CC BY
1
УДК 004.021
DOI: 10.24412/2071-6168-2023-12-552-553
ИНФОРМАЦИОННАЯ СИСТЕМА РЕШЕНИЯ ЗАДАЧ В ОБЛАСТИ ПРОГНОЗИРОВАНИЯ
И ПРОФИЛАКТИКИ БОЛЕЗНЕЙ
А.А. Кузьменко, К.Э.Бабаев, А.С. Сазонова, Р.А. Филиппов
В современном мире болезни представляют собой все более распространенные и серьезные проблемы, требующие эффективных и своевременных решений. Профилактика заболеваний и прогнозирование жизненно важны для решения этих проблем. Эта статья посвящена изучению профилактики заболеваний и прогнозированию их возникновения. Основной целью является разработка системы, способной прогнозировать и предотвращать заболевания. Для достижения этой цели намечены следующие задачи: обзор существующих решений в области профилактики и прогнозирования заболеваний, представление нового решения, включающего методы искусственного интеллекта, формализованные модели и методы анализа данных, демонстрация алгоритмических результатов и составление выводов относительно их эффективности. Для решения проблем профилактики и прогнозирования заболеваний крайне важно изучить существующую литературу и научные работы в этой области. Это дает представление об устоявшихся методах и подходах, облегчая оценку их эффективности и применимости. Опираясь на этот фундамент, можно предложить новое решение, использующее методы искусственного интеллекта и формализованные модели для анализа данных. Данный подход может включать разработку моделей машинного обучения, нейронных сетей или других методологий, способных обрабатывать и анализировать обширные объемы медицинских записей, изображений и генетических данных. Оценка производительности и действенности предлагаемых алгоритмов имеет первостепенное значение, что влечет за собой анализ и оценку полученных результатов, сравнение их с существующими решениями и показателями производительности. С помощью этой оценки определяется точность и надежность системы прогнозирования и профилактики заболеваний. Разработка системы прогнозирования и профилактики, основанной на искусственном интеллекте и методах анализа данных, может помочь предотвратить возникновение заболеваний и предложить персонализированные методы профилактики и лечения. Тем самым способствуя улучшению общих результатов в области здравоохранения и решению проблем, связанных с распространенными заболеваниями в современном мире.
Ключевые слова: причины, симптомы, прогнозирование, распознавание, болезни, формализованные модели и методы, методы анализа данных, система прогнозирования..
За всю жизнь человек сталкивается с большим количеством заболеваний. Какие-то из них легко диагностировать и вылечить, но в то же время для других требуются длительные процедуры только для выявления заболевания, а затем приходится проходить долгий курс лечения и реабилитации, которые зависят от степени запущенности болезни. Внедрение искусственного интеллекта может значительно сократить время диагностики и ускорить лечение.
Благодаря тому, что у пациента могут быть симптомы, которые уже встречались у других людей, страдавших от похожих заболеваний, формализованные модели и методы могут не только помочь быстро обнаружить закономерности и вероятно определить причину болезни, а также представить все в понятном и простом виде для пользователя.
О.В. Лимановская в своей работе «Кластеризация пациентов на основе их функциональных, клинических и антропометрических показателей для построения моделей оценки биовозраста» использует метод кластеризации HDBSCAN. По итогам работы было определено, что данный метод справился с поставленной задачей и может использоваться в других работах [3].
В работе Даниловой И.И. «Применение методов кластеризации для диагностики онкологических заболеваний» описывается другой алгоритм кластеризации, а именно к-средних. По мнению автора, алгоритм оказался эффективным в задачах, связанных с диагностикой опухолей [4].
В работе Увалиева И.М. «Реализация интеллектуального анализа данных показателей щитовидной железы» также используется алгоритм к-средних. По результатам исследования можно заключить, что алгоритм может быть использован для анализа показателей щитовидной железы [9].
И.А. Гундырев в своей статье «Применение синтетических образов для решения задачи классификации на примере диагностики рака легкого» использует несколько методов: метод опорных векторов, наивный баессовский классфикатор, случайный лес и другие [8].
