НЕЙРОННЫЕ СЕТИ В МЕДИЦИНЕ (2018)
Представлен обзор литературы по применению нейронных сетей (НС) в медицине. Рассмотрены разные типы НС и методы их обучения. Описаны случаи использования НС в задачах медицинской диагностики, прогноза лечения, выбора лекарств. Обсуждаются перспективные направления в развитии НС.
In this review application of neural networks (NN) in medicine is discussed. Basic principles of neural networks structure and functioning are presented. The fundamental importance of learning methods is underlined. New perspective directions of NN development is highlighted.
Идентификаторы и классификаторы
Поскольку экспериментальные методы выделения связанных сетей биологических нейронов (in vivo) отсутствуют, то в подавляющем большинстве случаев название нейронная сеть относится к искусственной нейронной сети (ИНС) (in silico), и первое слово опускают. Сети нейронов in vivo, в отличие от нейросетей in silico, решают огромное число задач и динамически меняются. В нейрофизиологии применяют иные термины для обозначения множества устойчиво связанных нейронов – путь, волокна, область (напр. СА1 в гиппокампе), зоны и поля в мозге.
Нейросетевой логический базис – набор операций, реализуемых в процессе детализации алгоритма [1, 3].
Нейрокомпьютер (по Галушкину А.И. [3]) – это вычислительная система с архитектурой аппаратного и программного обеспечения, адекватной выполнению алгоритмов, представленных в нейросетевом логическом базисе.
Список литературы
- Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по
искусственному интеллекту. – М.: Радио и связь, 1992. - Аль-Хулейди Нашван Амин. Система обработки и нейросетевого анализа
биоэлектрических сигналов для решения задач медицинской диагностики. Диссертация на
соискание ученой степени кандидата технических наук, ВлГУ, Владимир, 2014. - Галушкин А.И. Теория нейронных сетей. Книга 1: Учебное пособие для вузов, – М.: ИПРЖР, 2000. 416 с.
- Заболотный Д.И., Лысенко Ю.Г., Кизим В.В. Нейросетевые экспертные системы в онкологической практике // Ринология. – 2011. – № 2. – С. 63-70.
- Осипов Г.С. Искусственный интеллект: состояние исследований и взгляд в будущее URL: http://www.raai.org/about/persons/osipov/pages/ai/ai.html
- Солодуха Т. В. Разработка специализированной компьютерной системы на базе нейронных сетей для прогнозирования последствий аллергических реакций. Магистерская выпускная работа. Донецкий Национальный Технический Университет, Донецк, 2002.
- The First Census Optical Character Recognition System Conference. Wilkinson R.A. et al. Tech. Report, NIST Interagency/Internal Report NISTIR 4912, US Deop. Commerse, NIST, Gaithersburg, Md., January 06, 1992.
- Anderson J.A., Rosenfeld E. Neurocomputing: Foundation of Research. MIT Press, Cambridge, Mass., 1988. – 711 p.
- Brunak S., Lautrup B. Neural Networks, Computers with Intuition. World Scientific, Singapore, 1990. – 180 p.
- Carpenter G.A., Grossberg S. Pattern Recognition by SelfOrganizing Neural Networks. MIT Press, Cambridge, Mass., 1991. – 710 p.
- Carrara M., Bono A., Bartoli C., Colombo A., Lualdi M., Moglia D., Santoro N., Tolomio E., Tomatis S., Tragni G., Santinami M., Marchesini R. Multispectral imaging and artificial neural network: mimicking the management decision of the clinician facing pigmented skin lesions // Phys. Med. Biol. – 2007. – Vol. 52, № 9. – Р. 2599-2613.
- Ercal F., Chawla A., Stoeker W.V. et al. Neural network diagnosis of malignant melanoma from color images // IEEE Trans. Biomed. Eng. – 1994. – Vol. 41, № 9. – P. 837-845.
