CC BY
387
ПРОБЛЕМНЫЕ СТАТЬИ И ОБЗОРЫ ДТ
Нейронауки: достижения и перспективы
Апанель Е.Н.1, Гловко В.А.2, Евстигнеев В.В.3, Кистень О.В.3, Лаврентьева С.В.2, Мастыкин А.С.1, Войцехович Г.Ю.2
1РНПЦ неврологии и нейрохирургии, Минск
2Брестский государственный технический университет
3Белорусская медицинская академия последипломного образования, Минск
Apanel E.N.1, Golovko V.A.2, Evstigneev V.V.3, Kisten O.V.3, Lavrentieva S.V.2, Mastykin A.S.1, Vaitsekhovich GYu.2
'Republican Research Center of Neurology and Neurosurgery, Minsk, Belarus
2Brest State Technical University, Belarus 3Belarusian Medical Academy of Post-Graduate Education, Minsk
Neurosciences: achievements and perspectives
Резюме. Приведен обзор по применению нового, находящегося в процессе становления, современного комплекса наук, объединенного общим названием «нейронаукиРассматриваются достижения и перспективы нейронаук применительно к решению практических задач неврологии. Дается описание их основных составляющих компонентов: формальный нейрон, искусственная нейронная сеть, искусственный иммунный детектор, нейроинтеллектуальное решение. Приведено краткое описание теории хаоса и нейросетевых алгоритмов в анализе хаотизированных процессов и состояний. Представлен краткий перечень публикаций по успешному применению нейросетевых алгоритмов для диагностики в неврологии и в других клинических дисциплинах.
Ключевые слова: нейронауки, формальный нейрон, искусственная нейронная сеть, искусственный иммунный детектор, нейроинтеллектуаль-ное решение, транзиторная ишемическая атака, теория хаоса.
Медицинские новости. — 2013. — № 10. — С. 6-11. Summary. A review of the data on application of a novel being under formation current complex of sciences joined under the common name «Neurosciences»is presented. The neurosciences achievements and perspectives related to neurological practical tasks solving are being considered. The basic components are described, i. e.: formal neuron, artificial neuron net, artificial immune detector, neurointellectual decision. The summary of the theory of chaos and of neuronet algorithms used for the chaosed processes and states analysis is presented. A short list of publications summarizing experience of the neuronet algorithms successful application in diagnosis in neurology and other clinical disciplines is given. Keywords: neurosciences, formal neuron, artificial neuron net, artificial immune detecto, neurointellectual decision, transttory ischemic attack, chaos theory. Meditsinskie novosti. - 2013. - N 10. - P. 6-11.
Нейронауки - это собирательное понятие, обобщающее в себе широкий спектр наук, в центре которых научные направления, непосредственно изучающие структурно-функциональные особенности мозга и нервной системы. Главную роль в формировании и становлении этого кластера наук, бесспорно, сыграли результаты многолетних и многочисленных исследований в нейрофизиологии и нейропатофизиологии.
Мультидисциплинарные разработки моделей мозга на основе его структурно-функциональных образований находят прямое применение в медицинских исследованиях и в практической клинической работе. Описание работы этих моделей формализуется нейроматема-тическими методами [1]. Сюда же примыкают синергетика и концепция интегра-тивного врачевания [2, 3].
Нейроинтеллектуальные методы широко применяются в медицине. Ежегодно появляется более 500 академических публикаций по применению искусственных нейронных сетей для диагностики заболевания, позволяющих врачу принять адекватное решение [4]. Автоматическая система поддержки принятия решений в
медицине может повысить качество диагностики и избавить специалистов от рутинной работы.
В настоящее время нейронауки представлены двумя кластерами.
1. Собственно нейробиологические нейронауки в неврологии, психиатрии в других клинических дисциплинах. В этом направлении успешно развивается молекулярная генетика мозга. Поиск нейро-генов, контролирующих и регулирующих развитие и метаболизм мозга, - основной предмет исследований нейрогенети-ки. С ее позиций предприняты успешные попытки объяснения болезней Альцгей-мера, Дауна, паркинсонизма. В детской неврологии по алгоритму на базе нечеткой формальной логики успешно применяется дифференциальная диагностика миоклоний [5].
Следует упомянуть о роли нейронаук в изучении иммунной системы. Теоретически и экспериментально подтверждено существенное сходство между структурно-функциональными особенностями нервной и иммунной систем (их основная функция - распознавание образов), что позволяет говорить об объединенной нейроиммунной системе организма. Осо-
бенностью иммунной системы является запоминание специфических образов среди массы других, например, некоторых определенных патогенных бактерий с последующим их уничтожением.
