Россиев Дмитрий АнатольевичСамообучающиеся нейросетевые экспертные системы в медицине: теория, методология, инструментарий, внедрение
По мотивам диссертации на соискание ученой степени доктора медицинских наук Красноярск – 1995-2000
Оглавление ВВЕДЕНИЕ… 3 НЕЙРОСЕТЕВЫЕ КОМПЬЮТЕРНЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ В МЕДИЦИНЕ (ОБЗОР ЛИТЕРАТУРЫ)… 8 ТЕОРЕТИЧЕСКИЕ И МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ СОЗДАНИЯ МЕДИЦИНСКИХ НЕЙРОСЕТЕВЫХ ЭКСПЕРТНЫХ СИСТЕМ… 15 ЗАДАЧИ, РЕШАЕМЫЕ НЕЙРОННЫМИ СЕТЯМИ… 15АРХИТЕКТУРА НЕЙРОННОЙ СЕТИ… 16ФУНКЦИОНИРОВАНИЕ НЕЙРОНА… 17ФУНКЦИОНИРОВАНИЕ НЕЙРОСЕТИ… 18ОБЩАЯ СХЕМА ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ… 19ОБУЧЕНИЕ НЕЙРОСЕТЕЙ-КЛАССИФИКАТОРОВ… 19ОБУЧЕНИЕ НЕЙРОСЕТЕЙ-ПРЕДИКТОРОВ… 22МЕТОДОЛОГИЧЕСКИЕ АСПЕКТЫ ОБУЧЕНИЯ НЕЙРОСЕТЕЙ… 23ТЕСТИРОВАНИЕ ПРИМЕРОВ… 24ОБЩИЕ АСПЕКТЫ СОЗДАНИЯ МЕДИЦИНСКИХ НЕЙРОСЕТЕВЫХ ЭКСПЕРТНЫХ СИСТЕМ… 25ПОСТАНОВКА ЗАДАЧИ… 27ПРЕДСТАВЛЕНИЕ ОБУЧАЮЩИХ ДАННЫХ… 28ИНИЦИАЛИЗАЦИЯ НЕЙРОННОЙ СЕТИ… 29СТРАТЕГИЯ И ТАКТИКА ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ… 35ДОПОЛНИТЕЛЬНЫЕ ВОЗМОЖНОСТИ НЕЙРОСЕТЕЙ И АВТОМАТИЗИРОВАННЫЕ СТРАТЕГИЯ И ТАКТИКА ОБУЧЕНИЯ… 38ОСНОВНЫЕ ПОЛОЖЕНИЯ ТЕОРИИ И МЕТОДОЛОГИИ СОЗДАНИЯ НЕЙРОСЕТЕВЫХ МЕДИЦИНСКИХ ЭКСПЕРТНЫХ СИСТЕМ… 41ПРОГРАММНЫЙ ИНСТРУМЕНТАРИЙ ДЛЯ СОЗДАНИЯ НЕЙРОСЕТЕВЫХ ЭКСПЕРТНЫХ СИСТЕМ… 41 ПРОГНОЗИРОВАНИЕ ОСЛОЖНЕНИЙ ИНФАРКТА МИОКАРДА… 42 ПОСТАНОВКА ЗАДАЧИ… 44ОБУЧАЮЩАЯ ВЫБОРКА И ВХОДНЫЕ ПАРАМЕТРЫ… 45ПРОГНОЗИРОВАНИЕ ФАКТА И ВРЕМЕНИ ВОЗНИКНОВЕНИЯ ФИБРИЛЛЯЦИИ ПРЕДСЕРДИЙ… 47ПРОГНОЗИРОВАНИЕ ВОЗНИКНОВЕНИЯ ПЕРИКАРДИТА… 52ПРОГНОЗИРОВАНИЕ ФАКТА И ВРЕМЕНИ ВОЗНИКНОВЕНИЯ ТРОМБОЭМБОЛИЧЕСКИХ ОСЛОЖНЕНИЙ… 53ПРОГНОЗИРОВАНИЕ ФАКТА И ВРЕМЕНИ ВОЗНИКНОВЕНИЯ ИЛИ УСУГУБЛЕНИЯ СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТИ… 55ИЗУЧЕНИЕ ВЛИЯНИЯ ИССЛЕДУЕМЫХ ПАРАМЕТРОВ НА ПРОГНОЗ ОСЛОЖНЕНИЙ ИНФАРКТА МИОКАРДА… 56РАННЯЯ ДИАГНОСТИКА И ДИФФЕРЕНЦИАЛЬНАЯ ДИАГНОСТИКА ЗЛОКАЧЕСТВЕННЫХ ОПУХОЛЕЙ СОСУДИСТОЙ ОБОЛОЧКИ ГЛАЗА… 60 МЕТОДЫ ДИАГНОСТИКИ УВЕАЛЬНЫХ МЕЛАНОМ… 60МЕТОД ИССЛЕДОВАНИЯ ПИГМЕНТА РЕСНИЦ ДЛЯ ДИАГНОСТИКИ УВЕАЛЬНЫХ МЕЛАНОМ… 61ФОРМАЛЬНЫЙ СПОСОБ ИНТЕРПРЕТАЦИИ ДАННЫХ МЕТОДА… 62ПОСТАНОВКА ЗАДАЧИ… 62ВХОДНЫЕ ПАРАМЕТРЫ И ОБУЧАЮЩАЯ ВЫБОРКА… 63ОЦЕНКА ЭФФЕКТИВНОСТИ МЕТОДОВ ДИАГНОСТИКИ МЕЛАНОМЫ ХОРИОИДЕИ… 65ОЦЕНКА ЭФФЕКТИВНОСТИ МЕТОДА ДИАГНОСТИКИ МЕЛАНОМ СОСУДИСТОГО ТРАКТА ГЛАЗА С ПОМОЩЬЮ ИЗУЧЕНИЯПИГМЕНТА РЕСНИЦ… 66КОМПЛЕКС НЕЙРОННЫХ СЕТЕЙ… 67МОДЕЛИРОВАНИЕ ЛЕЧЕНИЯ И ПРОГНОЗИРОВАНИЕ ЕГО НЕПОСРЕДСТВЕННЫХ РЕЗУЛЬТАТОВ У БОЛЬНЫХ ОБЛИТЕРИРУЮЩИМ ТРОМБАНГИИТОМ… 70 ХАРАКТЕРИСТИКА ОБСЛЕДОВАННЫХ БОЛЬНЫХ… 71ОБУЧАЮЩИЕ ПАРАМЕТРЫ И ОТВЕТЫ… 73ПОСТАНОВКА ЗАДАЧИ… 75СТАТИСТИЧЕСКАЯ ОБРАБОТКА ДАННЫХ В ИССЛЕДУЕМЫХ ПОДГРУППАХ… 79СОЗДАНИЕ И ОБУЧЕНИЕ НЕЙРОННЫХ СЕТЕЙ… 80АНАЛИЗ ЗНАЧИМОСТИ ОБУЧАЮЩИХ ПАРАМЕТРОВ… 80МИНИМИЗАЦИЯ НАБОРА ВХОДНЫХ ПАРАМЕТРОВ… 81ТЕСТИРОВАНИЕ ЭКСПЕРТНОЙ СИСТЕМЫ… 83НЕЙРОСЕТЕВАЯ ЭКСПЕРТНАЯ СИСТЕМА ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ «ОСТРОГО ЖИВОТА»… 84 ХАРАКТЕРИСТИКА ИССЛЕДОВАННЫХ КЛИНИЧЕСКИХ ПРИМЕРОВ… 85
VII.2. ПОСТАНОВКА ЗАДАЧИ… 90
VII.3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ… 91
VII.4. МИНИМИЗАЦИЯ ОБУЧАЮЩИХ ПАРАМЕТРОВ… 93
ГЛАВА VIII. НЕЙРОСЕТИ ДЛЯ ИЗУЧЕНИЯ ИММУНОРЕАКТИВНОСТИ… 95
VIII.1. ПОСТАНОВКА ЗАДАЧИ И РЕЗУЛЬТАТЫ ОБУЧЕНИЯ НЕЙРОСЕТЕЙ… 95
VIII.2. ПРИМЕНЕНИЕ ОБУЧЕННЫХ НЕЙРОСЕТЕЙ ДЛЯ ИЗУЧЕНИЯ ИММУНОРЕАКТИВНОСТИ ПРИ ЯЗВЕННОЙ БОЛЕЗНИ ЖЕЛУДКА И ДВЕНАДЦАТИПЕРСТНОЙ КИШКИ… 98
ЗАКЛЮЧЕНИЕ… 103
ЛИТЕРАТУРА… 105 Введение
Повышение эффективности работы лечебно-профилактических учреждений, особенно в условиях меди-цинского страхования, во многом связано с преобразованием всех аспектов деятельности и оформлением их в виде четкой и высокопроизводительной системы технологий.
