МИС_1 (833833), страница 4

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 4)

Сеть обладает чертамитак называемого искусственного интеллекта. Натренированная на ограниченном10множестве обучающих выборок, она обобщает накопленную информацию ивырабатывает ожидаемую реакцию применительно к данным, не обрабатывавшимсяв процессе обучения.Примеры использования экспертных систем в медицинеВ области хирургии P.L. Liew et al.

на основе ИНС создали системупрогнозирования риска развития желчнокаменной болезни у людей с избыточноймассой тела. Авторы ретроспективно изучили антропоморфометрические,анамнестические, клинические и лабораторные данные 117 прооперированныхпациентов с ожирением. Была построена ИНС, обученная алгоритмом обратногораспространения. Использовались 30 входных переменных, включая клиническиеданные (пол, возраст, индекс массы тела, сопутствующие заболевания), лабораторныепоказатели и результаты гистологического исследования.

Прогнозирующуюценность ИНС сравнивали с моделью логистической регрессии, обученной на той жебазе данных. ИНС продемонстрировала лучшую прогнозирующую ценность и болеенизкую ошибку, чем модель логистической регрессии. Наиболее важные факторыриска желчнокаменной болезни, по данным обеих методик, — повышенноедиастолическое артериальное давление, преморбидный фон, нарушение метаболизмаглюкозы и повышение уровня холестерина крови.В эндоскопии A. Das et al. использовали нейросетевые технологии длясортировки больных с неварикозными кровотечениями из верхних отделовжелудочно-кишечного тракта.

Была исследована эффективность ИНС, обученной поклиническим и лабораторным данным 387 пациентов с изучаемой патологией,верификация — по данным 200 пациентов с проведением ROC-анализа. На выходесети имелись две результирующие переменные: наличие или отсутствие признаковпродолжающегося кровотечения и потребность в лечебной эндоскопии.В онкоурологии P. Bassi et al. прогнозировали 5-летнюю выживаемостьпациентов, перенесших радикальную цистэктомию по поводу рака мочевого пузыря.Для этого были разработаны и сравнены ИНС и модель логистической регрессии(МЛР). Выявлено, что единственными статистически достоверными предсказателями5-летней выживаемости оказались стадия опухоли и наличие или отсутствиепрорастания в соседние органыС.

Stephan et al. применили ИНС для автоматизированного анализа биоптатапредстательной железы. Методика основывалась на выявлении общего простатспецифического антигена (ПСА) и определении процента свободного ПСА.F. K. Chun et al.

использовали ИНС для выявления группы риска ракапредстательной железы.В трансплантологии G. Santori et al. применили нейросетевые технологии впрогнозировании отсроченного снижения креатинина сыворотки крови у детей послетрансплантации почки. Для выявления корреляции между входными переменными иискомым результатом у пациентов, подлежащих трансплантации почки, была созданаискусственная нейронная сеть, обученная на 107 клинических примерах.

Былиотобраны наиболее важные переменные, коррелирующие с результатом: креатининсыворотки крови в день пересадки, диурез за первые 24 часа, эффективностьгемодиализа, пол реципиента, пол донора, масса тела в первый день после пересадки,возраст.В медицинской радиологии F. Dоhler et al. использовали нейронную сеть дляклассификации изображений МРТ с целью автоматизированного обнаружения11гиппокампального склероза.

ИНС была обучена на 144 примерах изображений ипозволяла классифицировать изменения в ткани головного мозга относительноналичия склеротических изменений. E.E. Gassman et al. создали ИНС дляавтоматизированной идентификации костных структур и оценили надежность этойметодики по сравнению с традиционными. Кроме того, сегментацию структур костиИНС выполнила в 10 раз быстрее.В неврологии A.T. Tzallas et al. применили нейросеть для прогнозированияэпилептическихприступовнаосновеанализаэлектроэнцефалограмм.Прогностическая точность метода составила 98 – 100 %.Современные технические возможности позволяют выйти на качественноновый уровень представления течения заболевания, а именно на основе экспертныхавтоматизированных технологий смоделировать типовое развитие патологическогопроцесса.

Экспертные компьютерные медицинские системы позволяют врачу нетолько проверить собственные диагностические предположения, но и обратиться ккомпьютеру за консультацией в трудных диагностических случаях.12.

Характеристики

Список файлов лекций