Бесплатный автореферат и диссертация по биологии на тему

Самообучающиеся нейросетевые экспертные системы в медицине: теория, методология, инструментарий, внедрение

ВАК РФ 03.00.02, Биофизика

Автореферат диссертации по теме "Самообучающиеся нейросетевые экспертные системы в медицине: теория, методология, инструментарий, внедрение"

российская академия наук

ордена ленина сибирское отделение ™ _ л „ институт биофизики

1 и ,1 2 9 ДПР Ш)

На правах рукописи

РОССИЕВ Дмитрий Анатольевич

САМООБУЧАЮЩИЕСЯ НЕЙРОСЕТЕВЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ В МЕДИЦИНЕ: ТЕОРИЯ, МЕТОДОЛОГИЯ, ИНСТРУМЕНТАРИЙ, ВНЕДРЕНИЕ

03.00.02.— Биофизика

автореферат

диссертации на соискание ученой степени доктора медицинских наук

Красноярск, 1996

Работа выполнена в Красноярской госудаостиенной медицинской академии

Официальные оппоне. • доктор медицинских наук, профессор

В Г Николаев;

1 доктор медицинских наук, профессор

Е И.Прахнн;

доктор технических наук, профессор Г.А.Доррпр

Ведущая организация НИИ Нейрокибернетики при Ростовском

государственном университете (г. Ростов-на-Дону )

Защита состоятся "_"_1996 г. в_часов на

заседании Специализированного совета Д. 003 45. 01 по защите диссертаций на соискание ученой степени доктора наук при Институте биофизики СО РАН (660036, Красноярск Академгородок). С диссертацией можно ознакомиться в библиотеке Института биофизики СО РАН

Автореферат разослан "_" _1995г

Ученый секретарь Специализированного совета, доктор технических наук

<1

А.П.Шевырногов

Введение

Актуальнйсть.

В последнее время очень сильно возрастает значение информационного обеспечения технологий. Оно становится критическим фактором развития практически во всех областях знания, поэтому разработка и внедрение информационных систем является на сегодняшний день одной из самых актуальных задач.

Анализ применения персональных ЭВМ в медицинских учреждениях показывает, что наибольшее использование компьютеров идет для обработки текстовой документации, хранения и обработки баз данных, ведения статистики и финансовых расчетов. Отдельный парк ЭВМ используется совместно с различными диагностическими и лечебными приборами.

В большинстве этих областей использования ЭВМ применяют стандартное программное обеспечение - текстовые редакторы, системы управления базами данных, статистические пакеты и др. Однако некоторые из важнейших участков лечебно-диагностических технологий практически не используют возможности ЭВМ. Прежде всего это диагностика, назначение лечебных мероприятий, прогнозирование течения заболеваний и их исходов. Причины этого носят чрезвычайно сложный характер и постоянно дискутируются. Основные из них - недостаточно развитая техническая база, низкая компьютерная грамотность участников технологий. Большое значение имеет психологический аспект применения ЭВМ. Это серьезная причина, связанная с характером работы врача. Врач является исследователем, и его работа носит творческий характер, однако он несет прямую ответственность за результат своей деятельности. Принимая решение о диагнозе или лечении, он опирается на знания и опыт, свои собственные 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 таким образом решение, даже будучи достоверным, психологически подвергается серьезному сомнению.

Существенную роль играют также особенности медико-биологической информации. Большинство медицинских данных имеют описательный характер, выражаются с помощью формализмов, подверженных крайней вариабельности. Данные, даже выражаемые с помощью чисел, также в большинстве случаев не могут быть хорошо упорядочены и классифицируемы, т.к. изменяются в зависимости от

клинических традиций различных школ, геосоциальных особенностей регионов и даже отдельных учреждений, а также от времени.

Задачи, решение которых актуально в медицинских технологиях, можно подразделить на две большие категории.

1. Задачи, решаемые по явным алгоритмам. К этой категории относятся задачи делопроизводства, хранения и обработки информации. Они с успехом решаются с помощью стандартного программного обеспечения.

2. Задачи принятия решений на основе опыта и знаний. Для этого класса задач характерен очень сложный алгоритм, и чаще всего -трудность или даже полная невозможность его актуализировать.

Соответственно можно выделить 2 способа решения задачи логический и интуитивный. Логический метод оперирует набором формальных правил, интуитивный - накопленным опытом. При решении задачи первым способом задача 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. Традиционное программирование как раз и обеспечивает такую возможность. При попытке применить такой метод к решению 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 алгоритмов, написанных программистом. С усложнением задач резко возрастает время, затрачиваемое на написание алгоритмов их решения. Поэтому трудности разработки экспертных систем (ЭС) 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. Для научных исследований в медицине также уже совершенно недостаточно использовать стандартные наборы статистических методов для обработки 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.

Возможности настройки нового класса ЭС должны распространяться вплоть до индивидуального ■ пользователя, например, до конкретного врача, имеющего возможность обучать ЭС на своем собственном опыте и на доступных данных. Это означает, что должно произойти коренное изменение технологии производства таких систем. Существующие традиционные системы принятия решений, основанные на явных правилах вывода, создаются, как правило, группой специалистов, в числе которых - математики, программисты и предметные специалисты, ставящие задачи. Возможности настройки таких систем на конечного потребителя часто недостаточны. Приобретая такую систему, он часто сталкивается с ее неприменимостью к конкретным условиям работы (например, другой спектр лабораторных анализов или методов обследования, принятый в данной клинике). Выход - дать специалисту возможность самому конструировать ЭС исходя из конкретных условий, собственного опыта и опыта коллег. Такое конструирование должно производиться без знания предметным специалистом математического аппарата, требуя только обычных навыков работы на ПЭВМ. В этой ситуации снимается психологическая проблема доверия к заключениям ЭС, 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.

Самообучающиеся медицинские ЭС принятия решений, диагностики, назначения лечебно-профилактических мероприятий и прогнозирования должны удовлетворять следующим требованиям:

1. Индивидуализация (настройка на традиции клинических школ, геосоциальные особенности региона применения, наборы медико-биологических данных, особенности лечебно-диагностических технологий, индивидуальный опыт и знания специалиста);

2. Динамическое развитие (накопление опыта системы в процессе функционирования, следуя изменениям в пунктах, перечисленных в предыдущем требовании);

3. Возможность перенастройки при резком изменении условий, например, при перенесении в другой регион;

4. Способность к экстраполяции результата. Требование, обратное индивидуальности. Система не должна резко терять качество работы при изменении условий;

5. Возможность конструирования с нуля конечным пользователем (специалист должен иметь возможность придумать совершенно новую ЭС и иметь возможность просто и быстро создать ее);

6. "Нечеткий" характер результата. Решение выдаваемое системой, не должно быть окончательным. Оно может быть 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. 7. ЭС 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 изменении условий задачи. Ответственность за решение всегда лежит на специалисте.

Анализ существующих методов обработки информации показал, что этим требованиям хорошо удовлетворяют нейроинформационные технологии, основанные нз искусственных нейронных сетях. В основе их функционирования 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 нейроинформатикой, з большинстве случаев требуют подгонки архитектуры и алгоритмов обучения нейросетей под определенный класс задач или даже конкретную задачу. Поэтому разработка теоретических и методологических основ и универсальной технологии создания медицинских ЗС, включающей оптимизацию архитектур и метаалгоритмов функционирования нейросетей при работе с медико-биологической информацией, является актуальной задачей.

Цель исследования.

Разработка теории и методологии создания медицинских самообучающихся нейросетевых ЭС принятия решений, диагностики и прогнозирования для практического здравоохранения, медико-биологических научных исследований; создание и внедрение таких систем в практику.

Задачи исследования.

1. Изучение свойств и поведения нейронных сетей при решении задач, связанных с медико-биологическими параметрами;

2. Оптимизация структуры и параметров нейронных сетей для решения задач медицинской диагностики и прогнозирования;

3. Разработка методов оценки информативности медико-биологических параметров нейронными сетями;

4. Создание универсальной компьютерной программной среды (инструментария) для разработки самообучающихся ЭС;

5. Создание и внедрение нейросетевых ЭС медицинской диагностики, прогнозирования и принятия решений.

Научная новизна.

1. Изучены особенности и закономерности работы нейронных сетей с медико-биологическими данными;

2. Созданы теория и методология конструирования самообучающихся нейросетевых ЭС для медицины;

3. Сконструированы и внедрены самообучающиеся нейросете-вые ЭС прогнозирования осложнений инфаркта миокарда, ранней диагностики злокачественных опухолей сосудистой оболочки глаза, оптимизации лечения и прогнозирования его исходов у больных облитерирующим тромбангиитом, дифференциальной диагностики острой хирургической патологии;

4. С помощью нейросетей изучено соотояние иммунореак-тивности у больных язвенной болезнью желудка и двенадцатиперстной кишки и показана разнонаправленность сдвигов клеточного метаболизма лимфоцитов при этих патологиях.

Практическая ценность.

Практическое применение нейросетей позволяет поставить создание медицинских ЭС на качественно иную основу.

1. Самообучающиеся нейросистемы производятся очень быстро.

2. Нейросистемы могут создаваться непосредственно предметными специалистами, владеющими лишь пользовательскими навыками работы с персональными компьютерами. Это обеспечивается универсальностью предлагаемой архитектурь: и метаалгоритмов функционирования нейросетей при работе с любыми задачами, решаемыми на основе опыта.

3. Программы-эмуляторы нейронных сетей могут работать на обычных широкоиспользуемых персональных компьютерах.

4. Нейросистемы компактны, не требуют большого количества оперативной и постоянной памяти ЭВМ. Не обязательно и хранение банков данных, на которых обучалась система.

5. Нейросистемы динамично развиваются в процессе использования, накапливая опыт многих специалистов и/или обучаясь на реальном фактическом материале.

6. Нейросистемы могут работать в условиях недостатка информации.

7. Нейронные сети могут работать с информацией любого типа, вплоть до субъективных определений.

8. Время выдачи ответа обученной нейросетью (с момента подачи ей условий задачи) - доли секунды, что позволяет применять нейротехнологии в системах, работающих в режиме реального времени и требующих практически мгновенного решения задачи.

9. 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.Гибко настраиваемые на конкретное лечебное учреждение ЭС прогнозирования позволяют оптимизировать планирование лечебных и профилактических мероприятий как конкретным больным, так и по лечебному учреждению в целом, что приведет к повышению качества медицинских услуг и снижению затрат.

12.Применение нейросетевых ЭС для прогнозирования медико-социальных и демографических показателей позволит повысить качество технологий в организации медицинской помощи населению и планировании здоровья.

13.Возможность нейронных сетей анализировать информацию (в частности, определять важность и информативность медико-биологических данных) позволит оптимизировать различные диагностические технологии (отказ во многих случаях от дорогостоящего и ненужного обследования), а также технологии разработки медико-экономических стандартов.

Результатом исследований стала разработка теоретических и методологических основ создания нейросетевых медицинских ЭС. Их ядром являются полносвязные сигмоидные нейросети, обучающиеся по усовершенствованному метаалгоритму двойственного функционирования, позволившему увеличить скорость обучения в 1000-10000 раз.

Изучение работы практических врачей с ПЭВМ, отработка интерфейсов программ привели к созданию базового инструментария, предназначенного для конструирования нейросетевых программ пользователями-медиками. Разработанный автором программный комплекс МШШеигоп 2.0 может применяться не только для создания профессиональных ЭС, но и для проведения исследований медико-биологических данных с помощью нейросетей (проверка гипотез, поиск гипотез, моделирование, оптимизация).

С помощью пакета МиШЫеигоп 2.0 были разработаны и внедрены нейросетевые ЭС прогнозирования осложнений инфаркта миокарда, назначения лечения и прогнозирования его непосредственных исходов у ■ больных облитерирующим тромбангиитом, ранней диагностики меланом хориоидеи, дифференциальной диагностики "острого живота" и др.

Положения, выносимые на защиту. 1. Разработаны теория и методология создания самообучающихся медицинских ЭС, заключающияся в обучении полносвязнх сигмоидных нейронных сетей двух типов - классификаторов и предикторов - на осное наборов примеров с известными ответами и обучающими параметрами, нормированными на диапазон [-1...1]. 2.ЭС, создаваемые согласно разработанной методологии, обладают способностью постоянного доучивания в процессе работы, не требуя от пользователя формализации и алгоритмирования правил вывода.

3. Программный инструментарий - пакеты МиШЫеигоп 1.0 и Ми1Шеигоп 2.0, предназначенные для создания медицинскими специалистами ЭС, накапливающих индивидуальный и коллективный опыт и/или обучающихся на реальных дайных, полученных путем измерений и наблюдений.