Макарова Л.С. в своей работе «Математические методы в задачах медицинской диагностики» пишет, что модель, построенная с помощью многослойного перцептрона, оказалась не очень точной, а вот модель, построенная с помощью дискриминантного анализа, оказалась гораздо точнее [7].
В работе Золотенковой Г.В. «Классификация возраста в судебной медицине с использованием методов машинного обучения» используются такие методы классификации как: K-NN, метод опорных векторов, логистическая регрессия и другие. В итоге оказалось, что все методы показали высокую эффективность [6,13].
Гардашева Л.А. в своей статье «Обзор и анализ методов диагностики лечения рака современными информационными технологиями» пришла к выводу, что применение нечеткой логики позволяет повысить надежность и адекватность экспертных систем при диагностировании заболевания [5].
В работе А.Г. Хасанова «Нейронные сети для прогнозирования динамики развития заболеваний» пишется, что по результатам сравнительного анализа лучшей архитектурой нейросети является 3-х слойная рекуррентная сеть прямого распространения [10,12].
В свою очередь в статье Головиновой В.Ю. «Нейросетевые модели прогнозирования заболеваемости в организованных коллективах» предпочтение отдаётся нейросети, построенной на многослойном перцептроне тестовая и контрольная ошибка при котором равны 0,08 и 0,05 соответственно [2,11].
В работе Вычуйской М.В. «Нейросетевые технологии в диагностике заболеваний» предпочтение тоже отдается многослойному перцептрону как лучшей архитектуре для классификации пациентов. Точность классификации оказалась 98,33% [1].
На основе литературы было принято решение разработать модуль ИАС для решения задач в области прогнозирования и профилактики болезней.
Данные и методы. Для проведения кластерного и классификационного анализа использовался набор данных о болезнях, а именно её причины, симптомы, пол, возраст и вероятность развития симптомов. Всего в наборе данных 778 различных болезней.
Для создания нейронной сети использовался многослойный перцептрон. Его обучение проходило на 600000-ом наборе данных, который содержал обезличенную информацию о болезнях конкретных людей[14,15]. Перцептрон состоит из 4 слоев: один входной, один выходной и два скрытых слоя. Во всех слоях, кроме выходного использовалась активационная функция Relu. В выходном слое активационной функцией была softmax. Путем проверки было выяснено, что четырех эпох достаточно для обучения модели. Для борьбы с переобучением использовались слой Dropout и функция ранней остановки модели. После обучения точность модели составила 99,17%.
Модель. На рисунке 1 представлена архитектура многослойного перцептрона.
В работе кластеризация нужна для того, сегментировать пациентов с целью выделения общих закономерностей. Например, можно выделить развитие различных болезней на основании пола, возраста и симптомов пациента. Это может помочь в будущем быстрее и точнее определить болезнь у новых пациентов. В работе используется метод кластеризации к-средних.
Рис. 1. Архитектура многослойного перцептрона
Вычисление центроидов кластеров рассчитывается по формуле:
Cj = , 0)
где Cj- центроид кластера j; Nj - количество точек, отнесенных к кластеру j; £ xt - сумма всех точек xh отнесенных к кластеру j.
В работе классификация нужна для того чтобы классифицировать болезни по системам органов, которые они поражают. Также было выбрано три метода классификации для того чтобы сравнить какой из них лучше подходит для данной задачи. В данном случае используются три метода: к-ближайших соседей, метод опорных векторов и деревья решений.
Для классификации с использованием метода k-ближайших соседей применяется следующая формула:
Class(x) = argmax (£-,У;), (2)
где Class(x) - класс нового объекта х; arg max - оператор выбора максимального значения; - сумма количества объектов каждого класса среди k ближайших соседей; yt - класс i-го соседа.
Для классификации с помощью метода опорных векторов применяется следующая формула:
у(х) =sign (wTx + b), (3)
где у{х) - прогнозируемая метка класса для объекта x; sign - оператор, указывающий на принадлежность объекта к одному из классов: +1 или -1; w - вектор весов; b - смещение.
Для классификации с помощью деревьев решений применяется следующая формула:
E = ~H:iPilog2Pi , (4)
где Е - значение энтропии; р; - вероятность случайного выбора элемента класса; i - класс; C - количество классов.
