INTELLECTUAL ANALYSIS SYSTEMS OF MEDICINE INFORMATIONAS MAIN ASSISTANT OF RADIOLOGIST
- Authors: Lemeshkin RE1, Blinov VA1, Bagrova AA1, Borisov DN1, Sivashenko PP1
-
Affiliations:
- S. M. Kirov Military Medical Academy
- Issue: Vol 38, No 4 (2019)
- Pages: 148-150
- Section: Articles
- URL: https://journals.eco-vector.com/RMMArep/article/view/26044
- DOI: https://doi.org/10.17816/rmmar26044
- ID: 26044
Cite item
Full Text
Abstract
Full Text
ВВЕДЕНИЕ Современная медицина не располагает эффективными возможностями заранее выявлять раковые заболевания, недостаточны знания о патогенезе атеросклероза, гипертонии и нарушении сердечного ритма. И этот перечень можно было бы продолжать очень долго. Поэтому делаются попыт- ки создать систему, которая знала бы больше чем ее создатели ЦЕЛЬ Разработка направлений работы медицинских систем принятия решений, постановки рентгеноло- гического диагноза с использованием нейронной сети, которые позволяют повысить эффективность работы врача и оказывают стимулирующие воздействия на мышление врача. МАТЕРИАЛЫ И МЕТОДЫ Для проведения исследования использовались материалы научно-исследовательских работ, учебно-методических пособий и данные литературных источников РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ Применению методов машинного обучения для анализа структурированных медицинских данных посвящено значительное число работ. В качестве входных данных ученые используют показатели здоровья в количественной и качественной форме, антропометрические данные, генетические тесты, по которым строится набор нечетких правил, составляющих основу для последующей классификации пациентов. В настоящее время известно много медицинских систем принятия решения, но на пути разработки таких систем стоят серьезные методологические трудности. Требуется систематизация данных, так как разные специалисты по-разному понимают одну и ту же болезнь, что является достаточно типичной ситуацией в медицине. Существует необходимость с помощью логических правил точно охарактеризовать достаточно сложную клиническую ситуацию. Основная и самая важная трудность, необходимого знания в момент разработки системы может вообще не существовать. Современная медицина не располагает эффективными возможностями заранее выявлять раковые заболевания, недостаточны знания о патогенезе атеросклероза, гипертонии и нарушении сердечного ритма. И этот перечень можно было бы продолжать очень долго. Поэтому делаются попытки создать систему, которая знала бы больше чем ее создатели. В идеале метод диагностики должен обладать стопроцентной чувствительностью (не пропускать действительно больных людей) и, одновременно, - стопроцентной специфичностью (не относить к больным людям здоровых). Обычно, высокая чувствительность приводит к низкой специфичности. Это объясняется тем, что не для всех людей выход определенного параметра за пределы установленной нормы означает заболевание. Тут вступают в силу индивидуальные особенности человеческого организма. В идеале надо проводить границу «больной/здоровый» для каждого человека персонально. Повысить чувствительность метода, не понижая его специфичности позволяют нейронные сети, которые представляют собой нелинейные системы, позволяющие гораздо лучше классифицировать данные, чем обычно используемые линейные методы. Нейросети оказались способными принимать решения, основываясь на выявляемых ими скрытых закономерностях в данных. Они не программируются - не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. Это и есть главное отличие нейросетей от экспертных систем-самообучение. Еще одним преимуществом нейросетевых технологий является то, что они способны осуществлять классификацию, обобщая прежний опыт и применяя его в новых случаях. Вначале предполагалось, что нейронная сеть должна функционировать наподобие мозга человека. Огромное количество нейронов и их связей отвечают за поддержание уникальных способностей человеческого организма. Мозг способен практически мгновенно обрабатывать огромные потоки информации, когда он сам состоит из медленно действующих клеток. Но даже самые первые сети имели малое с ним сходство и их возможности были весьма ограничены. При дальнейшем развитии нейросетевых технологий разработчики вынуждены создавать искусственные сети со свойствами, не возможными в живой природе. Методы нейронных сетей могут использоваться независимо или же служить прекрасным дополнением к традиционным