CC BY
14
УДК 004.9
https://doi.org/10.24412/2226-2296-2020-3-4-29-32
I
История разработки российских аналоговых искусственных нейронных сетей для автоматизированной медицинской диагностики
Л.В. Стародубцева1, Е.Н. Кореневская2
1 Юго-Западный государственный университет, 305040, г. Курск, Россия ORCID: https://orcid.org/0000-0001-6803-298X, E-mail: lilja-74@inbox.ru
2 Донецкий национальный технический университет, 83001, г. Донецк, Донецкая народная республика ORCID: https://orcid.org/0000-0003-0361-2224, E-mail: kstu-bmi@yandex.ru
Резюме: Статья содержит исторические аспекты разработки аналоговых искусственных нейронных сетей для медицинской диагностики. Раскрывается их структура и недостатки, препятствующие запуску их в серийное производство. Показано, что анализ этого типа нейронных сетей дал толчок к развитию отечественных диалоговых систем распознавания и гибридных систем поддержки принятия решений.
Ключевые слова: история разработки отечественных искусственных нейронных сетей, обучение, распознавание образов, структура, диалоговые системы.
Для цитирования: Стародубцева Л.В., Кореневская Е.Н. История разработки российских аналоговых искусственных нейронных сетей для автоматизированной медицинской диагностики // История и педагогика естествознания. 2020. № 3-4. С. 29-32. D0I:10.24412/2226-2296-2020-3-4-29-32
HISTORY OF DEVELOPMENT OF RUSSIAN ANALOG ARTIFICIAL NEURAL NETWORKS FOR AUTOMATED MEDICAL DIAGNOSTICS
Liliya V. Starodubtseva1, Elena N. Korenevskaya2
1 South-Western state University, 305040, Kursk, Russia
ORCID: https://orcid.org/0000-0001-6803-298X, E-mail: lilja-74@inbox.ru
2 Donetsk national technical University, 83001, Donetsk, Donetsk People's Republic ORCID: https://orcid.org/0000-0003-0361-2224, E-mail: kstu-bmi@yandex.ru
Abstract: The article contains historical aspects of the development of analog artificial neural networks for medical diagnostics. Their structure and disadvantages preventing their launch into mass production are revealed. It is shown that the analysis of this type of neural networks gave an impetus to the development of domestic dialog recognition systems and hybrid decision support systems. Keywords: history of development of domestic artificial neural networks, training, pattern recognition, structure, dialog systems. For citation: Starodubtseva L.V., Korenevskaya E.N. HISTORY OF DEVELOPMENT OF RUSSIAN ANALOG ARTIFICIAL NEURAL NETWORKS FOR AUTOMATED MEDICAL DIAGNOSTICS. History and Pedagogy of Natural Science. 2020, no. 3-4, pp. 29-32. DOI:10.24412/2226-2296-2020-3-4-29-32
Середина 70-х годов прошлого столетия характеризовалась двумя направлениями развития и использования электронных вычислительных машин: аналоговых и цифровых.
Отечественная промышленность выпускала ряд аналоговых вычислительных машин типа МН-7, МН-10 и цифровых вычислительных машин различных типов и мощностей. Среди мощных вычислительных машин наиболее широко использовались БЭСМ-4, БЭСМ-6, ЕС1020 и др. В классе мини ЭВМ выпускались машины типа «Наири», «Мир1», «Мир 2», «Проминь».
В 1975 году была выпущена первая из этой серии мини-ЭВМ СМ-1.
Первая отечественная микро-ЭВМ «Электроника НЦ-03Т» была выпущена в 1975-1976 годах опытной партией из пяти изделий.
Наряду с другими отраслями человеческой деятельности в это время изучались возможности применения средств вычислительной техники (ВТ) в медицине. Одним из перспективных направлений использования средств ВТ в медицине считалось моделирование с их помощью искусственных нейронных сетей для решения задач медицинской диагностики [1-10].
При этом было очевидно, что процесс обучения нейронных сетей можно было осуществить, используя достаточно мощные цифровые ЭВМ типа БЭСМ 4,6, ЕС1020 и аналогичные им по вычислительной мощности. Однако значительная стоимость, объемы, наличие специально обученного персонала - все это не позволяло широко их использовать в практической медицине в качестве помощников врачей, решающих различные задачи ведения пациентов в типовых лечебно-профилактических учреждениях.
