Нейромережеві та еволюційні методи аналізу даних у експертних системах медичної діагностики - Автореферат

Дисертаційна робота виконана в рамках держбюджетних тем Донецького національного технічного університету Д-11-04 «Розробка і дослідження нейромережевих та еволюційних методів побудови систем прийняття рішення» (№ державної реєстрації 0104U002394), Н-3-07 «Розробка наукових основ побудови компютерних систем технічної і медичної діагностики» (98-15 від 04.04.07) і Д-11-07 «Розробка і дослідження еволюційних і нейромережевих моделей, методів і алгоритмів в системах діагностики та прогнозування» (№_державної реєстрації 0107U001482). Для розробки ЕС визначення ступеня ризику СРСН необхідно вирішити такі задачі: - розробити структуру ЕС визначення ступеня ризику СРСН; Вперше розроблено експертну систему визначення ступеня ризику СРСН, що дозволило підвищити його достовірність і визначати ступінь ризику на ранньому терміні вагітності і відразу після народження дитини. Вдосконалено спосіб кодування особини у вигляді дерева, що реалізовує булеву функцію в дизюнктивній нормальній формі, що дозволило отримувати класифікаційні правила для визначення ступеня ризику СРСН. отримати можливість визначати ступінь ризику СРСН на різних термінах вагітності і відразу після народження дитини на відміну від використовуваного раніше методу, який дозволяв визначати ступінь ризику СРСН лише після народження дитини;Стосовно задачі визначення ступеня ризику СРСН Y - ступінь ризику, що класифікується, х1,х2,...,xn - фактори ризику СРСН, функція (1) визначає ступінь ризику СРСН при деяких певних значеннях факторів х1,х2,...,xn. Насамперед необхідно виконати класифікацію за ступенями ризику: дуже низький ступінь ризику, низький ступінь ризику, високий ступінь ризику, дуже високий ступінь ризику. В загальному вигляді це задача класифікації на l класів, де кожен клас відповідає певному ступеню ризику СРСН, і функція для класифікації має вигляд, представлений формулами (2) і (3): (2) Розробка методу класифікації полягає в знаходженні коефіцієнтів W і порогів N (етап навчання), а безпосередньо класифікація виконується підсумовуванням коефіцієнтів наявних у пацієнта факторів ризику, і залежно від результату визначенням номера класу за формулою (3). Добрі результати класифікації показують такі архітектури НМ: - 99 входів (відповідає кількості факторів ризику після кодування для НМ), 8 нейронів на першому прихованому шарі (функції активації - гіперболічний тангенс), 6 нейронів на другому прихованому шарі (функції активації - сигмоїд), 3 нейрони на третьому прихованому шарі (функції активації - гіперболічний тангенс) і один нейрон на виході з лінійною функцією активації;Розроблено метод класифікації ступеня ризику СРСН на чотири класи, який дозволив визначати ступінь ризику СРСН з точністю 93,33%, що підвищує достовірність на 10% порівняно з використаним раніше методом. Вдосконалено деревоподібний спосіб кодування особини для булевої функції, що дозволило отримувати класифікаційні дерева для визначення ступеня ризику СРСН. Вдосконалено спосіб кодування особини у вигляді дерева, представленого булевою функцією у ДНФ, що дозволило отримувати класифікаційні правила для визначення ступеня ризику СРСН. Проведено випробування ЕС визначення ступеня ризику СРСН в умовах Донецького регіонального центру охорони материнства і дитинства і в науково-дослідному інституті медичних проблем сімї Донецького національного медичного університету ім. Встановлено, що використання розробленої ЕС дозволяє: визначити необхідність вживання заходів, направлених на зниження ступеня ризику СРСН ще під час вагітності; підвищує достовірність визначення ступеня ризику СРСН на 10% у порівнянні з використовуваним раніше методом.

ОСНОВНИЙ ЗМІСТ РОБОТИ