CC BY
23Решетневскце чтения
УДК 004.8:61
Е. Ф. Демко, М. Ю. Карабицин, В. В. Кукарцев
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
ЭФФЕКТИВНОСТЬ ПРИМЕНЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В ПРОГНОЗИРОВАНИИ
На основе конкретных примеров, оперируя показателями чувствительности, специфичности, прогнозирующей ценности и прогностической точности, рассматривается проблема эффективности применения интеллектуальных систем в прогнозировании.
В настоящее время информационные технологии как никогда быстро развиваются и внедряются во все сферы нашей деятельности, стремясь ее автоматизировать и усовершенствовать. Примером таких разработок являются интеллектуальные системы (ИС), которые нашли свое применение в области медицины.
Интеллектуальные системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к компьютеру за консультацией в трудных диагностических случаях. Современные технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а именно визуально, на основе соответствующих математических моделей, пространственно смоделировать типовое развитие патологического процесса при конкретном заболевании.
Интеллектуальные системы предлагают достаточно большой спектр различных возможностей, поэтому следует рассмотреть конкретные примеры применения данных систем в медицине, предварительно изучив критерии, на основании которых можно говорить об их эффективности.
Важными критериями эффективности ИС являются чувствительность и специфичность. Чувствительность - это вероятность положительного результата при наличии болезни (если из 10 больных выявлено 8, то чувствительность 80 %). Специфичность - это доля негативных результатов теста в группе здоровых пациентов (если из 10 здоровых пациентов обнаружены признаки заболевания у 3, то специфичность 70 %). На основании чувствительности и специфичности определяется прогностическая ценность, т. е. вероятность наличия (отсутствия) заболевания при известном результате исследования. Последним показателем, определяющим эффективность ИС, является прогностическая точность - доля правильных результатов теста в общем количестве результатов как положительных, так и отрицательных [1].
В эндоскопии использовали искусственные нейронные сети (ИНС) для выявления больных с неварикозными кровотечениями из верхних отделов желудочно-кишечного тракта. Чувствительность нейронной сети составила более 80 %, прогнозирующая ценность - 92.. .96 % [2].
Интеллектуальные системы применили и для автоматизированного анализа биоптата предстательной железы. Чувствительность составила 95 %, специфичность - 34 %.
В неврологии нейросеть позволяла прогнозировать эпилептические приступы на основе анализа электроэнцефалограмм. Прогностическая точность метода составила 98.. .100 %.
В трансплантологии применили интеллектуальные технологии в прогнозировании отсроченного снижения креатинина сыворотки крови у детей после трансплантации почки. Чувствительность ИНС составила 87 % [2].
Технология Data Mining (DM), включающая нейросетевое моделирование, метод опорных векторов и др., применена в разработке диагностической анкеты для выявления гастроэзофагеальной рефлюкс-ной болезни. Чувствительность и специфичность данного метода составили 75 и 78 % [3].
В радиологии использовали ИС для классификации изображений МРТ с целью автоматизированного обнаружения гиппокампального склероза. Такая система позволила производить сегментацию кости по сравнению с традиционными методиками в 10 раз быстрее.
Интеллектуальная информационная система, предназначенная для прогнозирования вероятности развития инфицированного панкреонекроза на основании данных, полученных при поступлении больного в стационар и в течение первых 48 часов госпитализации, показала точность результатов 90 %, специфичность - 96 % [2].
Использование DM-технологии для прогнозирования снижения массы тела после хирургического лечения ожирения позволило еще до операции выявить, будет ли после нее эффект и какой вид вмешательства предпочтительнее [3].
Следует рассмотреть и эффективность применения интеллектуальных систем при диагностике заболевания. Интеллектуальные системы, позволяющие ставить диагноз, разрабатываются и формируются, полагаясь на типичные и наиболее характерные симптомы того или иного заболевания. Не каждая медицинская ИС предусматривает наличие таких входных параметров, как образ жизни, особенности местности проживания, наследственность, наличие каких-либо травм разной степени сложности и другое, хотя в некоторых случаях именно эти критерии могут сыграть решающую роль в постановке диагноза. В связи с этим высокая диагностическая точность таких систем возможна только в том случае, если они нацелены на выявление конкретного заболевания или группы
Информационные системы и технологии
заболеваний, относящихся к одной узкой специализации.
