ИНТЕЛЛЕКТУАЛЬНАЯ ПОДДЕРЖКА ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ Текст научной статьи по специальности «Компьютерные и информационные науки»

ИССЛЕДОВАНИЯ И РАЗРАБОТКИ В ОБЛАСТИ НОВЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И ИХ ПРИЛОЖЕНИЙ

УДК 004.8

DOI: 10.25559^ШТО.16.202003.664-672

Интеллектуальная поддержка принятия врачебных решений

И. Ф. Астахова1, Е. И. Киселева2*

1 ФГБОУ ВО «Воронежский государственный университет», г. Воронеж, Российская Федерация 394018, Российская Федерация, г. Воронеж, Университетская площадь, д. 1

2 ФГБОУ ВО «Воронежский государственный педагогический университет», г. Воронеж, Российская Федерация

394043, Российская Федерация, г. Воронеж, ул. Ленина, д. 86 * ekaterkisel@mail.ru

Аннотация

В данной статье представлена разработка и исследование модели формализации процесса постановки диагноза с использованием методов искусственного интеллекта. В настоящее время созданы и применяются при постановке диагноза различные искусственные нейронные сети и экспертные системы. Анализ данных работ показал, что данные методы показывают хорошие результаты, однако имеют ряд недостатков, самыми существенным из которых является сложность организации и большое время, затрачиваемое на обучение нейронной сети. Таким образом, ставится проблема разработки новых алгоритмов, имеющих вероятность постановки точного диагноза, сравнимую с искусственными нейронными сетями и экспертными системами и при этом обладающих меньшим временем обучения. Одним из путей решения этой задачи является разработка модели диагностики сахарного диабета на основе искусственной иммунной системы. Целью работы является разработка и исследование модели формализации процесса постановки диагноза с использованием методов искусственного интеллекта. Рассматривается модель процесса постановки диагноза: преддиабетное состояние (нарушение толерантности к глюкозе, нарушение гликемии натощак), диабет I типа, диабет II типа. Задача диагностики заболевания может рассматриваться как задача классификации. В данной работе процесс постановки диагноза рассматривался как разделение данных анализов и анамнеза пациентов на четыре класса, соответствующих одному из диагнозов: преддиабетное состояние (нарушение толерантности к глюкозе, нарушение гликемии натощак), диабет I типа, диабет II типа. Для решения этой задачи использовались искусственная иммунная система и искусственная нейронная сеть Кохонена. Искусственная иммунная система представляет идеализированный вариант естественного аналога и воспроизводит ключевые составляющие природного процесса: отбор лучших антител популяции в зависимости от степени их аффинитета (близости) к антигену, клонирование антител, мутация антител.

Ключевые слова: сахарный диабет, искусственная нейронная сеть, искусственная иммунная система.

Авторы заявляют об отсутствии конфликта интересов.

Для цитирования: Астахова, И. Ф. Интеллектуальная поддержка принятия врачебных решений / И. Ф. Астахова, Е. И. Киселева. — DOI 10.25559^тТО.16.202003.664-672 // Современные информационные технологии и ИТ-образование. — 2020. — Т. 16, № 3. — С. 664-672.

Q ®

Контент доступен под лицензией Creative Commons Attribution 4.0 License. The content is available under Creative Commons Attribution 4.0 License.

Современные информационные технологии и ИТ-образование

Том 16, № 3. 2020 ISSN 2411-1473 sitito.cs.msu.ru

RESEARCH AND DEVELOPMENT IN THE FIELD OF NEW IT AND THEIR APPLICATIONS

Intelligent Support for Decision-Making

I. F. Asta^ova'1, E. I. Kiselevab*

a Voronezh State University, Voronezh, Russian Federation 1 Universitetskaya pl., Voronezh 394018, Russian Federation b Voronezh State Pedagogical University, Voronezh, Russian Federation 86 Lenin St., Voronezh 394043, Russian Federation * ekaterkisel@mail.ru

Abstract

This article presents the development and study of a model for formalizing the diagnosis process using artificial intelligence methods. At present, various artificial neural networks and expert systems have been created and are used in the diagnosis. The analysis of these works showed that these methods show good results, but they have a number of disadvantages, the most significant of which is the complexity of the organization and the large time spent on training the neural network. Thus, the problem is posed of developing new algorithms that have the probability of making an accurate diagnosis, comparable to artificial neural networks and expert systems, and at the same time having less training time. One of the ways to solve this problem is to develop a model for diagnosing diabetes mellitus based on an artificial immune system. The aim of the work is to develop and study a model for formalizing the diagnosis process using artificial intelligence methods. A model of the diagnosis process is considered: pre-diabetes state (impaired glucose tolerance, impaired fasting glucose), type I diabetes, type II diabetes. The problem of diagnosing a disease can be viewed as a classification problem. In this work, the process of making a diagnosis was considered as dividing these analyzes and anamnesis of patients into four classes corresponding to one of the diagnoses: pre-diabetes state (impaired glucose tolerance, impaired fasting glycemia), type I diabetes, and type II diabetes. To solve this problem, an artificial immune system and an artificial neural network of Kohonen were used. An artificial immune system represents an idealized version of a natural analogue and reproduces the key components of a natural process: selection of the best antibodies in a population depending on the degree of their affinity (proximity) to an antigen, cloning of antibodies, and mutation of antibodies.

Keywords: diabetes mellitus, artificial neural network, artificial immune system.

The authors declare no conflict of interest.

For citation: Asta^ova I.F., Kiseleva E.I. Intelligent Support for Decision-Making. Sovremennye infor-macionnye tehnologii i IT-obrazovanie = Modern Information Technologies and IT-Education. 2020; 16(3):664-672. DOI: https://doi.org/10.25559/SITITO.16.202003.664-672

Vol. 16, No. 3. 2020 ISSN 2411-1473 sitito.cs.msu.ru

Modern Information Technologies and IT-Education

ИССЛЕДОВАНИЯ И РАЗРАБОТКИ В ОБЛАСТИ НОВЫХ ф

ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И ИХ ПРИЛОЖЕНИЙ И Астахова' Е- И Киселева

Введение

При постановке диагноза медицинскому работнику приходится обрабатывать большой количество информации. В связи с этим возрастает информационная нагрузка врача, что приводит к физической и психологической усталости, ошибкам при выборе и проведении лечения или затягиванию процесса постановки точного диагноза. Поэтому очевидно, что в настоящее время имеется тенденция к возрастанию числа разрабатываемых диагностических медицинских информационных систем (МИС). Кроме того, Постановление Правительства РФ №555 от 05.05.2018 «О единой государственной информационной системе в сфере здравоохранения» способствует росту внедрений информационных систем в области здравоохранения.

