе прогноза отдаленных результатов лечения заболевания тем или иным методом можно предпочесть один из них. Значительного результата в прогнозе лечения рака яичника (болезнь каждой семидесятой женщины) добился известный голландский специалист Герберт Каппен из университета в Нимегене (он использует в своей работе не многослойные персептроны, а так называемые Машины Больцмана - нейросети для оценки вероятностей) [10].

А вот пример другого онкологического заболевания. Исследователи из медицинской школы в Кагаве (Япония) обучили нейросеть, которая практически безошибочно прогнозировала по предоперационным данным результаты резекции печени у больных печеночно-клеточной карциномой.

В Троицком институте инновационных и термоядерных исследований (ТРИНИТИ) в рамках реализуемого Министерством науки проекта создания нейросетевых консультационных систем была разработана нейросетевая программа, которая выбирает метод лечения базальноклеточного рака кожи (базалиомы) на основе долгосрочного прогноза развития рецидива. Число заболеваний базалиомой - онкологическим недугом белокожих людей с тонкой кожей - составляет треть всех онкологических заболеваний.

Диагностика одной из форм меланомы - опухоли, которую иногда непросто отличить от пигментной формы базалиомы, была реализована с помощью нейросетевого симулятора Multineuron, разработанного в ВЦ СОАН в Красноярске под руководством А.Н.Горбаня [10].

Нейросети можно использовать и для прогноза действия различных разрабатываемых средств лечения. Они уже успешно применяются в химии для прогноза свойств соединений на основе их молекулярной структуры. Исследователи из Национального института рака в США использовали нейросети для предсказания механизма действия препаратов, применяемых при химиотерапии злокачественных опухолей.


Глава 2. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В МЕДИЦИНЕ

2.1. Постановка задачи

Одним из наиболее распространенных заболеваний детского возраста, от 17 до 25%, является атопический дерматит. Начинаясь в раннем возрасте, это заболеваний приобретает рецидивирующее течение, приводит к снижению социальной адаптации ребенка [3].

Атопический дерматит – это хроническое воспалительное заболевание кожи аллергической природы [9].

Это неинфекционное (незаразное) состояние с наследственной предрасположенностью, для которого характерно длительное течение с периодическим появлением сыпи на разных участках тела, которой всегда предшествует кожный зуд [3].

Согласно современным сведениям, распространенность атопического дерматита среди детей составляет 5—20%, а среди взрослых — 2—10%. Самые высокие показатели заболеваемости атопичным дерматитом отмечаются в урбанизированных регионах [3]. Было установлено, что среди детей, выходцев с Карибских островов, рожденных в Лондоне, выше частота случаев заболеваемости атопичным дерматитом, чем среди тех, которые родились на Карибах (16,3% против 8,7%). В популяции детей из европейских стран, родившихся до 1960 г., распространенность атопичного дерматита колебалась от 1,4 до 3,1%, у детей, родившихся в 60—70_х гг. — увеличилась до 3,8—8,8%, а среди рожденных после 1970 г. — выросла до 20,4%. Хроническое течение атопического дерматита, мучительный приступообразный или постоянный зуд, осознание больным и его родственниками невозможности окончательно избавиться от этого серьезного заболевания, сложности с питанием и бытовые сложности делают заболевание серьезной социальной проблемой [3].

Официально признанной классификации атопического дерматита на сегодняшний день не существует.

Клинические проявления атопического дерматита зависят от возраста, в котором начинается заболевание (см. табл.1) [11].

