Нейронная экспертная симптоматическая диагностическая система

Тип работы:
Дипломная
Предмет:
Биологические науки
Страниц:
49

5500 Купить готовую работу
Узнать стоимость

Детальная информация о работе

Выдержка из работы

Введение
История развития человеческого общества — систематизация знаний, для возможности быстрого их применения при принятии решений, например, в медицине — быстрая и безошибочная постановка диагноза пациенту. Именно систематизация знаний дала возможность автоматизировать многие процессы, что обеспечило прогресс во всех сферах деятельности человека. Систематизация в медицинской диагностике включает в себя математическую обработку всех, относящихся к конкретной болезни признаков, их классификация по значимости: первостепенность или вторичность и, в конечном итоге, постановка диагноза, прогноз течения и исхода.
Рост уровня технического и информационного обеспечения медицинских исследований увеличивает количество информации в повседневной работе. Современный уровень информационного потока ограничивает время для наработки «опыта» и требует автоматизации процесса извлечения нужной в настоящий момент информации.
Острая боль в груди. Скорая помощь доставляет больного в приемный покой, где дежурный врач должен поставить диагноз и определить, действительно ли это инфаркт миокарда. Опыт показывает, что доля пациентов, перенесших инфаркт среди поступивших с аналогичными симптомами, невеликa. Точных методов диагностики, тем не менее, до сих пор нет. Электрокардиограмма иногда не содержит явных признаков недуга. А сколько всего параметров состояния больного могут так или иначе помочь поcтавить в данном случае правильный диагноз? Более сорока. Может ли врач в приемном покое быстро проанализировать все эти показатели вместе с взаимосвязями, чтобы принять решение о направлении больного в кардиологическое отделение? Да, может, благодаря нейросетевым технологиям.
Статистика такова: врач правильно диагностирует инфаркт миокарда у 88% больных и ошибочно ставит этот диагноз в 29% случаев. Ложных тревог (гипердиагностики) чересчур много. История применения различных методов обработки данных для повышения качества диагностики насчитывает десятилетия, однако лучший из них помог сократить число случаев гипердиагностики лишь на 3%.
Идеальный метод диагностики должен иметь стопроцентные чувствительность и специфичность — во-первых, не пропускать ни одного действительно больного человека и, во-вторых, не пугать здоровых людей. Чтобы застраховаться, можно и нужно стремиться, прежде всего, обеспечить стопроцентную чувствительность метода — нельзя пропускать заболевание. Но это оборачивается, как правило, низкой специфичностью метода — нередки случаи, когда врачи диагностируют заболевания, которыми на самом деле пациенты не страдают.
Цель исследования. Создание нейронной экспертной симптоматической диагностической системы для медицины.
Задачи исследования:
1. Создать экспертную систему на базе нейросетевых технологий для обработки информации, описывающей конкретную болезнь.
2. Подготовить методическую базу обучения (сформировать базы данных и обучающие интеллектуальные системы на базе ИНС)

ПоказатьСвернуть

Содержание

Введение 3

Глава 1. Искусственные нейронные сети как инструмент медицинской диагностики 5

1.1. История возникновения и развития искусственных нейронных сетей 6

1.2. Искусственные нейронные сети для задач диагностики 13

1.3. Примеры успешного использования нейросетей в диагностике болезней 15

Выводы к Гл 1 19

Глава 2. Построение нейросетевого анализатора болезней 20

2.1. Выбор архитектуры нейросети для диагностики. 21

2.2. Разработка базы данных 25

Выводы к Гл 2 30

Глава 3. Результаты анализа симптомов болезней искусственными нейронными сетями 30

3.1. Методика проведения вычислительного эксперимента 30

3.2. Выбор архитектуры нейросети для анализатора болезней. 35

3.3. Разработка базы данных нейросетевого анализатора болезней. 38

3.4. Анализ полученных данных 41

3.5. Результаты тестирования разработанной системы диагностики 44

Выводы. 45

Заключение 46

Библиографический список 47

Список литературы

Библиографический список

1. Aarts E. H. L., Laarhoven P. J. M. van. Simulated annealing: Theory and applications. London: Kluwer, 1987.

2. Goldberg D. E. Genetic algorithms in search, optimization and machine learning. New York: Addison-Wesley, Reading, MA. 1989.

3. Grossberg S. Adaptive pattern classification and universal recoding. I. Parallel development and coding of neural feature detectors. // Biol. Cybernet. 1976. Vol. 23. P. 121−134.