- Feldman J., Fanty M.A., Goddard N.H. Computing with Structured Neural Networks // Computer. – Vol. 21, №. 3, Mar. 1988. – P. 91-103.
- Gruvberger-Saal S.K., Edén P., Ringnér M., Baldetorp B., Chebil G., Borg A., Fernö M., Peterson C., Meltzer P.S. Predicting continuous values of prognostic markers in breast cancer from microarray gene expression profiles // Mol. Cancer. Ther. – 2004. – Vol. 3, № 2. – Р. 161-168.
- Haykin S. Neural Networks: A Comprehensive Foundation. MacMillan College Publishing Co., New York, 1994. – 696 p.
- Hebb D.O. The Organization of Behavior. New York: John Wiley & Sons, 1949. – 335 p.
- Hertz J., Krogh A., Palmer R.G. Introduction to the Theory of Neural Computation, Addison-Wesley, Reading, Mass., 1991. – 338 p.
- Hopfield J.J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities // Proc. National Academy of Sciencies. – USA, 1982. – № 79. – P. 2554-2558.
- Jain A.K., Mao J. Neural Networks and Pattern Recognition. in Computational Intelligence: Imitating Life. J.M. Zurada, R.J. Marks II, and C.J. Robinson, eds., IEEE Press, Piscataway, N.J., 1994.– P. 194-212.
- Jerez-Aragonés J.M., Gómez-Ruiz J.A., Ramos-Jiménez G., Muñoz-Pérez J., Alba-Conejo E.A. Combined neural network and decision trees model for prognosis of breast cancer relapse // Artif. Intell. Med. – 2003. – Vol. 27, № 1. – Р. 45-63.
- Kohonen T. Self Organization and Associative Memory. Third Edition. – New York: Springer-Verlag, 1989. – 301 p.
- Le Cun Y. et al. Back-Propagation Applied to Handwritten Zip Code Recognition // Neural Computation. – 1989. – Vol. 1. – P. 541-551.
- Lippmann R.P. An Introduction to Computing with Neural Nets // IEEE ASSP Magazine. – Apr. 1987. – Vol. 4, № 2. – P. 4-22.
- Lundin J., Burke H.B., Toikkanen S., Pylkkänen L., Joensuu H. Artificial neural networks applied to survival prediction in breast cancer // Oncology. – 1999. – Vol. 57, № 4. – Р. 281-286.
- Lundin J., Lundin M., HolliK., Kataja.V., Elomaa L, Pylkkänen L., Turpeenniemi-Hujanen T., Joensuu H. Omission of histologic grading from clinical decision making may result in overuse of adjuvant therapies in breast cancer: results from a nationwide study // J. Clin. Oncol. – 2001. –Vol. 19, № 1. – Р. 28-36.
- Luxton David D. Artificial intelligence in psychological practice: Current and future applications and implications // Professional Psychology: Research and Practice. – Vol. 45, № 5. – P. 332–339.
- Minsky M. Logical Versus Analogical or Symbolic Versus Connectionist or Neat Versus Scruffy // AI Magazine. – 1991. – Vol. 65, № 2. – P. 34-51.
- Minsky M., Papert S. Perceptrons: An Introduction to Computational Geometry. MIT Press, Cambridge, Mass., 1969. – 258 p.
- McCulloch W.S., Pitts W. A logical Calculus of Ideas Immanent in Nervous Activity // Bull. Mathematical Biophysics. – 1943. – Vol. 5. – P. 115-133.
- Mohiuddin K., Mao J. A Comparative Study of Different Classifiers for Handprinted Character Recognition. in Pattern Recognition in Practice IV, E.S. Gelsema and L.N. Kanal, eds. – The Netherlands: Elsevier Science, 1994. – P. 437-448.
- Rosenblatt R. Principles of Neurodynamics. – New York: Spartan Books, 1962. – 616 p.
- Rumelhart D.E., McClelland J.L. Parallel Distributed Processing: Exploration in the Microstructure of Cognition. MIT Press, Cambridge, Mass., 1986. – 516 p.
- Reed T.R., Reed N.E., Fritzson P. Heart sound analysis for symptom detection and computer-aided diagnosis // Simulation Modelling Practice and Theory. – 2004-05-01. – Vol. 12, № 2. – P. 129-146.
- Van Holsbeke C., Van Calster B., Valentin L., Testa A.C., Ferrazzi E., Dimou I., Lu C., Moerman P., Van Huffel S., Vergote I., Timmerman D. External validation of mathematical models to distinguish between benign and malignant adnexal tumors: a multicenter study by the International Ovarian Tumor Analysis Group // Clin. Cancer Res. – 2007. – Vol. 13. – P. 4440-4447.
- Werbos P. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Phd Thesis, Dept. of Applied Mathematics, Harvard University, Cambridge, Mass., 1974.
- Yorita A., Kubota N. Cognitive Development in Partner Robots for Information Support to Elderly People // IEEE Transactions on Autonomous Mental Development. – March 2011. – Vol. 3, № 1. – P. 64-73.
- Zheng B., Leader J.K., Abrams G.S., Lu A.H., Wallace L.P., Maitz G.S., Gur D. Multiviewbased computer-aided detection scheme for breast masses // Med Phys. – 2006. – Vol. 33, № 9. – Р. 3135-3143.
- 7 лучших систем искусственного интеллекта для обработки медицинской информации. URL: http://evercare.ru/7best-ai
- Utilizing Predictive Models for Evaluation of a Patient Medical Profile to Predict an Individual Pressure Ulcer Risk Assessment. URL: http://www.ehob.com/img/documents/document_123.pdf
- IBM pitched its Watson supercomputer as a revolution in cancer care. It’s nowhere close. URL: https://www.statnews.com/2017/09/05/watson-ibm-cancer/
- Как доктор Ватсон не смог победить рак. URL: http://medportal.ru/mednovosti/news/2017/09/06/879watson/
- Artificial Intelligence Will Redesign Healthcare // The Medical Futurist. 4 August 2016. URL: https://medicalfuturist.com/artificial-intelligence-will-redesign-healthcare
- From Virtual Nurses To Drug Discovery: 106 Artificial Intelligence Startups In Healthcare // CB Insights Research. February 3 2017 URL: https://www.cbinsights.com/research/artificial-intelligence-startups-healthcare/
- Аverkin А.N., Gaaze-Rapoport M. G., Pospelov D.А. Tolkovyj slovar’ po iskusstvennomu intellektu. M.: Radio i svyaz’, 1992.
- Аl’-KHulejdi Nashvan Аmin. Sistema obrabotki i nejrosetevogo analiza bioehlektricheskikh signalov dlya resheniya zadach meditsinskoj diagnostiki., Dissertatsiya na soiskanie uchenoj stepeni kandidata tekhnicheskikh nauk, VlGU, Vladimir, 2014.
- Galushkin А.I. Teoriya nejronnykh setej. Kniga 1: Uchebnoe posobie dlya vuzov, M.: IPRZHR, 2000, 416 p.
- Zabolotnyj D.I., Lysenko YU.G., Kizim V.V. Nejrosetevye ehkspertnye sistemy v onkologicheskoj praktike. Rinologiya, 2011, no. 2. pp. 63-70.
- Osipov G.S. Iskusstvennyj intellekt: sostoyanie issledovanij i vzglyad v budushhee URL: http://www.raai.org/about/persons/osipov/pages/ai/ai.html
- Solodukha T.V. Razrabotka spetsializirovannoj komp’yuternoj sistemy na baze nejronnykh setej dlya prognozirovaniya posledstvij allergicheskikh reaktsij. Magisterskaya vypusknaya rabota. Donetskij Natsional’nyj Tekhnicheskij Universitet, Donetsk, 2002.
- The First Census Optical Character Recognition System Conference. Wilkinson R.A. et al. Tech. Report, NIST Interagency/Internal Report (NISTIR) 4912, US Deop. Commerse, NIST, Gaithersburg, Md., 1992.