Микро-ЭВМ, которые могли бы быть использованы для целей рутинной медицинской диагностики, в середине 70-х годов, не вышли из стен лабораторий. Они появятся позже и займут свою практическую нишу во второй половине 80-х.
В середине 70-х годов в качестве элементарной базы цифровых отечественных систем использовались микросхемы малой и средней степени интеграции, а для реализации аналоговых систем были разработаны микросхемы операционных усилителей с достаточно большим коэффициентом усиления.
С учетом достижений в области аналоговой и цифровой электроники в начале 70-х годов во Всесоюзном научно-исследовательском и испытательном институте медицинской
3-4 • 2020
История и педагогика естествознания
\29
В11 —
Вт
техники (ВНИИИМТ), руководимом Ру-стамом Исмаиловичем Утямышевым, было принято решение о разработке первых отечественных искусственных нейронных сетей (ИНС) для широкого использования в диагностической медицинской практике. Непосредственное руководство этой работой было поручено доктору технических наук Александру Ивановичу Галушкину, занимающемуся теорией синтеза ИНС, основные положения которой были описаны в его работах [1, 2].
Для практической реализации ИНС, ориентированных на медицинскую практику была создана группа математиков, программистов и системотехников под руководством А.И. Галушкина, которая приступила к разработке обучающих программ, адаптированных для решений задач медицинской диагностики с различной структурой данных, и выбору структуры и элементной базы медицинских обучаемых диагностических приборов для использования в медицинских учреждениях.
В начале 70-х годов еще не выпускались серийные персональные цифровые вычислительные машины (микро-ЭВМ) и перспективы их широкого производства и внедрения в то время не были до конца ясны. Поэтому тогда было принято решение на разработку аналоговых искусственных нейронных сетей (АИНС) на базе операционных усилителей.
В качестве базовой схемы искусственного нейрона была выбрана схема, приведенная на рис. 1.
В этой схеме значения медицинских признаков в виде электрического напряжения х1...хп задавались переменными резисторами Я11...Я1п. Операционные усилители ОУ1(- и ОУ2(- обеспечивали масштабирование и формирование двухполярного задания настраиваемых коэффициентов нейронной сети. Выходной усилитель ОУ3 выполнял роль компаратора (порогового элемента). Настройка весовых коэффициентов искусственного нейрона (ИН) осуществлялась резисторами Я61...Я6(Г Настройка порога - резисторами Я8, Я9. Режим компаратора обеспечивается тем, что Я0 >> Я7.
Аналитически аналоговый элемент ИНС (АИНС) реализует выражение вида
п
ин = sin(ao +Х Щх^).
!=1
Для технической реализации аналоговой ИНС с базовым элементом, приведенным на рис. 1, ВНИИИМТ выбрал в качестве исполнителя Курский политехнический институт (КПИ), позже Юго-Западный государственный университет (ЮЗГУ). В 1973 году между ВНИИИМТ и кафедрой вычислительной техники (ВТ) КПИ был заключен хозяйственный договор на выполнение научно-исследовательской работы (НИР).
Со стороны КПИ научными руководителем НИР был назначен заведующий кафедрой вычислительной техники к.т.н., доцент Владимир Николаевич Долгополов.
Рис. 1. Базовая схема нейрона для аналоговой медицинской ИНС
У +Уп
+ип Х-С
В31
В21
В41
,_, В61
—
В71
I
ОУ11
В3п
ОУ21
В2п
В4п
В7п
^п ао
Во
ОУ3
ип
I
Вбп
ОУ1п
ОУ2п
Рис. 2. Структурная схема полносвязной нейронной сети для пяти информативных признаков
X,
X,
Хз
Х4
X,
На первом этапе исследований планировалась разработка с полными последовательными связями между слоями трехслойной нейронной сети на пять информативных признаков и два распознаваемых класса состояний.
Заказчик (ВНИИИМТ) утвердил структуру АИНС приведенную на рис. 2.