2. Класс искусственных нейроинтел-лектуальных методик (моделей) на базе моделирования нейрофизиологических и нейропатофизиологических процессов и состояний. Раздел представлен разработками нейросетевых моделей на базе искусственных нейронных сетей, искусственных иммунных систем, эволюционного программирования, которые теоретически тесно связаны с концепциями теории хаоса (фракталы, аттракторы, самоорганизующиеся системы).
Обыденным и повседневным является применение методов нейровизуализа-ции: компьютерной и магнитно-резонансной томографии. Еще более высокотехнологичный метод - позитронная эмиссионная томография. Эти технические устройства объединяет способность с помощью нейроинтеллектуальных программ распознавать структурные образы, в том числе осуществлять дифференцированную диагностику (диагноз - это также образ), что позволяет говорить
Рисунок 1
Сеть нейронов головного мозга -прототип искусственных нейронных сетей с соответствующим нейроматематическим описанием
об уникальном нейроинтеллектуальном свойстве этих технических устройств.
В настоящее время усилия ученых в основном сосредоточены на освоении моделей систем распознавания образов и применении их в практической работе. Теория нейронных сетей и теория хаоса
Нейронные сети не объединяют неупорядоченные события и хаотичные вещи в единое целое, а находят связи между ними. Так, симптомы различных болезней могут быть настолько близкими, родственными друг к другу в формате какой-либо нозологии, что образуют устойчивый синдром, и наоборот, настолько удаленными друг от друга, что их соседство и совместное присутствие в диагностическом смысле фактически ни о чем не говорит, разумеется, в традиционном логико-клиническом понимании. В подобной ситуации интуиция и клинический опыт врача заставляют его глубже вникнуть в суть и еще раз проанализировать данные. Изначально хаотичный клубок симптомов постепенно логически упорядочивается, обнаруживаются четко обозначенные связи, что подталкивает к принятию диагностического решения. В таком случае может быть чрезвычайно полезно участие распознавательной
нейросетевой модели, основное предназначение которой - выявлять и графически визуализировать спрятанные, неявные и неочевидные взаимосвязи между симптомами в различных диагностических и дифференциально-диагностических ситуациях. Способность интеллектуальных систем решать трудноформализуемые задачи, где не прослеживается эффективный математический алгоритм, позволяет применять их в различных областях.
Нейросетевая модель обладает способностью обобщать и прогнозировать результаты обучения, что и дает основание считать ее нейроинтеллектуальной. Обобщение осуществляется путем интеграции частных данных, в результате чего происходит определение закономерностей процесса. На основании уже приобретенных знаний такая модель четко ориентируется в ситуации, находит закономерности и предлагает обоснованное клинико-логическое решение.
К теории хаоса и нейронных сетей тесно примыкает нечеткая формальная логика Л. Заде. О применении «нечетких» методов в практической детской неврологии для дифференциальной диагностики миоклоний упоминалось выше [5].
Следует заметить, что в учебных медицинских учреждениях стран Запада и Америки изучение теории хаоса и нейронных сетей входит в обязательную программу обучения.
В основе нейроматематического представления и соответствующего формального описания лежит известное на современном уровне представление о структурно-функциональном строении
Рисунок 2
Блок-схема формального нейрона
головного мозга, состоящего из множества сплетений нейронов (рис. 1). Синтез теории хаоса и нейронных сетей в прикладной нейроматематике
Функционально-структурной единицей искусственной нейронной сети (ИНС) является формальный нейрон. Формальный нейрон - это процессорный элемент, преобразователь данных, получающий входные данные и преобразующий их в соответствии с заданной функцией и параметрами. Структурно-функциональная блок-схема формального нейрона в нейроматематическом представлении приведена на рис. 2.
Формальные нейроны различаются по функциональной принадлежности.
Входной нейрон - формальный нейрон входного слоя, выполняющий в конкретной нейронной сети функцию входа, т.е. воспринимающий сигналы (образы) только от внешней для данной системы среды (никаких преобразований не производит). В медицинских исследованиях это, как правило, признаки-предикторы, на основе которых и будет осуществлено нейросетевое классификационное или прогнозное решение.
Промежуточный нейрон - составной элемент промежуточного слоя правил (их может быть несколько), где формируются рабочие гипотезы по распознаванию образов (диагнозов).
Выходной нейрон - преобразованный нейрон выходного слоя, несущий передачу информации о проведенном решении распознания образа (диагноза) на выход для дальнейшей работы. Количество выходных нейронов (диагнозов) меньше числа входных (признаков-предикторов).