В понятие технологии мы включаем 5 требований -элементов, которые должны быть проработаны для оптимизации, например, лечебной или диагностической процедуры.Культура участников технологии;
Квалификация участников технологии;
Информационное обеспечение технологии;
Методология;
Техническое обеспечение технологии.
В последнее время очень сильно возрастает значение информационного обеспечения. Оно становится критическим фактором развития технологий практически во всех областях знания. Это связано со следующими основными особенностями современного производства: максимальное разделение труда, особенно в сложных наукоемких производствах; постоянно увеличивающиеся объемы информации, требующие быстрой обработки; повышающиеся требования к качеству продукции и услуг; внедрение технических средств. Поэтому разработка и внедрение высокопроизводительных информационных систем является на сегодняшний день одной из самых актуальных задач.
Массовый выпуск персональных компьютеров, снижение их стоимости и доступность самого разнообраз-ного программного обеспечения позволили повысить качество технологий во многих областях медицины. Анализ особенностей применения персональных ЭВМ в медицинских учреждениях показывает, что наибольшее исполь-зование компьютеров идет в следующих направлениях: обработка текстовой документации, хранение и обработ-ка баз данных, статистика и финансовые расчеты. Отдельный парк персональных ЭВМ используется совместно с различными диагностическими и лечебными приборами, которые оперируют с данными сложного характера.
В подавляющем большинстве этих областей использования ЭВМ применяют стандартное программное обеспечение -текстовые редакторы, системы управления базами данных, статистические пакеты и прочее. Одна-ко, общеизвестно, что некоторые из важнейших участков лечебно-диагностических технологий практически не используют ЭВМ. Прежде всего это диагностика, назначение лечебных мероприятий, прогнозирование течения заболеваний и их исходов. Причины слабого применения компьютеров в этих областях носят чрезвычайно слож-ный характер и постоянно дискутируются многими исследователями. Рассмотрим основные из них.Отсутствие технической базы. Причина носит временный характер, так как с развитием и снижением стоимости ЭВМ они получают все большее распространение.
Отсутствие компьютерной грамотности у участников технологий. Подобно предыдущей, эта причина вскоре также потеряет свою актуальность в связи со становлением информационного общества.
Психологический аспект. Наиболее серьезная причина, связанная с характером работы врача. С одной стороны, врач является исследователем, и его работа носит творческий характер. С другой стороны, врач несет прямую ответственность за результат своей деятельности. Исходя из этого, врач, принимая решение о диагнозе или назначении лечебных мероприятий, опирается на знания и опыт, причем как свои собственные, так и коллег,
являющихся для него авторитетом. Очень важно при этом обоснование решения, если оно подсказывается со стороны. Результат, подсказанный компьютерной программой, работающей по алгоритму, созданному другим человеком, как показывает практика, во многом лишает исследователя творческой инициативы. Навязанное та-ким образом решение, даже будучи достоверным, психологически подвергается серьезному сомнению. Особенности медико-биологической информации. Еще одно серьезное препятствие на пути внедрения информационных технологий в медицину заключается в том, что большинство медицинских данных имеют опи-сательный характер, т.е. выражаются с помощью формализмов, подверженных крайней вариабельности. Остав-шаяся часть данных, даже выражаемая с помощью чисел, также в большинстве случаев не может быть упорядо-чена и классифицируема, т.к. изменяется в зависимости от клинических традиций различных школ, геосоциаль-ных особенностей регионов и даже отдельных учреждений, а также от времени.