В структуре, приведенной на рис. 2, первый слой с пятью элементами нейронной сети НЭ1(-, (1, /...5), по существу, реализует кусочно-линейную разделяющую поверхность в пространстве пяти признаков, разделяя два класса состояний. Второй и третий слои НЭ фактически играют роль дешифратора, относя объект к одному из двух классов состояний.
Для выполнения задачи разработки и изготовления опытных образцов портативных систем распознавания на основе АИНС на кафедре ВТ КПИ под руководством В.Н. Долгополова была создана рабочая группа, в состав которой входили преподаватели кафедры ВТ, группа инженеров для решения задач подготовки конструкторской документации, монтажа и настройки опытных образцов.
В условиях отсутствия полноценных САПР основным инструментом инженеров-конструкторов был механический кульман.
Ответственным исполнителем и основным разработчиком цифрового вольтметра для индикации вводимых признаков и значений весовых коэффициентов был назначен инженер А.Н. Куликов.
(зо)
История и педагогика естествознания
3-4 ■ 2020
-Х1
Хп
+ Хп
Выбор и настройка принципиальных схем нейронных элементов (НЭ) на основе операционных усилителей были поручены преподавателю А.Н. Грошкову и студенту Н.А. Ко-реневскому (будущему заведующему кафедрой биомедицинской инженерии ЮЗГУ).
В качестве элементной базы заказчик утвердил два типа операционных усилителей. Для масштабирующих звеньев операционный усилитель типа К140 УД1Б и для компаратора - К140 УД2А.
Первые же опыты с этими усилителями на кафедре ВТ КПИ показали, что без специальной коррекции эти типы усилителей обладают неприемлемо большим уровнем собственных шумов даже при заземленных входах, а при соединении между собой они часто срывались в режим генерации. Использование рекомендованных в технической документации схем и элементов коррекции полностью названных проблем не решало. С учетом этого значительное время было потрачено на выбор таких идентичных схем коррекции, которые бы обеспечивали требуемые показатели качества для всего набора микросхем, используемых для построения множества ИНС со структурой, приведенной на рис. 2. В противном случае (при выборе индивидуальных схем коррекции) процесс их серийного изготовления значительно затягивался и становился нерентабельным. Такая схема коррекции была найдена Н.А. Кореневским. В одно время с инженером А.Н. Куликовым был построен макет достаточно надежно работающего цифрового вольтметра по прогрессивной в то время схеме двойного интегрирования на основе тех же операционных усилителей в качестве интеграторов.
По согласованию с заказчиком (ВНИИИМТ) на первом этапе выполнения НИР было принято решение сделать первую партию из пяти приборов на пять информативных признаков на два класса состояний по схеме, приведенной на рис. 2. Эти приборы получили условное название СРТ-5П (система распознавания по табличным признакам на пять признаков).
Техническую документацию на СРТ-5П готовили инженеры кафедры ВТ. Производство печатных плат и конструктивных элементов для АИНС выполнил завод «Счетмаш» (Курск). Окончательная сборка выполнялась инженерами и студентами кафедры ВТ КПИ.
Решая задачи обучения ИНС на различных модельных и реальных структурных данных, во ВНИИИМТ пришли к выводу, что нейронные сети часто завершают обучение, не находя реально существующих наилучших способов разделения исследуемых классов состояний (ИНС обеспечивали локальные значения критерия качества, не доходя до глобальных).
С учетом этого было принято решение создать механизмы визуализации следов гиперплоскостей на парах координатных осей. По мнению ученых ВНИИИМТ, наблюдение за следами гиперплоскостей позволяло оценивать их расположение в пространстве информативных признаков относительно исследуемой структуры данных.
При отсутствии на то время качественных отечественных графических дисплеев даже в составе мощных ЭВМ заказчик предложил использовать для этих целей промышленные телевизионные приемники и предложил эту работу выполнить в КПИ. Соответствующую модернизацию схем промышленных телевизоров выполнил инженер А.Ф. Ры-бочкин.
В 1975 году приборы СРТ-5П были переданы заказчику для клинических испытаний.
В ходе испытаний заказчик принял решение на расширение технических возможностей аналоговых ИНС, заказав
КПИ трехслойную нейронную сеть по структуре аналогичной структуре СРТ -5П, но на 30 информативных признаков с классификацией 8 классов состояний (8 диагнозов). Эту серию приборов назвали СРТК-30П. Проектирование и изготовление опытных образцов этих приборов было завершено в 1977 году [3, 4]. В том же году КПИ передал 10 опытных образцов СРТК-30П для клинических испытаний, после чего планировалось заказать их серийное производство.