Таблица 1

Рабочая классификация атопического дерматита

Стадии развития, периоды и фазы заболевания

Клинические формы в зависимости от возраста

Распространенность

Тяжесть течения

Клинико-этиологические варианты

Начальная стадия
Стадия выраженных изменений (период обострения-рецидивы):
Острая фаза
Хроническая фаза;
Стадия ремиссии:
Неполная (подострый период)
Полная;
Клиническое выздоровление

Младенческая (от 2 месяцев до 2 лет) - экссудативная
Детская (от 2 до 5 лет) - эритематозно - сквамозная, с лихенификацией
Подростковая и взрослая (с 5 лет) -лихеноидная, пруригинозная

Ограниченный

Распространенный

Диффузный

Легкое

Средне тяжелое

Тяжелое

С преобладанием
Пищевой
Клещевой
Грибковой
Пыльцевой и др.
Аллергии
Со вторичным
инфицированием

 

Симптомы атопического дерматита таковы:

  •  сыпь на коже, чаще всего на лице и шее, под локтями и коленями, а также на других участках тела;
  •  сильный зуд. Этот симптом обычно усиливается по ночам, нарушая сон;
  •  сухость кожи;
  •  ранки на коже (в большинстве случаев это последствия расчёсов).

Как правило, заболевание возникает у людей с наследственной предрасположенностью к аллергии. Часто нейродермит возникает у детей, страдающих дисбактериозом кишечника или болезнями печени, жёлчного пузыря, поджелудочной железы [3].

У детей в возрасте до 3 лет одна из основных причин диатеза — пищевая аллергия на коровье молоко, яйца, сою и некоторые другие продукты [3].

Таблица 2

Критерии диагностики атопического дерматита у детей
(по В.А.Ревякиной, И.И.Балаболкину, Л.С.Намазовой, Н.В.Юхиной,1998)

Признаки атопического дерматита

Диагностический вес (усл.ед.)

1.

Наличие аллергических заболеваний у родителей и родственников

+ 3

2.

Начало болезни в возрасте до года

+ 2

3.

Варианты кожных высыпаний:

  •  стойкая гиперемия или преходящая эритема, сухость -шелушение
  •  папулезно-везикулезная сыпь на эритематозном фоне с экссудацией

+ 2

+ 5

4.

Симметричное поражение кожи в области лица и (или
верхних и нижних конечностей ) или в области сгибательной поверхности крупных и средних суставов

+ 4

5.

Зуд кожных покровов различной интенсивности

+ 2

6.

Выявление сенсибилизации к пищевым, бытовым, эпидермальным, клещевым, грибковым, лекарственным:, пыльцевым аллергенам.

+ 4

7.

Симптомы чесотки

+ 8

Решающее правило: при сумме усл.ед. > 10 или  =  10  -"атопический дерматит" - определенный, при сумме усл.ед. 7-9  -  диагноз вероятный, при сумме усл.ед. < 7 - диагноз отрицательный [11].

Так же существуют классические критерии, применяемые для диагностики атопического дерматита (см. табл. 3) [11]:

Таблица 3

Критерии, применяемые для диагностики атопического дерматита

(Hanifin, Rajka, Fcnf Derm.92: 44,1980)

Большие (обязательные) критерии диагностики

Малые (дополнительные) критерии диагностики

  •  Пруриго (зуд) при наличии даже минимальных проявлениях АД на коже
  •  Типичная морфология и локализация
  •  Индивидуальная или семейная история атопического заболевания
  •  Хроническое рецидивирующее течение
  •  Повышенный уровень общего или специфического Ig E - антител
  •  Начало заболевания в раннем детском возрасте (до 2 лет)
  •  Гиперлинеарность ладоней ("складчатые") и подошв
  •  Pityriasis alba (белесоватые пятна на коже лица,плечевого пояса)
  •  Фолликулярный гиперкератоз ("роговые" папулы на боковых поверхностях плеч, предплечий,локтей, реже других участках тела)
  •  Шелушение; ксероз; ихтиоз
  •  Неспецифические дерматиты рук и ног
  •  Частые инфекционные поражения кожи
  •  Белый дермографизм
  •  Зуд при повышенном потоотделении
  •  Складки на передней поверхности шеи
  •  Темные круги вокруг глаз (аллергическое сияние)

Для постановки диагноза АД необходимо сочетание трех "больших" и трех "малых" критериев.

За последние несколько лет достигнут существенный прогресс в понимании фундаментальных иммунных механизмов, лежащих в развитии аллергических заболеваний, в том числе и атопического дерматита. Сегодня ясно, что бронхиальная астма, аллергический ринит и АД - являются одной общей генерацией заболеваний [3].

