Аравин О.И. Диагностика в медицине и биомеханике на основе аппарата нейронных сетей

Версия для печатиВерсия для печати

   Применение компьютерных методов при анализе медико-диагностических и биомеханических параметров находит все большее распространение в последние годы, что обуславливает развитие математических алгоритмов анализа данных,  ориентированных на разработку и создания новых методов для научных исследований в смежных областях знаний.

   Нейросетевой подход часто сравнивается со статистическими методами, которые широко применяются в медицине и биомеханике при постановке диагноза. Однако, встречающиеся на практике данные могут обладать сильной нелинейностью. Для работы с такими данными часто применяется метод нейронных сетей, поскольку при обработки таких данных он имеет некоторые преимущества по сравнению со статистическим подходом. Нейронная сеть может также уменьшить размерность пространства входных данных, оставив наиболее существенные. Тем не менее, статистика и технологии нейронных сетей должны не исключать, а дополнять друг друга.

   В медицинской практике врачи-диагносты обычно принимают решение о диагнозе, основываясь на некотором наборе характеристик, которые описывают проблему предметной области. Данные характеристики, как правило, могут быть представлены в виде формализованных параметров, которые возможно использовать в качестве входных значений нейронной сети. Выходное значение нейронной сети, в данном случае, используется как постановка диагноза о наличии и классификации определенной проблемы или заболевания. Как правило, врач-диагност имеет в своем распоряжении несколько десятков, а может и сотен параметров, характеризующих данную проблему. Это и есть исходные параметры, обработав которые с помощью медицинских знаний и накопленного опыта, врач делает заключение и ставит диагноз.

   Определившись с входными и выходными параметрами, следует подготовить обучающую выборку. В таких областях как медицина, обучающая выборка должна быть результатом совместной работы программиста нейронных сетей и врача-диагноста, это может гарантировать представительность обучающей выборки.

   Последняя задача состоит в том, чтобы спроектировать персептрон и путем обучения передать ему знания и опыт, содержащиеся в выборке обучающих примеров.

   В результате персептрон должен научиться отображать любой вектор обучающей выборки на вектор результатов. Кроме того, при появлении нового пациента, характеризующегося новым входным вектором, персептрон должен вычислить для него новый вектор результатов, содержащий правильный диагноз, поставленный персептроном уже без помощи врача-диагноста. Другими словами, персептрон должен уметь обобщать переданный ему опыт и ставить диагнозы болезней не встречавшимся ранее пациентам.

Опубликовано в : 
Категория материала: 
Оцените материал: 
Average: 5 (1 vote)
 

Реклама от Google: