ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В МЕДИЦИНЕ: НЕЙРОСЕТИ ДЛЯ АНАЛИЗА СИСТЕМНОЙ ГЕМОДИНАМИКИ
- Авторы: Соколова Е.А.1, Сергеев Т.В.2, Куропатенко М.В.2
-
Учреждения:
- Лаборатория физиологии биоуправления отдела экологической физиологии ФГБНУ институт экспериментальной медицины
- ФГБНУ «Институт экспериментальной медицины»
- Раздел: Аналитический обзор
- Статья опубликована: 27.06.2024
- URL: https://journals.eco-vector.com/MAJ/article/view/631404
- DOI: https://doi.org/10.17816/MAJ631404
- ID: 631404
Цитировать
Полный текст
Аннотация
Искусственные нейронные сети способны эффективно обрабатывать большие массивы данных, а также решать задачи предсказания, классификации и восстановления данных. Каждая из перечисленных задач была подробно рассмотрена, изучены литературные источники, посвященные исследуемой теме. Искусственные нейронные сети справляются с поставленными задачами с высокой степенью точности. Были описаны способы применения нейронных сетей для анализа системной гемодинамики. Современные нейросети являются мощным инструментом для анализа медицинских данных и способны работать с неполными данными, находить в них скрытые закономерности, а также могут быть адаптированы для решения большого спектра задач. В рамках нашей лаборатории осуществляется разработка искусственной нейронной сети, способной осуществлять классификацию показателей, описывающих состояние гемодинамики испытуемых, восстанавливать пропущенные или недостающие данные. Таким образом, искусственные нейронные сети могут выступать в качестве действенного метода анализа показателей системной гемодинамики.
Полный текст
![Доступ закрыт](https://journals.eco-vector.com/lib/pkp/templates/images/icons/text_lock.png)
Об авторах
Евгения Андреевна Соколова
Лаборатория физиологии биоуправления отдела экологической физиологии ФГБНУ институт экспериментальной медицины
Автор, ответственный за переписку.
Email: evgenyaagent@gmail.com
ORCID iD: 0009-0009-6024-4529
младший научный сотрудник лаборатории отдела экологической физиологии
Россия, 197022, Россия, Санкт-Петербург, ул. Академика Павлова 12Тимофей Владимирович Сергеев
ФГБНУ «Институт экспериментальной медицины»
Email: stim9@yandex.ru
ORCID iD: 0000-0001-9088-0619
SPIN-код: 4952-5143
Scopus Author ID: 57201501819
https://iemspb.ru/department/eco-phys-dep/neuroeco-lab/
канд. биол. наук, заведующий лабораторией физиологии биоуправления отдела экологической физиологии
Россия, Санкт-ПетербургМария Валентиновна Куропатенко
ФГБНУ «Институт экспериментальной медицины»
Email: kuropatenko.mv@iemspb.ru
ORCID iD: 0000-0003-4214-9412
SPIN-код: 5024-3499
Scopus Author ID: 57222538102
канд. мед. наук, доцент, ведущий научный сотрудник отдела экологической физиологии
Россия, Санкт-ПетербургСписок литературы
- Zou J, Han Y, So SS. Overview of artificial neural networks // Methods Mol Biol. 2008. Vol. 458. P. 15-23. doi: 10.1007/978-1-60327-101-1_2
- Bahmer A., Gupta D., Effenberger F. Modern Artificial Neural Networks: Is Evolution Cleverer? // Neural Computation. 2023. Vol. 35, No. 5. P. 763-806. doi: 10.1162/neco_a_01575
- Kulikowski C.A. An Opening Chapter of the First Generation of Artificial Intelligence in Medicine: The First Rutgers AIM Workshop, June 1975 // Yearb Med Inform. 2015. Vol. 10, No. 1. P. 227-233. doi: 10.15265/IY-2015-016
- Myatra S.N., Jagiasi B.G., Singh N.P., Divatia J.V. Role of artificial intelligence in haemodynamic monitoring // Indian J Anaesth. 2024. Vol. 68, No. 1. P. 93-99. doi: 10.4103/ija.ija_1260_23
- Фаустова К.И. Нейронные сети: применение сегодня и перспективы развития // Территория науки. 2017. № 4. С. 83–87.