На сайте посвященному атопичному дерматиту выделен ряд наиболее существенных критериев, влияющих на постановку диагноза.

Сайт использует усовершенствованные критерии Hanifin и Rajka, переработанные английской рабочей группой по атопическому дерматиту (The United Kingdom Working Party for atopic dermatitis (AD)), применяемые в современных эпидемиологических исследованиях и опросах.

Там рассматриваются такие критерии как [9]: пол ребенка, количество полных лет, наличие зуда, изменения кожи, отмеченные на сгибах локтей, под коленями и на икрах/лодыжках, или на шее, наличие у ребенка таких диагнозов, как астма или ринит/конъюнктивит (если ребенку меньше 4 лет, наличие в семье родственников 1 линии (отец, мать, брат или сестра ребенка) с такими диагнозами), сухость кожи ребенка в течение года, наличие дерматита на щеках, на лбу или на руках и ногах у ребенка (дерматит - это воспаление кожи, при нем она краснеет; сгибы - это локтевой сгиб, передняя поверхность плеча и предплечья, бедер, а также подколенные ямки и икры), появление сыпи до двухлетнего возраста.

Мы получили достаточное число параметров для решения поставленной задачи.

Так как параметры, описывающие предметную область, имеют разнообразный характер, то всю нечисловую информацию мы закодируем в числовом виде, поскольку нейросеть в состоянии обрабатывать только числа.

Рассмотрим параметр «пол». Под 0 будем подразумевать –мужской пол, а под 1- женский и т.д.  

Ниже приводится список параметров:

  1.  количество полных лет;
  2.  пол
    1.  мужской;
    2.  женский;
  3.  наличие зуда:
    1.  нет;
    2.  да.
  4.  отмечены ли изменения кожи на сгибах локтей, под коленями и на икрах/лодыжках, или на шее:
    1.  нет;
    2.  да.
  5.  наличие у ребенка таких диагнозов, как астма или ринит/конъюнктивит (если ребенку меньше 4 лет, наличие в семье родственников 1 линии (отец, мать, брат или сестра ребенка) с такими диагнозами):
    1.  нет;
    2.  да;
  6.  сухость кожи ребенка в течение года:
    1.  нет;
    2.  да;
  7.  наличие дерматита на щеках, на лбу или на руках и ногах у ребенка:
    1.  нет;
    2.  да;
  8.  появление сыпи до двухлетнего возраста:
    1.  нет;
    2.  да.

На выходе будем формировать результирующий вектор со следующими компонентами:

Y1 – постановка диагноза:

   0 – болен;

   1 – здоров.

Ниже приведены данные обучающей (табл. 4) и тестируемой выборки, которые не входили в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.

Таблица 4

Обучающая выборка (180 примеров)