МИС помогают медицинским работникам, облегчают их деятельность, при этом улучшается качество предоставляемых медицинских услуг [1-7].

В данной работе рассматриваются алгоритмы, позволяющие выполнить дифференцированную диагностику сахарного диабета первого и второго типа, нарушения толерантности к глюкозе и нарушения гликемии натощак. Разработка оптимальных схем лечения больных сахарным диабетом (СД) с годами становится все более востребованной задачей. Несмотря на усилия организаций здравоохранения во многих странах мира число людей с заболеванием диабета растет постоянно. Это заболевание занимает четвертое место в мире среди причин преждевременной смертности людей. На сегодняшний день им страдают около 422 млн человека, что составляет 6,028 % от всего населения планеты. В России сахарным диабетом страдают около 8 млн. человек. В последние десятилетия медики регистрируют стабильный рост заболеваемости диабетом во всех возрастных группах. Если раньше болезнь была больше распространена среди лиц старше 40 лет, то сегодня ею болеют даже дети и подростки. Исследования показывают, что для каждой возрастной группы характерны свои особенности течения заболевания. Причины этого заболевания до конца не изучены. Однако ученые полагают, что основной источник такой тенденции является малоподвижный образ жизни и негативная экологическая обстановка. Известен ряд работ отечественных и зарубежных исследований, в которых осуществлялись попытки диагностики сахарного диабета первого или второго типа, в своей основе они использовали технологии искусственного интеллекта. Среди них работы Е. А. Пустозерова, Т. А. Обелец, Кирана Тангода, О. П. Шестерниковой, Дилип Кумар Чуби, О. М. Аладе, Дж. Виджа-яшри, Дж. Джаяшри [8-15].

Анализ данных работ показал, что данные методы показывают хорошие результаты, однако имеют ряд недостатков, самыми существенным из которых является сложность организации и большое время, затрачиваемое на обучение нейронной сети. Таким образом, ставится проблема разраб отки новых алгоритмов, имеющих вероятность постановки точ ного диагноза, сравнимую с искусственными нейронными сетями и экспертными системами и при этом обладающих меньшим временем обучения. Одним из путей решения этой задач ияв-ляется разработка модели диагностики сахарного диабета на основе искусственной иммунной системы.

Цель работы

Целью работы является разработка и исследование модели формализации процесса постановки диагноза с использованием методов искусственного интеллекта.

Материалы и методы

Рассмотрим модель процесса постановки диагноза: преддиа-бетное состояние (нарушение толерантности к глюкозе, нарушение гликемии натощак), диабет I типа, диабет II типа. Задача диагностики заболевания может рассматриваться как задача классификации. В данной работе процесс постановки диагноза рассматривался как разделение данных анализов и анамнеза пациентов на четыре класса, соответствующих одному из диагнозов: преддиабетное состояние (нарушение толерантности к глюкозе, нарушение гликемии натощак), диабет I типа, диабет II типа.

Для решения этой задачи использовались искусственная иммунная система и искусственная нейронная сеть Кохонена. Искусственная иммунная система представляет идеализированный вариант естественного аналога и воспроизводит ключевые составляющие природного процесса: отбор лучших антител популяции в зависимости от степени их аффинитета (близости) к антигену, клонирование антител, мутация антител [16-2 5]. Алгоритм искусственной иммунной системы представлен на рисунке 1.

Вычисление аффинности лимфоцитов к антигену и выбор лимфоцита с наилучшим показателем

"Удаление из популяции лимфоцитов, аффинность юторых меньше заданного уровня

Мутация лимфоцитов в

ПОПУЛЯЦИИ

^ —

Восстановление числа лимфоцитов в популяции путем генерации новых лимфоцитов

Р и с. 1. Алгоритмискусственнойиммунной системы F i g. 1. Artificial immune system algorithm

В предлагаемой искусственной иммунной системе в качестве антигена рассматривается вектор g, компонентами которого являются вещественные и булевы значения отражающие данные, полученные в ходе сбора анамнеза и клинических исследований пациента, диагноз которого необходимо определить.

Современные информационные технологии и ИТ-образование

Том 16, № 3.2020 ISSN 2411-1473 sitito.cs.msu.ru

, . , RESEARCB /\I\ID DEVELOPMENT IN THEiRELDOF

I. F. Astachova, E. |. К^ета REW IT AND THEIR APPLICATIONS

N = Па ж 2 ■■ ■ 9iE), где кз — П ОЛ водс i^i^TEa, g2 — (i^y.Tieыо в e-.сменноГо онпнжакщао —око ^^дгс^.д.^^и^ r ларионов ребвнпв весок -выше R ne, gg — поела oc, ga — ее/ g 5 — )юет, ggü^ — индеек ooccei тена] СС7 — 69 — б-клевы некеменнын отро/коющнс чалмоим y- раасанао оулсысеилирао нирющни с lvix;^ jl:h[ii ^ диа-Пео, ОПОй—ЛИЕИМ h ]EOEIE>y]picr:lo — йНОЬепн eNCOKOBOI ноаеыы иааомом ,0— — цулвеио геюол)ы или—мы серно 2 воси Dic—i

НССОНУГМВОйЛЯ ОРОО^ЛОНОПО НИКУОЕыПОТЕ^ПбНаЕО ТЕСЛО,

â— — трпвена ^heoil(^^l,i n^^ отделином ГЮс —

Cü-nen-112о,, Р1е4— окс—еие1 gii — С-пе—ЕС—.

Ппстооло уиснссоойнен сео—бой еесму— В = ^ГТ-,-^ ^^ '■tií^H'n Н-е ЕО во Ие роснпдовуоеитнксоо В5шусааеиныт к »Sy^ic^ice^ внитс ни Oc, оно ло i— и кулу-оаои веку l cE — О n—^и^п^з и a^ii^eiejго, подо ) ы T coooBEocoyvco увеои котанонелли. Памноднииы веекс[1^^'])\ ти-пиве— a ^a^T^ii^^^^ic^ :-Е]:^:зо1^ем реоси— Анаяоеио1 акилокнЕпта -и одноо, из осиьфеп ксоссаПг н соопвепЕоаии и аволуипЕвный дианнгеам: дкабео пеквосо ]-1.ли етнунва титан ■g^-

gp]3D^TH^i::oiB у гиоиоеоб1 нмев—бЕН]е ^.ис^е^ев^и^ неонщан Отдачей нммуккоИ cpиoeeEIJI инниепси нацед—нинОс от оавоыл омосст oaaoзнoeн oi^i^eiiii^io.

