Новые возможности применения методов искусственного интеллекта для моделирования появления и развития заболеваний и оптимизации их профилактики и лечения

27.02.2018
227

1 Пермский государственный национальный исследовательский университет, кафедра прикладной математики и информатики; 2 Пермский государственный медицинский университет им. академика Е.А. Вагнера, кафедра пропедевтики внутренних болезней № 1; 3 Пермский государственный гуманитарно-педагогический университет, кафедра прикладной информатики

Статья посвящена методологическим вопросам применения нейросетевых технологий в области превентивной медицины. На примере заболеваний сердечно-сосудистой системы показано, что нейросетевое математическое моделирования позволяет не только ставить диагнозы заболеваний, но и на количественном уровне прогнозировать их появление и развитие в будущие периоды жизни, а также подбирать оптимальную стратегию профилактики и лечения с учетом индивидуальных параметров пациента. Сделан вывод о том, что рекомендации по профилактике и лечению кардиологических больных следует давать строго индивидуально с учетом физиологических особенностей организма пациентов. Если для одних пациентов такие рекомендации, как «отказаться от курения», «ограничить употребление сладкого», «принимать препараты, снижающие артериальное давление» и т.д., действительно полезны, то другим больным они могут причинить вред. Выявить таких нестандартных пациентов и избежать ошибочных рекомендаций можно с помощью предлагаемой интеллектуальной системы. Демонстрационный прототип диагностико-прогностической системы выложен в разделе «Проекты» на сайте www.PermAi.ru.

ВВЕДЕНИЕ

Как известно, первые попытки применения методов искусственного интеллекта в области медицины были предприняты более 700 лет назад испанским ученым и богословом Раймундом Луллием. Им была создана первая в мире экспертная система в виде механического устройства, позволяющая ставить диагнозы некоторых заболеваний и давать рекомендации по их лечению.

В середине прошлого столетия благодаря основополагающим работам У. Мак-Каллока, У. Питтса, Ф. Розенблатта появилась новая стратегия создания интеллектуальных систем – нейросетевые технологии. Новая стратегия отличалась тем, что знания заносились в создаваемую интеллектуальную систему не самим разработчиком, а приобретались автоматически в процессе обучения на примерах поведения моделируемой предметной области. В результате открылась возможность занесения в интеллектуальную систему знаний, которые разработчикам системы неизвестны. Последнее обстоятельство оказалось особенно важным для такой научной области, как медицина, в которой много белых пятен, а известные знания плохо поддаются формализации.

В настоящее время наблюдается лавинообразный рост публикаций, посвященных применению нейронных сетей (НС) в медицине. Их основное преимущество заключается в том, что НС извлекают знания непосредственно из жизненного опыта, который богаче теоретического, поэтому нейросетевые диагнозы нередко оказываются более точными, чем поставленные врачом.

Публикуются солидные обзоры [1–4], посвященные перечислению успехов, анализу возможностей и перспектив применения НС в медицине. Хорошие результаты показали модели искусственных НС для диагностики сахарного диабета (СД) [5, 6], психических расстройств [7], рака предстательной железы [8], рака поджелудочной железы [9], рака легких [10], рака молочной железы [2, 3], лейкемии [11], гепатита В [12], инсульта [13], заболеваний почек [14, 15], болезней Паркинсона [16] и Хантингтона [17], для распознавания патологий в кровеносных сосудах [18], диагностики заболеваний сердечно-сосудистой системы [14, 19–23].

Во многих из этих работ, например [22] нейросетевые диагностические системы, рекомендуются для поддержки клинических решений врача, в [10] – в качестве инструмента доклинической диагностики. В [15] отмечается, что нейросетевые системы позволяют сократить время, необходимое для диагностики, в [12] указывается, что применение НС позволяет оптимизировать диагностический процесс и избегать ошибочных диагнозов. В [1] также говорится о том, что НС помогают избегать ошибочных диагнозов, однако утверждается, что они должны рассматриваться только как инструмент для облегчения окончательного решения, за которое отвечает врач. В [9] отмечаются преимущества нейросетевой диагностики по сравнению с ручной диагностикой. В [13] предлагается с помощью НС создавать мобильные приложение, мониторирующие состояние организма пациента, в частности, диагностировать инсульты, происходящие во время сна.

Следует отметить, что во многих упомянутых публикациях, помимо термина «диагностика», иногда используется термин «прогноз», понимаемый, однако, только в узком смысле этого слова – как «исход заболевания» (тот же диагноз), а не процесс, развивающийся во времени. Так, в работе [24] сообщается о применении НС для прогнозирования риска возникновения остеопороза, в работе [25] – для прогнозирования выживаемости при трансплантации печени. Авторы работы [4] призывают исследователей применять методы искусственного интеллекта не только для диагностики, но и для оптимизации курсов лечения пациентов, не объясняя, однако, как это нужно делать, и не приводя примеров такой оптимизации. В работе [22] сообщается о разработке НС, прогнозирующей острый инфаркт миокарда в течение двух недель у пациентов с болью в груди, у которых на ЭКГ признаки инфаркта отсутствуют. В статье [26] сообщается о прогнозировании возможности развития у пациентов в будущем таких патологий, как депрессия, метаболический синдром, инфаркта миокарда, в том числе с зубцом Q, остеопороз. При этом не уточняются сроки наступления «будущего» и как на это «будущее» можно влиять.

По-видимому, впервые возможности НС для прогнозирования развития заболеваний во времени на количественном уровне, а также для подбора оптимальных курсов лечений и образа жизни пациентов, снижающих риски заболеваний, были показаны в ранних публикациях авторов настоящей статьи [27, 28]. Представляемые ниже результаты являются продолжением этих исследований.

МАТЕРИАЛ И МЕТОДЫ ИССЛЕДОВАНИЯ

Как следует из приведенного анализа литературных источников, НС уже достаточно широко применяются для диагностики различного рода заболеваний. Однако наш собственный опыт применения нейросетевых технологий в промышленности, экономике, политологии, социологии, экологии, психологии, криминалистике, педагогике и других областях [29, 30] (www.PermAi.ru), а также богатейший опыт других исследователей в других научных сферах убедительно показывает, что возможности НС гораздо шире. Дело в том, что после обучения и тести...

Список литературы

  1. Amato F., López F., Peña-Méndez E.M., Vaňhara P., Hampl A., Havel J. Artificial neural networks in medical diagnosis. J. Аppl. Вiomed. 2013;11:47-58.
  2. Sandhu I.K., Nair M., Shukla H., Sandhu S.S. Artificial neural network: as emerging diagnostic tool for breast cancer. Int. J. Pharm. Biol. Sci. 2015;5(3):29-41.
  3. Narang S., Verma H.K., Sachdev U. A Review of Breast Cancer Detection using ART Model of Neural Networks. Int. J. Adv. Res. Computer Sci. Software Engineering. 2012;2(10):311-9.
  4. Awwalu J., Garba A.G, Ghazvini A., Atuah R. Artificial Intelligence in Personalized Medicine Application of AI Algorithms in Solving Personalized Medicine Problems. Int. J. Adv. Res. Computer Sci. Software Engineering. 2015;7(6):439-43.
  5. Мустафаев А.Г. Применение искусственных нейронных сетей для ранней диагностики заболевания сахарным диабетом. Кибернетика и программирование. 2016;2:1-7.
  6. Soltani Z., Jafarian A. A New Artificial Neural Networks Approach for Diagnosing Diabetes Disease Type II. Int. J. Adv. Computer Sci. Appl. 2016;7(6):89-95.
  7. Беребин М.A., Пашков С.В. Опыт применения искусственных нейронных сетей для целей дифференциальной диагностики и прогноза нарушений психической адаптации. Вестник Южно-Уральского государственного университета. 2006;14:41- 50.
  8. Kuo R.J., Huang M.H., Cheng W.C., Lin C.C., Wu Y.H. Application of a two-stage fuzzy neural network to a prostate cancer prognosis system. Artif. Intell. Med. 2015;63(2):119-33.
  9. Sanoob M.U., Madhu A., Ajesh K.R., Varghese S.M. Artificial neural network for diagnosis of pancreatic cancer. Int. J. Cybernet. Inform. 2016;5(2):40-9.
  10. Ganesan N., Venkatesh K., Rama M.A., Malathi Palani A. Application of Neural Networks in Diagnosing Cancer Disease Using Demographic Data. Int. J. Computer Appl. 2010;1(26):75-85.
  11. Afshar S., Abdolrahmani F., Tanha F.V., Seif M.Z., Taheri K. Recognition and prediction of leukemia with Artificial Neural Network. Med. J. Islam. Rep. Iran. 2011;25(1):35-9.
  12. Mahesh C., Suresh V.G., Babu M. Diagnosing Hepatitis B Using Artificial Neural Network Based Expert System. Int. J. Engineering Innovat. Technol. 2013;3(6):139-44.
  13. Pearce G., Wong J., Mirtskhulava L., Al-Majeed S., Bakuria K., Gulua N. Artificial Neural Network and Mobile Applications in Medical diagnosis. 17th UKSIM-AMSS International Conference on Modelling and Simulation. 2015. рp. 60-5.
  14. Kadhim Q. Artificial Neural Networks in Medical Diagnosis. Int. J. Computer Sci. 2011;8(2):150-5.
  15. Kumar K., Abhishek. Artificial Neural Networks for Diagnosis of Kidney Stones Disease. Int. J. Inform. Technol. Computer Sci. 2012;7:20-5.
  16. Gil D., Johnsson M. Diagnosing Parkinson by using artificial neural networks and support vector machines. Glob. J. Computer Sci. Technol. 2009;9(4):63-71.
  17. Singh M., Singh M., Singh P. Artificial Neural Network based classification of Neuro-Degenerative diseases using Gait features. Int. J. Inform. Technol. Knowl. Manag. 2013;7(1):27-30.
  18. Аравин О.И. Применение искусственных нейронных сетей для анализа патологий в кровеносных сосудах. Российский журнал биомеханики. 2011;15(3):45-51.
