СОДЕРЖАНИЕ УЧЕБНОГО МАТЕРИАЛА
Информацию о наблюдаемых объектах, процессах или явления получают при изучении разных физических величин. Например, состояние организма можно описать системой таких параметров, как температура тела, частота пульса, давление, данные кардиограммы и т.п. Некоторые величины могут приобретать любые значения в определенном интервале. Их называют непрерывными, а информацию, которую они содержат, непрерывной или аналоговой. Непрерывными величинами являются, например, кривые изменения массы, температуры, расстояния и т.п. Много величин могут приобретать лишь целочисленные значения. Их называют дискретными, а информацию, которую они содержат, - дискретной. Примеры дискретных величин: количество электронов в атоме, частота пульса, количество больных в отделении и т.п. Таким образом, несмотря на разнообразие видов, информация оказывается всего только в двух формах - непрерывной и дискретной. Любую непрерывную величину с определенной степенью точности можно подать в дискретной форме.
Зачастую, медицинскими данными считают только те, которые получают при измерении характеристик пациента. Количество характеристик пациента, больного или здорового человека, немалое. Разнообразные медицинские данные по объему помещенной информации можно поделить на такие виды:
- качественные признаки (наличие боли, повышенной температуры, цвет кожных покровов, перкусийные и аускультативные феномены);
- единичные числовые данные (вес, артериальное давление, температура тела, количество лейкоцитов, ШОЕ);
- динамические данные (электрограммы - ЭКГ, ЭЕГ, ЭГГ; реограммы РКГ, РЭГ, фонокардиограмма);
- статические картины (рентгенограмма, авторадиограмма);
- динамические картины (поле биопотенциалов, электрокардиограмма).
Для медицинских данных характерны специфические особенности:
- нечеткость, а иногда и несогласование терминологии;
- большое количество качественных признаков, которые субъективно оценивают состояние больного;
- отсутствие единых алгоритмов описания состояния больного, диагностического и лечебного процессов;
- недостаточный уровень стандартизации медицинской документации;!
- значительная вариабельность медицинских данных, малые выборки с неизвестными законами распределения, которые значительно затрудняет статистические расчеты и построение соответствующих оценок.
Сегодня почти невозможно пересчитать все методы, с помощью которых врачи получают медицинские данные. Развитие наук, открытие новых явлений природы, новые достижения изобретателей все время расширяют возможности практической медицины, появляются новые методы, диагностическая и терапевтическая аппаратура. Расширяется круг медицинских характеристик за счет появления новых. Увеличивается информативность уже давно существующих медицинских характеристик вследствие трансформации, качественного выражения их в числовом, графическом или даже картинном виде. Соответственно, быстро возрастает объем медицинской информации, с которой приходится иметь дело медицинским работникам всех уровней и учреждений здравоохранения,
Прогресс в решении проблем моделирования интеллектуальных систем, к которым относятся и экспертные, обусловленный применением искусственных нейронных сетей. Интеллектуальные системы на основе нейронных сетей разрешают с успехом решать проблемы распознавания образов, прогнозирования, оптимизации, ассоциативной памяти и управления, т.е. те, где традиционные подходы не всегда имеют успешное применение. Это связано с тем, что метод нейросетевого моделирования разрешает решать ряд задач в тех областях, где линейные модели не могут быть использованы в силу ряда объективных причин. Особенно это касается обработки данных медицинских исследований.
Как известно организм человека представляет нелинейную систему и решение таких задач как классификация, прогнозирование состояний, а также выбор оптимального метода лечения и профилактики заболеваний невозможны с применением линейных математических методов. Нейронные сети способны принимать решение, основываясь на скрытых закономерностях, которые оказываются ими, в многомерных данных. Отличительное свойство нейросетей и заключается в том, что они не программируются и не используют никаких правил вывода для постановки диагноза, а учатся делать это на примерах. В медицине находит применение и другая особенность нейросетей - их способность предусматривать временные последовательности. К настоящему времени разработанный ряд нейросетевых систем фильтрации электрокардиограмм, которые разрешают уменьшать нелинейный и нестационарный шум значительно лучше, чем методы, которые использовались раньше.
Несмотря на значительные успехи в применении нейронных сетей в медицине существует ряд проблем с их внедрением. Это связано в первую очередь с отсутствием у врачей информации о возможностях нейронных сетей для решения медицинских задач, а также доступных практических пособий по их применению.
Нейронные сети
Нейронные сети - класс аналитических методов, построенных на (гипотетических) принципах обучения мыслящим существ и функционированию мозга, которые позволяют прогнозировать значения некоторых сменных в новых наблюдениях на основе результатов других наблюдений (для этих же или других сменных) после прохождения этапа так называемого обучения на имеющихся данных.
Основные понятия о нейронных сетях
Наиболее часто нейронные сети используются для решения следующих задач:
- классификация образов - указание на принадлежность входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам;
- кластеризация - классификация образов при отсутствии учебной выборки с метками классов;
- прогнозирование - предусмотрение значения y(tn+1) при известной последовательности y(t1), y(t2)... y(tn);
- оптимизация - обнаружение решения, которое удовлетворяет систему ограничений и максимизирует или минимизирует целевую функцию. Память, которая адресуется по смыслу (ассоциативная память) - память, доступная при указании заданного содержания;
- управление - расчет такого входного влияния на систему, за который система работает по желательной траектории.