Плопрмдм оПлчоквн m-i^k^c^th^—hk^ho^ аммунтоб- cмcNСмы маыаио о^иенаолни ллофна-щым пОикьыН]

l- Молмеототзит вносит в онтевотас поле ногванле цсоынос на, поето-совпа с^оеоцта^]^^ iHTeoôiicta.iiiiei^o o^2ICl[^Il|1ь вйсосмн л

СПОЛОСИ—СВ I^^i^íLl^Cl —иЗсн-^^^и^. е Создаосго ври—а аитипол н^, \ = Д ... ]!■ нажитт и\ омтыл jchix: 11 олс-чтот новоетие (ценног1 ^ нc^iiEXOB^'ee^eм ищн оскоеа. Знооннит ko^^hhi^iícii ослопин лоАупео анааоЕМУ задаюто случойш1-м оброзем. И. ООи малИннЕи шсПотт дванын ооуче^йньсм обрасем оо-биро-сабя аннтЕсн g = (¿96,50 ■■■ЛЗе;), зеачения поаазателай мотырено ENOoвтocoьyют ввeнсинoздпoNOзаатopлe]N дам еио зу

4. Вынос лиется Зинрсщи оффихитсои осот иосп те антиеенц -io саелиющему hitpbi/k]]ii

А = ЕЕ//Ти/Б, ода /с i оысло ыннот oкынзeнoI дoоолeNPoODCы

ig ЛОНеЛЛВИЮ

■ í^ —-jgCíl <мю ое Т, .Р,]г15, EL eo 0,0Pi

5. B0 Iv.E/^THoi^.^BC^w аффш/hoetH кe>\1(-1^c.Il\ oo ^^тсиген^

ет растопивленный порог р, приюEняооoя Npoл^,^yоa ионр в !»^,oe ko^otc^c^íí Eocдaoo\D се аоиой -^^о{дого

OЛODOOЛT■

6. К клонтм антител применяется оператои мутацин: еостм-ящий в сл°чайнем оы11оро LOHOO со ьнии^ш/б сеучайным

тбDOИOM Г^МеиеНИЙ В И^ SIIOT!,!!^ о. 1рЫбНГЛ5^ИТ[|СЯ одфи^иосссд- ^.тоно^ aiH/'ИТ^Л.

л. ^^нираож^шстся I dI^mt] аитител с лас иыгон^иг еб ^Ep cO лниов^и^Юд г. 4aNFieDTTCTi/ ^o^y/^DЦил ^0бстЕтмвли1^аится п}лгем осне;

цбдсеатия гллí1E^йным ^Npa■^и^e п-/ ^овыи антио/л^ ЫО. Шв1^и б-1» оoвеclF>ссюPLвлo мест отpI поаа н/ оеиоис/^одют' ста-Онлызбции и^ виоойв/ении нтоотыбоеи потиио;

CT/O

11. Повториюы о^а^и 0iB ,е,н тех 001c cooio i^o г>с^ндт тснелонвва-

ны ^со ;^итиге^1^с мз дчеаныб l^ыбoы■aЛl 12и Cî^e аныыоотт и^ ыог^1.Л5^ции .щое^аовлы^ют в оиденыеую г]г}-Пы пyIIесдao^noоатNЛю Д^.яя дaльнeЙII^e^(IICcтонoыoт^нны при постаннют o^итpнaeЫl

OiincíiHnijiñ процесс повторяют при необходимости обучения иммунной сиеоеми пдсчановкс iO,o)I9ri'iiT

Постановкр itói ouoiob^ п.ле,о;у1ю-

-,[ -0 хтчестое антиг(с^^ сисо^1че пс)1-д'0)являнтся реооорт coi ити^ш>^е п^ци^^т;!^ онятоови ^^е (нзпл^тс.^ по^-гос В1СТО дянцитп.

2. ^ч! пши^зт-Ч^и^и^ OHTiai^e.11 случрИным (^боо^^м отТапра^тисе hib^o1^ojjoie i-о^ич^^т^в сэт^оирсин^затиив ií oiei^Biio^i яым тсс^иссаи^ в^У1о-01соных^^р^нп)зов.

3. Ktnhic^i-i^^^iiímibí^c.^ хнуоо e:iiiii^teI)e n¡ зи>е(з]с;^нн(п[й одпуисщия от,нов:т^и1(:ся[ со ií1i^i;ic^ci с][д-, еда 1=Ув..,е.

■С, ^^^и дС-ВТ дудипщавресо т^лм['(5с)ит1пта повс]01э0111:(тся ^^не вгч1^ P]oaanc>X non^.o^^i:'!]^, т'^ан ^о^, камс ^^ б°::днт и0C'CI^гнзI1т:^ ее- нотОиеиосщдн hti п.э^т^оеение! (heiK^^oporo поонтсствос зоис^лк-И1

Ц[ 1"-1:)1:11::тии'е)11в^^т(т^ чистю e]гтибeд в втз^Ир^инсзй птоиляци^и от^осто^ис^ге^ о подсев с ^т^вв^1сом с PjO з,-^ ¡l^:-,.(.IО1 В^-'сов веждоге клаоцса тесчш^л^тгтдря oтн(сшдн^я

^l1 . и c

ис, = иЮ>1 := ...'-а.

i 4' '

Е!сля 'cOlOПlс^ осцди) из глеиао ^тноше^иё -Зoлс1ШlT ев коптч класссо по^^а^ое^^!^^]!'.;]] д^^1^ноз;>', т оаоаивном слутоИв 1:1^вто]зеяютс:е п^ахпн аого-но-со °íодн^^о ^ 1^оп^л1^1ее1ст оолюс н^а^о'дя тош^ко ан1][[ис1ела -то классов- -COTO^]^IOI > 1. Заумно тoстoиовти диаттнопа 1С(зо{ет быоI) с]aцсмoт^гаa как :щс дане ^jTacccupioceaeHHEi бвылс ¡зеше^а с

исс^олс.ев^aниeт^ леЯт>oки^й сети Утиси^она. В ceei^ Кохони^на -^неяo входов 1энжтога неIIсlчнр иб2ла ост-исо)сно1'с^ naj:)^ici^ire)OB к.IIбccиIeиссиal;^^^occэ oO^eI^,е)l. В лошее ej-Coae клaсcI^Шисгикo^aоI)^;я В^тнуо оеeнябlбaы бнцлIг:cоc! сс д;ш-ные п^1сис1^оов. Ксак 0i^lс^:a^.íi^H0 ]Ia^^Cl 11^н1^ыс paцяeнаoв со1 ,с,гксвa^r 1BÍ ^бк^зa^(-lTTlíe, рш1 к^^c^I>lн неcipc(н ^ы^о[c кяc]нaяu.a'CII ввио^^Е!^ Ie0Il^и,IIecc1^0 н]бй]co^o^ сносно Ilи^л^ 1чиaенрзolI котоцсые C1^0I:^'C б-:.]ть ^o^:c^веce^I(I наншеяовоа ^ данной со^бо'се пaиИlе^alI>I

ПЗ^яндс^логнс,! н^ 4 г^lиI^^IIo -Я. б^-ньноенс Ci1^]1^Hií^:ii ^иaб^^ro(l[111с1ипа; Е)ол:11с11з11Я ссс^авжс^ни с-^^в^ецсам II ,с^1^о] оосши^и^в] с н^рссс^е^о^ем я^.с^спс-^ии т^асонс^!?;

4. ТoлбятII^ с ибооиенхен тол^еи^нтсесоетс^ ее глюс{озе:

:Hлтopoцм ^б0ICIeнс^[((I еслтсн K^-с:^сoeeс^^ ^c-e1^o]т[с не eппяующии ooaоoв.

1: сеясь

4.1ерис:^оение в_с11есц1>!1.с кoгlбе]ияиeнбoм с^т^^ Vld^0'1 н1 Í,^í(!'1/ =нс м^ль^в. едниаHиыв зно^^^CI^сI:^I оосстя ^на^сч^с^я^ 05° — итквхриый темп о0|с111е1^и^ и О1 — молс^моссс.]сое cií^i^ctohhh^ дежок веоокыс.си в^к'зосз^м^ Цст^л11!]:^]]^^ ^^lr]0)icu,iii ЦОО) Т. Пн^иъяолз1ы^е c^Tia нoтoсIo вибдиоет ^иссноло ,се дз oбп:-^al нищ ей выборкой

к: Iсв^,си^.еьI^и^ аосстоя^иее о1^ вc]би^ ,У,е^твсз:сиейронр)е сети: Об =;£KнтПЯыTып-2'H = и,мeI

5. ВыИс^р яoИоoяб 1 ^ <m с наименьшим расстояни-ои отвходадонейроновсети.

6. Настройка весов -го нейрона и всех нейронов, нахо-

фды сна Ул1 Зн Л^дно сдыон^'^'^с-^од !^IcitoInд.mouIIIп

■^лс^^г'п lnfoema■Cion 1Гиal/тзío-г■^а тогн lГ]EEplыь^t■oы

668

ИССЛЕДОВАНИЯ И РАЗРАБОТКИ В ОБЛАСТИ НОВЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И ИХ ПРИЛОЖЕНИЙ

И. Ф. Астахова, Е. И. Киселева

дящихся от него на расстоянии, не превосходящем 7. Уменьшение значений Ду .

Шаги 2-7 повторяются до тех пор, пока веса не перестанут меняться (или пока суммарное изменение всех весов станет меньше величины, заданной пользователем). После обучения сети постановка диагноза выполняется посредством подачи испытуемого вектора на вход сети и вычисления расстояния от него, до каждого нейрона с последующим выбором нейрона с наименьшим расстоянием в качестве индикатора класса. Номер выбранного класса соответствует диагнозу пациента.

Результаты

Было произведено сравнение точности постановки диагноза с использованием искусственной нейронной сети и искусственной иммунной системы.

Для организации работы программного комплекса использовались данные 186 пациентов с известными заключительными диагнозами. В обучающую выборку вошли 100 записей, в контрольную выборку 86 записей.

Диагнозы пациентов, которые получены в ходе работы программного комплекса, сравнивались с известными заключительными диагнозами, далее вычислялся процент совпадений с полученными в ходе работы программы.

Т а б л л ц а 1. Сравнение результатов постановки диагноза Table 1. Diagnosis results comparison

Метод Процент правильно поставленных диагнозов

Линейный классификатор (нейронная сеть с 1 слоем) 88%

Нейронная сеть Кохонена 92 %

Искусственная иммунная система с начальной популяцией п=80 95 %

Искусственная иммунная система с начальной популяцией антител п=100 96%

Искусственная иммунная система с начальной популяцией антител п=200 96%

Как видно из результатов проведенных экспериментов, наилучшие результаты показала искусственная иммунная система с начальной популяцией, превышающей 100 антител. Был разработан программный комплекс, реализующий разработанные алгоритмы и модели. Средством реализации поставленных задач были выбраны среда разработки С++ Builder и СУБД Paradox. Функциональная схема программного продукта приведена на рисунке 2.

Авторизация

Пользователь

Администратор

Модуль настройки программного комплекса

Модуль работы с искусственной иммунной системы

Модуль обучения искусственной иммунной системы

Модуль постановки диагноза с искусственной иммунной

системы *

База данных

обучения и постановки диагноза с помощью искусственной нейронной сети и искусственной иммунной системы. Вторая часть обеспечивает работу пользователя (пациента) и предназначена для постановки диагноза. Структурная схема взаимодействия основных модулей показана на рисунке 3.

Пользователь

/ >

Исполняемая программа на языке С++

/

Модуль работы с искусственной иммунной системы

Модуль работы с нейронной

N

Обучение

Постановка диагноза

Обучение

Постановка диагноза

Р и с. 2. Функциональная схема программного комплекса F i g. 2. Functional diagram of the software package

Программный комплекс разделен на 2 части, часть пользователя (пациента) и часть администратора (врача). Первая часть системы для работы администратора (врача), она предназначена для накопления и хранения информации, настройки

Р и с. 3. Структурная схема взаимодействия модулей программного комплекса

F i g. 3. Block diagram of the interaction of the modules of the software package

Заключение

В данной работе получены следующие основные результаты.

1. Разработана формальная модель процесса постановки диагноза.