В работе нейросеть используется для определения заболевания на основе симптомов, причин, пола и возраста. Нейросеть должна ответом выдать наиболее вероятное заболевание. Для данного случая был выбран многослойный перцептрон потому что он решает задачу классификации.
Формула для вычисления выхода слоя перцептрона выглядит следующим образом:
Zj = Z(wijai) + bj, cij = f(Zj), (5)
где Zj - взвешенная сумма входов для нейрона j в слое; - весовой коэффициент между нейроном i предыдущего слоя и нейроном j текущего слоя; at - активация нейрона i предыдущего слоя; bj - смещение нейрона j; /() - функция активации, применяемая к взвешенной сумме (например, сигмоидальная функция, ReLU, гиперболический тангенс и т.д.); a.j - активация нейрона j текущего слоя, которая является выходом слоя.
Полученные результаты. На рисунке 2 представлен результат кластеризации.
На графике ось х отвечает за пол, где 1 - это болезни, присущие обоим полам, 2 - только женские болезни и 3 - мужские болезни. Ось у отвечает за номер болезни, а ось z за номер кластера, начиная с 0.
Результаты, полученные по итогу кластеризации можно интерпретировать так: болезни мочеполовых органов и репродуктивных органов делятся на мужские и женские, в то время как болезни остальных систем органов присущи обоим полам. Также репродуктивные и половые болезни могли быть выделены в отдельный кластер из-за схожести симптомов.
Система органов
Iг
я
в
6
Рис. 2. Результат работы модуля кластеризации На рисунках 3,4 и 5 представлены результаты классификации.
. 1г -С >14 р^икниг!
Соотношение правильно и неправильно классифицированных образцов
Рис. 3. Классификация методом деревья решений
Мгтеи опорных веьчоро»
Соотношение правильно и неправильно классифицированных образцов
Рис. 4. Классификация методом опорных векторов
К {ншяайппп соседей
Соотношение правильно и неправильно классифицированных образцов
Рис. 5. Кассификация методом к-ближайших соседей 554
На диаграмме оранжевым цветом помечены результаты правильной классификации, а синим - неправильной классификации. Правильной считается такая классификация, при которой исходные значения и предсказанные совпадают, например, сердечно-сосудистая система в исходных данных и сердечно-сосудистая система в предсказанных. Неправильная классификация - это любой другой класс в предсказанных результатах, который отличается от исходного.
Результат работы нейросети представлен на рисунке 6.
Опросник о болезнях
Мужчина [» 1 Сецтеттго-сосртнстая
Отеки Одышка
Снижение сиосоЕУносгл к физической шн руэке Генетические мутации
Поврсжленнс сердца цмле лнфокций пяи доспалоння Алкогольное ![:ш наркотические отраклснис Нарушение обмена веще ста Ошраншь
Предскл кмимш пи/к'шь: Клрдзомнопятвя
Рис. 6. Результат работы нейросепш
Пользователю даётся возможность ввести свой пол, возраст, выбрать симптомы из обширного списка, а также указать причины, которые, по его мнению, могли привести к возникновению заболевания. Затем переменные передаются алгоритму, выбираются числовые значения для переменных. После нейросеть получает эти данные и в ответ выдаётся наиболее вероятная болезнь.
Обсуждение. Исходя из графика, можно сделать заключение, что метод кластеризации к-средних может быть успешно применен для диагностики заболеваний. Анализируя данные о поле пациентов и номерах болезней, мы наблюдаем, что болезни мочеполовых и репродуктивных органов разделяются на два кластера - один для мужских болезней и другой для женских болезней. Это указывает на то, что у этих категорий заболеваний есть уникальные клинические особенности, отличающие их друг от друга. В то же время, болезни других систем органов, вероятно, имеют общие признаки и характеристики, так как они присущи обоим полам и объединены в одном кластере. Таким образом, результаты кластеризации подтверждают потенциал метода к-средних для классификации заболеваний на основе их симптоматики и помогают лучше понять и интерпретировать различия между мужскими и женскими болезнями, способствуя более точной диагностике и лечению.