Таким образом, при диагностике заболевания интеллектуальные информационные системы не могут полностью исключить участие врача в постановке диагноза, однако использование интеллектуальной системы специалистом низкой квалификации или с недостаточным практическим опытом не даст желаемого результата, более того, может ввести врача в заблуждение. Эффективность применения интеллектуальных систем, позволяющих выполнять прогнозирование какого-либо заболевания, неоспорима, тем более что они обеспечивают явное преимущество в
скорости, точности и перспективах развития по сравнению с традиционными методами.
Библиографические ссылки
1. Дюк В. А., Эмануэль В. Л. Информационные технологии в медико-биологических исследованиях. СПб. : Питер, 2005.
2. Методы нейроинформатики : сб. науч. тр. / под ред. А. Н. Горбаня ; Краснояр. гос. техн. ун-т. Красноярск, 1998.
3. Чубукова И. А. Data Mining. М. : Бином. Лаб. знаний, 2008.
E. F. Demko, M. Yu. Karabitsin, V. V. Kukartsev Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
EFFECTIVENESS OF USING INTELLIGENT SYSTEMS IN PREDICTION
On the basis of concrete examples, the problem of intelligent systems' effectiveness in prediction is explored with the use ofparameters of sensitivity, specificity, predictive value and predictive accuracy.
© fleMKO E. O., Kapa6HUHH M. ro., Kyrnp^B B. B., 2011
УДК 539.216.3:621.382
С. В. Елизаров
Самарский государственный аэрокосмический университет имени академика С. П. Королева (Национальный исследовательский университет), Россия, Самара
ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ ПРОВЕДЕНИЯ ИНДИВИДУАЛЬНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕМЕНТОВ КОСМИЧЕСКОЙ АППАРАТУРЫ
Проанализирован математический аппарат метода прогнозирования, разработан алгоритм, который лег в основу программного обеспечения, позволяющего автоматизировать процесс обработки результатов обучающего эксперимента.
Современная радиоэлектронная аппаратура (РЭА) представляет собой сложный комплекс взаимосвязанных функциональных узлов. Становится актуальной задача оценки качества и состояния аппаратуры в процессе ее создания и эксплуатации.
Индивидуальное прогнозирование показателей качества элементов РЭА позволяет предугадать отказ потенциально ненадежной аппаратуры в процессе эксплуатации [1].
Математический аппарат прогнозирования отличается достаточно трудоемкими процедурами вычисления, что приводит к увеличению времени технологического и эксплуатационного цикла. Использование ЭВМ для обработки результатов прогнозирования целесообразно [2].
Современное программное обеспечение для математических вычислений (например, Microsoft Excel, Math Cad и др.) использовать достаточно трудно. Нами для автоматизации процесса индивидуального прогнозирования методом потенциальных функций разработана программа «Прогнозирование 1.0». Программа написана на языке Object Pascal, позволяет
обрабатывать обучающие выборки информативных параметров, проводить экзамен и прогнозирование.
В процессе работы с программным продуктом осуществляется расчет математического ожидания по каждому информативному признаку, дисперсии и среднеквадратического отклонения, нормирование и центрирование информативных признаков, расчет обобщенного расстояния между значениями информативных признаков по всем экземплярам выборки, определение потенциала каждого экземпляра, классификация по пороговым значениям, расчет вероятностных характеристик, графическая интерпретация результатов прогнозирования.
Библиографические ссылки
1. Пиганов М. Н. Индивидуальное прогнозирование показателей качества элементов и компонентов микросборок. М. : Новые технологии, 2002.
2. Пиганов М. Н., Тюлевин С. В. Прогнозирование надежности радиоэлектронных средств // Науч.-техн. ведомости СПбГПУ. Сер. «Информатика. Телекоммуникации. Управление». 2009. Вып. 1. С. 175-182.