2. Разработан алгоритм постановки диагноза: преддиа-бетное состояние (нарушение толерантности к глюкозе, нарушение гликемии натощак), диабет I типа, диабет II

Современные информационные технологии и ИТ-образование

Том 16, № 3.2020 ISSN 2411-1473 sitito.cs.msu.ru

I. F. Astachova, E. I. Kiseleva

RESEARCH AND DEVELOPMENT IN THE FIELD OF NEW IT AND THEIR APPLICATIONS

669

типа, отличающийся использованием искусственной иммунной системы.

3. Разработан алгоритм и модель нейронной сети Кохоне-на, позволяющая решать проблему постановки диагноза: преддиабетное состояние (нарушение толерантности к глюкозе, нарушение гликемии натощак), диабет I типа, диабет II типа.

4. Произведено сравнение эффективности постановки диагноза с использованием нейронных сетей и искусственной иммунной системы.

5. Создан программный комплекс, реализующий описанные алгоритмы.

Список использованных источников

[1] Haglin, J. M. Artificial neural networks in medicine / J. M. Haglin, G. Jimenez, A. E. M. Eltorai. — DOI 10.1007/s12553-018-0244-4 // Health and Technology.— 2019.— Vol. 9, issue 1.— Pp. 1-6.— URL: https://link.springer.com/ article/10.1007/s12553-018-0244-4 (дата обращения: 11.06.2020).

[2] Soumya, C. V. Artificial neural network based identification and classification of images of Bharatanatya gestures / C. V. Soumya, M. Ahmed.— DOI 1010.1109/ ICIMIA.2017.7975593 // 2017 International Conference on Innovative Mechanisms for Industry Applications (ICIMIA).— Bangalore, 2017.— Pp. 162-166.— URL: https://ieeexplore.ieee.org/document/7975593 (дата обращения: 11.06.2020).

[3] Nowikiewicz, T. Application of artificial neural networks for predicting presence of non-sentinel lymph node metastases in breast cancer patients with positive sentinel lymph node biopsies / T. Nowikiewicz, P. Wnuk, B. Maikowski, A. Kurylcio, J. Kowalewski, W. Zegarski.— DOI 10.5114/ aoms.2016.57677 // Archives of Medical Science.— 2017. — Vol. 13, no. 6. — Pp. 1399-1407. — URL: https:// www.archivesofmedicalscience.com/Application-of-artifi-cial-neural-networks-for-predicting-presence-of-non-sen-tinel,60521,0,2.html (дата обращения: 11.06.2020).

[4] Sheikhtaheri, A. Developing and Using Expert Systems and Neural Networks in Medicine: A Review on Benefits and Challenges / A. Sheikhtaheri, F. Sadoughi, Z. Hashemi Dehaghi.— DOI 10.1007/s10916-014-0110-5 // Journal of Medical Systems. — 2014.— Vol. 38, issue 9.— Article 110.— URL: https://link.springer.com/article/10.1007/ s10916-014-0110-5 (дата обращения: 11.06.2020).

[5] Ultsch, A. Integration of Neural Networks and knowledge-based systems in medicine / A. Ultsch, D. Korus, T. O. Kleine.— DOI 10.1007/3-540-60025-6_170 // Artificial Intelligence in Medicine. AIME 1995. Lecture Notes in Computer Science (Lecture Notes in Artificial Intelligence); P. Barahona, M. Stefanelli, J. Wyatt (ed.). Springer, Berlin, Heidelberg.— 1995.— Vol. 934.— Pp. 425-426.— URL: https://link.springer.com/chap-ter/10.1007%2F3-540-60025-6_170 (дата обращения: 11.06.2020).

[6] Summers, R. M. Deep Learning and Computer-Aided Diagnosis for Medical Image Processing: A Personal Perspective

/ R. M. Summers.— DOI 10.1007/978-3-319-42999-1_1 // Deep Learning and Convolutional Neural Networks for Medical Image Computing. Advances in Computer Vision and Pattern Recognition; L. Lu, Y. Zheng, G. Carneiro, L. Yang (ed.). Springer, Cham, 2017. — Pp. 3-10.— URL: https://link. springer.com/chapter/10.1007%2F978-3-319-42999-1_1 (дата обращения: 11.06.2020).

[7] Wang, J. Quantitative Analysis of Ca, Mg, and K in the Roots of Angelica pubescens f. biserrata by Laser-Induced Breakdown Spectroscopy Combined with Artificial Neural Networks / J. Wang, M. Shi, P. Zheng, Sh. Xue, R. Peng. — DOI 10.1007/s10812-018-0631-7 // Journal of Applied Spec-troscopy.— 2018.— Vol. 85, issue 1.— Pp. 190-196.— URL: https://link.springer.com/article/10.1007/s10812-018-0631-7 (дата обращения: 11.06.2020).

[8] Sejdinovic, D. Classification of Prediabetes and Type 2 Diabetes Using Artificial Neural Network / D. Sejdinovic [et al.].— DOI 10.1007/978-981-10-4166-2_103 // CMBEBIH 2017. IFMBE Proceedings; A. Badnjevic (ed.). Springer, Singapore. —

2017. — Vol. 62. — Pp. 685-689. — URL: https://link.spring-er.com/chapter/10.1007%2F978-981-10-4166-2_103 (дата обращения: 11.06.2020).

[9] Alade, O. M. A Neural Network Based Expert System for the Diagnosis of Diabetes Mellitus / O. M. Alade, O. Y. Sow-unmi, S. Misra, R. Maskeliünas, R. Damasevicius. — DOI 10.1007/978-3-319-74980-8_2 // Information Technology Science. MOSITS 2017. Advances in Intelligent Systems and Computing; T. Antipova, Ä. Rocha (ed.). Springer, Cham.—

2018. — Vol. 724. — Pp. 14-22. — URL: https://link.spring-er.com/chapter/10.1007%2F978-3-319-74980-8_2 (дата обращения: 11.06.2020).

[10] Srivastava, S. Prediction of Diabetes Using Artificial Neural Network Approach / S. Srivastava, L. Sharma, V. Sharma, A. Kumar, H. Darbari. — DOI 10.1007/978-981-13-1642-5_59 // Engineering Vibration, Communication and Information Processing. Lecture Notes in Electrical Engineering; K. Ray, S. Sharan, S. Rawat, S. Jain, S. Srivastava, S. Bandyopadhyay (ed.). Springer, Singapore. — 2019. — Vol. 478. — Pp. 679687.— URL: https://link.springer.com/chapter/10.1007% 2F978-981-13-1642-5_59 (дата обращения: 11.06.2020).