Исходя из результатов проведенного исследования, можно сделать вывод, что ни один из рассмотренных алгоритмов классификации не справился с задачей на уровне удовлетворительной точности. Все полученные значения классификационной точности оказались даже ниже 50%, что указывает на сложности в правильной классификации заболеваний, на основе предоставленных данных.
Среди рассмотренных алгоритмов, наихудший результат показал метод к-ближайших соседей. Возможно, это связано с тем, что данный алгоритм не учитывает структурную информацию о данных и основывается только на близости точек в пространстве признаков, что может быть недостаточным для эффективной классификации в данном случае.
Наилучший результат был достигнут при использовании алгоритма деревьев решений. Это может быть объяснено тем, что деревья решений способны учитывать не только близость точек, но и структуру данных, что может быть важным при классификации заболеваний. Однако, необходимо отметить, что даже наилучший результат не достиг уровня, который можно было бы считать достаточно высоким для успешной классификации.
В итоге проведенного исследования можно сделать вывод, что нейросеть успешно справилась с поставленной задачей. В итоге проведенного исследования можно сделать вывод, что нейросеть успешно справилась с поставленной задачей.
Заключение. В заключение стоит сказать, что внедрение формализованных моделей и методов в область медицины обещает значительно улучшить процессы диагностики и лечения заболеваний. С помощью анализа больших объемов данных и использования различных методов датамайнинга, таких как кластеризация, классификация, регрессия и нейронные сети, искусственный интеллект может предоставить ценную информацию и рекомендации врачам, что помогает им принимать более точные решения и определить наиболее эффективные методы лечения для пациентов.
Метод к-средних справился с поставленной задачей и может применятся при диагностировании и профилактики заболеваний.
Используемые методы классификации в работе не смогли правильно классифицировать большое количество образцов, поэтому стоит воспользоваться какими-то другими моделями. В целом, результаты указывают на необходимость дальнейшего исследования и улучшения методов классификации для данной задачи. Возможно, использование комбинации различных алгоритмов или применение более сложных моделей машинного обучения может привести к более точным результатам. Представленная архитектура нейронной сети может быть использована в других работах.
Список литературы
1.Вычуйская М.В., Крайнова И.Н., Грибанов А.В. Нейросетевые технологии в диагностике заболеваний // Медико-биологические науки. - 2018. -№3. - С. 284-294.
2.Нейросетевые модели прогнозирования заболеваемости в организованных коллективах / В.Ю. Голови-нова, С.Г. Киреев, П.К. Котенко [и др.] // Экспериментальные исследования. - 2014. -№3. - С.150 -154.
3.Лимановская О.В., Гаврилов И.В., Мещанинова В.Н. Кластеризация пациентов на основе их функциональных, клинических и антропометрических показателей для построения моделей оценки биовозраста // Моделирование, оптимизация и информационные технологии. - 2023. -№11. - С. 1-12.
4. Данилова И.И. Применение методов кластеризации для диагностики онкологических заболеваний // Материалы IX Международной студенческой научной конференции «Студенческий научный форум» [Электронный ресурс] URL: https://scienceforum.ru/2017/article/2017034235 (дата обращения: 20.06.2023).
5.Гардашева Л.А., Гаджиева Т.А. Обзор и анализ методов диагностики лечения рака современными информационными технологиями // Международный научно-исследовательский журнал. 2019. №9 (87). С. 20-28.
6. Классификация возраста в судебной медицине с использованием методов машинного обучения / Г.В. Золотенокова, А.И. Рогачев, Ю.И. Пиголкин [и др.] // Современные технологии в медицине. 2022. Т.14, №1. С. 15-24.
7. Семерякова Е.Г., Берестнева О.Г., Макарова Л.С. Математические методы в задачах медицинской диагностики // Современные проблемы науки и образования. 2012. № 6. [Электронный ресурс] URL: https://science-education.ru/ru/article/view?id=7472 (дата обращения: 14.07.2023).
8.Применение синтетических образов для решения задачи классификации на примере диагностики рака легкого / И.А. Гундырев, Л.В. Бельская, В.К. Косенок, Е.А. Сарф // Вестник РАМН. 2018. №73. С. 96-104.
