Интеллектуальные методы анализа данных в биомедицинских исследованиях: нейронные сети

Обложка

Цитировать

Полный текст

Аннотация

На современном этапе развития медицины накапливается значительный объем медицинских данных в специализированных репозиториях, системах электронного документооборота, медицинских информационных системах и других хранилищах различного рода. Существенный объем накапливаемых данных не поддается классическому статистическому анализу, и популярность приобретают математические средства интеллектуальной обработки. Классическим средством интеллектуальной обработки данных являются искусственные нейронные сети. Искусственная нейронная сеть - это попытка построить математический аналог головного мозга и математически имитировать передачу нервного импульса между нейронами. Целью данной статьи является рассмотрение применения искусственных нейронных сетей в медицинских исследованиях, а также представление примеров их обучения в наиболее часто применяемых статистических программах. В статье приведены описание задачи, которая может быть решена с помощью искусственных нейронных сетей, пример набора данных для их обучения, а также построение данной модели в IBM SPSS Statistics и StatSoft Statistica. Применение искусственных нейронных сетей при анализе данных медицинских экспериментов позволяет формировать интеллектуальные инструменты поддержки принятия решений, которые могут использоваться в медицинской практике.

Об авторах

Артем Николаевич Наркевич

ФГБОУ ВО «Красноярский государственный медицинский университет им. проф. В. Ф. Войно-Ясенецкого»

Email: narkevichart@gmail.com
доктор медицинских наук, зав. лабораторией медицинской кибернетики и управления в здравоохранении, зав. кафедрой медицинской кибернетики и информатики, декан медико-психолого-фар-мацевтического факультета Красноярск

Константин Анатольевич Виноградов

ФГБОУ ВО «Красноярский государственный медицинский университет им. проф. В. Ф. Войно-Ясенецкого»

Красноярск

Константин Михайлович Параскевопуло

ФГБОУ ВО «Красноярский государственный медицинский университет им. проф. В. Ф. Войно-Ясенецкого»

Красноярск

Андрей Мечиславович Гржибовский

ФГБОУ ВО «Северный государственный медицинский университет»; Западно-Казахстанский медицинский университет им. Марата Оспанова;Казахский Национальный Университет им. аль-Фараби;ФГАОУ ВО «Северо-Восточный федеральный университет им. М. К. Аммосова»