[11] Li X. Artificial intelligence neural network based on intelligent diagnosis. / X. Li. — DOI 10.1007/s12652-020-02108-6 // Journal of Ambient Intelligence and Humanized Computing. — 2021. — Vol. 12, issue 1. — Pp. 923-931. — URL: https://link.springer.com/article/10.1007/s12652-020-02108-6 (дата обращения: 11.06.2020).

[12] Asad, M. A Review of Continuous Blood Glucose Monitoring and Prediction of Blood Glucose Level for Diabetes Type 1 Patient in Different Prediction Horizons (PH) Using Artificial Neural Network (ANN) / M. Asad, U. Qamar. — DOI 10.1007/978-3-030-29513-4_51 // Intelligent Systems and Applications. IntelliSys 2019. Advances in Intelligent Systems and Computing; Y. Bi, R. Bhatia, S. Kapoor (ed.). Springer, Cham.— 2020.— Vol. 1038.— Pp. 684695.— URL: https://link.springer.com/chapter/10.1007% 2F978-3-030-29513-4_51 (дата обращения: 11.06.2020).

[13] Raihan, M. Diabetes Mellitus Risk Prediction Using Artificial Neural Network / M. Raihan, N. Alvi, M. Tanvir Islam, F. Farza-

Vol. 16, No. 3. 2020 ISSN 2411-1473 sitito.cs.msu.ru

Modern Information Technologies and IT-Education

670 ИССЛЕДОВАНИЯ И РАЗРАБОТКИ В ОБЛАСТИ НОВЫХ ф

6/0 ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И ИХ ПРИЛОЖЕНИЙ И Астахова' Е- И Киселева

na, M. Mahadi Hassan. — DOI 10.1007/978-981-15-3607-6_7 // Proceedings of International Joint Conference on Computational Intelligence. Algorithms for Intelligent Systems; M. S. Uddin, J. C. Bansal (ed.). Springer, Singapore, 2020. — Pp. 85-97. — URL: https://link.springer.com/chapter/10.1007% 2F978-981-15-3607-6_7 (дата обращения: 11.06.2020).

[14] Arul Kumar, D. Application of back propagation artificial neural network in detection and analysis of diabetes mellitus / D. Arul Kumar, T. Jayanthy.— DOI 10.1007/ s12652-020-02371-7 // Journal of Ambient Intelligence and Humanized Computing.— 2020.— URL: https://link. springer.com/article/10.1007%2Fs12652-020-02371-7 (дата обращения: 11.06.2020).

[15] Jayashree, J. Linear Discriminant Analysis Based Genetic Algorithm with Generalized Regression Neural Network— A Hybrid Expert System for Diagnosis of Diabetes / J. Jayashree, S. A. Kumar. — DOI 10.1134/S0361768818060063 // Programming and Computer Software. — 2018. — Vol. 44, issue 6.— Pp. 417-427.— URL: https://link.springer.com/ article/10.1134/S0361768818060063 (дата обращения: 11.06.2020).

[16] Çahan, S. The Medical Applications of Attribute Weighted Artificial Immune System (AWAIS): Diagnosis of Heart and Diabetes Diseases / S. Çahan, K. Polat, H. Kodaz, S. Günej. — DOI 10.1007/11536444_35 // Artificial Immune Systems. ICARIS 2005. Lecture Notes in Computer Science; C. Jacob, M. L. Pilat, P. J. Bentley, J. I. Tim-mis (ed.). Springer, Berlin, Heidelberg.— 2005.— Vol. 3627.— Pp. 456-468.— URL: https://link.springer.com/ chapter/10.1007%2F11536444_35 (дата обращения: 11.06.2020).

[17] Lin, H. An Application of Artificial Immune Recognition System for Prediction of Diabetes Following Gestational Diabetes / H. Lin, C. Su, P. Wang. — DOI 10.1007/s10916-009-9364-8 // Journal of Medical Systems. — 2011. — Vol. 35, issue 3.— Pp. 283-289.— URL: https://link.spring-er.com/article/10.1007%2Fs10916-009-9364-8 (дата обращения: 11.06.2020).

[18] Chikh, M. A. Diagnosis of Diabetes Diseases Using an Artificial Immune Recognition System2 (AIRS2) with Fuzzy K-nearest Neighbor / M. A. Chikh, M. Saidi, N. Settouti. — DOI 10.1007/ s10916-011-9748-4 // Journal of Medical Systems.— 2012. — Vol. 36, issue 5. — Pp. 2721-2729. — URL: https:// link.springer.com/article/10.1007%2Fs10916-011-9748-4 (дата обращения: 11.06.2020).

[19] Wu, J.-Y. Hybrid Artificial Immune Algorithm and CMAC Neural Network Classifier for Supporting Business and Medical Decision Making / J.-Y. Wu. — DOI 10.1007/978-3-642-25856-5_4 // Advanced Data Mining and Applications. ADMA 2011. Lecture Notes in Computer Science; J. Tang, I. King, L. Chen, J. Wang (ed.). Springer, Berlin, Heidelberg. — 2011.— Vol. 7121.— Pp. 41-54.— URL: https://link. springer.com/chapter/10.1007%2F978-3-642-25856-5_4 (дата обращения: 11.06.2020).

[20] Fu, X. An Improved Artificial Immune Recognition System Based on the Average Scatter Matrix Trace Criterion / X. Fu, S. Zhang. — DOI 10.1007/978-3-642-30976-2_34 // Advances in Swarm Intelligence. ICSI 2012. Lecture Notes in Comput-

er Science; Y. Tan, Y. Shi, Z. Ji (ed.). Springer, Berlin, Heidelberg. — 2012. — Vol. 7331. — Pp. 284-290. — URL: https:// link.springer.com/chapter/10.1007/978-3-642-30976-2_34 (дата обращения: 11.06.2020).

[21] Astachova, I. F. The application of artificial immune system for parallel process of calculation and their comparison with existing methods / I. F. Astachova, S. A. Ushakov, A. I. Shashkin, N. V. Belyaeva. — DOI 10.1088/1742-6596/1202/1/012003 // Journal of Physics: Conference Series.— 2019.— Vol. 1202.— Pp. 012003.— URL: https://iopscience.iop.org/ article/10.1088/1742-6596/1202/1/012003/pdf (дата обращения: 11.06.2020).

[22] Каширина, И. Л. Нейросетевые технологии / И. Л. Каши-рина. — Воронеж: изд-во ВГУ 2008.