Оценка эффективности разработанных систем автоматической диагностики типа СРТ-5 П и СРТК-30П осуществлялась в рамках х/д НИР № 47 «Исследования эффективности применения специализированных систем автоматической диагностики в типовых лечебных учреждениях и клиниках», автор В.Н. Долгополов, 1977 год.
В ходе проводимых исследований был выявлен ряд их серьезных недостатков [3-5]:
- процесс ввода исходных признаков осуществляется поворотом ручек потенцеометров (у СРТК 30П их было 30), что было неудобно и довольно трудоемко;
- процесс настройки нейронных сетей после их обучения осуществлялся с помощью переменных резисторов, для чего соответствующие платы необходимо было подключать к прибору через специальный разъем, причем частая перестановка плат достаточно быстро разрушала ненадежные разъемы тех лет;
- в ходе настройки необходимо было вращать ручки большого числа потенциометров (у СРТ-5П - 43 потенциометра, у СРТК 30П - более 450), что делало процесс настройки очень трудоемким со значительной вероятностью ошибок, которые трудно проверить;
- для числа признаков более 30 было признано, что строить такие приборы нецелесообразно из-за громоздких объемов, неудобства настройки и ввода большого числа используемых признаков;
- имеющиеся к концу 70-х годов алгоритмы обучения требовали репрезентативных обучающих выборок достаточного объема с равномерно распределяемыми объектами внутри классов, что практически было очень сложно получить, а наличие неоднородностей останавливало алгоритмы обучения, не обеспечивая потенциально достижимого качества распознавания.
Перечисленные и ряд других менее существенных недостатков практически остановили планирующийся серийный выпуск. Этому способствовало и то, что параллельно с разработкой АИНС в СССР к концу 70-х годов начался разворачиваться серийный выпуск персональных микроЭВМ («Искра 1256», «Искра 226», «Электроника-80» и др.), которые вполне стали способны к реализации ИНС той же мощности, что и разработанные АИНС (и даже выше), при более простой процедуре обучения, меньших габаритах и стоимости. Окончательно в пользу цифровых ИНС вопрос был решен в 80-х годах с появлением большого парка зарубежных и отечественных персональных ЭВМ.
В ходе проводимых исследований на основе анализа недостатков методов и алгоритмов обучения ИНС Н.А. Кореневским было предложено перейти к диалоговым процессам обучения и диалоговым системам распознавания получившим достаточно широкое распространение и с успехом использующимся в настоящее время [5-8]. Кроме того в перспективе возможно производство биочипов, объединяющихся в нейросети, подобные структуре рис. 2 и обучающихся с использованием гибридных технологий, методология синтеза которых активно разрабатывается на кафедре биомедицинской инженерии ЮЗГУ под руководством заведующего кафедрой БМИ профессора Н.А. Ко-реневского [9].
3-4 ■ 2020
История и педагогика естествознания
щ]
СПИСОК ЛИТЕРАТУРЫ
1. Галушкин А.И. Многослойные системы распознавания образов. М.: МИЭМ, 1970. 167 с.
2. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энргия, 1974. 368 с.
3. Долгополов В.Н., Кореневский Н.А., Мальцев М.В. Устройство распознавания по табличным признакам СРТ-5П // Инф. л. № 405-78 Курского ЦНТИ, 1978. 4 с.
4. Долгополов В.Н., Кореневский Н.А. Распознавающий комплекс по табличным данным СРТК-30П // Инф. л. № 402-78, 1978. 4 с.
5. Долгополов В.Н., Кореневский Н.А. Методика и алгоритм обучения диалоговой системы распознавания // Решение логических задач на ЭВМ: сб. докл. Курск, 1977. С. 25-34.
6. Долгополов В.Н., Кореневский Н.А., Грошков А.Н. Об одном способе обработки информации в диалоговых системах распознавания образов // Изв. ВУЗов. Приборостроение, 1978. Т. XXI. № 3. С. 47-52.