Таким образом, указанные причины определяют крайне слабое использование существующих медицин-ских систем принятия решений и огромные трудности в разработке новых.
Исходя из вышесказанного, все задачи, решение которых актуально в медицинских технологиях, можно подразделить на две большие категории.Задачи, решаемые по четким алгоритмам. К этой категории относятся задачи делопроизводства, хране-ния и обработки информации. Они с успехом решаются с помощью стандартного программного обеспечения, быстро и широко распространяющегося.
Задачи принятия решений, результат в которых выводится исходя из опыта и знаний. Для этого класса задач характерен очень сложный алгоритм, и чаще всего -полная невозможность его актуализировать.
Поэтому можно выделить два способа решения задачи -логический и интуитивный. Логический метод оперирует набором формальных правил [109], интуитивный -накопленным опытом. При решении задачи первым способом она обычно разбивается на подзадачи, каждая из которых, в свою очередь, разбивается на несколько элементарных функций с известным алгоритмом вычислений. Зная алгоритм каждой элементарной функции, можно решать сложнейшие задачи, соединяя элементарные функции в нужной последовательности. Традицион-ное программирование как раз и обеспечивает такую возможность. При попытке применить такой метод к реше-нию интуитивных задач программист может столкнуться с невозможностью выделить алгоритм элементарной функции или вообще разбить задачу на такие функции.
Современный компьютер, обрабатывая информацию с большой скоростью, делает это на основе алгорит-мов, написанных программистом. Естественно, что с усложнением задач резко возрастает время, затрачиваемое на написание алгоритмов их решения. Поэтому трудности разработки экспертных систем определяется уже не техническими, а человеческими факторами.
Растущие объемы информации, появление новейших диагностических и лечебных технологий требуют принципиально иных подходов к обработке и интерпретации медицинских данных, возможности накопления, хранения и использования опыта квалифицированных специалистов. Аналогично, для научных исследований в медицине уже совершенно недостаточно использовать стандартные наборы статистических методов для обработ-ки материала. Требуются универсальные инструменты с возможностью гибкой постановки задач, применимые ко всем областям биологии и медицины, обладающие большой информационной емкостью и помехоустойчивостью, не нуждающиеся в длительном времени для разработки. Всем вышеперечисленным требованиям могут отвечать системы, способные самонастраиваться на решение задач. Созданные только один раз исходно одинаковыми, они должны обучаться решать совершенно различные задачи.
Отсюда вытекает еще один важный вывод. Возможности настройки нового класса экспертных систем должны распространяться вплоть до индивидуального пользователя, например до конкретного врача, имеющего возможность обучать экспертную систему на своем собственном опыте и тех данных, которые доступны этому врачу. Это означает, что необходимо коренное изменение технологии производства таких систем. Существую-щие традиционные системы принятия решений, основанные на четких правилах вывода, создаются, как правило, группой специалистов, в числе которых -математики, программисты и предметные специалисты, ставящие зада-чи. Возможности настройки таких систем на конечного потребителя почти всегда сведены к минимуму, и он, приобретая такую систему, часто сталкивается с ее неприменимостью к конкретным условиям его работы (например, другой спектр лабораторных анализов или методов обследования, принятых в данной клинике). Вы-ход -дать специалисту возможность самому конструировать экспертную систему исходя из конкретных условий, собственного опыта и опыта коллег. Такое конструирование должно производиться без знания предметным спе-циалистом математического аппарата, требуя только обычных навыков работы на персональном компьютере. Кроме того, в этой ситуации снимается психологическая проблема доверия к заключениям экспертной системы, которая работает, опираясь на опыт и знания того специалиста, который ее сконструировал, его коллег, которым он доверяет, и реальные данные, которые он сам получил в результате наблюдений.