4. Нейросетевые ЭС: прогнозирования осложнений инфаркта миокарда;. назначения- лечения и прогнозирования его непосредственных исходов у больных облитерирующим тромбангиитом; ранней диагностики меланом хориоидеи; дифференциальной диагностики "острого живота".

Апробация материалов диссертации. Результаты работы докладывались на теоретических семинарах Института биофизики СО РАН (Красноярск, 1995), заседании Красноярского отделения Всероссийской Академии информатизации (Красноярск, 1995), межкафедральном семинаре Красноярской государственной медицинской академии (Красноярск, 1995), Всероссийских рабочих семинарах "Нейроинформатика и ее приложения" (Красноярск, 1993, 1994, 1995), Международном симпозиуме "Нейроинформатика и нейрокомпьютеры" (Ростов-на-Дону, 1995) - 5 докладов, Межлабораторном семинаре Ростовского НИИ Нейрокибернетики (Ростов-на-Дону, 1995). Доклады по теме работы были представлены на Международной конференции по нейроинформатике (Сеул, Корея, 1994) - 2 стендовых доклада, и на Всемирном конгрессе по нейронным сетям (Вашингтон, США, 1995) - 3 стендовых доклада.

Публикации. По теме диссертации опубликовано 70 работ в центральной, местной и зарубежной печати. Издано методическое пособие для студентов "Применение самообучающихся нейросетевых программ" и учебное пособие в 2 частях "Нейропрограммы".

Структура и объем работы. Диссертация изложена на 379 страницах и состоит из введения, обзора литературы и 7 глав с результатами исследований и их обсуждением, заключения, выводов, списка литературы, включающего 339 источников, приложений. Работа содержит 47 рисунков и 34 таблицы.

Результаты исследования

При решении трудноалгоритмируемых задач применение нейротехнологий оправдывает себя по всем параметрам, при выполнении, однако, двух условий: во-первых, наличия универсального типа архитектуры и единого универсального алгоритма обучения, во-вторых, наличия примеров (предыстории, фиксированного опыта), на основании которых производится обучение нейронных сетей. При выполнении этих условий скорость создания ЭС возрастает в десятки раз, а стоимость снижается.

В большинстве медико-биологических задач достаточно легко набрать необходимое количество примеров для выполнения второго условия. Это задачи диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения и др., практически всегда имеющие несколько способов решения и нечеткий или множественный характер ответа, совпадающий со способом выдачи результата нейронными сетями.

В задачах классификации ответом является класс - выбор одного варианта из заранее известного набора вариантов. В задачах предикции ответ может быть дробным и принимать любые значения на каком-либо диапазоне. При решении реальных задач возможны различные комбинации предикции и классификации, и постановка задачи должна быть сделана самим предметным специалистом.

Основой работы самообучающихся нейропрограмм является нейронная сеть, представляющая собой совокупность нейронов -простых элементов, связанных между собой определенным образом. Нейроны и межнейронные связи задаются программно на обычном компьютере. Структура взаимосвязей между нейронами в нейропрограмме аналогична таковой в биологических объектах. Искусственный нейрон имеет коммуникации с другими нейронами через синапсы, передающие сигналы от других нейронов к данному (дендриты) или от данного нейрона к другим (аксон) и самому себе. Каждый синапс имеет параметр "вес", на который умножается каждый сигнал, проходящий через этот синапс.

Нейросеть, также как и биологический аналог, имеет каналы для связи с внешним миром, обеспечивающие поступление информации из внешнего мира на нейросеть (через входные нейроны) и вывод информации из нейросети во внешний мир (через выходные нейроны). Существует огромное количество способов соединения нейронов, растущее с увеличением числа нейронов в сети.

Для построения ЭС были выбраны полносвязные нейросети. При такой архитектуре каждый нейрон соединен с каждым, в том числе сам с собой. Пример простой нейросети из 3 нейронов показан на рисунке

1. Выбор архитектуры был сделан исходя из следующих соображений. Во-первых, при одинаковом числе нейронов полносвязные сети имеют максимальное количество межнейронных связей, что увеличивает информационную емкость сети. Во-вторых, полносвязная архитектура является достаточно универсальной, что не требует экспериментов с вариациями схемы соединений для каждой задачи. В-третьих, в случае эмуляции сети на обычной ЭВМ полносвязные сети обладают серьезными преимуществами, прежде всего в скорости функционирования и простоте программной реализации без ущерба качеству обучаемости.

Подача сигнала из Вывод сигнала во

внешнего мира внешний мир

Рисунок 1. Схема нейронной сети из 3 нейронов. Сеть имеет 13 синапсов, 4 из которых служат для связи с внешним миром, а остальные соединяют нейроны между собой

Сигналы, проходящие через нейроны, преобразуются согласно функции нейрона. В конструируемых нами нейронных сетях все нейроны имеют одну и ту же характеристическую функцию вида

Î(X)=X/(C+|X|) (1)

где X - суммарный сигнал, поступающий с остальных нейронов и/или из внешнего мира, С - константа (характеристика нейрона). Экспериментальным путем установлено, что оптимальный диапазон характеристики для решения подавляющего большинства задач составляет от 0,1 до 0,8.

В качестве базового алгоритма обучения был выбран и усовершенствован алгоритм двойственного функционирования, что позволило многократно (в 1000-10000 раз) повысить скорость обучения нейросетей. Это определило возможность использования технологии

на обычных персональных компьютерах (с последовательным доступом к памяти) путем эмуляции работы нейросети программным способом.

Рассмотрим работу сети безотносительно к процессу обучения или выдачи решения. После инициализации сети веса всех синапсов случайны. В начальный момент времени на входные нейроны через входные синапсы (один или несколько) подается из внешнего мира Еектор входных сигналов, представляющий набор чисел (или одно число). Далее этот сигнал начинает распространяться по всем связям между нейронами, изменяясь при прохождении через каждый нейрон.

В конечном итоге, после одного прохода выходные нейроны выдадут во внешний мир какие-либо сигналы. Вся процедура однократного прохождения сигналов по нейронной сети является тактом функционирования сети. Можно не считывать сигналы с выходных нейронов после одного такта функционирования, а продолжить обмен сигналами еще несколько раз, не подавая сигналов на вход. Обычно количество тактов функционирования между подачей сигналов на вход и снятием сигналов с выхода фиксировано для данной сети. Как правило, этот параметр задается при инициализации сети.

Нейронная сеть, получившаая на вход некоторый сигнал, после прохода его по нейронам выдает на выходе ответ, зависящий от синаптических весов и от исходного сигнала. При осуществлении таких процедур на только что инициализированной выходные сигналы будут лишены всякого смысла (весовые коэффициенты случайны). Чтобы добиться выдачи сетью требуемого результата, необходимо обучить ее.

Для обучения нейронной сети требуется обучающая выборка, состоящая из примеров. Каждый пример представляет собой задачу одного и того же типа с индивидуальным набором условий (входных параметров) и заранее известным ответом.

Рассмотрим общую схему обучения нейросети.

1.Из обучающей выборки берется текущий пример и его входные параметры (вектор входных сигналов) подаются на входные синапсы обучаемой нейросети. Обычно каждый входной параметр примера подается на один соответствующий входной синапс.

2. Нейросеть производит заданное количество тактов функционирования, при этом входные сигналы распространяются пс связям между нейронами (прямое функционирование).

3. Измеряются сигналы, выданные теми нейронами, которые считаются выходными.

4. Производится интерпретация выданных сигналов, и вычисляете? оценка, характеризующая различие между выданным сетью ответоь

и требуемым ответом, имеющимся в примере. Оценка вычисляется с помощью соответствующей функции оценки. Чем меньше оценка, тем лучше распознан пример, тем ближе выданный сетью ответ к требуемому. Оценка, равная нулю, означает что требуемое соответствие вычисленного и известного ответов достигнуто.

5. Если оценка примера равна нулю, ничего не предпринимается. В противном случае на основании оценки вычисляются поправочные коэффициенты для каждого синаптического веса матрицы связей, после чего производится подстройка синаптических весов (обратное функционирование). В коррекции весов синапсов и заключается обучение.

6. Осуществляется переход к следующему примеру задачника и вышеперечисленные операции повторяются. Проход по всем примерам обучающей выборки с первого по последний считается одним циклом обучения.

При прохождении цикла каждый пример имеет свою оценку. Вычисляется, кроме того, суммарная оценка множества всех примеров обучающей выборки. Если после прохождения нескольких циклов она равна нулю, обучение считается законченным, в противном случае циклы повторяются.

Обучение нейросетей-классифчкаторов проводится следующим образом. Введем обозначения :

С=(д ¡), ¡=1 ,М - вектор входных сигналов.

Х=(х,), ¡, ¡=1,N - матрица синаптических связей между нейронами (х - связь от ¡-го нейрона к ¡-му).

Сигнал, предъявляемый нейрону, преобразуется по характеристической функции. Параметр характеристики должен находиться на интервале (0,1].

Опишем прямое функционирование (Рис. 2), процесс, начинающийся с момента подачи сигналов на вход сети и заканчивающийся получением ответа.

ао

Рисунок 2. Схема функционирования нейросети-классификатора

На нулевом такте функционирования на нейроны подается вектор Оо следующего вида:

О д2, ..., дм, 0, ..., 0), где вектор Оо имеет

размерность, равную числу нейронов в сети. Каждая координата лектора Оо подается на отдельный нейрон и преобразуется согласно

(1): =0'о / (С+|0'о1) - выходной сигнал ¡-го нейрона на первом такте функционирования, С - характеристика нейрона. Вектор, предъявляемый нейронам нейросети на к-ом такте функционирования, строится по следующей формуле: I N к-1 0 = 1 х А (2)

к ^ ]

Выходной вектор на к-ом такте функционирования есть: К 1 1

А=0 / (С+|0 I) , где N1.NI, N1-число нейронов. 1 к к

Если к=Т, где Т - чисг1о тактов функционирования, то последние Э координат (Б - число классов) вектора Ак есть ответ нейросети по данному примеру.

Иными словами, при предъявлении входных сигналов они поступают на нейроны и преобразуются согласно формуле (1), затем Т-1 раз каждый нейрон передает всем остальным свой сигнал (А^) посредством внутренних синапсов (матрица X), полученные сигналы суммируется (2) и нейрон опять обрабатывает сигнал с внутреннего сумматора (0'|<) по формуле (1).

Можно сказать, что цель обучения - минимизировать функцию оценки Н(А"Г ,Х,6), желательно до глобального минимума (если он существует; при обучении мы предполагаем, что он есть). Функция оценки вычисляется следующим образом: Пусть Б - число классов, А=(а; ), ¡=1,Б - вектор выходных

сигналов, а-\ е[-1,1] согласно (1). Множество векторов {Ек =(е()}, где

ке1,5, N1,8, и екк >ек| V ¡*к, назовем множеством правильных ответов для к-го класса. Тогда оценку можно записать как функцию, явно зависимую от выходных сигналов нейросети и неявно -от адаптивных параметров, при условии, что пример принадлежит к-му классу: Н(А)=01зКА,Ек ), где ОЫ(.,.} евклидово расстояние в Если АеЕк , то оценка приравнивается к 0.

14

При введении в функцию оценки уровня надежности будем требовать, чтобы нейросеть выдавала на данном нейроне сигнал больший, чем сигнал на любом другом на величину ге[0,2] - уровень надежности. Через е^ обозначим единичный вектор в пространстве ^ , у которого к-ая координата равна 1, остальные 0. Тогда функция оценки одного примера примет вид:

Н(А)=015КА,Ек +гек) (3)

В процессе обучения на каждом цикле вычисляется суммарная оценка всех примеров, а адаптивные элементы нейросети (матрица X) подстраиваются так, чтобы функция оценки была как можно меньше. Поскольку функция оценки - гладкая функция от своих аргументов (матрица X), то ее минимум находится градиентными методами. В процессе обратного функционирования вычисляются производные ЭН/Зхц , У=1,М, затем вычисляется направление спуска по ВРвБ-формуле, наилучший шаг методом парабол, и осуществляется собственно спуск. Так как при обучении число примеров как минимум равно числу классов, для вычисления направления спуска и оптимального шага используются суммарные частные производные по адаптивным параметрам по всем предъявляемым примерам.

В приведенной схеме число входных нейронов точно соответствовало количеству обучающих параметров (размерности вектора входных сигналов). Однако в наших ЭС мы использовали более гибкую и одновременно более мощную подачу входных сигналов на вход нейросети: вектор входных сигналов перед подачей на сеть преобразуется умножением на адаптивную матрицу приема сигналов, содержащую подстраиваемые, как и веса синапсов, значения. Кроме повышения скорости и качества обучения, это дает возможность задавать число нейронов в сети произвольным, независимым от числа обучающих параметров. Сети с небольшим числом нейронов занимают меньше места на диске и в памяти компьютера, быстрее загружаются с диска для выдачи ответа.