- Munir K., Elahi H., Ayub A., Frezza F., Rizzi A. Cancer Diagnosis Using Deep Learning: A Bibliographic Review // Cancers. 2019. Vol. 11, No. 9. P.1235. doi: 10.3390/cancers11091235
- Li H., Boulanger P. Structural Anomalies Detection from Electrocardiogram (ECG) with Spectrogram and Handcrafted Features // Sensors. 2022. Vol. 22, No. 7. P. 2467. doi: 10.3390/s22072467
- Akbilgic O., Butler L., Karabayir I., Chang P.P., Kitzman D.W., Alonso A., Chen L.Y., Soliman E.Z. ECG-AI: electrocardiographic artificial intelligence model for prediction of heart failure // European Heart Journal – Digital Health. 2021. Vol. 2, No. 4. P. 626–634. doi: 10.1093/ehjdh/ztab080
- Grün D., Rudolph F., Gumpfer N., Hannig J., Elsner L.K., von Jeinsen B., Hamm C.W., Rieth A., Guckert M., Keller T. Identifying Heart Failure in ECG Data With Artificial Intelligence-A Meta-Analysis. Front Digit Health. 2021. Vol. 2, Article 584555, 7 p. doi: 10.3389/fdgth.2020.584555
- Ulloa-Cerna A.E., Jing L., Pfeifer J.M., Raghunath S., Ruhl J.A., Rocha D.B., Leader J.B., Zimmerman N., Lee G., Steinhubl S.R., Good C.W., Haggerty C.M., Fornwalt B.K., Chen R. rECHOmmend: An ECG-Based Machine Learning Approach for Identifying Patients at Increased Risk of Undiagnosed Structural Heart Disease Detectable by Echocardiography // Circulation. 2022. Vol. 146, No. 1. P. 36–47. doi: 10.1161/circulationaha.121.057869
- Oscanoa J.A., Middione M.J., Alkan C., Yurt M., Loecher M., Vasanawala S.S., Ennis D.B. Deep Learning-Based Reconstruction for Cardiac MRI: A Review // Bioengineering. 2023. Vol. 10, No. 3. P.334. doi: 10.3390/bioengineering10030334
- Онищенко П.С., Клышников К.Ю., Овчаренко Е.А. Искусственные нейронные сети в кардиологии: анализ графических данных // Бюллетень сибирской медицины. 2021. Т. 20, № 4. С. 193-204. doi: 10.20538/1682-0363-2021-4-193-204
- Раджабов А.Г. Система поддержки принятия решений для диагностики патологий сердечно-сосудистой системы по рентгеновским изображениям грудной клетки. // Доклады БГУИР. 2023. Т. 21, № 1. С. 98-103. doi: 10.35596/1729-7648-2023-21-1-98-103
- Чиков А.Е., Павлов Е.А., Егоров Н.А., Медведев Д.С., Чикова С.Н., Дробинцев П. Д. Моделирование физиологических показателей на уровне порога анаэробного обмена с использованием методов искусственного интеллекта // Человек. Спорт. Медицина. 2022. Т. 22, № S2. С. 46-53. doi: 10.14529/hsm22s206
- Осипова О.А., Концевая А.В., Демко В.В., Гостева Е.В., Комисов А.А., Кузуб А.А., Сердюкова А.В., Брижанева А.С., Шепель Р.Н., Драпкина О.М. Использование элементов искусственного интеллекта в прогнозирующей модели персонализированного подхода к выбору фармакотерапии у больных хронической сердечной недостаточностью с умеренно низкой фракцией выброса ишемического генеза // Кардиоваскулярная терапия и профилактика. 2023. Т. 22, № 7. С. 3619. doi: 10.15829/1728-8800-2023-3619
- Буничева А.Я., Кочетов Е.В., Мухин С.И. Математическое моделирование построения нейросети для диагностики нарушений кровотока // Вестник Московского университета. Серия 15. Вычислительная математика и кибернетика. 2022. № 3. С. 18–25.