Мы сформулировали основные требования, которым должны удовлетворять самообучающиеся медицин-ские экспертные системы принятия решений, диагностики, назначения лечебно-профилактических мероприятий и прогнозирования.Индивидуализация (настройка на традиции клинических школ, геосоциальные особенности региона примене-ния, наборы медико-биологических данных, особенности лечебно-диагностических технологий, индивидуаль-ный опыт и знания специалиста);
Динамическое развитие (накопление опыта системы в процессе функционирования, следуя изменениям в пунктах, перечисленных в предыдущем требовании);
Возможность перенастройки при резком изменении условий, например, при перенесении в другой регион;
Способность к экстраполяции результата. Требование, обратное индивидуальности. Система не должна резко терять качество работы при изменении условий;
Возможность конструирования с нуля конечным пользователем (специалист должен иметь возможность при-думать совершенно новую экспертную систему и иметь возможность просто и быстро создать ее);
“Нечеткий” характер результата. Важное требование, подразумевающее, что решение выдаваемое системой, не должно быть окончательным. Оно может быть, например, вероятностным, или предлагать сразу несколько вариантов на выбор. Это дает возможность специалисту критически оценивать решение системы и не лишает его инициативы в принятии окончательного решения.
Экспертная система является только советчиком специалиста, не претендуя на абсолютную точность решения. Она должна накапливать опыт и знания и значительно ускорять доступ к ним, моделировать результат при из-менении условий задачи. При этом ответственность за решение всегда лежит на специалисте.
Анализ существующих методов обработки информации и метаалгоритмов решения задач показал, что вышеперечисленным требованиям достаточно хорошо удовлетворяют нейроинформационные технологии, бази-рующиеся на искусственных нейронных сетях. В основе функционирования нейронных сетей лежат алгоритмы, моделирующие распространение сигналов по нейронам и синапсам нервной системы. Существует достаточно большой набор архитектур и метаалгоритмов функционирования нейронных сетей, при этом задачи, решаемые современной нейроинформатикой, в большинстве случаев требуют подгонки архитектуры и алгоритмов обучения нейросетей под определенный класс задач или даже конкретную задачу. Поэтому, разработка универсальной тех-нологии создания медицинских экспертных систем, включающей оптимизацию архитектур и метаалгоритмов функционирования нейронных сетей, теоретические и методологические основы функционирования нейросетей при работе с медико-биологической информацией, является актуальной задачей.
Цель исследования.
Разработка теории и методологии создания медицинских самообучающихся нейросетевых экспертных систем принятия решений, диагностики и прогнозирования для практического здравоохранения, медико-биологических научных исследований; создание и внедрение в практику приложений.
Задачи исследования. Изучение свойств и поведения нейронных сетей при решении задач, связанных с медико-биологическими па-раметрами;
Оптимизация структуры и параметров нейронных сетей для решения задач медицинской диагностики и про-гнозирования;
Разработка методов оценки информативности медико-биологических параметров нейронными сетями;
Создание универсальной компьютерной программной среды (инструментария) для разработки самообучаю-щихся медицинских экспертных систем;
Создание и внедрение нейросетевых экспертных систем медицинской диагностики, прогнозирования и приня-тия решений.
Структура (архитектура) искусственных нейронных сетей, состоящих из большого числа простых элемен-тов (нейронов -чувствительных и моторных) и межнейронных связей (синапсов), похожа (конечно, в очень упрощенном виде) на структуру нервной системы. При функционировании искусственной нейронной сети также моделируются базовые процессы, происходящие в нервной системе -поступление информации из внешнего мира в нейросеть, обмен нейронов сигналами через синапсы, вывод информации из нейросети во внешний мир.
Задачи медицинской диагностики и прогнозирования не имеют четких (явных) алгоритмов решения. В условия таких задач входит большое число сложно комбинирующихся факторов. Способ решения этих задач человеком лишь в малой степени основан на четких правилах. В основном используется опыт (явная или неявная память о предыдущих ситуациях), подразумевающий правильное решение не только в случае повторения ситуа-ции, но и при возникновении совершенно новой, не встречавшейся ранее ситуации.