- Anderson J.A., Rosenfeld E. Neurocomputing: Foundation of Research. MIT Press, Cambridge, Mass., 1988, 711 p.
- Brunak S., Lautrup B. Neural Networks, Computers with Intuition. World Scientific, Singapore, 1990, 180 p.
- Carpenter G.A., Grossberg S. Pattern Recognition by SelfOrganizing Neural Networks. MIT Press, Cambridge, Mass., 1991, 710 p.
- Carrara M., Bono A., Bartoli C., Colombo A., Lualdi M., Moglia D., Santoro N., Tolomio E., Tomatis S., Tragni G., Santinami M., Marchesini R. Multispectral imaging and artificial neural network: mimicking the management decision of the clinician facing pigmented skin lesions. Phys. Med. Biol., 2007, vol. 52, no. 9, pp. 2599-2613.
- Ercal F., Chawla A., Stoeker W.V. et al. Neural network diagnosis of malignant melanoma from color images. IEEE Trans. Biomed. Eng., 1994, vol. 41, no. 9, pp. 837-845.
- Feldman J., Fanty M.A., Goddard N.H. Computing with Structured Neural Networks. Computer, Mar.1988, vol. 21, no. 3, pp. 91-103.
- Gruvberger-Saal S.K., Edén P., Ringnér M., Baldetorp B., Chebil G., Borg A., Fernö M., Peterson C., Meltzer P.S. Predicting continuous values of prognostic markers in breast cancer from microarray gene expression profiles. Mol. Cancer. Ther., 2004, vol. 3, no. 2, pp. 161-168.
- Haykin S. Neural Networks: A Comprehensive Foundation. MacMillan College Publishing Co., New York, 1994, 696 p.
- Hebb D.O. The Organization of Behavior. John Wiley & Sons, New York, 1949, 335 p.
- Hertz J., Krogh A., Palmer R.G. Introduction to the Theory of Neural Computation, Addison-Wesley, Reading, Mass., 1991, 338 p.
- Hopfield J.J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proc. National Academy of Sciencies, USA, 1982, no. 79, pp. 2554-2558.
- Jain A.K., Mao J. Neural Networks and Pattern Recognition. in Computational Intelligence: Imitating Life, J.M. Zurada, R.J. Marks II, and C.J. Robinson, eds., IEEE Press, Piscataway, N.J., 1994, pp. 194-212.
- Jerez-Aragonés J.M., Gómez-Ruiz J.A., Ramos-Jiménez G., Muñoz-Pérez J., Alba-Conejo E.A. Combined neural network and decision trees model for prognosis of breast cancer relapse. Artif. Intell. Med., 2003, vol. 27, no. 1, pp. 45-63.
- Kohonen T. SelfOrganization and Associative Memory. Third Edition, New York, Springer-Verlag, 1989. 301 p.
- Le Cun Y.et al. Back-Propagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1989, vol. 1, pp. 541-551.
- Lippmann R.P. An Introduction to Computing with Neural Nets. IEEE ASSP Magazine, Apr. 1987, vol. 4, no. 2, pp. 4-22.
- Lundin J., Burke H.B., Toikkanen S., Pylkkänen L., Joensuu H. Artificial neural networks applied to survival prediction in breast cancer. Oncology, 1999, vol. 57, no. 4, pp. 281-286.
- Lundin J., Lundin M., HolliK., Kataja.V., Elomaa L, Pylkkänen L., Turpeenniemi-Hujanen T., Joensuu H. Omission of histologic grading from clinical decision making may result in overuse of adjuvant therapies in breast cancer: results from a nationwide study. J. Clin. Oncol., 2001, vol. 19, no. 1, pp. 28-36.
- Luxton David D. Artificial intelligence in psychological practice: Current and future applications and implications. Professional Psychology: Research and Practice, vol. 45, no. 5, pp. 332-339.