Нейронная сеть - вычислительная или логическая схема, построенная из нейронных процессорных элементов, содержащих в себе правила решений, работающая по соответствующему нейро-сетевому алгоритму, который учитывает такое свойство биологического нейрона, как пластичность, способность изменять свои параметры в процессе обучения и приобретения новых знаний.
Существует большое количество нейронных сетей различного предназначения. В настоящее время разработано множество различных типов ИНС и ансамблей их параллельного и последовательного соединения для решения различных задач по распознанию образов, в том числе, и для медицинской диагностики. Один из вариантов - ИНС, используемая в исследовании по дифференциальной диагностике подтипов транзиторных ишемических атак (ТИА) (рис. 3).
Рисунок 4
| Блок-схема нейросетевого иммунного детектора для выявления вредоносных файлов при хакерских атаках в Интернете
Этот ансамбль ИНС составлен из рециркуляционной нейронной сети, где осуществляется предварительная обработка исходных диагностических данных (жалобы, симптомы, другие признаки) с последующим сжатием диагностической информации и многослойного персеп-трона. Исходная диагностическая информация (38 признаков-предикторов) конвертируется и ужимается, получается в меньшем количестве - 11 диагностических компонент. Сам процесс распознавания дифференцируемых диагнозов осуществляет персептрон. Дифференцируются три подтипа ТИА (1-3) и состояние «Прочие» (4) [7, 10-14].
Обучение нейронной сети
Важное свойство нейронных сетей -это их способность к обучению. В процессе обучения на вход такой нейронной сети подаются случаи (клинические наблюдения) с соответствующими им признаками и симптомами в рамках рассматриваемых (дифференцируемых) диагнозов. Она способна улавливать структурные нюансы исходных независимых переменных (признаков-предикторов рассматриваемых диагнозов) и делать соответствующие обобщения с последующим образованием диагностических решений. Существуют различные парадигмы обучения. Процесс самообучения нейронной сети динамичен, она как бы оживает, становясь «сама себе учителем». В качестве таковой сети может выступить сеть Кохонена, которая состоит из одного входного и одного выходного слоев нейронов. Количество нейронов в выходном слое непосредственно определяет число кластеров (диагнозов, дифференцируемых диагнозов), которые следует распознать.
Каждый из выходных нейронов получает на входе весь входной вектор (рассматриваемые признаки-предикторы размешены «все в одном»). Между выходными нейронами начинается сопер-
ничество за право быть задействованным в процесс самообучения, обучиться и получить «привилегированное право» обозначить собой соответствующий диагноз (дифференциальный диагноз). Выигрывает тот выходной нейрон с приписанным к нему диагнозом, чей весовой вектор окажется ближе всего к составу входного вектора, т.е. к набору принятых в рассмотрение признаков-предикторов. Проще говоря, в процессе самообучения выигрывает тот выходной нейрон-диагноз, который оказывается наиболее представительным. Таким образом, конкретному клиническому случаю соответствует свой клинический диагноз из числа всех принятых на рассмотрение. Обученная нейронная сеть последующий клинический случай уже сама соотносит к одному из выведенных ею диагнозов-кластеров, руководствуясь некоторым выработанным и усвоенным критерием «близости».
Таким образом, в результате обучения большое количество разрозненных клинических случаев с различными диагнозами, исходно представленных в хаотичном виде, могут быть сгруппированы и классифицированы в меньшем количестве кластеров, внутри которых они упорядочены по близкому клинико-диагностическому содержанию. Тем самым они помогают врачу-исследователю быстро ориентироваться в исходном разнообразии рассматриваемых клинических случаев и принимать правильное диагностическое решение. Такие нейронные сети-классификаторы могут как использоваться в качестве отдельной нейросе-тевой модели, так и входить в ансамбли различных распознавательных нейросе-тевых агрегатов в зависимости от целей их назначения.
Прогнозная диагностика в теориях хаоса и нейронных сетей Способность биологических иммунных систем запоминать только отдель-
ные и строго специфические патогенные (вредоносные) живые объекты и уничтожать их нашла широкое применение в технических защитных информационных алгоритмах и устройствах (Интернет, медицина, сельское хозяйство).
Общая схема нейросетевого иммунного детектора, изначально разработанного для выявления вредоносных файлов при хакерских атаках в Интернете, может применяться и для дифференциальной диагностики подтипов ТИА. Этот нейро-иммунный детектор состоит из трех слоев нейронных элементов и арбитра (рис. 4).