Обучение сетей-предикторов принципиально не отличается от обучения классификаторов. Различия заключаются в способе оценки ответа сети и смысле уровня надежности.

Как уже говорилось, ответ в задачах предикции выражается любым числом (или вектором чисел). При этом оценивать правильность ответа достаточно просто. В случае одномерной предикции оценка равна квадрату разности между известным и вычисленным ответами. Некоторые изменения претерпевает структура нейросети.

В качестве исходной берется полносвязная сеть с адаптивной матрицей приема сигналов. Все нейроны сети на последнем такте

функционирования считаются выходными. Над сетью достраивается адаптивный выходной сумматор, принимающий сигналы с нейронов с последнего такта функционирования и выдающий результат. Также ¿водится вектор сдвига, который складывается покоординатно с сигналами, приходящими на нейроны в момент подачи входных сигналов. Вектор сдвига подается на нейроны на каждом такте, а не только в момент подачи входных сигналов, и для удобства содержится в матрице связей нейронов (Рис. 3).

I.

Хеп(гу

в

А (Т-1 раз)

с *

00 Нейроны --

хои1

Рисунок 3. Функционирование нейросети-предиктора. На вход сети подается вектор О, складывается с ХеП{гу и результат подается на нейроны, затем, в зависимости от заданного числа тактов функционирования (Т), вектор. А преобразуется, проходя по синапсам (блок I, к<Т) в вектор С5'|< и складывается с Х^ру. Полученный вектор вновь подается на нейроны. При к=Т вектор А с последнего такта умножается скалярно на Хои{, и это является ответом сети

Введем обозначения:

Пусть N - число нейронов в сети, причем характеристическая функция последнего нейрона имеет вид: (х)=х;

С=(д(), ¡=1 ,М - вектор входных сигналов;

С=(су), ¡=1,1М-1, ]=1 ,М - адаптивная матрица приема входных сигналов;

^егйгу =(х№)' ¡=1 .М - адаптивный вектор сдвига;

Х=(ху), ¡,]=1 - матрица синаптических связей между нейронами (х у - связь от ¡-го нейрона к .¡-му), х^м =0, ¡=1,1М-1;

Хои{ =(Р;), ¡=1,№ - адаптивный выходной сумматор;

Опишем прямое функционирование:

на нулевом такте функционирования на нейроны подается вектор Qq следующего вида: Qq =CG+Xen(ry, где Qg(N)=0, и преобразовывается согласно (1): i i

А =Q / (C+l Q I) - выходной сигнал i-ro нейрона;

¡00

Выходной вектор сети строится по следующей формуле: i N

Q =Х х А - подается на следующем такте функционирования 1 j=1 ji j

Прямое функционирование на k-ом такте осуществляется следующим образом: i

1) Q подается на i-ый нейрон,

к-1

' ' i ' г

A;=Q / (С+| Q I) - выходной сигнал i-ro нейрона;

к-1 к-1

i N

2) Q = Z х А - выходной вектор сети с k-го такта

k j=1 ij j функционирования, i=1,N.

С последнего такта снимается вектор А, при этом ответом сети считается г=(А,Х out).

Пусть R - требуемый от сети ответ, тогда оценка сети по данному примеру примет вид:

H=(R-r)2 (4)

Как правило, требуется получить ответ с требуемой точностью. Для этого вводится уровень отклонения (величина, обратная уровню надежности) результата сети от требуемого и оценка принимает вид:

H=min((R+s-r)2, (R-e-r)2), если I r-R| > е

Н=0, если I r-R| < е (5)

s - допустимое отклонение;

При обратном функционировании координаты адаптивного сумматора X0U( подстраиваются согласно известным алгоритмам, с учетом особенности матрицы связей.

Тестирование примеров нейросетью может проводиться с различными целями: проверка того, как обучилась нейросеть; решение конкретных задач; моделирование.

В первом случае тестируется выборка с заранее известными ответами примеров. При этом можно проверить, правильно ли сеть

определяет ответы примеров и насколько уверенно она это делает. Вычисленный сетью ответ примера сравнивается с заранее известным. Как правило, сначала тестирование проводится на той выборке, на которой сеть обучалась. Если сеть обучилась полностью, то при тестировании той же самой обучающей выборки ответы всех примеров будут определяться правильно. Гораздо больший интерес представляет тестирование аналогичной выборки с заранее известными ответами, но примеры которой не участвовали в обучении сети.

В создании самообучающейся нейросетевой системы можно выделить несколько этапов.

1. Постановка задачи.

2. Сбор обучающих данных.

3. Создание и обучение нейросети. Данный этап не требует проведения статистических вычислений, а если задача укладывается в стандартную схему (в большинстве случаев), то и программистской работы. Обучение нейросети представляет собой автоматический процесс, который только после его окончания требует участия специалиста для оценки результатов. Разрабатывая методологию конструирования нейросетевых ЭС, автор исходил из возможности создания индивидуализированных (рассчитанных на одного конкретного пользователя-специалиста) систем самим этим специалистом

4. Создание интерфейса.

5. Доучивание. При создании нейропрограмм не всегда возможно сразу собрать достаточное количество данных для хорошего обучения сети. Поэтому при создании нейросистемы можно проводить лишь стартовое обучение. Впоследствии система доучивается в условиях реальной работы и реальных данных.

Резюмируем преимущества применения нейросетевых ЭС.

1. Нейросети принимают решения на основе опыта, приобретаемого ими самостоятельно. "Самостоятельно" в данном случае означает то, что создателю ЭС не требуется устанавливать взаимосвязи между входными данными и необходимым решением, затрачивая время на разнообразную статобработху, подбор математического аппарата, создание и проверку математических моделей.

2. Решение, принимаемое нейросетью, не является категоричным. Сеть выдает решение вместе со степенью уверенности в нем, что дает пользователю возможность критически оценивать ее ответ.

3. Нейросеть позволяет моделировать ситуацию принятия решения.

4. Нейросети дают ответ очень быстро (доли секунды), что позволяет использовать их в различных динамических системах, требующих незамедлительного принятия решения.

5. Возможности нейросетей (коррекция классификационной модели, минимизация обучающих параметров и др.) позволяют упрощать процесс создания ЭС, определять направления научного поиска.

Для разработки теории и методологии создания нейросетевых ЭС проведены эксперименты с нейросетями на конкретных практических задачах и на экспериментальных задачниках. Изучены свойства и поведение нейросетей, имеющих различные параметры и характеристики. В результате были подобраны оптимальная архитектура, параметры и алгоритмы обучения нейронных сетей.

Разработана методология работы с медицинской информацией применительно к нейросетевым ЭС. Был выбран метод нормирования обучающих параметров на диапазон значений {-1...1], что позволило унифицировать любую числовую информацию при подаче ее для обучения сети.

Разработан метод вычисления нейросетью значимости обучающих параметров, который может использоваться не только при создании и оптимизации практических нейросетевых приложений, но и для проведения научных исследований с помощью нейросетевой обработки информации. Это дает возможность извлечения дополнительной информации в процессе работы обучающихся нейросетей, например, продукции и проверки гипотез.

Разработан метод подстройки параметров тестируемого примера для получения требуемого ответа нейросети. Это может найти применение в ЭС принятия решений и нейросетевого моделирования, позволяя специалисту строить интуитивные модели явлений и выбирать наилучшую тактику достижения цели.

Разработаны и экспериментально подтверждены автоматические стратегия и тактика обучения нейросетей путем надстройки над функционированием нейросети формального алгоритма, обеспечивающего оптимальное изменение параметров обучения для достижения цели, определенной специалистом.

На основе созданной теории разработана методология создания нейросетевых ЭС, включающая методику представления информации, адаптированную для обучения нейросетей, технологию постановки задачи, определение и связывание иерархических блоков ЭС. Использование методологии не исключает комбинацию в одной ЭС одновременно нескольких (традиционных и нейросетевых) методов продукции выводов как на стадии получения промежуточных результатов, так и при вычислении окончательного решения. Показана важность применения метода нейросетевых экспертов - нескольких нейросетей, решающих одну и ту же задачу с последующей интерпретацией решения нейросетевого консилиума несколькими способами.

Основные положения теории и методологии создания

нейросетевых медицинских экспертных систем.

1. При создании нейросетевых ЭС, работающих с медико-биологическими данными, актуальные задачи разделяются на подзадачи, сводимые к двум элементарным типам - классификации (выбор варианта из известного набора) и предикции (вычисление вектора действительных чисел в пространстве с заданной размерностью d, где d > 1.

2. Каждая элементарная подзадача решается путем предварительного обучения N нейросетей-экспертов соответствующего типа; в случае N>1 окончательное решение задачи определяется путем голосования экспертов, проводимого по явному алгоритму или отдельной нейросетью-супервизором.

3. Для решения элементарных подзадач используются полносвязные сигмоидные нейронные сети, имеющие для каждого нейрона единую функцию вида Y=X/(C+| Xi), где С - положительная константа (характеристика нейрона), одинаковая для всех нейронов. Все нейронные сети обучаются по единому алгоритму двойственного функционирования.

4. Обучение нейросетей проводится на избыточном наборе входных параметров. После полного обучения может проводиться минимизация входных параметров и/или контрастирование нейросети. Минимизация параметров проводится после вычисления значимости входных параметров.

5. При обучении и тестировании все входные параметры, а также ответы нейросетей-предикторов выражаются в числовом виде и нормируются на диапазон [-1...1] независимо от типа данных (дискретные, непрерывные; относящиеся к объективной или субъективной . категориям), что обеспечивает универсальное представление информации во время обработки ее нейросетью.

6. Устанавливается фиксированный, единый для всех используемых нейросетей набор стартовых параметров: общее число нейронов; число нейронов, на которое подается каждый входной сигнал (плотность); характеристика нейронов; уровень надежности (для нейросетей-классификаторов) или отклонения (для нейросетей-предикторов), число тактов функционирования (время отклика).

7. Цель обучения нейросети на каждой подзадаче - получение полностью обученной сети с максимально возможным параметром характеристики и количеством синаптических связей, приближающимся к минимальному.

8. Критерием обученности нейросети является результат теста примеров, не входящих в обучающую выборку.

9. ЭС, созданные на базе нейронных сетей, постоянно доучиваются в процессе работы.

Разработано программное обеспечение для обучения нейросетей и создания ЭС. Пакет программ MultiNeuron 2.0 состоит из трех основных компонентов (Рис. 4). Программа Trainer предназначена для обучения нейросетей, работы с базами данных, проведения экспериментов с нейросетями. Она позволяет работать с проектами задач, осуществляя последовательное обучение любого количества нейросетей в автономном режиме без участия оператора. Программа Constructor дает возможность пользователю быстро сконструировать удобные интерфейсы для любого количества индивидуальных ЭС, определить списки нейросетей, участвующих в их работе и задать режимы отображения результатов. Программа предусматривает возможность быстрого переконструирования ЭС с помощью создания и хранения их проектов. Программа Neural Expert System является базовым каркасом ЭС, на который достраиваются функции и возможности, определяемые пользователем.

Рисунок 4. Схема взаимодействия программ MultiNeuron 2.0

21

Экспертные системы, созданные на основе предлагаемой методологии.

С помощью разработанного программного комплекса были проведены испытания технологии создания конкретных практических нейросетевых приложений для различных областей медицины (кардиология, офтальмология, ургеьтная хирургия, сосудистая хирургия). Всего были изучены 1204 клинических примера, включающих лиц с различными патологиями и контрольные группы, необходимые для обучения нейросетей.

Создание каждой ЭС проводилось согласно разработанной технологии и включало: изучение проблемы; постановку задачи; набор обучающих данных и тестирующих примеров; обучение нейросетей; определение оптимальной схемы ЭС; проведение дополнительных экспериментов; разработку и создание интерфейса программы; подключение к ней обученных нейросетей; испытание системы на примерах, не входящих в обучающую выборку; доучивание системы на этих примерах.

Прогнозирование осложнений инфаркта миокарда.

Поиски возможностей прогнозирования осложнений, которые могут возникнуть в госпитальный период инфаркта миокарда, очень актуальны и являются одной из наиболее сложных задач кардиологии. Прогнозирование необходимо осуществлять при поступлении больного в стационар, сразу же после проведения стандартных методов обследования. Оно должно быть быстрым, проводиться неоднократно в процессе наблюдения за больным по мере поступления новых данных о его состоянии.