Таким образом, нейронные сети, работая по неявным алгоритмам и решая задачи, не имеющие явного решения, достаточно хорошо моделируют (конечно, только внешне) способ принятия решений человеком. Одна-ко принципиальные различия работы нейронной сети и глубинного функционирования сознания и подсознания никак не отражается на конечном результате, поэтому при разработке нейроинформационных технологий не ста-вятся задачи достижения как можно большего структурного и функционального сходства искусственных объек-тов и реального мозга. Разработка архитектуры и алгоритмов нейронных сетей не базируется на моделировании структуры и физиологии головного мозга, а исходит из целей функционирования создаваемой системы. Появле-ние некоторого сходства является, по-видимому, проявлением некоторых общих закономерностей, а никак не результатом сознательного действия. Поэтому, разработка теории и методологии создания нейросетевых экс-пертных систем в медицине и биологии является движением в сторону создания искусственного интеллекта, ба-зирующегося не на принципах копирования структуры (как показали многочисленные попытки, этот путь никуда не привел), а на концепции постановки и достижения целей.
Нейросеть имеет определенное сходство с биологическими объектами еще и потому, что обладает “пове-дением”, не поддающимся абсолютно точному прогнозированию. Этот факт связан с тем, что нейросеть, имею-щая даже всего несколько нейронов, может иметь многие миллиарды различных состояний, причем каждое со-стояние приведет к уникальному ответу нейросети после подачи ей информации из внешнего мира. Поэтому изу-чение закономерностей функционирования нейросетей при их работе с медико-биологической информацией также является актуальной задачей, так как может открыть совершенно новые области их применения.
Нейросети могут служить в качестве математического инструмента для научных исследований при поис-ке взаимосвязей и закономерностей в больших информационных структурах, изучения взаимного влияния раз-личных факторов и моделирования сложных динамических процессов. Поэтому разработка методов нейросетево-го моделирования и анализа информации также является актуальной задачей.
Практическое применение нейросетей позволяет поставить создание медицинских экспертных систем на качественно иную основу.Прежде всего, самообучающиеся экспертные системы производятся очень быстро. При создании традицион-ных экспертных систем основное время затрачивается на разработку алгоритма, а сбор данных обычно зани-мает равное или меньшее время. При конструировании нейросетевых экспертных систем время на разработку фактически определяется длительностью сбора данных: обучение сети занимает минуты, в крайнем случае, часы машинного времени и не требует прямого вмешательства оператора. Кроме того, стартовое обучение может производиться уже на небольшом количестве данных, а их дальнейший сбор может продолжиться уже после создания системы во время ее эксплуатации с доучиванием;
Нейросетевые системы могут создаваться непосредственно предметными специалистами, владеющими лишь пользовательскими навыками работы с персональными компьютерами. Это обеспечивается универсальностью предлагаемой архитектуры и метаалгоритмов обучения и функционирования нейросетей при работе с любыми задачами, решаемыми на основе опыта.
Программы-эмуляторы нейронных сетей могут работать на обычных широкоиспользуемых персональных компьютерах. Разработанные архитектуры и метаалгоритмы функционирования нейросетей не требуют какой-либо специальной техники;
Экспертные нейросистемы чрезвычайно компактны, не требуют большого количества оперативной и постоян-ной памяти ЭВМ (не вытесняют другие необходимые программы). Не обязательно и хранение банков данных, на которых обучалась система.
Экспертные нейросистемы динамично развиваются в процессе использования, накапливая опыт многих спе-циалистов и/или обучаясь на реальном фактическом материале.
Нейросетевые системы могут работать в условиях недостаточной информации, что в медицине является обычной ситуацией, когда, например, отсутствуют данные каких-либо анализов или методов обследования или сведения из анамнеза пациента.
Нейронные сети могут работать с информацией любого типа, вплоть до субъективных определений. Требуется лишь элементарная, достаточно произвольная кодировка в числовой вид.
Время выдачи ответа обученной нейросетью (с момента подачи ей условий задачи) исчисляется долями се-кунды, что позволяет применять нейротехнологии в системах, работающих в режиме реального времени и требующих практически мгновенного решения задачи.