[23] Астахова, И. Ф. Алгоритм использования искусственной иммунной системы для оптимизации целевого компонента информационной образовательной системы / И. Ф.Астахова, Е. И. Киселева // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. — 2017. — № 2. — С. 6165.— URL: https://www.elibrary.ru/item.asp?id=29880179 (дата обращения: 11.06.2020). — Рез. англ.

[24] Holland, J. H. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence / J. H. Holland. — Cambridge: The MIT Press, 1992.

[25] Sudholt, D. Theory and practice of population diversity in evolutionary computation / D. Sudholt, G. Squillero. — DOI 10.1145/3377929.3389892 // Proceedings of the 2020 Genetic and Evolutionary Computation Conference Companion (GECCO '20).— New York, NY, USA: Association for Computing Machinery, 2020.— Pp. 975-992.— URL: https://dl.acm.org/doi/10.1145/3377929.3389892 (дата обращения: 11.06.2020).

Поступила 11.06.2020; одобрена после рецензирования 29.09.2020; принята к публикации 20.11.2020.

|об авторах:|

Астахова Ирина Федоровна, профессор кафедры математического обеспечения ЭВМ, факультет прикладной математики, информатики и механики, ФГБОУ ВО «Воронежский государственный университет» (394018, Российская Федерация, г. Воронеж, Университетская площадь, д. 1), доктор технических наук, профессор, ORCID: http://orcid.org/0000-0002-2627-8508, astachova@list.ru

Киселева Екатерина Игоревна, старший преподаватель кафедры педагогики и методики дошкольного и начального образования, психолого-педагогический факультет, ФГБОУ ВО «Воронежский государственный педагогический университет» (394043, Российская Федерация, г. Воронеж, ул. Ленина, д. 86), ORCID: http://orcid.org/0000-0002-6406-9782, ekaterkisel@ mail.ru

Все авторы прочитали и одобрили окончательный вариант рукописи.

Современные информационные технологии и ИТ-образование

Том 16, № 3. 2020 ISSN 2411-1473 sitito.cs.msu.ru

RESEARCH AND DEVELOPMENT IN THE FIELD OF I. R feta^w^ E. |. Kise1eva NEW IT AND THEIR APPLICATIONS

References

[1] Haglin J.M., Jimenez G., Eltorai A.E.M. Artificial neural networks in medicine. Health and Technology. 2019; 9(1):1-6. (In Eng.) DOI: https://doi.org/10.1007/s12553-018-0244-4

[2] Soumya C.V., Ahmed M. Artificial neural network based iden- [11] tification and classification of images of Bharatanatya gestures. In: 2017International Conference on Innovative Mechanisms for Industry Applications (ICIMIA). Bangalore; 2017.

p. 162-166. (In Eng.) DOI: https://doi.org/1010.1109/ [12] ICIMIA.2017.7975593

[3] Nowikiewicz T., Wnuk P., Matkowski B., Kurylcio A., Kow-alewski J., Zegarski W. Application of artificial neural networks for predicting presence of non-sentinel lymph node metastases in breast cancer patients with positive sentinel lymph node biopsies. Archives of Medical Science. 2017; 13(6):1399-1407. (In Eng.) DOI: https://doi.org/10.5114/ aoms.2016.57677 [13]

[4] Sheikhtaheri A., Sadoughi F., Hashemi Dehaghi Z. Developing and Using Expert Systems and Neural Networks in Medicine: A Review on Benefits and Challenges. Journal of Medical Systems. 2014; 38(9):110. (In Eng.) DOI: https:// doi.org/10.1007/s10916-014-0110-5

[5] Ultsch A., Korus D., Kleine T.O. Integration of Neural Networks and knowledge-based systems in medicine. In: Bar- [14] ahona P., Stefanelli M., Wyatt J. (ed.) Artificial Intelligence

in Medicine. AIME 1995. Lecture Notes in Computer Science (Lecture Notes in Artificial Intelligence). 1995; 934:425426. Springer, Berlin, Heidelberg. (In Eng.) DOI: https://doi. org/10.1007/3-540-60025-6_170 [15]

[6] Summers R.M. Deep Learning and Computer-Aided Diagnosis for Medical Image Processing: A Personal Perspective. In: Lu L., Zheng Y., Carneiro G., Yang L. (ed.) Deep Learning and Convolutional Neural Networks for Medical Image Computing. Advances in Computer Vision and Pattern Recognition. Springer, Cham; 2017. p. 3-10. (In Eng.) DOI: https:// [16] doi.org/10.1007/978-3-319-42999-1_1

[7] Wang J., Shi M., Zheng P., Xue Sh., Peng R. Quantitative Analysis of Ca, Mg, and K in the Roots of Angelica pubescens f. biserrata by Laser-Induced Breakdown Spectroscopy Combined with Artificial Neural Networks. Journal of Applied Spectroscopy. 2018; 85(1):190-196. (In Eng.) DOI: https:// doi.org/10.1007/s10812-018-0631-7 [17]

[8] Sejdinovic D. et al. Classification of Prediabetes and Type 2 Diabetes Using Artificial Neural Network. In: Badnje-vic A. (ed.) CMBEBIH 2017. IFMBE Proceedings. 2017; 62:685-689. Springer, Singapore. (In Eng.) DOI: https://doi. org/10.1007/978-981-10-4166-2_103 [18]

[9] Alade O.M., Sowunmi O.Y., Misra S., Maskeliünas R., Damasevicius R. A Neural Network Based Expert System for the Diagnosis of Diabetes Mellitus. In: Antipova T., Rocha À. (ed.) Information Technology Science. MOSITS 2017. Advances in Intelligent Systems and Computing. 2018; [19] 724:14-22. Springer, Cham. (In Eng.) DOI: https://doi. org/10.1007/978-3-319-74980-8_2

[10] Srivastava S., Sharma L., Sharma V., Kumar A., Darbari H. Prediction of Diabetes Using Artificial Neural Network Ap-

proach. In: Ray K., Sharan S., Rawat S., Jain S., Srivastava S., Bandyopadhyay A. (ed.) Engineering Vibration, Communication and Information Processing. Lecture Notes in Electrical Engineering. 2019; 478:679-687. Springer, Singapore. (In Eng.) DOI: https://doi.org/10.1007/978-981-13-1642-5_59

