Развитие технологий искусственного интеллекта в онкологии и лучевой диагностике

Бузаев И.В.; Плечев В.В.; Галимова Р.М.; Киреев А.Р.; Юлдыбаев Л.Х.; Шайхулова А.Ф.; Ахмерова С.Г.

Обзор литературы

(CC)]

https://doi.org/10.24060/2076-3093-2018-8-3-208-215

Развитие технологий искусственного интеллекта в онкологии и лучевой диагностике

Бузаев Игорь Вячеславович — к.м.н., зав. отделением рентгенохирургических методов диагностики и лечения № 1, ассистент кафедры госпитальной хирургии,

e-mail: [email protected], orcid.org/0000-0003-0511-9345

Плечев Владимир Вячеславович —

д.м.н., профессор, зав. кафедрой госпитальной хирургии,

e-mail: [email protected], orcid.org/0000-0002-6716-4048

Галимова Резида Маратовна — ассистент кафедры неврологии,

e-mail: [email protected], orcid.org/0000-0003-2758-0351

Киреев Айвар Рамилевич — соискатель кафедры менеджмента и маркетинга, e-mail: [email protected], orcid.org/0000-0002-4005-9782

Юлдыбаев Лев Хадыевич —

к.т.н., доцент кафедры

математики,

e-mail: [email protected],

orcid.org/0000-0001-7581-9967

Шайхулова Айгуль

Фазировна —

к.т.н., ассистент

кафедры технологии

машиностроения,

e-mail: [email protected],

orcid.org/0000-0002-3340-3880

Ахмерова Светлана Герценовна — д.м.н., профессор кафедры общественного здоровья и организации здравоохранения ИДПО, e-mail: [email protected]

И.В. Бузаев1, В.В. Плечев2, Р.М. Галимова2, А.Р. Киреев3,Л.Х. Юлдыбаев4, А.Ф. Шайхулова3, С.Г. Ахмерова2

1 Республиканский кардиологический центр, Россия, 450106, Уфа, ул. Ст. Кувыкина, 96

2 Башкирский государственный медицинский университет, Россия, 450008, Уфа, ул. Ленина, 3

3 Уфимский государственный авиационный технический университет, Россия, 450008, Уфа, ул. К. Маркса, 12

4 Уфимский государственный нефтяной технический университет, Россия, 450062, Уфа, ул. Космонавтов, 1 Контакты: Бузаев Игорь Вячеславович, e-mail: [email protected]

Резюме

Введение. Индустриальная революция 4.0 произошла во многом благодаря внедрению методов искусственного интеллекта.

Цель исследования. Показать качественные перемены, которые произошли в последние 3 года в реализации методов искусственного интеллекта в здравоохранении путем исследования трендов по публикациям в базе данных PubMed.

Материалы. Все резюме статей с ключевым словом "artificial intelligence" были загружены в текстовые файлы из базы данных https://www.ncbi.nlm.nih.gov/pubmed/. Путем обобщения ключевых слов мы классифицировали современные применения искусственного интеллекта в медицине. 78 420 резюме были извлечены из базы данных PubMed, в том числе 5558 обзоров, 304 рандомизированных исследования, 247 многоцентровых исследований. Затем были классифицированы типичные сферы применения.

Результаты. Интерес к теме искусственного интеллекта в индексированных в PubMed публикациях растет согласно закону развития инноваций. Количество неанглоязычных публикаций увеличивалось до 2008 года и было представлено на китайском, немецком, французском и русском языках. После 2008 года количество неанглоязычных публикаций снизилось в пользу англоязычных.

Выводы. В последние два-три года искусственный интеллект в практике принятия решений в медицине стал иметь реальное практическое применение. Кроме того, инструменты для создания систем принятия решений на базе методик искусственного интеллекта стали уже не диковинными и доступны не только математикам. Американское управление пищевыми продуктами и лекарственными препаратами (FDA) одобрило ряд приложений к клинической практике. Это еще одна перемена, которая затронула не только ученых, но и практиков. Большинство таких приложений используется для анализа медицинских изображений, в том числе и в онкологии, и демонстрирует сравнимую точность с человеком специалистом. В статье представлена разработанная классификация применения технологий искусственного интеллекта.

Ключевые слова: искусственный интеллект, системы поддержки клинических решений, медицина, здравоохранение, база данных, поиск информации, классификация, aLYNX

Для цитирования: Бузаев И.В., Плечев В.В., Галимова Р.М., Киреев А.Р., Юлдыбаев Л.Х., Шайхулова А.Ф., Ахмерова С.Г. Развитие технологий искусственного интеллекта в онкологии и лучевой диагностике. Креативная хирургия и онкология. 2018;8(3):208-215. https://doi.org/10.24060/2076-3093-2018-8-3-208-215

Artificial Intelligence Developments in Medical Visualization and Oncology

Igor V. Buzaev', Vladimir V. Plechev2, Rezida M. Galimova2, Ayvar R. Kireev3, Lev K. Yuldybaev4, Aygul F. Shaykhulova3, Svetlana G. Akhmerova2

1 Republic Heart Centre, 96 S. Kuvykin str., 450106, Russian Federation

2 Bashkir State Medical University, 3 Lenin str., Ufa, 450008, Russian Federation

3 Ufa State Aviation Technical University, 12 K. Marx str., Ufa, 450008, Russian Federation

4 Ufa State Petroleum Technical University, 1 Kosmonavtov str., Ufa, 450062, Russian Federation Contacts: Buzaev Igor Vyacheslavovich, e-mail: [email protected]

Summary

Introduction. The widespread adoption of Artificial Intelligence (AI) technologies forms the core of the so-called Industrial Revolution 4.0.