Получение прогноза осложнений позволяет врачу целенаправленно проводить профилактику, усилить наблюдение за больным, скорректировать режим физической активности пациента (особенно в предполагаемые сроки возникновения осложнения). Прогноз может определять более длительное и интенсивное лечение антикоагулянтами при угрозе тромбоэмболических осложнений, антиаритмическими препаратами - для профилактики аритмий.

При создании базового ядра'ЭС прогнозирования осложнений инфаркта миокарда выбрано 4 вида осложнений, достаточно частых и/или довольно опасных. Это фибрилляция предсердий,' тромбоэмболические осложнения, перикардит и

возникновение/усугубление хронической СН. При постановке задачи мы исходили из необходимости прогнозировать возможность возникновения каждого из четырех выбранных осложнений в отдельности и возможного срока его появления, считая от момента поступления больного в стационар. Таким образом, задача разбивается на 8 подзадач, четыре из которых решаются нейросетями-

классификаторами (возникновение осложнений), и четыре нейросетями-предикторами (сроки возникновения осложнений). На рисунке 5 показана схема разделения задачи на подзадачи.

Были выбраны 32 обучающих параметра, отражающие клиническое состояние больного инфарктом миокарда на момент поступления в клинику, данные анамнеза и результаты лабораторных и функциональных исследований: возраст, пол, глубина и локализация инфаркта (по данным электрокардиографии), количество инфарктов в анамнезе, характеристика предшествующей стенокардии, наличие и тяжесть гипертонической болезни и сердечной недостаточности, наличие в анамнезе нарушений сердечного ритма и проводимости, эндокринных заболеваний, тромбоэмболий, хронического бронхита, концентрация калия и натрия в крови, частота сердечных сокращений, характеристика выбранных показателей ЭКГ, размеры отделов сердца по данным эхокардиографии.

Осложнения Прогнозы

Фибрилляция

предсердии

И

н

ф

А

Р Перикардит

К

т

м Тромбо-

и эмболические

О осложнения

К

А

Р Возникновение

д или усугубление

А сердечной

недостаточности

и

Не возникнет

Возникнет

Когда

Пароксизмальная

Постоянная

Возникнет Когда

Не возникнет

Возникнет Когда

Не возникнет

Возникнет

Не возникнет

Когда

Рисунок 5. Выбранные осложнения инфаркта миокарда и постановка задач для ЭС

Исследованы 300 клинических примеров (Таб. 1). Для экспериментов из общей выборки отдельно для каждого типа нейросетей были выделены обучающая группа (250 человек) и контрольная (тестирующая) группа (50 человек). Разделение выборки производилось случайным образом. Для прогнозирования возникновения каждого. осложнения создавались несколько нейросетей, составляющих консилиум. Все нейросети вначале обучались на 250 пациентах обучающей выборки, а затем тестировались на контрольной группе. Результаты теста определялись голосованием в каждом консилиуме. Результаты теста контрольной выборки для прогнозирования фибрилляции предсердий приведены в Таб. 2.

Таблица 1.

Количество больных инфарктом миокарда поклассам в каждой из четырех выделенных по ослджнениям подгрупп

Осложнение Количество больных

Фибрилляция нет предсердий пароксизмальная форма постоянная форма 217 60 23

Перикардит нет есть 172 128

Тромбоэмболические нет осложнения есть 242 58

Возникновение или усугубление нет сердечной недостаточности есть 144 156

Таблица 2.

Результаты тестирования консилиума нейросетей, прогнозирующих возникновение и форму фибрилляции предсердий (ФП), проведенные на контрольной выборке из 50 примеров, не участвующих в обучении

Известный класс Вычислено как... Класс 1 Класс 2 Класс 3

Нет ФП - 30 примеров Пароксизмальная форма ФП -12 примеров Постоянная форма ФП - 8 примеров 28 2 11 1 1 7

Процент правильно распознанных примеров в тестирующей выборке при прогнозирований* возникновения перикардита составил 76%, тромбоэмболий - 82%, возникновения/усугубления сердечной недостаточности - 78%.

Отдельно были созданы и обучены нейросети-предикторы для прогнозирования сроков возникновения осложнений (начиная с момента поступления бального в клинику).

Сконструированная ЭС работает и продолжает обучаться в отделении неотложной терапии и в отделении реабилитации Красноярской Городской больницы № 20.

Ранняя диагностика и дифференциальная диагностика злокачественных опухолей сосудистой оболочки глаза.

Злокачественные опухоли глаза - достаточно распространенные заболевания, которые составляют 3-3,5% всех злокачественных новообразований человека и 0,5% общей патологии органа зрения. Большинство этих опухолей - меланомы сосудистого тракта глаза, отличающиеся высокой злокачественностью. Злокачественные меланомы наблюдаются во всех отделах сосудистого тракта. Однако наиболее часто встречается локализация меланомы хориоидеи (сосудистой оболочки глаза), затем цилиарного тела и реже всего радужной оболочки. Успех и результаты лечения увеальной меланомы во многом зависят от своевременной и по возможности ранней диагностики этого заболевания.

Оценивая эффективность методов диагностики внутриглазных опухолей, следует отметить, что в настоящее время нет способов, которые могли бы претендовать на абсолютную достоверность. Лишь комплексное применение всех или нескольких диагностических методов может помочь в ранней и своевременном диагностике внутриглазных опухолей и способствовать своевременному применению наиболее рациональных лечебных мероприятий.

Пожалуй, ни один из существующих методов не может использоваться как скрининговый, позволяющий проводить массовые профилактические обследования населения. Особенно это касается отдаленных районов на территории России, где сложно проводить исследования, требующие специальной аппаратуры и квалифицированных специалистов.

Разработанная нейросетевая ЭС базируется на интерпретации данных оригинального метода, применяемого для ранней и скрининговой диагностики злокачественных опухолей сосудистой оболочки глаза. Метод предложен А.С.Миньковым и В.В.Малышевым в 1989 г. На основе этого способа, совместно с усовершенствовавшей его Е.В.Бутаковой, и было проведено данное исследование.

Метод основан на том, что при возникновении и росте увеальных опухолей, начиная с самой ранней стадии, они активно продуцируют пигмент меланин. Процессы продукции меланина, происходящие в опухоли, находят отражение в- содержании меланина в ресницах пораженного глаза, тогда как ресницы здорового глаза остаются относительно неизменными. Ресницы были взяты в качестве объекта исследования как наиболее близкорасположенная к заднему отрезку глаза пигментсодержащая структура, связанная с ним анатомически и функционально через систему кровеносных сосудов и нервов. Ресницы, взятые с обоих глаз, обрабатываются отдельно в специальных растворах, которые затем помещаются в спектрофотметр. Определение количества меланина в растворах осуществляется при помощи спектрофотометрического анализа. Результатом анализа для каждого глаза являются 11 показателей оптической плотности, косвенно характеризующие количество растворенного пигмента (всего 22 значения), которые необходимо интерпретировать для постановки диагноза. Так как процедура взятия ресниц и методика определения меланина могут быть разделены по времени и месту, это делает метод "дистанционным", удобным для скринингового обследования.

По локализации опухоли сосудистого тракта глаза можно разделить на опухоли хориоидеи и опухоли иридоцилиарной области. Опухоли хориоидеи по стадии развития подразделяются на две основных подгруппы: опухоли ранней стадии ("Т1-Т2") и опухоли поздней стадии ("ТЗ"). Данная классификация, объединяющая некоторые патофизиологические стадии, определяется клинической значимостью той или иной стадии.

Обучающая выборка составила 195 человек, которые находились под наблюдением в Красноярском межобластном центре микрохирургии глаза им. П.Г.Макарова в период с 1991 по 1993 г.

Таблица 3.

Распределение больных опухолями сосудистого тракта в зависимости от локализации и стадии заболевания

Класс Локализация и стадия развития опухоли Число больных % от общего числа больных

1 Опухоли хориоидеи стадии Т1-Т2 27 30,0

2 Опухоли хориоидеи стадии ТЗ 39 43,3

3 Опухоли иридоцилиарной области 24 26,7

90 человек в возрасте от 18 до 86 лет составили основную группу, в которую были включены больные меланомой увеального тракта различной локализации и стадии развития. Основная группа подразделялась на три подгруппы: больных с меланомой хориоидеи Т1-Т2 (класс 1), меланомой хориоидеи стадии ТЗ (класс 2), и больных меланомой иридоцилиарной области (класс 3) (Таб. 3).

Стадия развития опухоли оценивалась по системе Опухоли хориоидеи составили 70% случаев, опухоли иридоцилиарной области -30%, что согласуется с литературными данными по соотношению частоты встречаемости этих заболеваний.

Все пациенты получили за время нахождения в стационаре полное клиническое обследование, позволившее подтвердить или исключить им диагноз меланомы хориоидеи. Обследование включало как традиционнее офтальмологические методы, такие как определение остроты зрения, офтальмоскопия в прямом и обратном виде, биомикроскопия, периметрия, тонометрия, так и специальные методы, применяемые для диагностики этого заболевания, такие как эхография и двухмерное ультразвуковое В-скеннирование (УЗИ), бинокулярная офтальмоскопия, диафаноскопия, (ФАГ), телеангиография, компьютерная томография. Всем больным, которым в результате установления диагноза внутриглазной опухоли была произведена энуклеация (удаление) глаза, проводилась гистологическая верификация новообразования с установлением морфологической структуры меланомы.

В контрольную группу больных (105 человек), составившую основу для проведения сравнительного анализа при выполнении данной работы, вошли больные с неонкологической патологией глаза и здоровые люди в возрасте от 19 до 85 лет.

При анализе патологии глаз больных контрольной группы были получены следующие результаты (Таб. 4).

Основным признаком больных контрольной группы явилось достоверное отсутствие злокачественной меланомы сосудистого тракта глаза, подтвержденное инструментально и клинически.

После экспериментов по обучению нейросетей по различным классификационным моделям была выбрана схема работы ЭС, показанная на Рис. 6 и состоящая из нейросетевых классификаторов двух ступеней, работающих последовательно. По этой схеме бинарный классификатор первой ступени определяет, имеется ли у обследуемого опухоль хориоидеи стадии Т1-Т2. Если ответ отрицательный, пример подается трехклассовому классификатору 2 ступени для отнесения к одной из трех оставшихся групп.

Таблица 4.

Распределение больных контрольной группы по нозологии

№ Диагноз Число больных % от общего числа больных

1 Здоровые 24 22,8

2 Отслойка сетчатки 24 22,8

3 Катаракта 26 24,9

4 Миопия 11 10,5

5 Воспалительные заболевания увеального тракта 7 6,7

6 Патология стекловидного тела 7 6,7

7 Невус хориоидеи 8 7,6

8 Менингиома 3 •2,8

Обследуемый

Классификатор 1 ступени

Наличие опухоли хориоидеи стадии Т1-Т2

Отсутствие опухоли хориоидеи стадии Т1-Т2

Наличие опухоли хориоидеи стадии ТЗ

Классификатор 2 ступени

Наличие опухоли иридоцилиарной области

Отсутствие опухоли хориоидеи и иридоцилиарной области

Рисунок 6. Постановка задачи

Стартовое обучение классификатора первой ступени проводилось на 15 примерах больных с опухолью хориоидеи Т1-Т2 (1 класс) и 45 примерах обследуемых с отсутствием этой патологии (по 15 примеров из каждой группы) (2 класс). При тестировании примеров, не вошедших в стартовую обучающую выборку, получены следующие результаты. Все оставшиеся 12 примеров больных меланомой Т1-Т2 были распознаны верно. Из 123 оставшихся для теста примеров

обследуемых без меланомы Т1-Т2 нейросеть распознала верно 119 и поставила диагноз меланомы Т1-Т2 четырем.

Небольшое количество примеров первого класса в тестирующей выборке не позволяет принять' полученную 100-процентную чувствительность теста с нейросетью за достоверную величину, однако специфичность, рассчитанная на 123 примерах 2 класса, составляет 96,7% (119/123x100%). После проверки работы нейросети все примеры тестирующей выборки были использованы для ее доучивания. При обучении сеть добилась правильного распознавания всех 195 примеров, т.е. обучилась полностью.

Таблица 5.

Результаты тестирования контрольной выборки; классификатором 2 ступени

Группа Число примеров тестирующей выборки Число правильно распознанных примеров

Опухоли хориоидеи стадии ТЗ 20 18 (90,0%)

Опухоли иридоцилиарной области 12 10 (83,3%)

Контрольная группа 53 48 (90,6%)

Стартовое обучение классификатора 2 ступени проводилось на 19 примерах больных меланомой хориоидеи стадии ТЗ (1 класс), 12 примерах больных меланомой иридоцилиарной области (2 класс) и 52 примерах контрольной группы (3 класс). Результаты тестирования примеров, не вошедших в обучающую выборку, показаны в Таб. 5.