Решение диагностической задачи о возможности возникновения и развития той или иной болезни имеет четко обозначенный прогностический характер. Следует уточнить само понятие «прогноз» применительно к кардиоангио-неврологическим исследованиям [6]. В данном случае речь идет о прогнозной диагностике, задачей которой является своевременное обнаружение в организме предпатологических отклонений от нормы [6-14]. Ориентируемся на вероятностный прогноз как на частный случай решения прогнозно-диагностической задачи по предотвращению эпизодов ТИА с нулевым или бесконечным временем предсказанием. Важно, чтобы при имеющихся у пациента исходных входных данных, событие под названием «ТИА» вообще никогда не наступило. Прогноз в этом случае трактуется как управляющая упреждающая коррекция.
В проводимом исследовании прогнозный диагноз - это активное действие: первая часть (этап) комплекса управляющей упреждающей коррекции, распознающий и определяющий наиболее вероятный вектор, направление развития патокинеза, возникновения и дальнейшего прогрессирования этиопа-тогенетического процесса, на основании которого будут назначены индивидуали-
зированные этиотропные лечебно-профилактические мероприятия. Ход событий под контролем врача, который активно вмешивается, чтобы не допустить перехода доклинического (донозологическо-го) состояния в начало клинического патологического процесса, независимо от времени его возможной реализации.
Говоря об упреждающем управлении применительно к многоплановой (многовекторной) кардиоангионеврологической практике, следует особо подчеркнуть системное единство целенаправленности диагноза, прогноза и последующих лечебно-профилактических мероприятий. Управление возможно там, где есть цель, т.е. там, где будет функционировать целенаправленное регулирование [15, 16]. Таким целенаправленным системным регулированием в защите мозга и всей нервной системы от нарушений кровоснабжения является коррекция по лечебно-профилактической схеме: мозг сердце, система кровообращения [6-17].
Следует отметить, что до настоящего времени прогнозные ориентиры распознавания ТИА практически не обозначены. Прогнозировать возможность их возникновения не позволяет даже интуиция и клинический опыт врача. Существует мнение, что современное состояние оказания медицинской помощи таким пациентам вообще дезорганизовано [18].
Примеры успешного применения ИНС в практической медицине
Распознание прегипертонии и своевременное принятие лечебно-профилактических мер - важное условие предотвращения острых нарушений мозгового кровообращения. К категории «прегипер-тоников» относится до 20% населения трудоспособного возраста (от 18 до 30 лет). Хотя официально признанным является термин «маскированная (скрытая) артериальная гипертония» [16], термин «прегипер-тония» представляется более удачным, так как он ориентирует на проведение превентивных мероприятий в общем русле борьбы с доклиническими кардиоангионевро-логическими состояниями.
В.Г. Вилков, Р.Г. Оганов и С.А. Шаль-нова исследовали возможности ряда нейросетевых прогнозно-диагностических моделей для выбора самых эффективных [19]. Ученые уверены, что с использованием нейросетевых технологий можно создать модель, позволяющую диагностировать артериальную гипертен-зию на самых ранних стадиях у лиц без явной констатации повышения артериального давления традиционным измерением с чувствительностью и специфич-
ностью более 80%. В таких же пределах фигурируют значения этих параметров и в наших исследованиях [7-14].
В проводимых исследованиях по дифференциальной прогнозной диагностике подтипов ТИА апробировали распознавательную эффективность «консилиума» различных близких по своим свойствам нейросетевых классификаторов [7, 10-14]. В последних экспериментальных исследованиях предпочтение отдается нейросетевым моделям, обеспечивающим эффективное сжатие исходных диагностических данных и их очистку от информационного «зашумления» межпризнаковыми корреляционными связями по методу главных компонент (рециркуляционная нейронная сеть, многослойный персептрон) и искусственным иммунным детектором [12-14].
Тем не менее ТИА до сих пор так и остается малоизученной и единственной в своем роде острой цереброваскуляр-ной нозологией, представляя собой трудно разрешимую клиническую проблему, в которой вопросов больше чем ответов, давая большое пространство для дискуссий и обсуждений.
Решению этой проблемы уделяется самое пристальное внимание. Проведение соответствующих мероприятий оговорено на государственно-административном уровне и представлено в соответствующих нормативных документах Министерством Республики Беларусь:
1. Постановление Министерства здравоохранения Республики Беларусь от 12 октября 2007 г. № 92 «Об организации диспансерного наблюдения взрослого населения Республики Беларусь».