Х1

Х2

Х3

Х4

Х5

Х6

Х7

Х8

Y1

5

0

1

1

1

1

1

1

1

5

0

1

1

1

1

1

0

1

5

0

1

1

1

1

0

1

1

5

0

1

1

1

1

0

0

1

5

0

1

1

1

0

1

1

1

5

0

1

1

1

0

0

1

1

5

0

1

1

1

0

1

0

1

5

0

1

1

1

0

0

0

0

5

0

1

1

0

1

1

1

1

5

0

1

1

0

1

1

0

1

5

0

1

1

0

1

0

1

1

5

0

1

1

0

1

0

0

0

5

0

1

1

0

0

1

1

1

5

0

1

1

0

0

1

0

0

5

0

1

1

0

0

0

1

0

5

0

1

1

0

0

0

0

0

5

0

1

0

1

1

1

1

1

5

0

1

0

1

1

1

0

1

5

0

1

0

1

1

0

1

1

5

0

1

0

1

1

0

0

0

5

0

1

0

1

0

1

1

1

5

0

1

0

1

0

1

0

0

5

0

1

0

1

0

0

1

0

5

0

1

0

1

0

0

0

0

5

0

1

0

0

1

1

1

1

5

0

1

0

0

1

1

0

0

5

0

1

0

0

1

0

1

0

5

0

1

0

0

1

0

0

0

5

0

1

0

0

0

1

1

0

5

0

1

0

0

0

1

0

0

5

0

1

0

0

0

0

1

0

5

0

1

0

0

0

0

0

0

5

0

0

1

1

1

1

1

0

5

0

0

1

1

1

1

0

0

5

0

0

1

1

1

0

1

0

5

0

0

1

1

1

0

0

0

5

0

0

1

1

0

1

1

0

5

0

0

1

1

0

1

0

0

5

0

0

1

1

0

0

1

0

5

0

0

1

1

0

0

0

0

5

0

0

1

0

1

1

1

0

5

0

0

1

0

1

1

0

0

5

0

0

1

0

1

0

1

0

5

0

0

1

0

1

0

0

0

5

0

0

1

0

0

1

1

0

5

0

0

1

0

0

1

0

0

5

0

0

1

0

0

0

1

0

5

0

0

1

0

0

0

0

0

5

0

0

0

1

1

1

1

0

5

0

0

0

1

1

1

0

0

5

0

0

0

1

1

0

1

0

5

0

0

0

1

1

0

0

0

5

0

0

0

1

0

1

1

0

5

0

0

0

1

0

1

0

0

5

0

0

0

1

0

0

1

0

5

0

0

0

1

0

0

0

0

5

0

0

0

0

1

1

1

0

5

0

0

0

0

1

1

0

0

5

0

0

0

0

1

0

1

0

5

0

0

0

0

1

0

0

0

5

0

0

0

0

0

1

1

0

2

1

1

1

1

1

1

0

1

2

1

1

1

1

1

0

0

1

2

1

1

1

1

0

1

0

1

2

1

1

1

1

0

0

0

0

2

1

1

1

0

1

1

0

1

2

1

1

1

0

1

0

0

0

2

1

1

1

0

0

1

0

0

2

1

1

1

0

0

0

0

0

2

1

1

0

1

1

1

0

1

2

1

1

0

1

1

0

0

0

2

1

1

0

1

0

1

0

0

2

1

1

0

1

0

0

0

0

2

1

1

0

0

1

1

0

0

2

1

1

0

0

1

0

0

0

2

1

1

0

0

0

1

0

0

2

1

1

0

0

0

0

0

0

2

1

0

1

1

1

1

0

0

2

1

0

1

1

1

0

0

0

2

1

0

1

1

0

1

0

0

2

1

0

1

1

0

0

0

0

2

1

0

1

0

1

1

0

0

2

1

0

1

0

1

0

0

0

2

1

0

1

0

0

1

0

0

2

1

0

1

0

0

0

0

0

2

0

1

1

1

1

1

0

1

2

0

1

1

1

1

0

0

1

2

0

1

1

1

0

1

0

1

2

0

1

1

1

0

0

0

0

2

0

1

1

0

1

1

0

1

2

0

1

1

0

1

0

0

0

2

0

1

1

0

0

1

0

0

2

0

1

1

0

0

0

0

0

2

0

0

1

1

1

1

0

0

2

0

0

0

1

1

1

0

0

1

0

1

1

1

1

1

0

1

1

0

1

1

1

1

0

0

1

1

0

1

1

1

0

1

0

1

1

0

1

1

1

0

0

0

0

1

0

1

1

0

1

1

0

1

1

0

1

1

0

1

0

0

0

1

0

1

0

1

1

1

0

1

1

1

1

1

1

1

1

0

1

1

1

1

1

1

1

0

0

1

1

1

1

1

0

1

1

0

1

1

1

1