- Minsky M. Logical Versus Analogical or Symbolic Versus Connectionist or Neat Versus Scruffy. AI Magazine, 1991, vol. 65, no. 2, pp. 34-51.
- Minsky M., Papert S. Perceptrons: An Introduction to Computational Geometry. MIT Press, Cambridge, Mass., 1969, 258 p.
- McCulloch W.S., Pitts W. A logical Calculus of Ideas Immanent in Nervous Activity. Bull. Mathematical Biophysics, 1943, vol. 5, pp. 115-133.
- Mohiuddin K., Mao J. A Comparative Study of Different Classifiers for Handprinted Character Recognition. in Pattern Recognition in Practice IV, E.S. Gelsema and L.N. Kanal, eds., The Netherlands, Elsevier Science, 1994, pp. 437-448.
- Rosenblatt R. Principles of Neurodynamics. New York, Spartan Books, 1962.
- Rumelhart D.E., McClelland J.L. Parallel Distributed Processing: Exploration in the Microstructure of Cognition, MIT Press, Cambridge, Mass., 1986, 616 p.
- Reed T.R., Reed N.E., Fritzson P. Heart sound analysis for symptom detection and computer-aided diagnosis. Simulation Modelling Practice and Theory, 2004-05-01, vol. 12, no. 2, pp. 129-146.
- Van Holsbeke C., Van Calster B., Valentin L., Testa A.C., Ferrazzi E., Dimou I., Lu C., Moerman P., Van Huffel S., Vergote I., Timmerman D. External validation of mathematical models to
distinguish between benign and malignant adnexal tumors: a multicenter study by the International Ovarian Tumor Analysis Group. Clin. Cancer Res., 2007, vol. 13, pp. 4440-4447. - Werbos P. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Phd Thesis, Dept. of Applied Mathematics, Harvard University, Cambridge, Mass., 1974.
- Yorita A., Kubota N. Cognitive Development in Partner Robots for Information Support to Elderly People. IEEE Transactions on Autonomous Mental Development, March 2011, vol. 3, no. 1, pp. 64-73.
- Zheng B., Leader J.K., Abrams G.S., Lu A.H., Wallace L.P., Maitz G.S., Gur D. Multiviewbased computer-aided detection scheme for breast masses. Med Phys., 2006, vol. 33, no. 9, pp. 3135-3143. 38. 7 luchshikh sistem iskusstvennogo intellekta dlya obrabotki meditsinskoj informatsii. URL: http://evercare.ru/7best-ai
- Utilizing Predictive Models for Evaluation of a Patient Medical Profile to Predict an Individual Pressure Ulcer Risk Assessment. URL: http://www.ehob.com/img/documents/document_123.pdf
- IBM pitched its Watson supercomputer as a revolution in cancer care. It’s nowhere close. URL: https://www.statnews.com/2017/09/05/watson-ibm-cancer/
- Kak doktor Vatson ne smog pobedit’ rak. URL: http://medportal.ru/mednovosti/news/2017/09/06/879watson/
- Artificial Intelligence Will Redesign Healthcare. The Medical Futurist, 2016. URL: https://medicalfuturist.com/artificial-intelligence-will-redesign-healthcare
- From Virtual Nurses To Drug Discovery: 106 Artificial Intelligence Startups In Healthcare , CB Insights Research, 2017. URL: https://www.cbinsights.com/research/artificial-intelligence-startups-healthcare/
Выпуск
Другие статьи выпуска
Целью исследования явилось моделирование действия естественного отбора в популяции. При этом «физический отбор» (снижение встречаемости формы до элиминации) рассматривается как следствие хаотических колебаний встречаемости. В последних выделяется: 1) «стохастический физический отбор», (периодическое вымирание формы в результате случайных колебаний) которое описывается с помощью модели рождения и гибели Гудмена-Бейловски; 2) «направленный физического отбор» (градуальное изменение встречаемости), которое описывается уравнением линейной регрессии. Пара моделей верифицирована на материале встречаемости различных рас в макропопуляции стеблевой ржавчины (Puccinia graminis Pers. forma specialis tritici) на территории США. Обнаружены значительные (в сотни раз) различия по устойчивости к вымиранию между расами, существовавшими в одной популяции одновременно. Математические ожидания продолжительности существования рас близки к эмпирическим срокам существования только при небольших угловых коэффициентах линейной регрессии. Преобладание у большинства рас «стохастического отбора» над «направленным» возможно, вызвано неустойчивостью антропогенной среды обитания популяций стеблевой ржавчины.