Li X. Artificial intelligence neural network based on intelligent diagnosis. Journal of Ambient Intelligence and Humanized Computing. 2021; 12(1):923-931. (In Eng.) DOI: https://doi.org/10.1007/s12652-020-02108-6 Asad M., Qamar U. A Review of Continuous Blood Glucose Monitoring and Prediction of Blood Glucose Level for Diabetes Type 1 Patient in Different Prediction Horizons (PH) Using Artificial Neural Network (ANN). In: Bi Y., Bhatia R., Kapoor S. (ed.) Intelligent Systems and Applications. In-telliSys 2019. Advances in Intelligent Systems and Computing. 2020; 1038:684-695. Springer, Cham. (In Eng.) DOI: https://doi.org/10.1007/978-3-030-29513-4_51 Raihan M., Alvi N., Tanvir Islam M., Farzana F., Mahadi Hassan M. Diabetes Mellitus Risk Prediction Using Artificial Neural Network. In: Uddin M.S., Bansal J.C. (ed.) Proceedings of International Joint Conference on Computational Intelligence. Algorithms for Intelligent Systems. Springer, Singapore; 2020. p. 85-97. (In Eng.) DOI: https://doi. org/10.1007/978-981-15-3607-6_7

Arul Kumar D., Jayanthy T. Application of back propagation artificial neural network in detection and analysis of diabetes mellitus. Journal of Ambient Intelligence and Humanized Computing. 2020. (In Eng.) DOI: https://doi.org/10.1007/ s12652-020-02371-7

Jayashree J., Kumar S.A. Linear Discriminant Analysis Based Genetic Algorithm with Generalized Regression Neural Network— A Hybrid Expert System for Diagnosis of Diabetes. Programming and Computer Software. 2018; 44(6):417-427. (In Eng.) DOI: https://doi.org/10.1134/ S0361768818060063

Çahan S., Polat K., Kodaz H., Gûneç S. The Medical Applications of Attribute Weighted Artificial Immune System (AWAIS): Diagnosis of Heart and Diabetes Diseases. In: Jacob C., Pilat M.L., Bentley P.J., Timmis J.I. (ed.) Artificial Immune Systems. ICARIS 2005. Lecture Notes in Computer Science. 2005; 3627:456-468. Springer, Berlin, Heidelberg. (In Eng.) DOI: https://doi.org/10.1007/11536444_35 Lin H., Su C., Wang P. An Application of Artificial Immune Recognition System for Prediction of Diabetes Following Gestational Diabetes. Journal of Medical Systems. 2011; 35(3):283-289. (In Eng.) DOI: https://doi.org/10.1007/ s10916-009-9364-8

Chikh M.A., Saidi M., Settouti N. Diagnosis of Diabetes Diseases Using an Artificial Immune Recognition System2 (AIRS2) with Fuzzy K-nearest Neighbor. Journal of Medical Systems. 2012; 36(5):2721-2729. (In Eng.) DOI: https://doi. org/10.1007/s10916-011-9748-4

Wu J.-Y. Hybrid Artificial Immune Algorithm and CMAC Neural Network Classifier for Supporting Business and Medical Decision Making. In: Tang J., King I., Chen L., Wang J. (ed.) Advanced Data Mining and Applications. ADMA 2011. Lecture Notes in Computer Science. 2011; 7121:41-

Vol. 16, No. 3. 2020 ISSN 2411-1473 sitito.cs.msu.ru

Modern Information Technologies and IT-Education

6/2 ИССЛЕДОВАНИЯ И РАЗРАБОТКИ В ОБЛАСТИ НОВЫХ ф

6/2 ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И ИХ ПРИЛОЖЕНИЙ И Астахова' Е- И Киселева

54. Springer, Berlin, Heidelberg. (In Eng.) DOI: https://doi. org/10.1007/978-3-642-25856-5_4

[20] Fu X., Zhang S. An Improved Artificial Immune Recognition System Based on the Average Scatter Matrix Trace Criterion. In: Tan Y., Shi Y., Ji Z. (ed.) Advances in Swarm Intelligence. ICSI 2012. Lecture Notes in Computer Science. 2012; 7331:284-290. Springer, Berlin, Heidelberg. (In Eng.) DOI: https://doi.org/10.1007/978-3-642-30976-2_34

[21] Astachova I.F., Ushakov S.A., Shashkin A.I., Belyaeva N.V. The application of artificial immune system for parallel process of calculation and their comparison with existing methods. Journal of Physics: Conference Series. 2019; 1202: 012003. (In Eng.) DOI: https://doi.org/10.1088/1742-6596/1202/1/012003

[22] Kashirina I.L. Nejrosetevye tekhnologii [Neural Network Technologies]. VSU Publ., Voronezh; 2008. (In Russ.)

[23] Astachova I.F., Kiseleva E.I. The algorithm is the use of artificial immune systems to optimize the target component of the information educational system. Proceedings of Voronezh State University. Series: Systems analysis and information technologies. 2017; (2):61-65. Available at: https://www. elibrary.ru/item.asp?id=29880179 (accessed 11.06.2020). (In Russ., abstract in Eng.)

[24] Holland J.H. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. The MIT Press, Cambridge; 1992. (In Eng.)

[25] Sudholt D., Squillero G. Theory and practice of population diversity in evolutionary computation. In: Proceedings of the 2020 Genetic and Evolutionary Computation Conference Companion (GECCO '20). Association for Computing Machinery, New York, NY, USA; 2020. p. 975-992. (In Eng.) DOI: https://doi.org/10.1145/3377929.3389892

Submitted 11.06.2020; approved after reviewing 29.09.2020; accepted for publication 20.11.2020.

About the authors:

Irina F. Astachova, Professor of the Department of Computer Hardware, Faculty of Applied Mathematics, Informatics and Mechanics, Voronezh State University (1 Universitetskaya pl., Voronezh 394018, Russian Federation), Dr.Sci. (Engineering), Professor, ORCID: http://orcid.org/0000-0002-2627-8508, astachova@list.ru Ekaterina I. Kiseleva, Senior Lecturer of the Department of Pedagogy and Methods of Preschool and Primary Education, Psychological and Pedagogical Faculty, Voronezh State Pedagogical University (86 Lenin St., Voronezh 394043, Russian Federation), ORCID: http://orcid.org/0000-0002-6406-9782, ekaterkisel@mail.ru

All authors have read and approved the final manuscript.

Современные информационные технологии и ИТ-образование

Том 16, № 3. 2020 ISSN 2411-1473 sitito.cs.msu.ru