В настоящее время технологии искусственного интеллекта начинают использоваться во многих областях народного хозяйства. Технологии искусственного интеллекта включают следующие направления: нейронные сети, генетические алгоритмы, экспертные системы, нечеткую логику.
Ключевые слова: искусственный интеллект, искусственные нейронные сети, дискриминантный, факторный, кластерный анализы, показатели гематологического анализатора.
В медицинской практике технологии искусственного интеллекта не заменяют врача, они помогают ему решать определенные задачи [1]. Для построения сложных нелинейных зависимостей и постановки компьютерного диагноза использовались автоматизированные искусственные нейронные сети и метод деревьев классификации. Методом главных компонент выявляли линейные связи между параметрами общего анализа крови. Статистически значимые различия количественных данных устанавливались при помощи непараметрического метода критерия Вилкоксона-Манна-Уитни и однопараметрического метода Стьюдента, для качественных данных использовался метод хи-квадрат (уровень значимости р ≤ 0,05). Дополнительно применяли следующие виды математического анализа: дискриминантный, кластерный, факторный.
Развитие вычислительной техники, разработка методов математического моделирования в медицинскойпрактике практике с использованием технологий искусственного интеллекта повышает качество медицинской диагностики и поиск эффективных методов лечения [1].
В хирургии нейронные сети используются для оценки тяжести травм [3]. Комплекс нейронных сетей, довольно качественно определяет необходимые режимы, качество и длительность лазеротерапии [4].
Искусственные нейронные сети предсказывают результат оплодотворения в пробирке с точностью до 60 % [3]. Нейросетевые модели оценивают тяжесть влияния неблагоприятных факторов на эмбрион [11], определяют состояние здоровья плода на основе информации об его сердечной деятельности. Искусственные нейронные сети, (нейропарадигмы «Back Propogation»), обрабатывают большое количество входной медицинской информации. Прогнозирование и классификация не требует больших временных затрат и порой достигает достоверности в 90 % случаях [1,2].
Обучение и тестирование искусственных нейронных сетей с одним и пятью нейронами в выходном слое показали следующие результаты: с одним нейроном определяют наличие или отсутствие одного диагноза, пять нейронных сетей выявляют каждый диагноз в отдельности.
Схема нейросетевой системы диагностики перинатального поражения центральной нервной системы представлена на рис. 1.
Рис. 1. Схема алгоритма работы системы диагностики перинатального поражения центральной нервной системы
Система диагностики представляет собой сочетание искусственных нейронных сетей и статистических методов, которые дополняют друг друга. На рис. 2 показана схема работы системы анализа данных для диагностики перинатального поражения центральной нервной системы.
Рис.2. Компьютерный комплекс диагностики различных клинических форм перинатального поражения центральной нервной системы
В заключение можно сказать, что для построения компьютерного анализа диагностики перинатального поражения центральной нервной системы требуется совместное использование статистических и нейросетевых методов. Использование предварительного статистического анализа позволяет уменьшить данных для диагностики перинатального поражения центральной нервной системы без понижения уровня безошибочности. Способ комбинации нейросетевых и статистических методов, обеспечивает достаточную безошибочность и имеет высокиие показатели чувствительности и специфичности, близкие к оптимальному значению.
Литература:
- Health status surveillance system of neonates with different clinical forms of perinatal defeats of the central nervous system when transporting. Ivchenko E., Piyanzin A. I., Zhilin S. I., Shaidurov A. A., Sukhanov S. I. Journal of Maternal-Fetal and Neonatal Medicine. 2016. Т. 29. № S1. С. 305.
- Облачные технологии в прогнозировании перинатального поражения центральной нервной системы. Пиянзин А. И., Шайдуров А. А., Шатохин А. С., Фёдоров А. В. Многоядерные процессоры, параллельное программирование, ПЛИС, системы обработки сигналов. 2016. № 6. С. 180–184.
- Оценка кроветворения у недоношенных новорожденных по показателям современного гематологического анализатора с использованием различных математичекикх методов. Пиянзин А. И., Жилин С. И., Ивченко Е. В., Миллер Ю. В., Федоров А. В., Аникина З.Ф., Малахова Т. И. В книге: Современная перинатология: организация, технологии, качество Материалы X Ежегодного Конгресса специалистов перинатальной медицины. VIII Cъезд Российской ассоциации специалистов перинатальной медицины. 2015. С. 15–16.
- Лейкоцитарные параметры крови у новорожденных с гипоксически-ишемическим поражением центральной нервной системы. Ивченко Е. Л., Пиянзин А. И., Жилин С. И., Фёдоров А. В., Аникина З., Дуплик С., Курденко С., Сапкина М., Мошкина Е. В книге: Плод как пациент 31 st international congress Fetus as a Patient. 2015. С. 36.
- Кибердиагностика перинатального гипоксически-ишемического поражения центральной нервной системы. Пиянзин А. И., Жилин С., Ивченко Е., Федоров А., Аникина З. В книге: Плод как пациент. 31st international congress Fetus as a Patient. 2015. С. 56.
- Технологии искусственного интеллекта в диагностике различных клинических форм перинатального поражения центральной нервной системы. Пиянзин А. И., Жилин С. И., Шайдуров А. А., Шатохин А. С., Ивченко Е. В., Федоров А. В., Акинина З. Ф., Жукова Е. Н., Сапкина М. Р. В книге: Ребенок и общество: проблемы здоровья, развития и питания Тезисы VII Конгресса педиатров стран СНГ. 2015. С. 64–65.
- Математические методы анализа данных современного гематологического анализатора в диагностике гипоксически-ишемического поражения центральной нервной системы у новорожденных. Пиянзин А. И., Жилин С. И., Ивченко Е. В., Федоров А. В., Акинина З. Ф. Клиническая лабораторная диагностика. 2015. Т. 60. № 9. С. 95.