2. Необходимость знания тактики врачей скорой медицинской помощи при ТИА оговорена в программе интернатуры по скорой медицинской помощи, разработанной в соответствии с Инструкцией о порядке организации и прохождения интернатуры, утвержденной постановлением Министерства здравоохранения Республики Беларусь от 6 января 2009 г.
В контексте этих нормативных документов нами инициативно разрабатывается превентивный прогнозно-диагностический подход к упреждению и недопущению развития этой острой цереброваскулярной патологии на базе нейроинтеллектуальных технологий. Эти разработки осуществляются инициативным проектом под общим названием «Нейроинтеллектуальная ангионейропре-вентология» как продолжение исследований по предотвращению ТИА, которые были начаты в 1990-х гг. под руковод-
ством академика И.П. Антонова и профессора В.Б. Шалькевича.
Активные превентивные мероприятия должны начинаться уже на доклиническом (донозологическом) этапе в ам-булаторно-поликлинических условиях, преимущественно на основании анамнестических данных и простых симптомов у пациента, в той или иной степени указывающих на возможность угрозы развития этой острой преходящей цереброваску-лярной патологии.
На базе структурно-функциональной концепции организации защитных механизмов кровоснабжения мозга основана и разработана ангионейропревентологи-ческая прогнозно-диагностическая система распознавания ТИА, дифференцированных по подтипам. Преследуется цель работать на опережение в противостоянии различным вредоносным (патогенным) влияниям и факторам риска и еще на достационарном доклиническом (донозологическом) этапе не допустить возникновения и дальнейшего развития такой кардиоцереброваскулярной патологии у здорового человека.
Методологический подход осуществляется на базе применения нейроинтел-лектуальных нейросетевых моделей для достационарной индивидуализированной прогнозной диагностики по простым и доступным (прежде всего анамнестическим) признакам-предикторам (социально-медико-биологическим маркерам), указывающим на реальную возможность возникновения ТИА и на необходимость ее ранней первичной профилактики.
Таким образом, проводимые исследования по доклинической (донозоло-гической) прогнозной диагностике ТИА, дифференцированной по подтипам, осуществляются на стыке трех нейронаук (нейропревентология, нейрореабилито-логия, нейроматематика) и позиционируются как нейроинтеллектуальная ангио-нейропревентология, ориентированная на недопущение развития кардиоцере-броваскулярной патологии у здорового человека.
О.Ю. Реброва и соавт. применили нейросетевой алгоритм для диагностики патогенетических подтипов ишемическо-го инсульта [20].
К. Као7таго7ук е1 а1. протестировали эффективность трех методов классификации особенностей походки у постинсультных больных: обычное качественное повествовательное описание (85% правильных классификационных ответов), описание с количественными минимаксными угловыми оценками (50% правиль-
ных классификационных ответов). Самым эффективным классификационным методом оказался на основе ИНС (100% точность классификации по движениям в коленном суставе, 86% - по фронтальному движению в тазобедренном суставе). Авторы уверены в том, что классификационные решения с применением ИНС могут быть существенным дополнением для индивидуализированной «тар-гетной» реабилитации постинсультных больных [21].
S. Laurentsyeva и соавт. применили нейросетевую технологию для выявления эпилептиформной активности сегментацией сигналов электроэнцефалограмм [22]. Хаотичные аномальные очаги в записях электроэнцефалограммы расцениваются как маркеры возможного эпилеп-тиформного приступа, зарождающегося в соответствующем участке мозга. Такой подход к прогнозной диагностике дает возможность выявлять аномальные участки для предотвращения приступов эпилепсии.
В.Т. Пустовойтенко и соавт. применили нейросетевое моделирование в травматологи и ортопедии для классификации антропометрических и ортопедических признаков ампутационной культи голени с учетом индекса массы тела [23].
О.Г. Жариков и соавт. разработали нейросетевую модель для прогнозирования вероятности развития инфицированного панкреонекроза на основании данных, полученных при поступлении больного в стационар и в течение первых 48 часов госпитализации: точность результатов - 90%, специфичность - 96% [24]. Кроме того, нейронная сеть позволила выделить 12 наиболее информативных показателей для прогнозирования в ранние сроки заболевания инфекционных осложнений острого панкреатита.
Нейросетевой подход к клинической лабораторной диагностике использовали В.Г. Щетинин и А.А. Соломаха [25].
D. Wang и соавт. применили нейро-сетевой классификатор для прогнозирования вирусологического ответа при лечении ВИЧ-инфицированных больных. Наилучшие результаты были получены с использованием ИНС по методу опорных векторов. Комбинация методики с другими нейросетевыми алгоритмами, по мнению авторов, увеличивает точность прогностического решения [26].