Архангельск; г. Актобе, Казахстан; г. Алматы, Казахстан; г. Якутск

Список литературы

  1. Алексеева О. В., Россиев Д. А., Ильенкова Н. А. Применение искусственных нейронных сетей в дифференциальной диагностике рецидивирующего бронхита у детей // Сибирское медицинское обозрение. 2010. Т. 66, № 6. С. 75-79
  2. Богданова Ю. А., Зарипова Г. Р., Катаев В. А., Галимов О. В. Современные модели экспертных медицинских систем в прогнозировании операционного риска при наиболее распространенных интраабдоминальных вмешательствах (обзор) // Медицинский альманах. 2017. Т. 46, № 1. С. 9-12
  3. Выучейская М. В., Крайнова И. Н., Грибанов А. В. Нейросетевые технологии в диагностике заболеваний (обзор) // Журнал медико-биологических исследований. 2018. Т. 6, № 3. С. 284-294
  4. Горожанцев Ю. Н., Сергиенко С. Г., Воротынцева Е. А., Емельяненко Ю. В., Горожанцева А. В. Использование возможностей искусственных нейронных сетей при анализе записей холтеровского мониторирования // Инновационная медицина Кубани. 2018. Т. 9, № 1. С. 12-15
  5. Ершов А. В., Капсаргин Ф. П., Бережной А. Г., Мылтыгашев М. П. Экспертные системы в оценке данных урофлоуграмм // Вестник урологии. 2018. Т. 6, № 3. С. 12-16
  6. Калиниченко А. Н., Моторина С. В., Лагирвандзе А. К. Алгоритм анализа фибрилляции предсердий по ЭКГ на основе искусственной нейронной сети // Биотехносфера. 2019. Т. 64, № 6. С. 47-51
  7. Качан Т. В., Курочкин А. В., Головатая Е. А., Марченко Л. Н., Федулов А. С., Далидович А. А., Скрыпник О. В., Муштина Т. А. Роль искусственных нейронных сетей в выявлении ранней гибели ганглионарных клеток сетчатки у пациентов с дегенеративными оптиконейропатиями // Офтальмология. Восточная Европа. 2019. Т. 9, № 4. С. 446-456
  8. Лазаренко В. А., Зарубина Т. В., Антонов А. Е., Суд С. Опыт нейросетевого прогнозирования потребности в оперативном лечении у пациентов с заболеваниями гепатопанкреатодуоденальной зоны // Казанский медицинский журнал. 2018. Т. 99, № 4. С. 569-574
  9. Литвин А. А. Интеллектуальные системы поддержки принятия решений на основе искусственных нейронных сетей в неотложной панкреатологии (систематический обзор) // Гастроэнтерология Санкт-Петербурга. 2017. № 2. С. 28-33
  10. Наркевич А. Н., Виноградов К. А. Настольная книга автора медицинской диссертации: пособие. М., 2019. 454 с
  11. Banerjee I., Ling Y., Chen M. C., Hasan S. A., Langlotz C. P., Moradzadeh N. et al. Comparative effectiveness of convolutional neural network (CNN) and recurrent neural network (RNN) architectures for radiology text report classification. Artificial Intelligence in Medicine. 2019, (97), pp. 79-88. doi: 10.1016/j.artmed.2018.1 1.004.
  12. Cao C., Wang W, Jiang P. Clustering of self-organizing map identifies five distinct medulloblastoma subgroups. Cancer biomarker. 2016, 16 (3), pp. 327-332. DOI: 10.3233/ CBM-160570.
  13. Choi E., Schuetz A., Stewart W F., Sun J. Using recurrent neural network models for early detection of heart failure onset. Journal of the American Medical Informatics Association. 2017, 24 (2), pp. 361-370. DOI: 10.1093/ jamia/ocw112.
  14. Kvist T., Voutilainen A., Eneh V., Mantynen R., Vehvilainen-Julkunen K. The self-organizing map clustered registered nurses’ evaluations of their nurse leaders. Journal of Nursing Management. 2019, 27 (5), pp. 981-991. doi: 10.1111/jonm.12758.
  15. Lee J. G., Jun S., Cho Y. W, Lee H., Kim G. B., Seo J. B., Kim N. Deep Learning in Medical Imaging: General Overview. Korean Journal of Radiology. 2017, 18 (4), pp. 570-584. doi: 10.3348/kjr.2017.18.4.570.
  16. Lorencin I., Andelic N., Spanjol J., Car Z. Using multi-layer perceptron with Laplacian edge detector for bladder cancer diagnosis. Artificial Intelligence in Medicine. 2020, (2), e101746. doi: 10.1016/j.artmed.2019.101746.
  17. Makris G. M., Pouliakis A., Siristatidis C., Margari N., Terzakis E., Koureas N., Pergialiotis V., Papantoniou N., Karakitsos P. Image analysis and multi-layer perceptron artificial neural networks for the discrimination between benign and malignant endometrial lesions. Diagnostic Cytopathology. 2017, 45 (3), pp. 202-211. DOI: 10.1002/ dc.23649.
  18. Mendez K. M., Broadhurst D. I., Reinke S. N. The application of artificial neural networks in metabolomics: a historical perspective. Metabolomics. 2019, 15 (11), pp. 142. doi: 10.1007/s11306-019-1608-0.
  19. Rajeev R., Samath J. A., Karthikeyan N. K. An Intelligent Recurrent Neural Network with Long Short-Term Memory (LSTM) BASED Batch Normalization for Medical Image Denoising. Journal of Medical Systems. 2019, 43 (8), pp. 234. doi: 10.1007/s10916-019-1371-9.
  20. Sarigul M., Ozyildirim B. M., Avci M. Differential convolutional neural network. Neural Networks. 2019, (116), pp. 279-287. doi: 10.1016/j.neunet.2019.04.025.
  21. Savalia S., Emamian V. Cardiac Arrhythmia Classification by Multi-Layer Perceptron and Convolution Neural Networks. Bioengineering (Basel). 2018, 5 (2), pp. 35. DOI: 10.3390/ bioengineering5020035.
  22. Shahid N., Rappon T., Berta W Applications of artificial neural networks in health care organizational decision-making: A scoping review. PLoS One. 2019, 14 (2), e0212356. doi: 10.1371/journal.pone.0212356.eCollection 2019.
  23. Sherbet G. V, Woo W L., Dlay S. Application of Artificial Intelligence-based Technology in Cancer Management: A Commentary on the Deployment of Artificial Neural Networks. Anticancer Research. 2018, 38 (12), pp. 6607-6613. doi: 10.21873/anticanres.13027.
  24. Van Gassen S., Callebaut B., Van Helden M. J., Lambrecht B. N., Demeester P., Dhaene T., Saeys Y. FlowSOM: Using self-organizing maps for visualization and interpretation of cytometry data. Cytometry A. 2015, 87 (7), pp. 636-45. doi: 10.1002/cyto.a.22625.
  25. Yasaka K., Akai H., Kunimatsu A., Kiryu S., Abe O. Deep learning with convolutional neural network in radiology. Japanese Journal of Radiology. 2018, 36 (4), pp. 257-272. doi: 10.1007/s1 1604-018-0726-3.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Наркевич А.Н., Виноградов К.А., Параскевопуло К.М., Гржибовский А.М., 2021

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».