Экспертные нейросистемы обладают большой гибкостью, например, при использовании в разных регионах с различными характеристиками, влияющими на здоровье, а следовательно, и на показатели нормы и патологии, одна и та же система будет работать одинаково хорошо после адаптации (дообучения на локальных данных).
10.Обученная нейросистема может использоваться как инструмент для моделирования и изучения объектов, с которыми она связана.
11.Применение нейросетевых систем позволит значительно ускорить работу специалистов, освободив большое количество времени, повысить качество профилактических, лечебных и диагностических технологий.
12.Гибко настраиваемые на конкретное лечебное учреждение нейросетевые экспертные системы прогнозирова-ния позволят оптимизировать планирование лечебных и профилактических мероприятий как конкретным больным (профилактика осложнений), так и по лечебному учреждению в целом, что приведет к повышению качества медицинских услуг и снижению затрат.
13.Применение нейросетевых экспертных систем для прогнозирования медико-социальных и демографических показателей позволит повысить качество технологий в организации медицинской помощи населению и плани-ровании здоровья.
14.Возможность нейронных сетей анализировать информацию (в частности, определять важность и информатив-ность медико-биологических данных) позволит оптимизировать различные диагностические технологии (от-каз во многих случаях от дорогостоящего и ненужного обследования), а также технологии разработки медико-экономических стандартов.
В результате проведенных исследований разработаны теоретические и методологические основы созда-ния нейросетевых медицинских экспертных систем. Их ядром являются полносвязные сигмоидные нейронные сети, обучающиеся по усовершенствованному метаалгоритму двойственного функционирования, позволившему увеличить скорость обучения в 1000-10000 раз.
Изучение работы практических врачей с персональными компьютерами, отработка интерфейсов про-граммного обеспечения привели к созданию базового инструментария, предназначенного для конструирования нейросетевых программ пользователями-медиками. Разработанный автором программный комплекс AcceStat2000 “NeuroMaster” может применяться не только для создания профессиональных экспертных систем, но и для проведения исследований медико-биологических данных с помощью нейросетей (проверка гипотез, поиск гипо-тез, моделирование, оптимизация).
С помощью пакета комплекс AcceStat-2000 “NeuroMaster” разработаны и апробированы на практике нейросетевые экспертные системы прогнозирования осложнений инфаркта миокарда, назначения лечения и про-гнозирования его непосредственных исходов у больных облитерирующим тромбангиитом, ранней диагностики меланом хориоидеи, дифференциальной диагностики “острого живота” и др.
Положения, выносимые на защиту. Разработаны теория и методология создания самообучающихся медицинских экспертных систем, заключаю-щаяся в обучении полносвязных сигмоидных нейронных сетей двух типов -классификаторов и предикторов -на основе наборов примеров с известными ответами и обучающими параметрами, нормированными на диапа-зон [-1...1].
Экспертные системы, создаваемые согласно разработанной методологии, обладают способностью постоянно-го доучивания в процессе работы, не требуя от пользователя формализации и алгоритмирования правил выво-да.
Создан программный инструментарий -программа AcceStat-2000 “NeuroMaster”, предназначенная для созда-ния медицинскими специалистами экспертных систем, накапливающих индивидуальный и коллективный опыт и/или обучающихся на реальных данных, полученных путем измерений и наблюдений.
Сконструированы и внедрены в практику нейросетевые экспертные системы: прогнозирования осложнений инфаркта миокарда; назначения лечения и прогнозирования его непосредственных исходов у больных облите-рирующим тромбангиитом; ранней диагностики меланом хориоидеи; дифференциальной диагностики “остро-го живота”.
Работа выполнена в Красноярской Медицинской Академии на кафедре медицинского страхования, ме-неджмента и маркетинга.
По теме диссертации опубликовано 70 работ в центральной, местной и зарубежной печати. Список работ приводится в Приложении 3.
Автор благодарит профессора М.И.Гульмана, профессора В.И.Лазаренко, профессора А.А.Модестова, профессора В.В.Фефелову, профессора В.А.Шульмана за поддержку и помощь в организации исследований.