9.Увалиева И.М., Исмухамедова А.М. Реализация интеллектуального анализа данных показателей щитовидной железы // Вестник Казахстанско-британского технического университета. 2020. №1. С. 170- 179.
10. Нейронные сети для прогнозирования динамики развития заболеваний / А.Г. Хасанов, Д.Г. Шабайков, С.В. Жернаков [и др.] // Креативная хирургия и онкология. - 2020. -Т.10, №3. -С. 198-204.
11. Сазонова А.С., Филиппова Л.Б., Филиппов Р.А. Инновационный потенциал экономической системы: сущность и содержание понятия// Международная научно-практическая конференция "Инновации в промышленности, управлении и образовании": сб. тр. Инновации в промышленности, управлении и образовании/ Материалы конференции, Брянск, 20 апреля 2017 г. - Брянск: БГТУ. - С. 8-10.
12. Сазонова А.С., Филиппова Л.Б., Филиппов Р.А. Оценка инновационного потенциала региона//Вестник Воронежского государственного университета инженерных технологий.- 2017. - Т. 79. № 2 (72). - С. 273-279.
13. Прогнозирование живучести мультисервисной корпоративной сети связи/ Лозбинев Ф.Ю., Сазонова А.С., Тищенко А.А., Леонов Ю.А. // Вестник Брянского государственного технического университета. - 2017. - № 4 (57). - С. 144-150.
14. Казаков Ю.М., Тищенко А.А., Кузьменко А.А., Леонов Ю.А., Леонов Е.А. Методология и технология проектирования информационных систем. М.: Общество с ограниченной ответственностью ФЛИНТА, 2018. 136 с.
15. Сазонова А.С., Филиппова Л.Б., Филиппов Р.А., Леонов Ю.А., Мартыненко А.А. Теория и системы управления: лабораторный практикум. Брянск: БГТУ, 2017. 46 с.
Кузьменко Александр Анатольевич, канд. биолог. наук, доцент, [email protected], Россия, Брянск, Брянский государственный технический университет,
Бабаев Константин Эдуардович, студент, [email protected], Россия, Брянск, Брянский государственный технический университет,
Сазонова Анна Сергеевна, канд. техн. наук, доцент, [email protected], Россия, Брянск, Брянский государственный технический университет,
Филиппов Родион Алексеевич, канд. техн. наук, доцент, [email protected], Россия, Брянск, Брянский государственный технический университет
IAS MODULE FOR SOLVING PROBLEMS IN THE FIELD OF DISEASE PREDICTION AND PREVENTION A.A. Kuzmenko, K.E.Babaev, A.S. Sazonova, R.A. Filippov
In the modern world, diseases are increasingly common and serious problems that require effective and timely solutions. Disease prevention and prognosis are vital to solving these problems. This article is devoted to the study of disease prevention and prediction of their occurrence. The main goal is to develop a system capable of predicting and preventing diseases. To achieve this goal, the following tasks are outlined: review of existing solutions in the field of disease prevention and prediction, presentation of a new solution that includes artificial intelligence methods, formalized models and data analysis methods, demonstration of algorithmic results and drawing conclusions about their effectiveness. To solve the problems of disease prevention and prognosis, it is extremely important to study the existing literature and scientific works in this field. This gives an idea of established methods and approaches, facilitating the assessment of their effectiveness and applicability. Based on this foundation, it is possible to propose a new solution using artificial intelligence methods and formalized models for data analysis. This approach may include the development of machine learning models, neural networks, or other methodologies capable of processing and analyzing vast volumes of medical records, images, and genetic data. Evaluating the performance and effectiveness of the proposed algorithms is of paramount importance, which entails analyzing and evaluating the results obtained, comparing them with existing solutions and performance indicators. With the help of this assessment, the accuracy and reliability of the disease prediction and prevention system is determined. The development of a forecasting and prevention system based on artificial intelligence and data analysis methods can help prevent the occurrence of diseases and offer personalized prevention and treatment methods. Thereby contributing to the improvement of overall health outcomes and solving problems related to common diseases in the modern world.