Группа испанских исследователей (F Mateo и соавт.) в гигиеническом исследовании применили ИНС для определения концентрации охратоксина А в
пищевых продуктах, содержащих виноградные компоненты [27]. Охратоксин А идентифицируется как специфический сильнодействующий нефротоксин. Предлагаемую авторами нейросетевую методику применяют для идентификации и классификации по уровням содержания охратоксина А с целью предотвращения использования пищевых продуктов, содержащих опасные концентрации этого токсичного ингредиента.
Есть и другие многочисленные сообщения об успешном применении нейро-сетевых решений в различных областях медицины.
Следует признать, что понятие «ней-ронауки» еще далеко от широкого признания и внедрения в повседневную медицинскую лексику. Более благосклонны к термину «нейроинтеллектуальные медицинские системы», что представляет собой конкретизацию обширного понятия «искусственные нейронные сети». Тем не менее отношение к инновациям все еще остается сдержанным, иногда даже настороженным, что объясняется непониманием. Как нам представляется, причиной этого является консервативное мышление, стремление к четким простым и очевидным решениям. К сожалению, не всегда объяснения этиопатогенети-ческих состояний, особенно на их доклиническом (донозологическом) этапе развития, укладываются в сложившиеся представления о рассматриваемом патологическом процессе. Ориентироваться позволяет междисциплинарная теория сложности (complexity science), принципы которой находят применение и в кардио-ангионеврологических исследованиях [10]. Известные на сегодня инновации в медицине нередко воспринимаются сдержанно [28].
В печатных средствах массовой информации и Интернете можно встретить массу неудачных формулировок заключительного клинического диагноза. Скорее всего, сказывается несовершенство имеющейся формально-логической основы диагноза, чтобы не сказать о полном ее отсутствии. На важность разработки основы клинической диагностики обращали внимание еще в 1990-е гг. Е.И. Чазов и соавт.: «Вот уже несколько поколений наших врачей не изучают курса формальной логики, и сегодня клиницисты имеют смутное представление о логической правильности, диагностических рассуждений, о логических операциях с понятиями. Между тем самые «простые» законы и правила формальной логики нарушаются чаще, чем это принято считать. Об этом
говорит немалое число логических ошибок в диагностике» [29].
Клинический диагноз, независимо от его предметной целенаправленности (предварительный, нозологический, окончательный и пр.), является основой точного и успешного проведения лечебных и лечебно-профилактических мероприятий. А.П. Иерусалимский совместно с ведущими неврологами высказывал неудовлетворенность, что проблеме клинической классификации нозологических форм уделяется недостаточно внимания [30]. Не удовлетворяет требованиям и МКБ-10 - перечень статистических категорий для анализа и изучения заболеваемости, а не клинических диагностических терминов. Того же мнения придерживаются и отечественные неврологи (Э.С. Гитки-на и соавт.) [31]. Сдержанное отношение к высокотехнологичным разработкам на базе нейроинтеллектуального моделирования структурно-функциональных особенностей работы мозга человека противостоит желанию конструктивно изменить существующее неудовлетворительное положение в конкретизации формулировок клинического диагноза.
Во второй половине прошлого столетия, преимущественно в 1980-е гг., намерение формализовать диагностику в невропатологии осуществлялось разработкой экспертных систем (И.П. Антонов, Э.В. Барабанова, А.С. Мастыкин, А.Е. Семак и др.), на распознавательные способности которых возлагались большие надежды. Широкого распространения они не получили, оставаясь на стадии разработок, но дали возможность осознать необходимость внедрения в практическую работу формально-логических (сегодня это нейроматематические, ней-роинтеллектуальные) алгоритмов. Экспертные системы тех лет, разработанные преимущественно на базе байесовских решений, привлекали простотой и понятливостью, оставаясь, тем не менее, на «доинтеллектуальном» уровне. Затем постепенно начали привлекать к себе внимание разработки на базе моделей искусственного интеллекта. В настоящее время эта тенденция усиливается и получает международное признание.
Последние годы характеризуются научной идеологией нейронаук. Изначально она формировалась стихийно в различных областях науки и практики, где преимущественно на базе результатов нейрофизиологических и нейро-патофизиологических разработок были найдены аналогии работы автоматических устройств с известными принципами
работы мозга и всей нервной системы в целом. Доказательством тому являются современные разработки в робототехнике и успешные применения нейросетевых распознавательных (диагностических) медицинских алгоритмов. Полноценное понимание, признание и внедрение в практическую работу нейроинтеллекту-альных решений на базе нейросетевого моделирования в соответствии с обобщенными принципами нейронаук ждет своего времени.