4. Haykin S. Neural Networks (2nd ed). Prentice Holl, 1999

5. Hopfield J.J. Neural networks and phisical systems with emergent collective computational abilities. // Proc. Nat. Acad. Sci. U.S.A. 1982. Vol. 79. P. 2554−2558.

6. Kennedy, J., Eberhart R. Particle swarm optimization. // Proc. 1995 IEEE International Conference on Neural Networks IEEE Press. P. 1942−1948.

7. Kohonen T. Self-organization and associative memory. Berlin: Springe r, 1987.

8. Kohonen Т. Correlation matrix memories. // IEEE Trans. Comput. 1972. Vol. 21. P. 353 -359.

9. Rabunal J.R., Dorado J (Eds) Artifical Neural Networksin Real-LifeAplications. Idea Group Inc., 2005

10. Rumelhart D. E" Hinton G. E., Williams R. J. Learning internal representations by error propagation. I. Parallel distributed processing. 1986. Vol. 1. P. 318−362.

11. The ant system: Optimization by a colony of cooperating agents. // Dorigo M. e t al. / / IEEE Tran s. Systems Man Cybernetics. Pt B. Cybernetics. 1996. Vol. 26(1). P. 29−41.

12. Widrow В., Hoff М.Е. Adaptive switching circuits. // 1960 IRE WESCON Convention Record. New York: IRE, 1960. Pt 4. P. 96−104.

13. William Bakst

14. Бурляева Е. В., Ушаков П. А. Применение нейронных сетей для прогнозирования активности органических соединений // Вестник МИТХТ, 2008 г, т. З, № 4, стр. 79−83.

15. Гарколь Н. С., Тушев А. Н. Прогнозирование развития сердечно-сосудистых патологий на основе обучения искусственных нейронных сетей и метода дивергенции нечетких множеств // Материалы 9-го Всероссийского семинара «Нейроинформатика и ее приложения», Красноярск, 2001. С. 34−35.

16. Горбань, А. Н. Обучение нейронных сетей: монография / А. Н. Горбань. — М.: ПараГраф, 1990. — 159 с.

17. Каллан, Роберт. Основные концепции нейронных сетей: [Пер. с англ.] / Роберт Каллан. — М. [и др. ]: Вильямс, 2003. — 287 с. Пер. изд.: The essence of Neural Networks / R. Callan.

18. Мак-Каллок У., Питтс У. Логические исчисления идей, относящихся к нервной активности. М.: ИЛ, 1956.

19. Медведев В. С Нейронные сети. MATLAB 6 /В.Г. Потемкина. — М.: ДИАЛОГ-МИФИ, 2002. — 496 с.

20. Минский М., Пайперт С. Персептроны. М.: Мир, 1971.

21. Нейронные сети на персональном компьютере / Горбань А. Н., Россиев Д. А.; Отв. ред. Быков В. И.; Рос. акад. наук. Сиб. отд-ние. ВЦ. — Новосибирск: Наука, 1996. — 275 с.

22. Никитюк Н. М. Нейросети, нейрочипы, нейрокомпьютеры и их применение: [учебное пособие для вузов по специальности 230 101 «Вычислительные машины, комплексы, системы и сети"] / Н. М. Никитюк, В. Н. Самойлов. — Дубна: Объединенный ин-т ядерных исследований, 2012. — 145 с

23. Прочуханов Р. А., Муравьев Е. А, Федосенко К. В., Ковальский Г. Б. Принципы организации автоматизированных экспертных систем для клинической онкоморфологии. В сб.: Труды 1-го съезда Российского общества патологоанатомов. М. 1996. — стр. 184.

24. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. М.: Мир, 1965.

25. Саймон Хайкин Нейронные сети: полный курс, 2-е издание.: Пер. с англ. — М.: Издательский дом «Вильямс», 2008. — 1104 с.

26. Сараев П. В. Идентификация нейросетевых моделей / П. В. Сараев; М-во образования и науки Рос. Федерации, Липец. гос. техн. ун-т. — Липецк: Изд-во Липецкого гос. технического ун-та, 2011. — 93 с.

27. Соловов В. А., Фролова И. Г. Использование логистических регрессий и нейронных сетей в выявлении рака предстательной железы. Сибирский онкологический журнал. 2006. № 1. С. 14−17.

28. Федосенко К. В. Возможности экспертных диагностических систем в онкоморфологии на примере опухолей предстательной железы, эндометрия и кишечника автореф. дисс. на соискание ученой степени д. мед. наук / Санкт-Пет. гос. мед. ун-т им. И. П. Павлова. Санкт-Петербург, — 2010.

Заполнить форму текущей работой