Положение модели искусственной нейронной сети в медицинских экспертных системах

Автор: Волчек Ю.А., Шишко О.Н., Спиридонова О.С., Мохорт Т.В.

Журнал: Juvenis scientia @jscientia

Рубрика: Медицинские науки

Статья в выпуске: 9, 2017 года.

Бесплатный доступ

В статье отражены некоторые аспекты использования современных информационных технологий в медицинской деятельности. На основании комплексного и многоуровневого анализа большого числа клинических данных медицинские экспертные системы позволяют прогнозировать течение и исход определенных нозологических единиц, а также ориентированы на принятие решений по плану дальнейшей тактики ведения конкретного пациента. Искусственные нейронные сети (ИНС) представляет собой самообучающийся аппаратный прототип нейрона коры головного мозга с конкретно задаваемой структурой и уникальной классифицирующей способностью. Приведенные примеры реализации нейросетевых технологий в практической медицине демонстрируют выгодные преимущества данных экспертных систем и являются важными экспансиями будущего проектирования искусственного интеллекта.

Еще

Медицинские экспертные системы, искусственная нейронная сеть, искусственный интеллект

Короткий адрес: https://readera.ru/14110323

IDR: 14110323   |   DOI: 10.15643/jscientia.2017.9.001

Список литературы Положение модели искусственной нейронной сети в медицинских экспертных системах

  • Назаренко Г.И., Гулиев Я.И., Ермаков Д.Е. Медицинские информационные системы: теория и практика. М.: Физматлит, 2005. 320 с.
  • Коротких Н.Г., Петров И.Ю., Петров А.И. О проблемах выявления экспертных знаний при разработке медицинских компьютерных программ//ВНМТ. 2012. № 2. С. 192-195.
  • Андрейчиков А.В. Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2004. 423 с.
  • Румянцев П.О., Саенко В.А. и др. Статистические методы анализа в клинической практике. Обнинск: ГУ РМНЦ РАМН, 2009. 46 с.
  • Liang W., Shen G., Zhang Y. et al. Development and validation of a nomogram for predicting the survival of patients with non-metastatic nasopharyngeal carcinoma after curative treatment//Chinese Journal of Cancer. 2016. No. 1. Pp. 98-106.
  • Бокерия О.Л., Базарсадаева Т.С., Шварц В.А., Ахобеков А.А. Эффективность статинотерапии в профилактике фибрилляции предсердий у пациентов после аортокоронарного шунтирования//Анналы аритмологии. 2014. Т. 11. № 3. С. 161-169.
  • Aigelsreiter A., Neumann J., Pichler M. et al. Hepatocellular carcinomas with intracellular hyaline bodies have a poor prognosis//Liver International. 2017. Vol. 37. No. 4. Pp. 600-610.
  • Чубукова И.А. Data Mining. М.: ИНТУИТ, БИНОМ. Лаборатория знаний, 2008. 384 с.
  • Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. СПб.: Питер, 2003. 528 с.
  • Дюк В.А., Самойленко В.А. Data Mining: учебный курс. СПб.: Питер, 2001. 368 с.
  • Луценко Е.В. Интеллектуальные информационные системы. Учебное пособие. 2-е изд., перераб. и доп. Краснодар: КубГАУ, 2006. 615 с.
  • Haykin S., Principe J., Sejnowski T. et al. New Directions in Statistical Signal Processing: From Systems to Brains. London: The MIT Press, 2007. 544 p.
  • Медведев В.С. Нейронные сети. Matlab 6. М.: Диалог-МИФИ, 2002. 496 с.
  • Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2004. 344 с.
  • Жариков О.Г., Ковалев В.А., Литвин А.А. Современные возможности использования некоторых экспертных систем в медицине//Врач и информационные технологии. 2008. № 5. С. 24-30.
  • Богомолов С.Д., Киселев С.В., Медведев А.П., Назаров В.М. Применение искусственных нейронных сетей для прогнозирования в хирургии//Медикум. 2003. № 1.
  • Галушкин А. Нейронные сети. Основы теории. М.: Горячая Линия-Телеком, 2012. 523 с.
  • Крючин О.В. Искусственные нейронные сети и кластерные системы. Реализация нейросетевого симулятора//Вестник Тамбовского университета. Серия: Естественные и технические науки. 2010. Т. 15. № 1. С. 306-311.
  • Patil S.B., Kumaraswamy Y.S. Intelligent and Effective Heart Attack Prediction System Using Data Mining and Artificial Neural Network//Eur. J. Sci. Res. 2009. No. 31 (4): Pp. 642-656.
  • Hoot N., Aronsky D. Using Bayesian Networks to Predict Survival of Liver Transplant Patients//AMIA 2005 Symposium. Washington: AMIA knowledge center, 2005. Pp. 345-349.
  • Callan D., Mills L., Nott C., et al. A Tool for Classifying Individuals with Chronic Back Pain: Using Multivariate Pattern Analysis with Functional Magnetic Resonance Imaging Data//PLoS ONE. 2014. Vol. 9. No. 6. Pp. 1-12.
  • Toney L., Vesselle H. Neural Networks for Nodal Staging of Non-Small Cell Lung Cancer with FDG PET and CT: Importance of Combining Uptake Values and Sizes of Nodes and Primary Tumor//Rodiology. -2014. Vol. 270. No. 1. Pp. 91-98.
  • Andersson B., Andersson R., Ohlsson M. et al. Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks//Pancreatology. 2011. No. 11. Pp. 28-35.
  • Gorunescu F., Gorunescu M., Saftoiu A. et al. Competitive/collaborative neural computing system for medical diagnosis in pancreatic cancer detection//Expert Syst. 2011. No. 28(1). Pp. 33-44.
  • Kurt I., Ture M., Turhan Kurum A. Comparing performances of logistic regression, classification and regression tree, and neural networks for predicting coronary artery disease//Expert Systems with Applications. 2008. Vol. 34. No. 1. Pp. 366-374.
  • Hirose H., Takayama T., Hozawa S. et al. Prediction of metabolic syndrome using artificial neural network system based on clinical data including insulin resistance index and serum adiponectin//Comput. Biol. Med. 2011. No. 41 Pp. 1051-1056.
  • Franklina S., Rajan S. An automated retinal imaging method for the early diagnosis of diabetic retinopathy//Technology and Health Care 21. 2013. Рp. 557-569.
  • Чернецов С.А., Чучуева И.А. Прогнозирование уровня глюкозы в крови больных инсулинозависимым диабетом нейронными сетями и методом экстраполяции по выборке максимального подобия//Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2010. № 11. С. 1-9.
  • Saraoğlu H., Temurtas F., Altıkat S. Quantitative classification of HbA1C and blood glucose level for diabetes diagnosis using neural networks//Australas Phys Eng Sci Med. 2013. No. 36(4). Pp. 397-403.
Еще
Статья научная