Key words: causes, symptoms, prediction, recognition, diseases, formalized models and methods, data analysis methods, forecasting system.
Kuzmenko Alexander Anatolyevich candidate of biological sciences, docent, [email protected], Russia, Bryansk, Bryansk State Technical University,
Babaev Konstantin Eduardovich, student, [email protected], Russia, Bryansk, Bryansk State Technical University,
Sazonova Anna Sergeevna, candidate of technical sciences, docent, [email protected], Russia, Bryansk, Bryansk State Technical University,
Filippov Rodion Alekseevich, candidate of technical sciences, docent, [email protected], Russia, Bryansk, Bryansk State Technical University
УДК 004.942
DOI: 10.24412/2071-6168-2023-12-557-558
МОДЕЛИРОВАНИЕ ПЕРИОДИЧЕСКИХ МАКРОНЕРОВНОСТЕЙ ПОВЕРХНОСТЕЙ СРЕДСТВАМИ ЯЗЫКА SL3D ПРИ РЕШЕНИИ ЗАДАЧ ТЕХНИЧЕСКОГО ЗРЕНИЯ
М.И. Олейников, О.И. Чёста, С.Ю. Королёв, М.А. Хатанзейская
В статье представлен подход моделирования и анализа отражательно-излучательных характеристик поверхностей имеющих периодические макронеровности с использованием средств языка описания оптико-геометрических сцен (SL3D). Использование такого языка предлагается для решения задач технического зрения. Особенностью SL3D является представление трёхмерных моделей в виде набора параметров, заданных в явном виде.
Ключевые слова: оптико-геометрическая модель, язык описания трёхмерных сцен, геометрический примитив, стандарт.
Настоящая статья является продолжением и развитием статей [1, 2], ранее опубликованных авторами, в которых был предложен высокоуровневый язык описания оптико-геометрических сцен (SL3D от англ. simple language 3 dimension - простой язык 3 измерения), основанный на представлении трёхмерных моделей в виде набора параметров, заданных в явном виде. В первую очередь, создание и использование такого языка обусловлено актуальной потребностью при решении задач технического зрения, а именно, для решения обратных задач по определению оптико-геометрических параметров объектов, входящих в состав трёхмерной сцены.
Следует отметить, что актуальность решения прикладных задач с использованием технического зрения с каждым годом только возрастает [3-5]. В первую очередь это обусловлено стремительным развитием информационных технологий и, в частности, искусственного интеллекта [5, 6].
Вместе с тем, предлагаемый в статье подход не является альтернативой технологий искусственного интеллекта, а представляет собой элемент фундамента, на котором могут базироваться и развиваться указанные информационные технологии.
В данной статье авторами предлагается расширение возможностей языка SL3D в части моделирования макронеровностей поверхностей, таких как складки экранно-вакуумной термоизоляции или ребра различного рода радиаторов.
Постановка задачи. В ряде практических задач технического зрения объектами для моделирования и анализа выступают элементы трёхмерной сцены, имеющие сложную структуру поверхности.
К таким поверхностям относятся различные теплоизоляционные материалы или поверхности радиаторов и солнечных батарей. В первом случае структура макронеровностей имеет случайный характер, а во втором периодический.
На первом этапе решения такой задачи авторами произведена доработка и расширение набора геометрических примитивов в части периодических макронеровностей, описываемых пространственными периодическими функциями двух переменных sin(x, z) и cos{x, z) для плоских прямоугольных поверхностей.
Прежде всего, необходимо было определить набор параметров, с одной стороны удовлетворяющий требованиям языка SL3D, а, с другой, позволяющий описывать периодические макронеровности.
Геометрические примитивы типа «Wave» (волна). По результатам проведённой работы, в части определения набора параметров для такого рода примитивов были выбраны следующие параметры, удовлетворяющие синтаксису языка SL3D (рис. 1 а):
- глубина, D [м];
- высота/амплитуда [м];
- ширина, W [м];
- частота vd (пространственная частота) по глубине [м-1];
- частота vw (пространственная частота) по ширине [м-1];
- число разбиений по глубине, Nw;
- число разбиений по ширине, Nd.