1

0

0

1

0

0

1

1

1

0

1

1

1

0

1

1

1

0

1

1

1

1

0

0

3

1

1

1

1

1

1

0

1

3

1

1

1

1

1

0

0

1

3

1

1

1

1

0

1

0

1

3

1

1

1

1

0

0

0

0

3

1

1

1

0

1

1

0

1

3

1

1

1

0

0

1

0

0

3

1

1

1

0

1

0

0

0

3

1

1

0

1

1

1

0

1

3

1

1

0

0

1

1

0

0

3

1

0

1

1

1

1

0

0

3

0

1

1

1

1

1

0

1

3

0

1

1

1

1

0

0

1

3

0

1

1

1

0

1

0

1

3

0

1

1

1

0

0

0

0

3

0

1

1

0

1

1

0

1

3

0

1

1

0

1

0

0

0

3

0

1

0

1

1

1

0

1

3

0

1

0

1

1

0

0

0

3

0

1

0

1

0

1

0

0

3

0

0

1

1

1

1

0

0

3

0

0

0

1

1

1

0

0

3

0

0

0

0

1

1

0

0

3

0

0

0

0

0

1

0

0

3

0

0

0

0

0

0

0

0

4

0

1

1

1

1

1

1

1

4

0

1

1

1

1

1

0

1

4

0

1

1

1

1

0

1

1

4

0

1

1

1

1

0

0

1

4

0

1

1

1

0

1

1

1

4

0

1

1

1

0

1

0

1

4

0

1

1

1

0

0

1

1

4

0

1

1

1

0

0

0

0

4

0

1

1

0

1

1

1

1

4

0

1

1

0

1

1

0

1

4

0

1

1

0

1

0

1

1

4

0

1

1

0

0

1

1

1

4

0

1

1

0

0

1

0

0

4

0

1

1

0

0

0

1

0

4

0

1

1

0

0

0

0

0

4

0

0

1

1

1

1

1

0

4

0

0

0

1

1

1

1

0

4

0

0

0

0

1

1

1

0

4

0

0

0

0

1

1

0

0

4

1

1

1

1

1

1

1

1

4

1

1

1

1

1

1

0

1

4

1

1

1

1

1

0

1

1

4

1

1

1

1

1

0

0

1

4

1

1

1

0

1

1

1

1

4

1

1

1

0

1

1

0

1

4

1

1

1

0

1

0

1

1

4

1

1

1

0

1

0

0

0

4

1

1

1

0

0

1

1

1

4

1

1

1

0

0

1

0

0

4

1

1

0

0

1

1

1

1

4

1

1

0

0

1

1

0

0

4

1

1

0

0

1

0

1

0

4

1

1

0

1

1

1

1

1

4

1

1

0

1

1

1

0

1

4

1

1

0

1

1

0

1

1

4

1

1

0

1

1

0

0

0

4

1

1

0

1

0

1

1

1

4

1

1

0

1

0

1

0

0

4

1

1

0

1

0

0

1

0

4

1

0

1

1

1

1

1

0

4

1

0

0

1

1

1

1

0

4

1

0

0

1

1

0

0

0

4

1

0

0

0

0

0

0

0

4

1

0

1

0

1

0

1

0

4

1

0

1

0

0

0

0

0

4

1

0

1

0

0

1

0

0

Таблица 5

Тестирующая выборка(10 примеров)

X1

X2

X3

X4

X5

X6

X7

X8

Y1

0

0

1

1

1

1

1

0

1

0

1

1

1

1

1

0

0

1

0

0

1

1

1

1

0

0

1

5

0

1

1

1

0

1

1

1

5

1

1

1

1

0

0

1

1

4

0

1

1

1

0

1

0

1

5

0

1

1

1

0

0

0

0

5

0

0

0

0

0

0

0

0

2

0

1

1

0

1

1

0

1

1

0

1

1

0

1

0

0

0

1

0

1

1

0

1

0

0

0

3

0

0

1

0

0

1

1

0

Для  решения поставленной  задачи будем использовать персептрон, основанный на нейронной сети  с 8-ю входами, с 1 выходным и с двумя скрытыми слоями. Число нейронов первого скрытого слоя равно четырем, второго – двум (рис. 5).

Рис.5. Проектирование сети.

При обучении данного персептрона ошибка не уменьшалась и была равна 1 (рис. 6).

 

Рис.6. Ошибка обучения на исходной обучающей выборке

Было решено произвести выявление постороннего выброса в обучающем множестве методом анализа ошибки обобщения (рис.7).