Л И Т Е Р А Т У Р А
1. Нейроматематика: учеб. пособие для вузов / А.Д. Агеев [и др.]; под общ. ред. А.И. Пушкина. -М.: ИПРЖР 2002. - Кн. 6. - 448 с.
2. Сомов, Е.В. Синергетика и медицина / Е.В. Сомов, А.В. Исаков // Актуальные проблемы современной медицины / под ред. С.Л. Кабака и А.С. Ле-онтюка. - Минск, 2010. - С. 138-139.
3. Трошин, В.Д. Проблемы интегративного врачевания / В.Д. Трошин // Мед. альманах. - 2009. - № 2 (7). - С. 25-33.
4. Lisba, P.J. The use of artificial neural networks in decision support in cancer: A systematic review / P.J. Lisba, A. Taktak // Neural Networks. - 2006. -Vol. 19. - P. 408-415.
5. Горелова, Н.А. Пример использования «нечетких» методов в неврологии: дифференциальная диагностика миоклоний («вздрагиваний») у детей / Н.А. Горелова, Е.В. Хрусталева [Электронный ресурс]. - Режим доступа: http://inftech.webservis.ru/it/ conference/scm/2000/session12/gorelova.htm.
6. Дривотинов, Б.В. Прогноз-диагностика транзи-торных ишемических атак и их лечебно-профилактическое предупреждение / Б.В. Дривотинов, Е.Н. Апанель, А.С. Мастыкин // Мед. журн. - 2006. -№ 3. - С. 116-119.
7. Апанель, Е.Н. Комплексный подход к превентивным этиотропным лечебно-профилактическим мероприятиям по предотвращению эпизодов тран-зиторных ишемических атак / Е.Н. Апанель // Мед. журн. - 2008. - № 2. - С. 117-120.
8. Апанель, Е.Н. Нейрокомпьютинг: достигнутое и перспективы / Е.Н. Апанель // Воен. медицина. -2009. - № 2. -С. 117-124.
9. Концепции теории хаоса и их применение в кардиоангионеврологических исследованиях / Е.Н. Апанель [и др.] // Ars Medica. - 2011. - № 6. -С. 107-116.
10. Апанель, Е.Н. Транзиторные ишемические атаки: системный анализ / Е.Н. Апанель // Весц НАН Беларуси. Сер. мед. навук. - 2011. - № 1. - С. 81-90.
11. «Консилиум» адаптивных нейросетевых классификаторов для дифференциальной диагностики подтипов транзиторных ишемических атак / Н.А. Новоселова [и др.] // Мед. журн. - 2008. - № 3. - С. 106-111.
12. Возможности методов искусственного интеллекта для дифференциальной диагностики подтипов транзиторных ишемических атак / В.В. Евстигнеев [и др.] // Ars Medica . - 2009. - № 3. - С. 60-72.
13. Нейросетевой подход в решении проблемы диагностики и профилактики транзиторных ише-мических атак / А.С. Мастыкин [и др.] // Докл. НАН Беларуси. - 2010. - № 5. - С. 81-90.
14. Neural Network Model for Transient Ischemic Attacks Diagnostics / V Golovko [et al.] // Optical Memory And Neural Networks (Springer Link). -2012. - Vol. 21, N 3. - P. 166-176.
15. Сидоренко, Г.И. Творчество и медицина: поиск неочевидных решений / Г.И. Сидоренко. - Минск, 2002. - 161 с.
16. Сидоренко, Г.И. Прегипертония / Г.И.Сидоренко // Кардиология Беларуси. - 2009. -№ 2. - С. 69-75.
17. Верещагин, Н.В. Системный подход в изучении нарушений мозгового кровообращения при атеросклерозе и артериальной гипертензии: результаты и перспективы / Н.В. Верещагин // Мозг. Теоретические и клинические аспекты. - М., 2003. - С. 521533.
18. Goldstein, L.B. Stroke: Organizing the disorganized: improving TlA patient care / L.B. Goldstein // Nat. Rev. Neurol. - 2011. - Vol. 7, N 4. - P. 190-192.
19. Вилков, В.Г. Сравнительная информативность нейросетевых моделей диагностики скрытой артериальной гипертензии / В.Г. Вилков, Р.Г. Оганов, С.А. Шальнова // Физиология человека. - 2006. -№ 6. - С. 33-37.