После проведенного тестирования классификатор 2 ступени был дообучен на полной обучающей выборке, т.е. с включением в нее примеров, не вошедших в стартовую обучающую выборку.

Проведенная минимизация параметров позволила использовать для обучения и тестирования лишь 8 показателей оптической плотности вместо 22.

Итак, диагностическую ценность описанного метода определяют следующие преимущества:

1. Возможность использования при скрининговых обследованиях;

2. Возможность его проведения при отсутствии прозрачности внутриглазных сред и при заболеваниях заднего отрезка глаза неопухолевой этиологии, клиническая картина которых затрудняет правильный диагноз;

3. Относительная быстрота и несложность выполнения;

4. Высокая объективность оценки конечного результата;

5. Полная безвредность и безопасность для больного, определяющая отсутствие противопоказаний к применению исследования.'

Применение нейронных сетей для интерпретации результатов теста дает следующие преимущества:

1. Увеличивается точность диагностики меланом хориоидеи стадии Т1-Т2;

2. Появляется возможность использования теста для скрининговой диагностики меланом стадии ТЗ и меланом иридоцилиарной области;

3. Количество измерений может быть значительно уменьшено (использование только 2 частот вместо 11), что сокращает временные затраты на производство теста.

Программа установлена в Красноярской Межобластном Центре микрохирургии глаза им. П.Г.Макарова.

Система назначения оптимальной стратегии лечения больных облитерирующим тромбангиитом и прогнозирования его непосредственных исходов.

Облитерирующий тромбангиит (болезнь Бюргера) - тяжелое воспалительное заболевание сосудов мелкого и среднего калибра, сопровождающееся тромбозом и нарушением их проходимости. Этиология этого заболевания до настоящего времени остается неизвестной. Подавляющее большинство больных тромбангиитом -мужчины молодого возраста (18 - 45 лет).

Лечение облитерирующего тромбангиита - трудная, далеко еще не решенная задача. В начальных стадиях заболевания обычно ограничиваются терапевтическими мероприятиями - назначением дезагрегантов, противовоспалительных и антигистаминных препаратов. Однако заболевание часто носит злокачественный характер и быстро приводит к ампутации конечности и, соответственно, ранней инвалидизации больных молодого, трудоспособного возраста.

В 1990 - 1994 гг. в отделении хирургии сосудов Краевой Клинической Больницы 1 г.Красноярска под наблюдением находилось 130 больных облитерирующим тромбангиитом. На каждого больного, находившегося под наблюдением, заполнялась анкета, состоящая из 3 логических разделов.

Первый раздел (104 пункта) включает вопросы, касающиеся анамнеза жизни и данного заболевания, сопутствующих заболеваний; состояние органов и систем, подробное описание имеющегося у больного тромбангиита с характеристикой состояния сосудов конечностей, данные лабораторных и инструментальных методов

исследования, характеристику проводившегося ранее лечения. Другими словами, этот раздел отражает исходный статус больного на момент его поступления в хирургическое отделение.

Второй раздел (11 пунктов) характеризует проведенное в стационаре лечение (консервативное и/или оперативное).

Третий раздел (4 пункта) содержит сведения о непосредственных исходах проведенного лечения.

Существующие методы лечения тромбангиита часто малоэффективны и процент выполняемых ампутаций остается высоким. Перед врачом стоит задача подобрать оптимальное сочетание методов лечения, действующих на ведущие звенья патогенеза у конкретного больного. Целью проводимого исследования стало создание нейросетевой ЭС для прогноза непосредственных исходов заболевания и выбора оптимального сочетания терапевтических и хирургических воздействий. Соответственно этому ЭС подразделяется на два функциональных блока, каждый из которых решает свой круг задач.

Один блок (блок "И" - исходы) прогнозирует непосредственные исходы заболевания, которые зависят от двух групп параметров. Первая группа - исходный статус больного, фиксированные параметры, отражающие состояние больного на момент поступления в клинику, а также данные анамнеза. Однако исход заболевания зависит не только от исходных параметров, но и от проводимого в клинике лечения. Поэтому вторая группа параметров, необходимая для прогноза - примененные методы лечения. Эти параметры неизвестны при поступлении, на этот момент их можно только предполагать. Однако при обучении нейросети используются уже пролеченные больные с известным набором терапевтических и хирургических воздействий. Обучив нейросети прогнозировать исходы тромбангиита в зависимости от исходного статуса и проведенного лечения, можно моделировать результат, оставляя неизменными фиксированные параметры и подстраивая предполагаемые методы лечения.

Другой блок ЭС1 обучается прямому выбору наиболее оптимальных методов лечения (блок "Л"), используя только пераый, фиксированный набор параметров (Рис. 7).

С учетом поставленной задачи были сформированы подгруппы примеров' больных для обучения нейросетей. Для решения подзадач блока "И" примеры были сгруппированы по классам четырьмя способами (Таб. 6), для блока "Л" -11 способами (Таб. 7).

Для тестирования обученных нейросетей использовались 35 клинических примеров обследованных и пролеченных больных с известными исходами заболевания. Эти примеры не входили в обучающую выборку. Тест каждого примера проводился следующим

образом. Сначала тестировались 4 нейросети, прогнозирующие исходы заболевания, причем в качестве параметров лечения, проведенного в клинике, использовались данные о реально назначенном хирургами лечении. Затем пример тестировался нейросетями, назначающими оптимальный набор методов лечения.

После этого проводился повторный тест нейросетями, прогнозирующими исходы, но теперь в пример подставлялись предполагаемые методы лечения, назначенные нейросетями.

Рисунок 7. Схема функционирования ЭС

Рассмотрим результаты первого теста. -Нейросеть, прогнозирующая динамику ишемии, сделала правильное заключение в 29 случаях из 35 (82,9%). Регресс трофических расстройств прогнозировался правильно в 14 из 17 случаях имеющихся трофических расстройств (только у 17 больных имелись трофические расстройства, поэтому в остальных случаях прогноз не имел смысла). Это составило 82,4%. Нейросеть, прогнозирующая динамику болевого

синдрома, сделала правильное предсказание в 22 из 25 случаев (88%). Ответы сети, отвечающей за предполагаемую ампутацию, совпали в 33 случаях из 35 (94,3%).

Таблица 6.

Подзадачи первого ("И") блока ЭС

Подзадача Классы Число

примеров

1. Прогноз динамики 1. Уменьшение ишемии 85

ишемии 2. Без изменений 38

3. Усиление ишемии 7

2. Прогноз динамики 1. Динамики нет 50

трофических расстройств 2. Уменьшение трофических

расстройств 80

3. Прогноз исчезновения 1. Боли остались 57

болей в покое 2. Боли исчезли 73

4. Ампутация 1. Не производилась 123

2. Производилась 7

Всего в тестирующей выборке имелось 9 больных, у которых не совпал хотя бы один прогноз. У остальных пациентов все прогнозы делались 4 нейросетями правильно. Из этих 9 больных 7 были отнесены нейросетью-"фильтром" к категории "трудных".

Интерес представляют два формально неверных результата нейросети, прогнозирующей ампутацию. У данных больных ампутация не была проведена в сроки госпитализации, однако была выполнена в первые 2 месяца после выписки. Нейросеть правильно предсказала отсроченные исходы, поэтому эти два случая нельзя считать явными ошибками.

Рассмотрим результаты теста не.йросетей, назначающих лечение больным. У 12 примеров из 25 (35 примеров минус признанные "трудными" нейросетью-'фильтром") лечение, назначенное нейросетями, полностью совпало с реально назначенным хирургами, и только в одном случае прогноз исходов оправдался лишь в более поздние сроки. Рассмотрим этот случай.

Больной С., 42 лет, болен в течение 5 лет, поступил с критической ишемией (IV степени). Больному была назначена консервативная терапия и вазапростан. На фоне такой терапии 3 из 4 нейросетей прогнозировали улучшение состояния. Однако на момент выписки эффекта от лечения не наблюдалось. Тем не менее, при дальнейшем наблюдении за больным отмечался регресс ишемии, регресс трофических расстройств и купирование болей в покое.

Подзадачи второго ("Л") блока ЭС

Таблица 7.

Подзадача Классы Число

примеров

Прогнозирование 1. Больные с ■

возможности неблагоприятным

успешного лечения исходом после лечения 24

("фильтрующая" 2. Больные с

нейросеть)- благоприятным исходом

и больные со

смоделированным

лечением 106

1. Назначение 1. Не назначать 122

вазапростана 2. Назначать 8

2. Плазмоферез, 1, Не назначать 111

иммунопротекторы 2. Назначать 19

3. Пульстерапия 1. Не проводить 126

2. Проводить 4

4. Симпатэктомия 1. Не проводить 104

2. Односторонняя 21

3. Двухсторонняя 5

5. Деструкция 1. Не проводить 84

надпочечников 2. Односторонняя 25

3. Двухсторонняя 21

6. Эмболизация 1. Не проводить 82

надпочечников 2. Односторонняя 41

3. Двухсторонняя 7

7. Компактотомия или 1. Не проводить 120

РОТ 2. Проводить 10

8. Ревизия 1. Не проводить 127

2. Проводить 3

9. Ампутация 1. Не проводить 125

2. Проводить 5

10. Реконструктивная 1. Не проводить 126

операция 2. Проводить 4

11. Некрэктомия 1. Не проводить 125

2. Проводить ' 5

В остальных случаях наблюдались некоторые расхождения. При этом у 10 больных нейросети назначили другое лечение, которое (по

результатам анализа хирургов), можно было действительно назначить данным больным. Исходы, прогнозируемые после такого лечения, были такими же, как и в случае реально назначенных лечебных мероприятий. В 3 примерах лечение, назначенное нейросетями, было похоже на реально назначенное, однако превосходило его по мощности. В этих случаях прогнозировались исходы, гораздо лучшие, чем наблюдавшиеся в реальности.

В заключение этого раздела можно сделать следующие выводы.

1.При создании базовой ЭС для ведения больных с облитерирующим тромбангиитом нейронные сети обучались не только на реальных данных, полученных путем наблюдений, но и на информации, отражающей субъективный опыт врачей.

2. В данной ЭС использовалась иерархическая схема комплекса нейросетей, в которой один набор нейронных сетей использует результаты работы (ответы) другого набора нейросетей.

3. Применение разработанного метода минимизации обучающих параметров позволило не только выделить параметры, значимые для принятия комплекса решений, но и почти в два раза сократить список параметров, используемых для работы системы, что значительно упрощает работу врача с ЭС.

4. Созданная экспертная система позволяет моделировать применение лечебных мероприятий у конфетного пациента для выяснения прогноза непосредственных исходов заболевания.

5. Система способна к накоплению*опыта в процессе работы.

Экспертная система установлена в отделении сосудистой хирургии Красноярской Краевой Больницы № 1.

Система дифференциальной диагностики "острого живота".

Задача дифференциальной диагностики "острого живота", несмотря на огромное количество разработок в этой области, для практической хирургии остается одной из самых актуальных проблем. Свыше 90% больных хирургических стационаров - больные с острыми хирургическими заболеваниями органов брюшной полости; оперативные вмешательства при этой патологии составляют от 20 до 40% всей оперативной деятельности хирургических стационаров.

При постановке диагноза и планировании лечения от хирурга требуется принятие единственно правильного решения, от которого часто зависит жизнь больного. Решение должно быть принято как можно в более сжатые сроки, причем в условиях, зачастую не позволяющих получить развернутые данные лабораторных и инструментальных исследований.

Опыт практической хирургии показывает, что наиболее часто встречающимися острыми заболеваниями брюшной полости являются

следующие: острый аппендицит (ОА), острый холецистит (ОХ), острый панкреатит (ОП), осложнения язвенной болезни желудка и двенадцатиперстной кишки, острая кишечная непроходимость (ОКН), дифференциальная диагностика которых представляет в некоторых случаях значительные сложности, особенно при поступлении больных в клинику в отдаленные сроки от началу заболевания или с изначально атипичным или стертым процессом.

Изучены 216 историй болезней из архивов клинических больниц г. Красноярска, специализирующихся на приеме экстренной хирургической патологии - ГКБ N 7, ККБ N1, ГБСМП, что позволило работать с уже верифицированными диагнозами, подтвержденными комплексными клинико-лабораторными исследованиями, данными гистологического исследования и операционных находок. Данные еще о 49 пациентах были получены в результате непосредственного клинического наблюдения от момента поступления в хирургический стационар и до постановки окончательного диагноза.

Всего проанализировано 265 клинических примеров (ОА - 63, ОХ -64, ОП - 52, ОКН - 27, КЯБ - 37, ПЯБ - 22).