7. Кореневский Н.А. Метод динамической оценки состояния объекта в диалоговых системах распознавания // Изв. ВУЗов. Приборостроение, 1987. Т. XXX. № 12. С. 37-41.
8. Кореневский Н.А., Титов В.С., Чернецкая И.Е. Проектирование систем поддержки принятия решений для медико-экологических приложений: моногр. Курск: КГТУ, 2004. 180 с.
9. Кореневский Н.А., Родионова С.Н., Хрипина И.И. Методология синтеза гибридных нечетких решающих правил для медицинских интеллектуальных систем поддержки принятия решений: моног. Старый Оскол.: ТНТ, 2019. 472 с.
10. Неймарк Ю.И., Баталова Э.С. Распознавание образов и медицинская диагностика. М.: Наука, 1972. 302 с.
REFERENCES
1. Galushkin A.I. Mnogosloynyye sistemy raspoznavaniya obrazov [Multilayer pattern recognition systems]. Moscow, MIEM Publ., 1970. 167 p.
2. Galushkin A.I. Sintez mnogosloynykh sistem raspoznavaniya obrazov [Synthesis of multilayer pattern recognition systems]. Moscow, Enrgiya Publ., 1974. 368 p.
3. Dolgopolov V.N., Korenevskiy N.A., Mal'tsev M.V. Ustroystvo raspoznavaniya po tablichnym priznakam CPT-5P. Inf. l. № 405-78 Kurskogo TSNTI [Recognition device based on tabular features CPT-5P. Inf. p. no. 405-78 Kursk CNTI]. 1978. 4 p.
4. Dolgopolov V.N., Korenevskiy N.A. Raspoznavayushchiy kompleks po tablichnym dannym SRTK-30P. Inf. l. № 402-78 [Recognizing complex according to tabular data SRTK-30P. Inf. p. no. 402-78]. 1978. 4 p.
5. Dolgopolov V.N., Korenevskiy N.A. Metodika i algoritm obucheniya dialogovoy sistemy raspoznavaniya [Methodology and Algorithm of Learning Dialogue Recognition System]. Trudy «Resheniye logicheskikh zadach na EVM» [Proc. of "Solving logical problems on a computer"]. Kursk, 1977, pp. 25-34.
6. Dolgopolov V.N., Korenevskiy N.A., Groshkov A.N. One one method of information processing in dialogue systems of image recognition. Izvestiya VUZov. Priborostroyeniye, 1978, vol. XXI, no. 3, pp. 47-52 (In Russian).
7. Korenevskiy N.A. Method for dynamic assessment of the state of an object in dialogue recognition systems. Izvestiya VUZov. Priborostroyeniye, 1987, vol. XXX, no. 12, pp. 37-41 (In Russian).
8. Korenevskiy N.A., Titov V.S., Chernetskaya I.YE. Proyektirovaniye sistem podderzhkiprinyatiya resheniy dlya mediko-ekologicheskikh prilozheniy [Design of decision support systems for medical and environmental applications]. Kursk, Kursk.gos.tekhn.un-t Publ., 2004. 180 p.
9. Korenevskiy N.A., Rodionova S.N., Khripina I.I. Metodologiya sinteza gibridnykh nechetkikh reshayushchikh pravil dlya meditsinskikh intellektual'nykh sistem podderzhki prinyatiya resheniy [Methodology for the synthesis of hybrid fuzzy decision rules for medical intelligent decision support systems]. Staryy Oskol, TNT Publ., 2019. 472 p.
10. Neymark YU.I., Batalova E.S. Raspoznavaniye obrazovi meditsinskaya diagnostika [Pattern recognition and medical diagnostics]. Moscow, Nauka Publ., 1972. 302 p.
ИНФОРМАЦИЯ ОБ АВТОРАХ / INFORMATION ABOUT THE AUTHORS
Стародубцева Лилия Викторовна, к.т.н., доцент, Юго-Западный государственный университет.
Кореневская Елена Николаевна, ст. преподаватель, Донецкий национальный технический университет.
Liliya V. Starodubtseva, Cand. Sci. (Tech.), Assoc. Prof., Southwestern State University.
Elena N. Korenevskaya, Senior Lecturer, Donetsk national technical University.
32
История и педагогика естествознания
3-4 • 2020