На основании структурных соображений анализируется формирование и эволюция (развёртывание) пространственно-временных характеристик Фобоса и Деймоса – спутников Марса. Указанные элементы рассматриваются как отдельная система, в которую включены Солнце и Земля. Основой анализа является концепция самоорганизации и два её представления – протоструктура и параметр порядка. Структура трактуется как совокупность отношений на числовой оси и понимается как сеть, состоящая из узлов – разрешенных состояний и связей – сопутствующих им правил. Протоструктура, по замыслу, представляет собой исходный вариант порядка; это циклическая последовательность узлов, способная к развёртыванию от этапа к этапу. Параметр порядка объединяет подчинённые ему характеристики, которые, как и сам параметр, исходно задаются протоструктурой. Эволюция параметра порядка сопровождается появлением масштабных коэффициентов, ответственных за связь основных участников процесса и их сателлитов. Указанная выше анализируемая реальная система представляется как сложная и лишенная специфики самоорганизующаяся система, в которой в процессе эволюции появляются два сателлита вблизи одного из разрешенных состояний. Модель излагается с переносом акцента на приложение. В приложении параметр порядка трактуется как относительный момент количества движения в Солнечной системе, а указанные коэффициенты играют роль масс. Выявляются устойчивые виртуальные состояний (начальное и конечное), которые рассматриваются как набор точек отсчёта для характеристики текущего состояния системы.
Выдвигается и обосновывается гипотеза, согласно которой все рассматриваемые пространственно-временные характеристики спутников Марса зависят от выгорания Солнца. Предлагаются соотношения, связывающие текущую массу Солнца и названные характеристики. Модельные характеристики соответствует наблюдательным данным в среднем в пределах 0,07%.
В работе рассматривается эфир в виде плотной сжимаемой невязкой осциллирующей среды в трехмерном евклидовом пространстве, задаваемой в каждый момент времени вектором скорости распространения возмущений плотности и удовлетворяющей уравнениям неразрывности и закону сохранения импульса эфира. Показано, что из системы уравнений эфира выводятся: обобщенная нелинейная система уравнений Максвелла-Лоренца, инвариантная относительно преобразований Галилея, линеаризация которой приводит к классической системе уравнений Максвелла-Лоренца; законы Био-Савара-Лапласа, Ампера, Кулона; представления для постоянных Планка и тонкой структуры; формулы для электрона, протона и нейтрона в виде волновых решений системы уравнений эфира, для которых расчетные значения их внутренних энергий, масс и магнитных моментов с точностью до долей процента совпадают с их экспериментальными значениями, аномальными с точки зрения современной науки. Представлена концепция эфирной теории атома и атомного ядра, дающая возможность ответить на многие актуальные вопросы о строении атома, на которые не способна ответить современная наука.
Издательство
- Издательство
- ИФСИ
- Регион
- Россия, Москва
- Почтовый адрес
- 140080, Московская область, г. Лыткарино, ул. Парковая, Д. 1, офис 14/А
- Юр. адрес
- 140080, Московская область, г. Лыткарино, ул. Парковая, Д. 1, офис 14/А
- ФИО
- Старцев Вадим Валерьевич (ГЕНЕРАЛЬНЫЙ ДИРЕКТОР)
- E-mail адрес
- systemology@yandex.ru
- Контактный телефон
- +7 (963) 7123301