При определении входных параметров, необходимых для работы ЭС, проанализирована структура историй болезней различных клиник, данные литературы, возможности лабораторно-инструментальных баз хирургических стационаров. Таким образом, набор входных параметров отражает клинический минимум обследования пациента, используемый врачами хирургических отделений в практической деятельности.

Для сбора клинических данных была разработана анкета, содержащая набор входных параметров и диагноз, являющийся ответом (всего 131 показатель).

При постановке задачи для обучения нейросетей мы исходили из того, что ЭС должна выбирать один или несколько предполагаемых диагнозов из заданного набора (6 диагнозов) на основании 131 параметра пациента при поступлении в клинику. Для экспериментов создавались наборы из 7 нейросетей. В каждом наборе одна нейросеть представляля собой шестикпассовый классификатор, выдающий в качестве ответа один диагноз из шести, а остальные шесть нейросетей - бинарные классификаторы, обучающиеся отличать каждый из рассматриваемых диагнозов от всех остальных.

Для обучения нейросетей были взяты 216 примеров, данные которых были взяты из историй болезни пациентов с уже подтвержденными диагнозами. Остальные 49 примеров больных, наблюдавшихся в клинике, были оставлены для тестирования ЭС.

Результаты клинической проверки приведены в таблице 8.

Прогностическая способность ЭС после стартового обучения составила 83,7%, Однако мы провели тщательный разбор всех случаев ошибок, который выявил следующие закономерности.

Основное количество ошибок возникало при диагностике острого холецистита и острого панкреатита, причем в этих случаях нейросистема путала эти диагнозы между собой. Более того, при этом правильный диагноз набирал вес (сумму выходных сигналов нейронов нейросетей, ответственных за данный класс), находящийся на втором месте. Это означает, что в случае диагностики острого холецистита (наибольший вес) острый панкреатит оказывался на втором месте (следующий по величине вес) и наоборот. Как известно, при развитии патологического процесса в одном из органов панкреато-дуоденальной системы другие органы, как правило, не остаются интактными, и клинически решить вопрос о преобладании патологии в одном из них зачастую не представляется возможным. В таких случаях больному выставляется диагноз холецистопанкреатит. 5 из 6 примеров, которые при тестировании распознавались ошибочно (острый холецистит как панкреатит и наооборот) относились, судя по анализу клинических данных, как раз именно к такой группе. Поэтому результаты, выданные нейросистемой для этих примеров, не являются явными диагностическими ошибками, так как в этих случаях оба диагноза занимали первые два места по набранным весам.

Таблица 8.

Результаты теста 49 примеров консилиумом из 14 нейросетей

Диагноз Число примеров Число правильно распознанных примеров

ОА 19 19(100%)

ОХ 7 4 (57%)

ОП 12 10 (84%)

ОКН 2 1 (50%)

КЯБ 3 3(100%)

ПЯБ 6 4 (66%)

Всего 49 41 (83,7%)

Для нейросистемы представлял определенные трудности дифференциальный диагноз между острым панкреатитом и перфоративной язвой (2 ошибки), что имеет место и в клинической практике - при остром панкреатите с выраженным болевым синдромом в 4 случаях из 265 проанализированных клинических примеров, врачами приемного покоя выносились оба диагноза в качестве предварительного и предпочтение одному из них отдавалось уже в

процессе динамического наблюдения за состоянием пациента. Также следует учитывать, что достаточно небольшое количество примеров 6 класса (перфоративная язва - 22), как показали результаты теста, несомненно, недостаточно для качественного обучения нейросетей.

В одном случае ЭС распознавала пример 4 класса (ОКН) как . острый аппендицит. При анализе примера выявлено, что оба диагноза вынесены врачом приемного покоя в качестве предварительного и в дальнейшем, при изучении данных истории болезни выяснилось, что больная после проведения консервативной терапии была выписана с диагнозом "кишечная колика". Данная ошибка достаточно серьезная и говорит о необходимости расширения списка диагнозов, определяемых ЭС.

При создании ЭС мы исходили из необходимости выведения полной информации о весах всех диагнозов, выдаваемых системой в каждом случае. Так как диагнозы холецистопанкреатита подразумевают наличие одновременно 2 ответов (два класса), случаи, когда веса этих двух ответов находятся рядом, не могут рассматриваться как ошибки работы системы, при этом наиболее вероятный диагноз формулируется как холецистопанкреатит. С учетом этой поправки, прогностическая способность системы составляет 93,9% (3 ошибки из 49 примеров).

Проведенный анализ значимости обучающих данных показал, что тремя наиболее значимыми параметрами являются боль в правом подреберье, симптом Ортнера и наличие камней в желчевыводящих путях. В число наиболее значимых параметров попали основные характеристики болевого синдрома, важные диагностические признаки (симптомы Кохера, Щеткина - Блюмберга, Ровзинга, Воскресенского) и большинство основных характеристик клинического состояния пациента. Минимально допустимым для работы ЭС является набор из 29 параметров, при этом необходимо учитывать, что увеличение числа вводимых параметров существенно повышает диагностическую точность системы.

Экспертная система работает в отделении неотложной хирургии Красноярской Краевой Больницы № 1.

Изучение; иммунореактивности у больных язвенной болезнью желудка и двенадцатиперстной кишки.

Недостаток четких лабораторных критериев иммунологической недостаточности, большая вариабельность различных показателей состояния иммунной системы, особенно при разных патологиях, определяет необходимость поиска простых и эффективных методов, позволяющих дифференцировать состояния иммунореактивности. Наибольшей информативностью обладают показатели

субпопуляционного состава лимфоцитов крови, а также параметры их внутриклеточного метаболизма. Однако трудно делать вывод о состоянии иммунной системы, основываясь на величинах отдельных параметров. Необходима комплексная оценка, учитывающая многообразие гомеостатических состояний иммунной системы.

На первом этапе исследования нейросети была поставлена задача научиться по набору параметров давать простой ответ: имеется иммунодефицит (ИД) у обследуемого или нет. Была сформирована обучающая ■ выборка, состоящая из тщательно обследованных людей, диагноз которым был установлен на основании клинического и иммунологического анализа. Она состояла из двух классов; первый - здоровые люди (51 человек), второй - с диагнозом ИД (42 человека). У обследуемых изучалась активность основных внутриклеточных ферментов лимфоцитов (НАД(Ф)-зависимые дегидрогеназы), проводились иммунологические тесты первого уровня. Определялось содержание в крови лейкоцитов, иммуноглобулинов различных классов (1дА, 1дМ, (дв, 1дЕ), циркулирующих иммунных комплексов (ЦИК), относительное и абсолютное количество лимфоцитов и их субпопуляций: тотальных розеткообразующих клеток (т-РОК), теофиллинрезистентных (ТФР-РОК), теофиллинчувстви-тельных (ТФЧ-РОК), ранних (р-РОК), и стабильных (с-РОК). Эти данные служили обучающими параметрами.

Несмотря на кажущуюся простоту задачи и многочисленные попытки, нейросеть не смогла обучиться решать задачу в поставленном виде. Тогда было решено постепенно исключать из обучения самые трудные примеры (имеющие максимальную оценку), чтобы добиться полного обучения на оставшихся. Программа делала это автоматически, исключая труднейший пример каждый раз, когда нейросеть заходила в локальный минимум и не могла обучаться далее. В итоге сеть обучилась полностью, исключив из обучающей выборки 30 примеров. После обучения было обнаружено, что все до одного исключенные примеры относятся ко 2 классу (больные с ИД). Таким образом, группа примеров 2 класса оказалась разделенной нейросетью на 2 подгруппы (исключенную и оставшуюся). Далее была проведена статистическая обработка полученных групп.

Общая группа индивидуумов с диагнозом ИД достоверно отличалась от группы здоровых только по одному показателю клеточного метаболизма (фон НАДФ-МДГ) и одному показателю клеточного иммунитета (соотношение ТФР-РОК/ТФЧ-РОК). Оставшаяся же группа лиц достоверно отличалась от здоровых людей уже по 8 исследуемым параметрам (причем все они превышали аналогичные параметры у здоровых людей).

Исключенная группа достоверно отличалась группы здоровых по 2 показателям иммунного статуса. Однако наибольшее количество достоверных различий наблюдалось между исключенной и оставшейся группами - 10 по параметрам клеточного метаболизма и 4 по параметрам иммунного статуса.

Анализ параметров в полученных подгруппах показал противоположную направленность сдвигов некоторых из них по сравнению с группой здоровых. Наиболее яркие противонаправленные сдвиги наблюдались почти по всем параметрам активности внутрилимфоцитарных ферментов (Рис. 8). Интерес представляет также достоверный разнонаправленный сдвиг соотношения ТФР-РОК/ТФЧ-РОК, указывающий на различную направленность дифференцировки лимфоцитов в подгруппах, выделенных нейросетью.

■ Анализируя примеры больных, попавших в разные подгруппы, можно предположить, что нейросеть, используя заданные обучающие параметры, разделила общую выборку лиц с ИД на две группы с различными состояниями иммунореактивности: в оставшейся группе при депрессии иммунного ответа наблюдается компенсаторная реакция иммунной системы, проявляющаяся прежде всего увеличением активности внутриклеточных ферментов; в исключенных примерах большинство метаболических показателей приближается к аналогичным параметрам здоровых индивидуумов и, вероятно, наблюдается компенсаторная реакция, выражающаяся в активации иммунореактивности. Таким образом, в данном случае нейронная сеть, обучавшись на неверно заданной классификационной модели (что сначала не было известно исследователям), стала источником гипотезы о разнородности одного из классов.

С учетом скорректированной классификациенной модели были инициализированы 10 новых нейросетей-экспертов для классификация теперь уже всех 3 полученных групп. Нейросети имели параметры, аналогичные предыдущей. Все они полностью обучилась различать заданные 3 новых класса. При анализе значимости обучающих параметров самыми информативными оказались соотношение ТФР-РОК/ТФЧ-РОК и активности дегидрогеназ лимфоцитов. Новые 3-кпассовые нейросети накопили определенный опыт дифференцировки трех состояний иммунореактивности - характерного для здоровых людей (1 класс) и две фазы измененной иммунореактивности, характерной для состояний вторичного ИД (2 и 3 классы).

С помощью полученной нейросетевой модели было решено изучить состояния иммунореактивности у больных' язвенной болезнью желудка (ЯБЖ) и двенадцатиперстной кишки (ЯБДПК). Выбор данной патологии был обусловлен тем, что, несмотря на достаточно

многочисленные исследования иммунного статуса у больных язвенной болезнью, данные, приводимые в литературе, весьма противоречивы.. При значительном количестве работ, выполненных иммунологическими методами, структурно-метаболические параметры лимфоцитов при ЯБЖ и ЯБДПК изучены явно недостаточно. Между тем, как показали результаты нейросетевого анализа, активность основных внутриклеточных ферментов лимфоцитов достаточно значимо изменяется при различных фазах иммунодефицитного состояния.

156,6

Рисунок 8. Иллюстрация сдвигов клеточного метаболизма лимфоцитов (приведены суммарные относительные величины) у больных с иммунодефицитными состояниями в сравнении со здоровыми людьми.

Уровень клеточного метаболизма лимфоцитов:

1. В группе здоровых людей (принят за 100%)

2. В группе с ИД (рассчитанный на всю группу)

3. В подгруппе "оставшихся" примеров больных

4. В подгруппе "исключенных" примеров больных

Всего было обследовано 186 человек в возрасте от 17 до 55 лет: для контроля теста были взяты 50 здоровых лиц без хронической патологии, 56 больных ЯБЖ, и 80 больных ЯБДПК. Для обследования были отобраны лица, у которых не было сопутствующих острых и

хронических заболеваний. Все больные были обследованы в стадии обострения язвенной болезни при поступлении в стационар и до назначения им терапевтических мероприятий. Верификация диагноза проводилась с учетом прежде всего данных эндоскопического исследования.

Кроме перечисленных параметров, у всех обследованных изучалось содержание моноаминов (катехоламинов и серотонина) в лимфоцитах флюоресцентным методом, определялся фенотип Н1_А и относительный показатель текучести мембран лимфоцитов с помощью флюоресцентного зонда МБА.

Все 186 примеров обследованных лиц были протестированы 10 обученными нейросетями для выяснения, к какому из 3 классов принадлежит каждый пример. Итоговое решение нейросетевого консилиума определялось формальным методом путем суммирования сигналов выходных нейронов. Класс, набравший максимальную сумму, считался окончательным ответом.

Прежде всего было проанализировано, как распределились 3 класса иммунореактивности среди групп обследованных лиц по .диагнозам (Таб. 9).

Из таблицы видно, что 44-м примерам из 50 здоровых лиц нейросети определили 1 класс, соответствующий нормальной иммунореактивности. Однако интерес представляет распределение классов в зависимости от локализации язвы у больных язвенной болезнью. Большинство больных ЯБЖ были отнесены нейросетями к 3 классу со сниженной активностью лимфоцитарных дегидрогеназ, а большая часть больных ЯБДПК были распознаны как 2 класс, для которого характерна активация этих ферментов.

Таблица 9.

Распределение классов иммунореактивности среди обследованных групп (здоровые и больные ЯБЖ и ЯБДПК)

Класс иммунореактивности Здоровые Больные ЯБЖ Больные ЯБДПК

1 44 (88%) 4(7,1%) 12 (15%)

2 2 (4%) 8 (14,2%) 63 (78,8%)

3 4 (8%) 44 (78,7%) 5 (6,2%)

Всего------------> 50 (100%) 56 (100%) 80 (100%)

Был проведен статистический анализ всех параметров у 186 обследованных лиц при делении выборки на подгруппы как по диагнозам, так и по классам иммунореактивности, полученным при тестировании нейросетями. Результаты подтвердили выявленные

закономерности. Интерес представляют результаты статобработки параметров, не участвовавших в обучении и тесте нейросетей -содержания в периферической крови катехоламинов и серотонина (Таб. 10) и показателя текучести мембран лимфоцитов.

Показатель текучести мембран, лимфоцитов (определяемый с помощью флюоресцентного зонда МБА) обследованных лиц по подгруппам, соответствующим классу иммунореактивности также имел различную направленность сдвига (1 класс - 24,69±2,07, 2 класс -21,12±1,47, 3 класс - 34,53+2,32; Р13<0,01, Р23<0,001).

Следует отметить, что содержание и соотношение катехоламинов и серотонина в клетках хорошо согласуется • с активностью внутриклеточных ферментов и, очевидно, с одной стороны влияет на их уровень (особенно ферментов энергетического цикла и отчасти пентозо-фосфатного пути), с другой стороны, уровень энергетики и биосинтетических процессов определяют и интенсивность синтеза рецепторов на мембранах лимфоцитов, связывающих биологически активные вещества крови. Проведенное исследование убедительно показало, что для больных язвенной болезнью с различной локализацией язвы характерны различные состояния иммунореактивности, проявляющиеся как на уровне внутриклеточного обмена иммунокомпетентных клеток, так и на уровне межклеточных взаимодействий лимфоцитов.

Таблица 10.

Содержание катехоламинов и серотонина в лимфоцитах обследованных лиц по подгруппам, соответствующим классу иммунореактивности

Параметр, мВ 1 класс 1 2 класс 2 3 класс 3

Катехоламины 14,42+0,74 19,84±1,11 Р13<0,001 12,79+1,34

Серотонин 42,61±6,17 40,16±3,23 ' Р3<0,01 59,51±6,84

Однако требовалось ответить на вопрос, с чем наиболее тесно связаны наблюдающиеся изменения внутриклеточного метаболизма лимфоцитов - с классом измененной иммунореактивности или с наличием язвы определенной локализации? Ответ на этот вопрос подразумевает выявление причинно-следственных взаимосвязей между наличием язвы и состоянием иммунной системы. Эта проблема дискутируется многими авторами - является ли язвенная болезнь причиной иммунологических и внутрилимфоцитарных метаболических

сдвигов, или исходные патологические состояния иммунной системы приводят к возникновению язвенной болезни.

При проведении статисследований выявленные закономерности в изменении параметров прослеживались как при группировке обследуемых по классам иммунореактивности (согласно тесту нейросетями), так и при группировке по диагнозам (отсутствие язвы, ЯБЖ, ЯБДПК). Оба вида группировки были достаточно близки, и при сравнении показателей не удавалось выявить достоверно более тесные закономерности в том или другом способе группировки. Некоторые параметры больше различались в группах с разными диагнозами, другие же - в группах с разной иммунореактивностью.

Нейросетевой метод был использован для исследования данных взаимосвязей. Для этого были созданы 40 пар 3-классовых нейросетей. В каждой паре нейросети имели идентичные стартовые матрицы синаптических связей и одинаковые параметры, однако им были поставлены разные задачи: одной - по набору из 39 исследованных параметров обучиться распознавать класс иммунореактивности, другой - по тому же набору параметров распознавать диагноз. Каждой задаче, соответствующей тому или иному способу группировки, обучались по 20 нейросетей.

Расчет строился на том, что в одном из способов группировки присутствуют все же более тесные закономерности в сдвигах параметров, и нейросети, соответствующие данному способу, в среднем обучатся быстрее, что могло быть статистически подтверждено вследствие достаточно большого количества нейросетей. Среднее количество тактов обучения нейросетей в каждой задаче составляло: при группировке по диагнозам - 34812±2452, при группировке по классам иммунореактивности - 32346±3610 тактов обучения. Хотя при втором способе среднее число тактов обучения несколько меньше, применение парного критерия Стьюдента показало, что достоверного различия между этими величинами нет, поэтому данный эксперимент не позволил ответить на поставленный вопрос.

Было сделано предположение о различающихся причинно-следственных связях между локализацией язвы и изменениями иммунореактивности в зависимости именно от локализации язвы. Был проведен повторный эксперимент, однако задача обучения теперь была поставлена по иному - для каждой локализации язвы в отдельности. Было создано два набора по 40 теперь уже бинарных нейросетей-классификаторов. Схема постановки задачи и результаты обучения представлены в таблице 11.

Как видно, разделение задачи выявило закономерности в скорости обучения сетей. В первом наборе (задача с 3-м классом иммунореактивности и соответствующей ему ЯБЖ) нейросети,

распознающие класс иммунореактивности, обучились несколько быстрее (хотя имеется только тенденция к достоверному различию). Это указывает на более тесную взаимосвязь сдвигов параметров при ЯБЖ именно с классом иммунореактивности. Во втором наборе наблюдается противоположная картина - нейросети, связывающие параметры с диагнозом ЯБДПК обучились достоверно быстрее.

Таблица 11.

Схема постановки эксперимента и его результаты - среднее количество тактов обучения нейросетей в комплектах

1 набор нейросетей 2 набор нейросетей

Первые сети в парах обучаются различать 1 и 3 классы иммунореактивности Вторые сети в парах обучаются различать здоровых и больных ЯБЖ Первые сети в парах обучаются различать 1 и 2 классы иммунореактивности Вторые сети в парах обучаются различать здоровых и больных ЯБДПК

22788+2034 26624±26664 24936±2182 , 18512+1285

Р<0,1 Р<0,05

Полученные результаты позволяют сделать предположение о том, что нарушения иммунореактивности, проявляющиеся снижением уровня метаболизма лимфоцитов и уменьшением текучести их мембран, играют определенную роль в возникновении и развитии ЯБЖ и могут быть одним из первичных звеньев патогенеза этого заболевания. Это согласуется с повышенным содержанием в лимфоцитах этих больных серотонина.

При ЯБДПК выявленные изменения, возможно, наоборот, являются следствием патологического процесса в стенке двенадцатиперстной кишки. Это косвенно подтверждается повышенным содержанием катехоламинов в лимфоцитах у больных ЯБДПК. Выявленные изменения можно объяснить стрессовыми воздействиями на организм, если принять их доминирующее положение в этиопатогенезе язвенной болезни.

Таким образом, была показана возможность использования нейронных сетей для постановки и проверки гипотез. Данные, полученные в результате проведенного исследования, хорошо согласуются с хорошо известными различиями клинической картины при язвах желудка и ДПК, что послужило поводом для попыток разделить язвенную болезнь на две разные нозологические формы.

Разработанная методология нейросетевого анализа данных и

создания экспертных систем была использована еще в нескольких

областях медицины:

1. Выявление накопленной дозы радиоактивного облучения по иммунологическим и гормональным параметрам крови;

2. Прогнозирование застойной сердечной недостаточности у больных с нарушениями ритма сердца;

3. Прогнозирование сердечной недостаточности у больных с различными поражениями проводящей системы сердца

4. Изучение и диагностика вилюйского энцефалита;

5. Моделирование' иммуноэндокринного взаимодействия при заболеваниях щитовидной железы;

6. Оценка компенсаторных возможностей головного мозга при его органических поражениях;

7. Дифференциация пола человека по метаболическим и гормональным параметрам крови;

8. Изучение и диагностика аллергических и псевдоаллергических реакций;

9. Изучение гомеостатических уровней в группе практически здоровых людей;

10.Назначение оптимальной лазеротерапии после тонзиллэктомии;

11. Дифференциальная диагностика органических заболеваний головного мозга по данных исследования обонятельного анализатора;

12.Прогноз исходов и осложнений у больных с циррозами печени;

13.Классификация лиц с аллергиями по уровню метаболических процессов в лимоцитах;

14.Изучение метаболических показателей лимфоцитов у больных гепатитами А и В.

Выводы

На основании результатов проведенной работы можно сделать

следующие выводы.

1. Разработаны теория и методология создания и применения в медицине самообучающихся ЭС на основе искусственных нейронных сетей.

2. Для создания самообучающихся ЭС используются полносвязные сигмоидные нейросети с универсальной, не зависящей от типа задач архитектурой, обучающиеся по единому метаалгоритму двойственного функционирования. Описание нейросети включает число нейронов, плотность подачи входных сигналов, характеристику нейронов и время отклика сети.

3. Разработан метод оценки значимости входных обучающих параметров, который используется нейросетью автоматически в процессе обучения и позволяет минимизировать набор входных данных.

4. Разработан метод автоматической подстройки параметров примера для получения требуемого ответа нейросети.

5. Созданный программный комплекс МиШеигоп 2.0 позволяет конструировать нейросетевые ЭС непосредственно самим предметным специалистом. ЗС, разрабатываемые по предложенной методологии, обладают способностью к доучиванию в процессе работы, возможностью адаптации и настройки на индивидуального пользователя.

6. На основе разработанной теории и методологии и'созданного программного инструментария были сконструированы ЭС по прогнозированию осложнений инфаркта миокарда; ранней диагностике злокачественных опухолей сосудистой оболочки глаза; моделированию лечения и прогнозированию его непосредственных исходов у больных облитерирующим тромбангиитом; дифференциальной диагностике острого живота.

Разработанная методология позволяет использовать нейронные сети как инструмент для научных исследований для постановки и проверки гипотез. С помощью нейросетей выявлены различные состояния иммунореактивности у больных язвенной болезнью желудка и двенадцатиперстной кишки в зависимости от локализации язвы.

Список основных работ по теме диссертации

1. Россиев Д.А. Некоторые иммунологические и метаболические параметры лимфоцитов крови у больных язвенной болезнью желудка и двенадцатиперстной кишки // Молекулярно-клеточные механизмы иммунной регуляции гомеостаза и проблемы математического моделирования. Тез. докл. Всесоюзной школы, г. Шушенское, 19-26 мая 1990 г. Красноярск,- 1990.- С.64-65.

2. Россиев Д.А. Структурно-метаболические параметры лимфоцитов крови у больных язвенной болезнью желудка и двенадцатиперстной кишки II Проблемы клинической и экспериментальной лимфологии. Материалы науч. конф. Новосибирск, 1992.- С.139-140.

3. Россиев Д.А. Метаболические и функциональные" параметры лимфоцитов у больных язвенной болезнью в зависимости от локализации язвы // Депонирован в МРЖ, 1993, N 23215, 13 с.

4. Россиев Д.А. Содержание катехоламинов и серотонина в лимфоцитах крови больных язвенной болезнью желудка и двенадцатиперстной кишки II Сибирская конференция

эндокринологов (Тез. докл.) 27-28 октября 1993.- Красноярск,- 1993.-С.35.

5. Kochenov D.A., Rossiev D.A. Approximation of functions of C[A,B] class by neural-net predictors (architectures and results) // AMSE Transaction Scientific Siberian, Series A, Exact & Natural Sciences, Neurocomputing.- . AMSE Press, Tassin, France.-1993,- V,6.- P.189-203.

6. Россиев Д.А., Догадин C.A., Масленникова E.B., Ноздрачев К.Г., Борисов А.Г. Выявление накопленной дозы радиоактивного облучения с помощью нейросетевого классификатора // Современные проблемы и методологические подходы к изучению влияния факторов производственной и окружающей среды, на здоровье человека (Тез. докл. республиканской конф.).- Ангарск-Иркутск: изд. "Лисна",- 1993.-С.111-112.

7. Rossiev D.A., Savchenko A.A., Borisov A.G., Kochenov D.A. The employment of neural-network classifier for diagnostics of different phases of immunodeficiency // Modelling, Measurement & Control.-1994,- V.42.-N.2. P.55-63.