- Deng X., Da F., Shao H. Hemodynamic analysis and diagnosis based on multi-deep learning models // Fluid Dynamics & Materials Processing. 2023. Vol. 19, No. 6. P. 1369-1383. doi: 10.32604/fdmp.2023.024836
- Обухов А. Д., Коробова И. Л., Назарова А. О., Зайцева Д. В. Применение машинного обучения при анализе ЭЭГ для выявления фобической реакции в виртуальной реальности. Информационно-управляющие системы, 2023, № 4, С. 56-70. doi: 10.31799/1684-8853-2023-4-56-70
- Дударев В.А. Подход к заполнению пропусков в обучающих выборках для компьютерного конструирования неорганических соединений // Вестник МИТХТ. 2014. Т. 9, № 1. С. 73-75.
- Desherevskii A.V., Zhuravlev V.I., Nikolsky A.N. et al. Problems in Analyzing Time Series with Gaps and Their Solution with the WinABD Software Package // Izv. Atmos. Ocean. Phys. 2017. No. 53, P. 659–678. doi: 10.1134/S0001433817070027
- Сташкова О.В., Шестопал О.В. Использование искусственных нейронных сетей для восстановления пропусков в массиве исходных данных // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. 2017. № 1(193). С. 37-42. doi: 10.17213/0321-2653-2017-1-37-42
- Agapova E.A., Anisimov A.A., Kuropatenko M.V., Novikova T.V., Suvorov N.B., Sergeev T.V., Yafarov A.Z. Algorithm for the Joint Analysis of Beat-To-Beat Arterial Pressure and Stroke Volume for Studying Systemic Vasoconstrictor and Vasodilator Responses. In: Velichko, E., Kapralova, V., Karaseov, P., Zavjalov, S., Angueira, P., Andreev, S. (eds) International Youth Conference on Electronics, Telecommunications and Information Technologies. Springer, Cham. Springer Proceedings in Physics, 2022. Vol 268. P. 97–102. doi: 10.1007/978-3-030-81119-8_10
- Физиология человека с основами патофизиологии: в 2 т. Т. 2 / под ред. Р. Ф. Шмидта, Ф. Ланга, М. Хекманна ; пер. с нем. под ред. М. А. Каменской и др. ‑ 2-е изд., испр., электрон. ‑ М.: Лаборатория знаний, 2021. ‑ 497 с.
- Adams J. Defending explicability as a principle for the ethics of artificial intelligence in medicine // Med Health Care Philos. 2023. Vol. 26, No. 4. P. 615-623. doi: 10.1007/s11019-023-10175-7
- María Soledad Paladino MSP. Inteligencia Artificial en Medicina. Reflexiones éticas desde el pensamiento de Edmund Pellegrino [Artificial Intelligence in Medicine. Ethical reflections from the thought of Edmund Pellegrino] // Cuad Bioet. 2023. Vol. 34, No. 110. P. 25-35. doi: 10.30444/CB.140
- Souza Filho EM, Fernandes FA, Pereira NCA, Mesquita CT, Gismondi RA. Ethics, Artificial Intelligence and Cardiology. Ética, Inteligência Artificial e Cardiologia // Arq Bras Cardiol. 2020. Vol. 115, No. 3. P.579-583. doi: 10.36660/abc.20200143
- Krajcer Z. Artificial Intelligence in Cardiovascular Medicine: Historical Overview, Current Status, and Future Directions // Tex Heart Inst J. 2022. Vol. 49, No. 2. P: e207527. doi: 10.14503/THIJ-20-7527
- Гусев А.В., Шарова Д.Е. Этические проблемы развития технологий искусственного интеллекта в здравоохранении // Общественное здоровье. 2023. Т. 3, № 1. C. 42-50. doi: 10.21045/2782-1676-2023-3-1-42-50
Дополнительные файлы
![](/img/style/loading.gif)