20. Реброва, О.Ю. Нейросетевой алгоритм диагностики патогенетических подтипов ишемического инсульта / О.Ю. Реброва, М.Ю. Максимова, М.А. Пи-
радов // Журн. неврологии и психиатрии. Инсульт (приложение). - 2004. - Вып. 12. - С. 23-28.
21. Gait classification in post-stroke patients using artificial neural networks / K. Kaczmarczyk [et al.] // Gait Posture. - 2009. - Vol. 30, N 2. - P. 207-210.
22. Laurentsyeva, S. Electroencefalogram Analysis Based on Artificial Neural Network and Adaptive Segmentation / S. Laurentsyeva, V Golovko, V Evstigneev // PRIP. - Minsk, 2009. - P. 327-331.
23. Пустовойтенко, В.Т. Нейросетевое моделирование в решении классификационных задач ортопедии и травматологии с использованием индекса массы тела / В.Т. Пустовойтенко, А.С. Мастыкин, Н.А. Новоселова // Воен. медицина. - 2007. -№ 2. - С. 108-110.
24. Жариков, О.Г. Прогнозирование инфицированного панкреонекроза методом искусственных нейронных сетей / О.Г. Жариков, Ю.В. Мещеряков, А.А. Литвин // Вопр. организации и информатизации здравоохранения. - 2008. - № 3. - С. 54-58.
25. Щетинин, В.Г. Применение компьютерных «нейронных сетей» в клинической лабораторной диагностике / В.Г. Щетинин, А.А. Соломаха // Клин. лаб. диагностика. - 1998. - № 10. - С. 21-33.
26. A comparison of three computational modelling methods for the prediction of virological response to combination HIV therapy / D. Wang [et al.] // Artif. Intell. Med. - 2009. - Vol. 47. - P. 63-74.
27. Predictive assessment of ochratoxin A accumulation in grape juice based-medium by Aspergilluscarbonarius using neural networks / F Mateo [et al.] // J. Appl. Microbiol. - 2009. - Vol. 107, N 3. - P. 915-927.
28. Janse, M. Is there chaos in cardiology? / M. Janse // Br. Heart. J. - 1992. - Vol. 67. -P. 3-4.
29. Чазов, Е.И. Опыт философско-методологиче-ского анализа врачебной диагностики / Е.И. Чазов, Г.И. Царегородцев, Е.А. Кротков // Вопр. философии. - 1986. - № 9. - С. 65-85.
30. Иерусалимский, А.П. К проблеме формулирования клинического диагноза в неврологии / А.П. Иерусалимский // Журн. невропатологии и психиатрии. - 2008. - № 5. - С. 105-106.
31. Адаптация клинической классификации сосудистых поражений мозга к международной статистической классификации болезней Х пересмотра / Э.С. Гиткина [и др.] // Мед. новости. - 2000. - № 6. -С. 3-10.
Поступила 20.05.2013 г.
Бобат-кон цеп ция. Теория и клиническая практика в неврологической реабилитации /
Под редакцией Сью Рэйна, Линзи Медоуз, Мэри Линч-Эллерингтон. -
Н. Новгород, 2013.
Книга, ставшая бестселлером на европейском рынке медицинской литературы, теперь доступна на русском языке! Презентация книги «Бо-бат-концепция. Теория и клиническая практика в неврологической реабилитации» состоялась в октябре 2013 г. в Минске в рамках медицинской _____выставки «Медицина и здоровье - 2013».
■ Международный издательский дом «\Л/Пеу-В1аск\л/е11» и Группа компаний «МА-
ДИН» (Нижний Новгород) представляют первое издание книги «Бобат-концепция. Теория и клиническая практика в неврологической реабилитации» на русском языке. Научный редактор А. П. Бурмистров.
Бобат-концепция - это современная методика, которую использует большинство физических терапевтов/ре-абилитологов Европы для реабилитации пациентов с инсультом. В основе методики лежит применение специальных положений тела пациента, приемов ухода за пациентом, которые контролируют сенсорные стимулы к нервной системе. Приемы Бобат-терапии используются как для снижения патологических рефлексов, так и для создания нормального мышечного тонуса, реакций равновесия и правильных двигательных моделей.
Врачи-неврологи и специалисты по медицинской реабилитации, начинающие и опытные, получают в распоряжение целостную концепцию лечения неврологических повреждений.
По вопросам приобретения книги в Беларуси обращайтесь в УП «АЗГАР»: (+375-17) 286-05-02, (+375-29) 332-45-23
