Введение
Тематический план практических занятий по дисциплине «Медицинская информатика» включает в себя изучение таких тем, как «Компьютерное моделирование», «Информационная поддержка лечебно-диагностического процесса», «Автоматизированные медико-технологические системы функциональной диагностики». Сложность изучения этих тем состоит в том, что хоть набор медицинских информационных систем достаточно обширен, однако в учебных целях представлен сравнительно узко, и преподавание этих тем не обладает в должной степени практической направленностью. Для ликвидации этого противоречия предлагается наполнить учебный процесс эмулятором медицинской экспертной системы (ЭМЭС) – простейшей системой поддержки принятия решения врача на базе нейросетевых технологий. Следует также учесть, что нейронные сети являются в настоящее время флагманом научной медицинской мысли, тесно связаны с диагностическим медицинским процессом и активно внедряется во все области человеческого знания.
Материалы и методы
Нейронные сети – мощный инструмент моделирования, который воспроизводит структуру нейронов человеческого мозга для решения сложных, нелинейных задач. Простейший принцип работы нейросети заключается в подборе весов для реализации исследуемой модели, из которой самой простейшей является модель персептрона (рис. 1). Нейронная сеть состоит из искусственных нейронов, соединенных между собой. На входе сети находятся числовые параметры, отражающие исследуемый процесс (например, температура, данные энцефалограммы, давление, вес и т.д.). При подаче сигналов на вход персептрона, на выходе получается выходной вектор, который можно интерпретировать как диагноз.
Рис. 1. Модель персептрона
Обучение перцептрона производится на базе обучающего множества по следующему алгоритму:
- Подать вектор входных значений из обучающего множества и вычислить диагностический вектор;
- Если вычисленный вектор совпадает с вектором текущего примера обучающего множества, то перейти к следующему значению обучающего множества;
- В противном случае вычислить новые значения весов узлов нейросети, согласно выбранной математической модели.
Результатом обучения перцептрона будет нейросеть, способная поставить диагноз новому пациенту.
Реальные математические нейросетевые модели медицинских диагностических систем анализируют от 20 до 100 параметров анамнеза больного и ограничены узкой областью медицины. При первичном построении модели ЭМЭС мы будем опираться на диагностику острых респираторных заболеваний, как наиболее оптимальной для клинического понимания студентами 1-2 курса медицинского вуза.
Входной вектор X будет состоять из не менее, чем 40 параметров, выходной вектор D будет содержать список основных диагнозов острых респираторных заболеваний, закодированных по 100 бальной шкале. В результате обучающийся будет получать на выходе ЭМЭС вероятности диагнозов конкретного клинического случая.
Реализация данной системы будет опираться на библиотеку AForge.NET – библиотеку классов с открытым кодом для языка программирования C#. Данная библиотека предназначена для создания нейронных сетей, разработки генетических алгоритмов, обработки изображений, реализации алгоритмов нечеткой логики, робототехники и машинного обучения.
В процессе эксплуатации эмулятора будет накоплено несколько обучающих примеров, что позволит расширить базовую функциональность системы
Результаты
Анализ входных условий и аналогов [1-6] позволил выполнить постановку задачи на проектирование и разработку эмулятора МЭС. В качестве модели был выбран персептрон, в качестве среды реализации – язык программирования C# с библиотекой AForge.NET, в качестве предметной области – диагностика острых респираторных заболеваний. Структурная схема эмулятора МЭС представлена на рисунке 2. Основными блоками будут являться модуль нейронной сети, интерфейс пользователя, интерфейс врача-эксперта, интерфейс медицинского кибернетика.
Рис. 2. Структура эмулятора МЭС
Интерфейс пользователя позволяет получить доступ к процессу диагностики на основе технологий нейронных сетей. С этим интерфейсом может работать врач или пациент. Интерфейс врача эксперта позволяет подготовить набор данных для обучения нейронной сети, выполнить их формализацию для будущего моделирования. Интерфейс медицинского кибернетика предоставляет доступ к базовым функциям работы с нейронной сетью – обучению, генерации, тестированию.
Дискуссия
В процессе разработки и эксплуатации ЭМДС учебный процесс можно строить достаточно гибко, задействуя блоки выборочно или все, в зависимости от цели практического занятия. Если необходимо отработать навыки работы с медицинскими информационными системами, то достаточно использовать интерфейс пользователя. Если необходимо отработать навыки компьютерного моделирования и формализации, то можно задействовать интерфейс врача эксперта. Интерфейс медицинского кибернетика предназначен для настройки и обучения нейросети и будет актуален для отработки навыков студентов соответствующей специальности.
Библиографический список
- Artificial Neural Networks [Электронный ресурс] // Режим доступа: http://www.aforgenet.com/framework/features/neural_networks.html – (Дата обращения: 29.10.2016).
- High-Throughput Classification of Radiographs Using Deep Convolutional Neural Networks [Электронный ресурс] / Alvin Rajkomar [и др.] // Режим доступа: http://link.springer.com/article/10.1007/s10278-016-9914-9 – (Дата обращения: 29.10.2016).
- Минаева Н.В., Кумпан Н.А., Ясницкий Л.Н., Ширяева Д.М. Нейросетевая система диагностики аллергического и инфекционного ринита у детей // Пермский медицинский журнал. 2015. Т. 32. № 4. С. 63-67.
- Мухамадиева, К. Б. Возможности решения медицинских диагностических задач с помощью обучающихся нейронных сетей [Текст] / К. Б. Мухамадиева // Успехи современного естествознания. – 2010. – № 12 – С. 75-79
- Петров С.В., Чернега М.С., Новиков А.В., Серегин С.П., Петрова Ю.П. Структура автоматизированной системы поддержки принятия решений врача при прогнозировании и диагностике урогинекологических заболеваний // Современные наукоемкие технологии. – 2015. – № 1-1. – С. 81-85;
- Применение искусственных нейронных сетей для прогнозирования в хирургии [Электронный ресурс] / С. Д. Богомолов [и др.] // Режим доступа: http://www.medicum.nnov.ru/nmj/2003/1/26.php– (Дата обращения: 27.10.2016).