Рис.7. Выявление постороннего выброса в обучающем множестве методом анализа ошибки обобщения

Как видно из рисунка 7, 152 строка обучающей выборки была задана некорректно, и именно из-за нее не уменьшалась ошибка.

Удалив  данный пример из выборки, попытались обучить персептрон. Ошибка обучения опустилась до 0,02 (рис. 8).

Рис.8. Ошибка обучения на измененной обучающей выборке

При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке – погрешностью обобщения, обозначаемой T  . При увеличении числа нейронов внутренних слоев персептрона N погрешность обучения   обычно падает, тогда как погрешность обобщения   сначала падает, а затем, начиная с некоторого оптимального значения N=N0, возрастает [1].

Рис.9. Характерные зависимости погрешности обучения и погрешности обобщения

Таким образом, оптимальное количество нейронов 6.

2.2. Анализ полученных результатов

Анализируя работу персептрона и полученные результаты можно сделать вывод, что персептрон выдал модельные значения близкие к практическим (табл. 6).

Таблица 6

Сравнение практического и модельного выходов персептрона

Практический выход

Модельный выход

1

1

1,0204

2

1

1,0181

3

1

1,0209

4

1

1,0216

5

1

1,0046

6

1

1,008

7

0

0,0093

8

0

-0,0037

9

1

1,0105

10

0

0,0146

11

0

0,0146

12

0

0,0092

Для того, чтобы наглядно продемонстрировать это утверждение, на рисунке 8  покажем соотношение между теоретическими и модельными значениями.

Рис.8. Результаты нейросетевого прогнозирования на тестовых примерах постановки диагноза атопического дерматита

Несмотря на то, что модельные значения не полностью совпадают с практическими, можно утверждать, что тренд изменения искомых величин отражен точно.

На формирование решения о возможности заболевания атопическим дерматитом влияет ряд параметров, рассмотрим их значимость при постановке диагноза (Рис.9.).

Из рисунка видно, что самым значимым параметром является наличие зуда у больного. Наименее значимыми – пол и возраст. Проведем анализ зависимости вероятности заболевания от пола ребенка (рис.10.), его возраста (рис.11.) и наличия зуда (рис.12). Данные, используемые для выявления зависимости, представлены в таблице 7, 8 и 9 соответственно.

Рис.9. Оценка значимости входных параметров

Таблица 7.

Данные, используемые для выведения зависимости вероятности заболевания от пола ребенка

X1

X2

X3

X4

X5

X6

X7

X8

5

0

1

1

1

0

1

0

5

1

1

1

1

0

1

0

4

0

1

0

0

0

1

1

4

1

1

0

0

0

1

1

3

0

0

1

0

1

0

0

3

1

0

1

0

1

0

0

2

0

1

0

1

0

1

0

2

1

1

0

1

0

1

0

1

0

1

1

0

1

0

0

1

1

1

1

0

1

0

0

0

0

0

1

1

0

1

0

0

1

0

1

1

0

1

0

Пол:

  1.  мужской;
  2.  женский.

Рис.10. Зависимость вероятности заболевания атопическим дерматитом от пола  ребенка

Из рисунка 10 видно, что вероятность заболевания атопическим дерматитом выше у мальчиков, чем у девочек, при прочих равных параметрах.

Таблица 8

Данные, используемые для выведения зависимости вероятности заболевания от возраста ребенка

X1

X2

X3

X4

X5

X6

X7

X8

0

1

0

1

1

1

1

0

0

0

0

1

1

1

1

0

1

1

1

0

0

1

0

0

1

0

1

1

0

1

1

0

2

1

1

0

1

0

1

0

2

0

1

0

1

0

1

0

3

1

1

1

0

1

0

0

3

0

1

1

0

1

0

0

4

1

1

1

0

1

1

1

4

0

1

1

0

1

1

1

5

1

0

1

1

0

1

1

5

0

1

1

1

0

1

1

Рис.11. Зависимость риска заболевания атопическим дерматитом от возраста ребенка

Из рисунка 11 видно, что возраст не является определяющим параметром при постановке диагноза атопического дерматита, данную зависимость вывести практически невозможно. Диагноз ставится после общего обследования пациента и зависит от совокупности параметров.