8. Борисов А.Г., Гилев C.E., Головенкин C.E., Горбань А.Н., Догадин С.А., Коченов Д.А., Масленникова Е.В., Матюшин Г.В., Миркес Е.М., Ноздрачев К.Г., Россиев Д.А., Савченко A.A., Шульман В.А. Нейроимитатор "MultiNeuron" и его применение в медицине // Математическое обеспечение и архитектура ЭВМ. Материалы науч.-техн. конф. "Проблемы техники и технологий XXI века, 22-25 марта 1994 г. Секция: "Информатика и вычислительная техника".-Красноярск,- 1994,-С.14-18.

9. Головенкин С.Е., Назаров Б.В., Матюшин Г.В., Россиев Д.А., Шевченко В.Ф., Зинченко О.П., Токарева И.М. Прогнозирование возникновения мерцательной аритмии в острый и подострый периоды инфаркта миокарда с помощью компьютерных нейронных сетей // Актуальные проблемы реабилитации больных с сердечнососудистыми заболеваниями. Тез. докл. симпозиума 18-20 мая 1994 г., "Красноярское Загорье", Красноярск.- 1994.-' С.28.

10.Горбань А.Н., Россиев Д.А., Коченов Д.А. Применение самообучающихся нейросетевых программ. Раздел 1. Учебно-методическое пособие для студентов специальностей 22.04 и 55.28.00 всех форм обучения // Красноярск: Сибирский

. Технологический Институт, 1994,- 24 с.

11.Россиев Д.А., Головенкин С.Е., Назаров Б.В., Шульман В.А., Матюшин Г.В. Определение информативности медицинских параметров с помощью нейронной сети // Диагностика, информатика и метрология - 94,- Тез. научно-технической конференции (г. Санкт-Петербург, 28-30 июня 1994 г.).- С.-Петербург,- 1994,- С.348.

12.Головенкин С.Е., Россиев Д.А., Назаров Б.В., Шульман В.А., Матюшин Г.В., Зинченко О.П. Прогнозирование возникновения фибрилляции предсердий как осложнения инфаркта миокарда с помощью нейронных сетей // Диагностика, информатика и метрология - 94,- Тез. научно-технической конференции (г. Санкт-Петербург, 28-30 июня 1994 г.).- С.-Петербург,- 1994,- С.349.

13.Головенкин С.Е., Россиев Д.А., Шульман В.А., Матюшин Г.В., Шевченко В.Ф. Прогнозирование сердечной недостаточности у больных со сложными нарушениями сердечного ритма с помощью нейронных сетей // Диагностика, информатика и метрология - 94.-Тез. научно-технической конференции (г. Санкт-Петербург, 28-30 июня 1994 г.).- С.-Петербург,-1994,- С.350-351.

14.Россиев Д.А., Коченов Д.А. Пакет программ "MultiNeuron" -"Configurator" - "Tester" для конструирования нейросетевых приложений И Нейроинформатика и ее приложения. Тез. докл. Всероссийского рабочего семинара 7 - 10 октября 1994 г. Красноярск,- 1994,- С.ЗО.

15.Коченов Д.А., Миркес Е.М., Россиев Д.А. Метод подстройки параметров примера для получения требуемого ответа нейросети // Нейроинформатика и ее приложения. Тез. докл. Всероссийского рабочего семинара 7-10 октября 1994 г. Красноярск,- 1994,- С.39.

16.Россиев Д. А., Головенкин С.Е. Прогнозирование осложнений инфаркта миокарда с помощью нейронных сетей // Нейроинформатика и ее приложения. Тез. докл. Всероссийского рабочего семинара 7-10 октября 1994 г. Красноярск,- 1994,- С.40.

17.Россиев Д.А., Мызников A.B. Прогнозирование непосредственных результатов лечения облитерирующего тромбангиита с помощью нейронных сетей // Нейроинформатика и ее приложения. Тез. докл. Всероссийского рабочего семинара 7 - 10 октября 1994 г. Красноярск,- 1994,- С.41.

18.Россиев Д.А, Захматов И.Г. Оценка компенсаторных возможностей головного мозга при его органических поражениях (опыт применения нейросетевого векторного предиктора) // Нейроинформатика и ее приложения. Тез. докл. Всероссийского рабочего семинара 7-10 октября 1994 г. Красноярск,- 1994,- С.42.

19.Россиев Д.А., Суханова Н.В., Швецкий А.Г. Нейросетевая система дифференциальной диагностики заболеваний, лрояляющи хся синдромом "острого живота" // Нейроинформатика и ее приложения. Тез. докл. Всероссийского рабочего семинара 7-10 октября 1994 г. Красноярск.- 1994,- С.43.

20.Rossiev D.A., Golovenkin S.E., Shulman V.A., Matyushin G.V. The employment of neural networks to model implantation of pacemaker in patients with arrhythmias and heart blocks // Proceedings of International

печени // Нейроинформатика и ее приложения. Тез. докл. Ill Всероссийского рабочего семинара, Октябрь 1995 г., Красноярск.-¡995,- С.49.

31.Россиев Д.А., Головенкин С.Е., Шульман В.А., Мосина В.А., Зинченко О.П., Назаров Б.В., Матюшин Г.В., Чупахин С.А. Нейросетевое прогнозирование сердечной недостаточности у больных с поражениями проводящей системы сердца // Нейроинформатика и ее приложения. Тез. докл. Ill Всероссийского рабочего семинара, Октябрь 1995 г., Красноярск,- 1995,- С.50.

32.Буренков Г.И., Вахрушев С.Г., Россиев Д.А., Торопова J1.A. Прогнозирование оптимальных параметров лазеротерапии у больных, перенесших тонзиллэктомию II Материалы 8 Съезда Оториноларингологов Украины, 5-9 июня 1995 г. Киев.- С. 105-107.

33.Gorban A.N., Rossiev D.A., Gilev S.E., Dorrer M.A., Kochenov D.A., Mirkes Ye.M., Golovenkin S.E., Dogadin S.A., Nozdrachev K.G., Matyushin G.V., Shulman V.A., Savchenko A.A. Medical and physiological applications of MultiNeuron neural simulator // Proceedings of World Congress on Neural Networks-1995 (WCNN'95).- Washington, 1995,- Paper number 050.

34.Vakhrushev S.G., Rossiev D.A., Burenkov G.I., Toropova L.A. Neural network forecasting of optimal parameters of laserotherapy in patients after tonsillectomy // Proceedings of World Congress on Neural Networks-1995 (WCNN'95).-Washington.- 1995,- Paper number 051.

35.Rossiev D.A., Golovenkin S.E., Shulman V.A., Matyushin G.V. Forecasting of myocardial infarction complications with the help of neural networks // Proceedings of World Congress on Neural Networks-1995 (WCNN'95).- Washington.- 1995,- Paper number 054.

36.Gorban A.N., Rossiev D.A., Gilev S.E., Dorrer M.A., Kochenov D.A., Mirkes Ye.M., Golovenkin S.E., Dogadin S.A., Nozdrachev K.G., Matyushin G.V., Miznikov A.V., Savchenko A.A., Shulman V.A. "NeuroComp" group: neural-networks software and its application // Russian Academy of Sciences, Krasnoyarsk Computing Center, Preprint N 8,- Krasnoyarsk, 1995.- 38 p.

37.Gorban A.N., Rossiev D.A., Butakova E.V., Gilev S.E., Golovenkin S.E., Dogadin S.A., Dorrer M.A., Kochenov D.A., Kopytov A.G., Maslennikova E.V., Matyushin G.V., Mirkes Ye.M., Nazarov B.V., Nozdrachev K.G., Savchenko A.A., Smirnova S.V., Shulman V.A., Zenkin V.I. Medical, psychological and physiological applications of MultiNeuron neural simulator // The Second International Symposium on Neuroinformatics and Neurocomputers, Rostov-on-Don, Russia, September 20-23, 1995.-Rostov-on-Don, 1995,-P.7-14.

38.Rossiev D.A., Miznikov A.V. Neural-network modelling of treatment strategy and forecasting of outcomes in patients with thrombangiitis

Conference on Neural Information Processing, Oct. 17-20, 1994, Seoul, Korea.-V.1.- P.537-542.

21.Gorban A.N., Giiev S.E., Kochenov D.A., Mirkes Ye.M., Golovenkin S.E., Dogadin S.A., Nozdrachev K.G., Maslennikova E.V., Matyushin G.V., Rossiev D.A., Shulman V.A., Savchenko A.A. "MultiNeuron" neural simulator and its medical applications II Proceedings of International Conference on Neural Information Processing, Oct. 17:20, 1994, Seoul, Korea.-V.2.-P.1261-1264.

22.Россиев Д.А. Нейросетевые самообучающиеся экспертные системы в медицине // Молодые ученые - практическому здравоохранению.-Красноярск, 1994,-С.17.

23.Гилева Л.В., Гилев С.Е., Горбань А.Н., Гордиенко П.В.,. Еремин Д.И., Коченов Д.А., Миркес Е.М., Россиев Д.А., Умнов Н.А. Нейропрограммы. Учебное пособие: В 2 ч. // Красноярск, Красноярский государственный технический университет, 1994,- 260 с.

24.Rossiev D.A., Golovenkin S.E., Shulman V.A., Matyushin G.V. The employment of neural networks to model implantation of pacemaker in patients with arrythmias & heart blocks II Modelling, Measurement & Control, C.- 1995,- V.48, N.2.- Р.ЗЭ-46:

25.Savchenko A.A., Zakharova L.B., Rossiev D.A. The employment of neural networks for investigation & diagnostics of Viliuisk encephalomyelitis // Modelling, Measurement & Control, C - 1995.- V.48, N.4.- P.1-15.

26.Borisov A.G., Gilev S.E., Golovenkin S.E., Gorban A.N., Dogadin S.A., Kochenov D.A., Maslennikova E.V., Matyushin G.V., Mirkes Ye.M., Nozdrachev K.G., Rossiyev D.A., Savchenko A.A., Shulman V.A. "MultiNeuron" neural simulator and its medical applications // Modelling, Measurements Control, C.- 1996.-V.55, N.1.-P.1-5.

27.Мызников А.В., Россиев Д.А., Лохман В.Ф. Нейросетевая экспертная система для оптимизации лечения облитерирующего тромбангиита и прогнозирования его непосредственных исходов,- Ангиология и сосудистая хирургия.- 1995,- N 2.- С.100.

28.Россиев Д.А., Гилев С.Е., Коченов Д.А. MultiNeuron, версии 2.0 и 3.0 // Нейроинформатика и ее приложения. Тез. докл. Ill Всероссийского рабочего семинара, Октябрь 1995 г., Красноярск.- 1995,- С.14.

29.Россиев Д.А., Мызников А.В. Тестирование нейроэкспертной системы, назначающей оптимальную стратегию лечения при облитерирующем тромбангиите // Нейроинформатика и ее приложения. Тез. докл. Ill Всероссийского рабочего семинара, Октябрь 1995 г., Красноярск.- 1995,- С. 45.

30.Россиев Д.А., Орлова Т.В. Нейросетевая экспертная система прогнозирования исходов и осложнений у больных с циррозами

obliterans // The Second International Symposium on Neuroinformatics and Neurocomputers, Rostov-on-Don, Russia, September 20-23, 1995,-Rostov-on-Don, 1995,-P.285-291.

39.Rossiev D.A., Golovenkin S.E., Shulman V.A., Matjushin G.V. Neural networks for forecasting of myocardial infarction complications // The Second International Symposium, on Neuroinformatics and Neurocomputers, Rostov-on-Don, Russia, September 20-23, 1995.-Rostov-on-Don, 1995.- P.292-298.

40.Rossiev D.A., Zakhmatov I.G., Narodov A.A. Artificial neural networks for valuation of individual brain reactivity // The Second International Symposium on Neuroinformatics and Neurocomputers, Rostov-on-Don, Russia, September 20-23, 1995,- Rostov-on-Don, 1995.- P.299-305.

41.Vakhrushev S.G., Rossiev D.A., Burenkov G.I., Toropova L.A. Application neural network to define optimal parameters of laserotherapy in patients after tonsillectomy: pilot study II The Second International Symposium on Neuroinformatics and Neurocomputers, Rostov-on-Don, Russia, September 20-23, 1995,- Rostov-on-Don, 1995.- P.306-310.

42.Народов A.A., Захматов И.Г., Россиев Д.А. Использование искусственных нейронных сетей для оценки функциональной пластичности головного мозга в нейрохирургической практике // Вопросы неврологии, нейрохирургии, психиатрии (Материалы Краевой конференции невропатологов, психиатров, наркологов), Красноярск, 8-9 июня 1995 г.- Красноярск,- 1995,- С. 125-130.