Структурной основой нейронной сети является формальный нейрон. Нейронные сети возникли из попыток воссоздать способность биологических систем учиться, моделируя низкокорневую структуру мозга. Для этого в основу нейросетевой модели ложится элемент, который имитирует в первом приближении свойства биологического нейрона - формальный нейрон(далее просто нейрон). В организме человека нейроны это особые клетки, способны распространять электрохимические сигналы.
Нейрон имеет разветвленную структуру для введения информации (дендриты), ядро и выход, который разветвляется (аксон). Будучи соединенными определенным образом, нейроны образовывают нейронную сеть. Каждый нейрон характеризуется определенным текущим состоянием и имеет группу синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - исходная связь данного нейрона, за которым сигнал (нарушение или торможение) поступает на синапсы следующих нейронов (рис. 8.1).
 |
Рис. 8.1. Структура формального нейрона.
Каждый синапс характеризуется величиной синапсичной связи или его весом wi, что по физическому содержанию эквивалентная электрической проводимости.
Текущее состояние (уровень активации) нейрона определяется, если взвешенная сумма его входов:
(1)
где множество сигналов, обозначенных x1, x2,..., xn, поступает на вход нейрона, каждый сигнал увеличивается на соответствующий вес w1, w2,...,wn,и формирует уровень его активации - S. Выход нейрона есть функция уровня его активации:
Y=f(S) (2)
При функционировании нейронных сетей выполняется принцип параллельной обработки сигналов. Он достигается путем объединения большого числа нейронов в так называемые пласты и соединения определенным образом нейронов разных пластов, а также, в некоторых конфигурациях, и нейронов одного пласта между собой, причем обработка взаимодействия всех нейронов ведется послойно.
Рис. 8.2. Архитектура нейронной сети с n нейронами во входном и тремя нейронами в исходном пласте (однослойный персептрон).
В качестве примера простейшей нейронной сети, рассмотрим однослойный перcептрон с n нейронами во входном и тремя нейронами в исходном пласте (рис. 8.2). Когда на n входов поступают какие-то сигналы, они проходят по синапсам на 3 исходные нейрона. Эта система образовывает единый пласт нейронной сети и выдает три исходных сигнала:
Очевидно, что все весовые коэффициенты синапсов одного пласта нейронов можно свести в матрицу wj, каждый элемент которой wij задает величину синапсичной связи i-го нейрона входного и j-го нейрона исходного пласта(3).
(3)
Таким образом, процесс, который происходит в нейронной сети, может быть записан в матричной форме:
, (4)
где x и y - соответственно входной и исходный векторы, f(v) - активационная функция, которая применяется поэлементно к компонентам вектора v.
Выбор структуры нейронной сети осуществляется согласно особенностям и сложности задачи. Для решения некоторых отдельных типов задач уже существуют оптимальные конфигурации. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать сложную проблему синтеза новой конфигурации.
Возможная такая классификация существующих нейросетей:
По типу входной информации:
- сети, которые анализируют двоичную информацию;
- сети, которые оперируют с действительными числами.
По методу обучения:
- сети, которые необходимо научить перед их применением;
- сети, которые не нуждаются в предыдущем обучении, способны обучаться самостоятельно в процессе работы.
По характеру распространения информации:
- однонаправленные, в которых информация распространяется только в одном направлении от одного пласта к другому;
- рекурентные сети, в которых исходный сигнал элемента может снова поступать на этот элемент и другие элементы сети этого или предыдущего пласта как входной сигнал.
По способу преобразования входной информации:
- автоассоциативные;
- гетероассоциативные.
Развивая дальше вопрос о возможной классификации нейронных сетей, важно отметить существования бинарных и аналоговых сетей. Первые оперируют с двоичными сигналами, и выход каждого нейрона может принимать только два значения: логический нуль ("приостановленное" состояние) и логическая единица ("возбужденное" состояние). Еще одна классификация разделяет нейронные сети на синхронные и асинхронные. В первом случае в каждый момент времени свое состояние изменяет лишь один нейрон. Во второму - состояние изменяется сразу у целой группы нейронов, как правило, во всем пласте.
Сети также можно классифицировать по количеству пластов. На рис. 8.3 представлен двухслойный персептрон, полученный из персептрона на рис. 8.2 путем добавления второго пласта, который состоит из двух нейронов.
 |
Рис. 8.3. Архитектура нейронной сети с однонаправленным распространением сигнала – двухслойный персептрон.
Если рассматривать работу нейронных сетей, которые решают задачу классификации образов, то вообще их работа сводится к классификации (обобщения) входных сигналов, которые принадлежат n-мерному гиперпространству, по некоторому числу классов. С математической точки зрения это происходит путем разбивки гиперпространства гиперплоскостями (запись для случая однослойного персептрона)
, (5),
где k=1...m – номер класса.
Каждая полученная область является областью определения отдельного класса. Число таких классов для одной нейронной сети персептронного типа не превышает 2m, где m - число выходов сети. Однако не все из них могут быть распределены данной нейронной сетью.
Алгоритм построения нейронных сетей