Таблица 9

Зависимость вероятности заболевания атопическим дерматитом от наличия зуда

X1

X2

X3

X4

X5

X6

X7

X8

0

1

1

1

0

1

1

0

0

0

0

1

0

0

1

0

1

1

0

1

1

0

1

0

1

0

1

1

0

1

1

0

2

1

1

0

1

1

1

0

2

0

0

0

1

0

1

0

3

1

0

1

0

0

0

0

3

0

1

1

1

1

0

0

4

1

1

1

0

0

1

1

4

0

0

1

1

1

1

0

5

1

0

1

1

0

1

1

5

0

1

1

1

0

1

0

Наличие зуда:

  1.  нет;
  2.  есть.

Рис.12. Зависимость вероятности заболевания атопическим дерматитом от наличия зуда

Как видно из рисунка 12, наличие зуда напрямую влияет на постановку диагноза, независимо от возраста.

Рассмотрев основные параметры, мы пришли к выводу, что больше всего на постановку диагноза влияет наличие зуда, остальные же параметры влияют не так сильно и рассматриваются в совокупности.

Так же, проанализировав модель, было выяснено, что при равных параметрах вероятность заболевания мальчиков несколько выше, чем девочек.


ЗАКЛЮЧЕНИЕ

Подведём итог проделанной работы.

В первой части я обобщила свои знания в области нейросетевых технологий

  •  Нейрокомпьютеры дают стандартный способ решения многих нестандартных задач. И неважно, что специализированная машина лучше решит один класс задач. Важнее, что один нейрокомпьютер решит и эту задачу, и другую, и третью - и не надо каждый раз проектировать специализированную ЭВМ - нейрокомпьютер сделает все сам и почти не хуже.
  •  Вместо программирования - обучение. Нейрокомпьютер учится - нужно только формировать учебные задачники. Труд программиста замещается новым трудом - учителя (может быть, надо сказать - тренера или дрессировщика). Лучше это или хуже? Ни то, ни другое. Программист предписывает машине все детали работы, учитель - создает "образовательную среду", к которой приспосабливается нейрокомпьютер. Появляются новые возможности для работы.
  •  Нейрокомпьютеры особенно эффективны там, где нужно подобие человеческой интуиции - для распознавания образов (узнавания лиц, чтения рукописных текстов), перевода с одного естественного языка на другой и т.п. Именно для таких задач обычно трудно сочинить явный алгоритм.
  •  Гибкость структуры: можно различными способами комбинировать простые составляющие нейрокомпьютеров - нейроны и связи между ними. За счет этого на одной элементной базе и даже внутри "тела" одного нейрокомпьютера можно создавать совершенно различные машины. Появляется еще одна новая профессия - "нейроконструктор" (конструктор мозгов).

Нейросетевые программы подчас крайне дороги для широкого внедрения в клинике (от тысяч до десятков тысяч долларов), а врачи довольно скептически относятся к любым компьютерным инновациям. Заключение, выданное с помощью нейронной сети, должно сопровождаться приемлемыми объяснениями или комментариями.

Но основания для оптимизма все-таки есть. Освоить и применять технологии нейронных сетей значительно проще, чем изучать математическую статистику или нечеткую логику.

В практической части работы я  применяла  нейронную сеть, с помощью которой доказала возможность  использования нейронной сети при постановке диагноза атопического дерматита. Я убедилась, что персептрон смог решить поставленную перед ним задачу. Подав на вход персептрона сигналы, которых не было в обучающей выборке, на выходе мы получили адекватные результаты, то есть соответствующие действительности. Другими словами, применение нейросетевых технологий в выбранной области можно считать эффективным.

Проведенная работа показывает, что применение нейросетевых технологий поможет более точно диагностировать такое заболевание как атопический дерматит.  


БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Список литературы

  1.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. Пособие для студ. высш. учеб. заведений (с гриформ УМО). – М.: Издательский центр «Академия», 2005 – 176с.
  2.  Ф.Уоссермен, Нейрокомпьютерная техника, М.,Мир, 1992.
  3.  Л.Д. Калюжная, «современная концепция повседневной терапии атопического дерматита», № 3, «версень» 2006.

Список сайтов

  1.  www.artint.ru - Российский НИИ Искусственного интеллекта;
  2.  www.raai.org/ - Российская ассоциация искусственного интеллекта;
  3.  http://offline.computerra.ru/2002/445/18040/ -  Нейросимуляция – Журнал «Компьютера»;
  4.  http://chat.ru/~officier/161.htm - Краткое Введение в искусственные нейронные сети;
  5.  www.neuroschool.narod.ru/articles.html  – Применение нейросетей;
  6.  www.atopic.ru – сайт посвященный атопическому дерматиту;
  7.  www.icmm.ru/~masich/win/lexion/neyro/medicine.htm  - нейронные сети в медицине
  8.   www.drcobez.narod.ru/atderm0.htm - критерии диагностики атопического дерматита


 

А также другие работы, которые могут Вас заинтересовать

73. Природно-ресурсный потенциал России и Мурманской области 49.95 KB
  Анализ обеспеченности России и Мурманской области природными ресурсами. Исчерпаемые, в том числе возобновимые (растительность, запас питательных веществ в почве, запас воды в реках и озерах, годовой и подземный сток, растительный и животный мир) и невозобновимые (минеральные ресурсы, подземные воды, почвенный слой).
74. Управление маркетингом на предприятии Цифрал-Срвис 835 KB
  Миссия компании Цифрал-Срвис заключается в деятельности на благо общества и выражается в предоставлении высококачественных услуг в сфере обеспечения безопасности. Товар поставляется только в подъезды имеющие аудиодомофонное оборудование.
75. Расчет и конструирование машин и аппаратов пищевых производств 584 KB
  Современные методы расчета подшипников качения и подшипников скольжения. Общие сведения о вариантах применения, конструкциях, режимах работы подшипников. Условный расчет подшипников скольжения, статическая грузоподъемность.
76. Решение задач оптимизации. Метод равномерного симплекса после завершения одного оборота 770.5 KB
  Метод равномерного симплекса после завершения одного оборота в области расположения стационарной точки. Отработка навыков решения задач безусловной оптимизации функции нескольких переменных методами прямого поиска и отработка навыков решения задач безусловной оптимизации градиентными методами.
77. Разработка методики проектирования схемы малошумящего усилителя 498.5 KB
  Усилитель выполнен в виде монолитной микроволновой интегральной схемы, цепи усилителя состоят из элементов с сосредоточенными параметрами. Амплитудно-частотная характеристика (АЧХ) усилителя без согласующих цепей.
78. Классы Фиттинга конечных групп. Изучение множества с заданными алгебраическими операциями 614.5 KB
  Изучение множества с заданными алгебраическими операциями и отношениями. Двойственность классов Фиттинга, приведение последовательности и доступности изложения основных классовых и групповых теорий.
79. WEB–орієнтована інформаційна система Math 615.5 KB
  Теоретичні відомості розробки інформаційного сервера. Крім доступу до статичних документів сервера існує можливість одержання документів як результату виконання прикладної програми. Саме зазначені технології на основі загальних принципів побудови мережі Internet і, особливо, на базі системи протоколів.
80. Експлуатації та ремонт транспортних засобів в ПСП Комишанське 388 KB
  Основні положення технічного обслуговування транспортних засобів сільськогосподарського призначення. Використання транспортних технологій для перевезення цукрових буряків, безпека розвантажувальних та навантажувальних робіт.
81. Особенности уголовной ответственности и наказания несовершеннолетних 1.46 MB
  История развития уголовного законодательства об ответственности несовершеннолетних. Сущность, цели и принципы наказания несовершеннолетних. Уголовно-правовые меры противодействия преступности.