  19. Sayad A.T., Halkarnikar P.P. Diagnosis of heart disease using neural network approach. Int. J. Adv. Sci. Engineer. Technol. 2014;2(3):88-92.
  20. Ajam N. Heart Diseases Diagnoses using Artificial Neural Network. Network Complex Syst. 2015;5(4):7-11.
  21. Olaniyi E.O., Oyedotun O.K. Heart Diseases Diagnosis Using Neural Networks Arbitration. Int. J. Intell. Syst. Appl. 2015;12:75-82.
  22. Kojuri J., Boostani R., Dehghani P., Nowroozipour F., Saki N. Prediction of acute myocardial infarction with artificial neural networks in patients with nondiagnostic electrocardiogram. J. Cardiovasc. Dis. Res. 2015;6(2):51-60.
  23. Хливненко Л.А., Васильев В.В., Пятакович Ф.А. Возможности решения медицинских диагностических задач с помощью проектирования обучающихся искусственных нейронных сетей. Успехи современного естествознания. 2010;12:75-9; URL: https://www.natural-sciences.ru/ru/article/view?id=15450 (дата обращения: 04.06.2017).
  24. Shaikh A.B., Sarim M., Raffat S.K., Ahsan K, Nadeem A. and Siddiq M. Artificial Neural Network: A Tool for Diagnosing Osteoporosis. Research. J. Recent Sci. 2014;3(2):87-91.
  25. Raji C.G., Vinod Chandra S.S. Graft survival prediction in liver transplantation using artificial neural network models. J. Computat. Sci. 2016;16:72-8.
  26. Прохоренко И.О. Метод нейросетевого моделирования и его использование для прогнозирования развития соматической патологии у лиц старших возрастных групп // Современные проблемы науки и образования. 2013;1. URL: https://www.science-education.ru/ru/article/view?id=8411 (дата обращения: 11.07.2017).
  27. Ясницкий Л.Н., Думлер А.А., Богданов К.В., Полещук А.Н., Черепанов Ф.М., Макурина Т.В., Чугайнов С.В. Диагностика и прогнозирование течения заболеваний сердечно-сосудистой системы на основе нейронных сетей. Медицинская техника. 2013;3:42-4.
  28. Yasnitsky L.N., Dumler A.A., Poleshchuk A.N., Bogdanov C.V., Cherepanov F.M. Artificial Neural Networks for Obtaining New Medical Knowledge: Diagnostics and Prediction of Cardiovascular Disease Progression. Biol. Med. (Aligarh). 2015;7(2):BM-095-15, 8 pages. (http://www.biolmedonline.com/Articles/Vol7_2_2015/BM-095-15_Artificial-Neural-Networks-for-Obtaining-New-Medical-Knowledge-Diagnostics-and-Prediction-of-Cardiovascular-Disease-Progr.pdf)
  29. Ясницкий Л.Н., Бондарь В.В., Черепанов Ф.М. Пермская научная школа искусственного интеллекта и ее инновационные проекты. 2-е изд. М.; Ижевск: НИЦ «Регулярная и хаотическая динамика», 2008. 75 с.
  30. Ясницкий Л.Н. Интеллектуальные системы: учебник. М.: Лаборатория знаний, 2016. 221 с.
  31. Александров В.В., Стенчиков Г.Л. Об одном вычислительном эксперименте, моделирующем последствия ядерной войны. Вычислительная математика и математическая физика. 1984;24(1):140-4.
  32. Черепанов Ф.М., Ясницкий Л.Н. Нейросимулятор 5.0. Свидетельство о государственной регистрации программы для ЭВМ № 2014618208. Заявка Роспатент № 2014614649. Зарегистрировано в Реестре программ для ЭВМ 12 августа 2014г.

Об авторах / Для корреспонденции

Леонид Нахимович Ясницкий, д.т.н., профессор, профессор кафедры прикладной математики и информатики Пермского государственного национального исследовательского университета. Адрес: 614990, г. Пермь,
ул. Букирева, д. 15. Тел.: (342) 2-39-64-09. E-mail: yasn@psu.ru

Андрей Артурович Думлер, к.м.н., доцент, доцент кафедры пропедевтики внутренних болезней № 1 Пермского государственного медицинского университета им. академика Е.А. Вагнера. Адрес: 614990, г. Пермь, ул. Петропавловская, д. 26. Тел.: (342) 265-97-25. E-mail: rector@psma.ru

Федор Михайлович Черепанов, старший преподаватель кафедры прикладной информатики Пермского государственного гуманитарно-педагогического университета. Адрес: 614990. г. Пермь, ул. Пушкина, д. 42.
Тел.: (342) 219-07-22. E-mail: fe-c@pspu.ru

Полный текст публикаций доступен только подписчикам

Нет комментариев

Комментариев: 0

Вы не можете оставлять комментарии
Пожалуйста, авторизуйтесь