ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В МЕДИЦИНЕ: НЕЙРОСЕТИ ДЛЯ АНАЛИЗА СИСТЕМНОЙ ГЕМОДИНАМИКИ



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

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 12

Тимофей 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-Петербург

Мария 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-Петербург

Список литературы

  1. 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
  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
  3. 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
  4. 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
  5. Фаустова К.И. Нейронные сети: применение сегодня и перспективы развития // Территория науки. 2017. № 4. С. 83–87.
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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.
  17. 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
  18. 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
  19. Дударев В.А. Подход к заполнению пропусков в обучающих выборках для компьютерного конструирования неорганических соединений // Вестник МИТХТ. 2014. Т. 9, № 1. С. 73-75.
  20. 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
  21. 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
  22. 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
  23. 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.
  24. 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
  25. 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
  26. 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
  27. 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
  28. 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

Доп. файлы
Действие
1. JATS XML
Скачать

© Эко-Вектор,


СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 74760 от 29.12.2018 г.


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах