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

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...

Л.Н. Ясницкий, А.А. Думлер, Ф.М. Черепанов