методам статистического анализа. В современном мире врачи могут использовать возможности нейронных сетей для правильной постановки диагноза, очистки биологических сигналов от шумов, выделения полезных данных из многообразия имеющихся по определенным критериям. И это далеко не все возможности, которые могут быть реализованы с помощью искусственной нейронной сети (ИНС) В качестве примера больших систем можно привести централизованные системы медицинской диагностики, в которых количество классифицируемых заболеваний достигает многих десятков, а число симптомов превосходит несколько сотен. Подобные системы состоят из нескольких уровней, на каждом из которых в результате работы локальных систем распознавания определяются простые симптомы, используемые на последующих уровнях системы для определения более сложных симптомов. ВЫВОДЫ Несмотря на то, что, нейронные сети были введены в медицину с целью полностью заменить специа- листа на этапе постановки диагноза, необходимость участия врача в этом процессе неоспорима. Самым важным вариантом использования нейронных сетей в медицине является возможность создания логической схемы. Врач получает информацию о больном при непосредственном осмотре пациента. ИНС выдает результат - диагноз, но окончательное право принятия решения остается за врачом. Информационно-поисковая система (ИПС) в данной схеме стоит для того, чтобы компенсировать возможный недостаток знаний врача при сложных и редких клинических случаях и выступает в роли консультанта. Данные алгоритмы, возможно, использовать при организации медицинского обеспечения повседневной деятельности войск (сил) с повсеместным введением телемедицинских технологий.About the authors
R E Lemeshkin
S. M. Kirov Military Medical AcademySaint Petersburg, Russia
V A Blinov
S. M. Kirov Military Medical AcademySaint Petersburg, Russia
A A Bagrova
S. M. Kirov Military Medical AcademySaint Petersburg, Russia
D N Borisov
S. M. Kirov Military Medical AcademySaint Petersburg, Russia
P P Sivashenko
S. M. Kirov Military Medical AcademySaint Petersburg, Russia
References
- Ежов А. И. Нейронные сети в медицине. 2003. С. 117.
- Владзимирский А. В. Телемедицина: Curatio Sine Tempora et Distantia. М., 2016. 663 с.
- Грибова В. В., Петряева М. В., Окунь Д. Б., Шалфеева Е. А. Онтология медицинской диагностики для интеллектуальных систем поддержки принятия решений. Онтология проектирования. 2018. Т. 8. № 1 (27). С. 58-73.
- Михеев А. Е., Фохт О. А., Хаткевич М. И. Один из подходов к формализации процесса внедрения МИС в медицинской организации. Врач и информационные технологии. 2018. № 5. С. 46-62.
- Стародубов В. И., Зарубина Т. В., Сидоров К. В., Алепко А. А. Формирование интегральных показателей оценки уровня информатизации медицинской организации. Врач и информационные технологии. 2018. № 1. С. 6-24.
- Чернов В. И., Есауленко И. Э., Родионов О. В., Семенов С. Н. Медицинская информатика. Ростов-на-Дону: Феникс, 2007. 320 с.
- Кульнев С. В., Солдатов Е. А., Каниболоцкий М. Н., Жуков А. А. Перспективы совершенствования медицинского обеспечения войск (сил) в современных конфликтах. Воен.-мед. журн. 2017. Т. 338. № 6. С. 4-12.
- STATISTICA Neural Network: Пер. с англ. Нейронные сети. М.: Горячая линия - Телеком, 2001. 182 с.
- Abeer Y. A., Ahmad M. A., Majid A. A. Clinical decision support system for diagnosis and management of chronic renal failure. In: Proceedings of Applied Electrical Engineering and Computing Technologies. IEEE. 2013. p. 1-6. Doi:10.1109. aeect.2013.6716440
- Isa Nam. Towards intelligent diagnostic system employing integration of mathematical and engineering model. In: Proceedings of International Conference on Mathematics, Engineering and Industrial Applications. AIP Publishi
- Musen M. A., Middleton B., Greenes R. A. Clinical decisionsupport systems. In: Biomedical informatics. Springer. 2014. p. 643-674. Doi:10.1007.978-1-4471-4474-8_22
- Prosperi M. C., Marinho S., Simpson A., Custovic A., Buchan I. E. Predicting phenotypes of asthma and eczema with machine learning. BMC medical genomics. 2014. 7 (1). Doi:10.1186.1755- 8794-7-s1-s7
- Zarandi M. H. F., Zolnoori M., Moin M., Heidarnejad H. A fuzzy rule-based expert system for diagnosing asthma. Transaction E: Industrial Engineering. 2010. 17 (2): 129-142.
- Абрамова И. А. и др. К вопросу о выполнении конечноэлементного анализа в CAE-системах. Наука и военная безопасность. 2016. № 3 (6). С. 59-65.