Особую благодарность автор выражает научному консультанту, профессору А.Н.Горбаню.
Глава I. Нейросетевые компьютерные экспертные системы в медицине (об-зор литературы)
Разработка математических методов решения медико-биологических задач ведется уже не одну сотню лет. Учеными предложено огромное количество способов проверки гипотез и продукции выводов. В истории разработки этих методов прослеживаются два периода наибольшего интереса теоретиков и практиков. Первый период наблюдался в 60-е годы, когда были разработаны методы анализа, получившие некоторое распростране-ние и вызвавшие волну публикаций. Среди них -анализ Вальда [19], применяющийся до сих пор, матричные алгоритмы, основанные на анализе присутствия или отсутствия признаков [18], методы правдоподобия (анализ частот встречаемости признаков при двух или более заболеваниях [241]), алгоритмы, основанные на логике фазо-вого интервала (состояние выражается в виде совокупности точек в пространстве признаков [17,18]), вероятност-ные методы [308]. Довольно широкую популярность приобрели алгоритмы, основанные на поиске клинического прецедента [4]. Общим признаком, объединяющим все эти и другие традиционные методы, несмотря на их раз-нообразие, является наличие явных алгоритмов принятия решений [28]. “Диагностический алгоритм включает в себя совокупность правил, определяющих порядок переработки медицинской информации с целью постановки диагноза” [64]. Несмотря на то, что наиболее популярные методы до сих пор активно используются в теоретиче-ской биологии и медицине [53,55], в практической медицине они не нашли широкого применения. Это связано, во-первых, с тем, что методы, ориентированные на обработку групповых данных, слабо применимы к отдельным объектам, а во-вторых, с особенностями самой медико-биологической информации [125]. Решения в медицин-ских и биологических задачах зависят от огромного количества неодинаковых по значимости факторов [70,91]. Поэтому, даже если удается выстроить правила вывода, связывающие условия задачи с решением, метод, как правило, хорошо работает только на той группе объектов, на которой производились исследования. Естественно, создать универсальный алгоритм невозможно, и при использовании метода для другой подобной группы объек-тов его приходится полностью переконструировать практически заново.
Многолетние исследования, проводимые с самыми различными явными алгоритмами, показали, что ме-дицинские задачи, имеющие неявный характер, решаются явными методами с точностью и удобством, совер-шенно недостаточными для широкого практического использования в конкретных задачах диагностики, прогно-зирования и принятия решений [65].
Поэтому в настоящее время наблюдается второй всплеск интереса к диагностическим системам. Он направлен на принципиально новое поколение решающих алгоритмов, являющихся неявными и обладающих способностью к самонастройке [270], которая может осуществляться на минимальном количестве данных [202]. Основной группой таких алгоритмов, развиваемой сейчас наиболее интенсивно, являются нейросетевые методы [120,295].
Поиски и изучение неявных алгоритмов, позволяющих автоматически накапливать и затем использовать опыт при обучении [178], продолжаются уже более 100 лет [54]. Однако первые серьезные попытки создания нейронных сетей были сделаны в 40-50-х годах, когда У.Маккалох и У.Питтс выдвинули основные положения теории работы головного мозга. Естественно, что с появлением дешевых ЭВМ произошел резкий скачок в этой области [34], которая в начале 80-х годов сформировалась в целую науку -нейроинформатику [305].
Неявные задачи медицины и биологии явились идеальным полем для применения нейросетевых техноло-гий, и именно в этой области наблюдается наиболее яркий практический успех нейроинформационных методов [129,201,221].
Перейдем теперь к рассмотрению нейросетевых приложений для биологии и медицины, созданных раз-личными авторами. Общая черта, объединяющая приводимые ниже примеры -отсутствие единой универсальной технологии создания таких приложений. В публикуемых разработках используются самые разнообразные архи-тектуры [103,135,211] и алгоритмы функционирования нейронных сетей. Это приводит к тому, что для почти для каждой задачи разрабатывается своя собственная архитектура, и часто -уникальный алгоритм или уникальная модификация уже существующего. С точки зрения практического применения такие экспертные системы почти не отличаются от традиционных программ при