О.Г. Берестнева, Л.С. Макарова

Национальный исследовательский Томский политехнический университет, Россия

НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ЗАДАЧАХ МЕДИЦИНСКОЙ ДИАГНОСТИКИ

E-mail: ogb6@yandex.ru

Нейронные сети — мощный метод для решения задач распознавания образов в ситуациях, когда в экспериментальных данных отсутствуют значительные фрагменты информации, а имеющаяся информация предельно зашумлена [1]. В данной работе возможности применения нейросетевых технологий рассмотрены на примере задачи медицинской диагностики: дифференциальной диагностики различных форм бронхиальной астмы.

Исходная информация представляет собой данные о пациентах с четырьмя различными диагнозами: бронхиальная астма непсихогенная (BANP); бронхиальная астма сомато-психогенная (BASP); бронхиальная астма психогенно индуцированная (BAPI); психогенная одышка (PD). Данные получены Немеровым Е.В. (подробное описание в [5,6]). Для каждого человека имеются результаты анализов: физиологические показания дыхания (минутный объем дыхания, жизненная емкость легких, форсированная емкость легких, объем форсированного выдоха за 1 с и т. д.), а также психологические показатели.

Для построения модели дифференциальной диагностики бронхиальной астмы будем использовать многослойный персептрон.

На практике чаще всего используют двухслойный персептрон. Рассмотрим схему двухслойного персептрона, представленную на рисунке 1. В этой модели нейрона можно выделить три основных элемента:

- синапсы, каждый из которых характеризуется своим весом или силой. Осуществляют связь между нейронами, умножают входной сигнал на весовой коэффициент синапса , характеризующий силу синаптической связи;

- сумматор, аналог тела клетки нейрона. Выполняет сложение внешних входных сигналов или сигналов, поступающих по синаптическим связям от других нейронов. Определяет уровень возбуждения нейрона;

- функцию активации, определяющую окончательный выходной уровень нейрона, с которым сигнал возбуждения (торможения) поступает на синапсы следующих нейронов.

Модель нейрона имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, пропорциональный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона.

Рис. 1. Структурная схема двухслойного персептрона.

Здесь gl, l=1, 2, ..., L – выходные сигналы первого слоя нейронов. Верхние индексы в скобках (m), m=1, 2, означают номер слоя нейрона.

Необходимо подчеркнуть, что функции активации абсолютно всех нейронов сети абсолютно идентичны. Цель обучения многослойного нейрона заключается в подборе таких значений всех весовых коэффициентов сети w(1)li и w(2)li, которые обеспечивают максимальное совпадение выходного вектора Yk и эталонного вектора ожидаемых значений Dk при предъявлении входного вектора Xk.

В случае единичной обучающей выборки <X, D> целевая функция задается в виде:

В случае нескольких обучающих пар <Xk,Dk >, целевая функция превращается в сумму по всем парам:

Для компьютерной реализации диагностической модели с помощью многослойного персептрона была использована система Matlab.

В результате была построена модель дифференциальной диагностики бронхиальной астмы, которая с определенной точностью может отнести индивида к определенной группе из представленных четырех.

Литература:

1. Ежов А.А., Чечеткин В.Н. Нейронные сети в медицине // Открытые системы. - 2007. – № 4. - С. 34–37.

2. Тархов Д.А. Нейронные сети. Модели и алгоритмы. – М.: Радиотехника, 2005. – 168 с.

3. Галушкин А.И. Теория нейронных сетей. Кн.1 / Общ. ред. А.И. Галушкина. – M.: ИПРЖР, 2000. – 416 с.

4. Дюк В., Эмануэль В. Информационные технологии в медико-биологических исследованиях. — СПб. : Питер, 2003. — 528 с.

5. Немеров Е.В., Языков К.Г. К вопросу изучения личностных свойств в психофизиологической реактивности больных бронхиальной астмой на аудиовизуальную стимуляцию // Вестник ТГПУ. – 2011. – Вып. 6 (108). – С. 134–137.

6. Берестнева О. Г. , Осадчая И. А. , Немеров Е. В. Методы исследования структуры медицинских данных [Электронный ресурс] // Вестник науки Сибири. Серия: Медицинские технологии. - 2012 - Т. 2 - №. 1 - C. 333-338. - Режим доступа: http://sjs.tpu.ru/journal/article/view/245/250.