The aim of this study is to examine qualitative changes occurring over the last two years in the development of AI through an examination of trends in PubMed publications.

Materials. All abstracts with keyword "artificial intelligence" were downloaded from PubMed database https://www.ncbi. nlm.nih.gov/pubmed/ in the form of .txt files. In order to produce a generalisation of topics, we classified present applications of AI in medicine. To this end, 78,420 abstracts, 5558 reviews, 304 randomised controlled trials, 247 multicentre studies and 4137 other publication types were extracted. (Figure 1). Next, the typical applications were classified.

Results. Interest in the topic of AI in publications indexed in the PubMed library is increasing according to general innovation development principles. Along with English publications, the number of non-English publications continued to increase until 2018, represented especially by Chinese, German and French languages. By 2018, the number of non-English publications had started to decrease in favour of English publications. Implementations of AI are already being adopted in contemporary practice. Thus, AI tools have moved out of the theoretical realm to find mainstream application.

Conclusions. Tools for machine learning have become widely available to working scientists over the last two years. Since this includes FDA-approved tools for general clinical practice, the change not only affects to researchers but also clinical practitioners. Medical imaging and analysis applications already approved for the most part demonstrate comparable accuracy with the human specialist. A classification of developed AI applications is presented in the article.

Keywords: artificial intelligence; clinical decision support systems, medicine, public health, database, information retrieval, classification, aLYNX

For citation: Buzaev I.V., Plechev V.V., Galimova R.M., Kireev A.R., Yuldybaev L.K., Shaykhulova A.F., Akhmerova S.G. Artificial Intelligence Developments in Medical Visualization and Oncology. Creative Surgery and Oncology. 2018;8(3):208-215. https://doi.org/10.24060/2076-3093-2018-8-3-208-215

Buzaev Igor Vyacheslavovich — Candidate of Medical Sciences, Head of the Department of Interventional Cardiology, Assistant lecturer of the Department of Hospital Surgery,

e-mail: [email protected], orcid.org/0000-0003-0511-9345

Plechev Vladimir Vyacheslavovich — Doctor of Medical Sciences, Professor, Head of the Department of Hospital Surgery,

e-mail: [email protected], orcid.org/0000-0002-6716-4048

Galimova Rezida Maratovna — Assistant lecturer of the Department of Neurology, e-mail: [email protected], orcid.org/0000-0003-2758-0351

Kireev Ayvar Ramilevich — Applicant of the Department of Management and Marketing, e-mail: [email protected], orcid.org/0000-0002-4005-9782

Yuldybaev Lev Khadyevich — Candidate of Technical Sciences, Associate professor of the Department of Mathematics,

e-mail: [email protected],

orcid.drg/g000-0001-7581-9967

Shaykhulova Aigul Fazirovna — Candidate of Technical Sciences, Assistant lecturer of the Department of Mechanical Design Technology, e-mail: [email protected], orcid.org/0000-0002-3340-3880

Akhmerova Svetlana Gertsenovna — Doctor of Medical Sciences, Professor of the Department of Public Health and Health Organization in the Institute of Additional Professional Education,

e-mail: [email protected]

Введение

Интеллект — ум, мыслительная способность, умственное начало у человека [1]...

Искусственный интеллект (ИИ) — теория разработки, а также сами разработанные компьютерные системы, способные осуществлять задачи, требующие обычно наличия человеческого разума для их решения, например зрительное восприятие, распознавание речи, принятие решений или перевод с одного языка на другой (https://en.oxforddictionaries.com/) [2]. С давних времен люди добывали и использовали знания для того, чтобы сделать жизнь легче. Мы почти уверены, что обобщение и мыслительные способности отличают нас от животных.

С давних времен люди делегировали искусственно созданным объектам — машинам то, что не хотели делать сами. Эти машины, при уважительном отношении и должном внимании, давали нам больше пользы, чем доставляли проблем.

С давних времен люди, передавая работу машинам, выполняли эти задачи по желанию. Они изобрели автомобили, но продолжают бегать для удовольствия, изобрели сельскохозяйственную технику и продолжают вручную ухаживать за своими садами, люди изобрели принтеры, но тем не менее продолжают рисовать карандашами. И вот приходит искусственный интеллект. Есть ряд умственных задач, в которых человек не так совершенен, как хотелось бы. Многие из них тесно связаны с безопасностью и ответственностью. Люди склонны забывать и ограничены в обмене опытом [3, 4], они склонны к риску, и их решения зависят от уровня гормонов в крови [5], люди плохо обучаются в задачах с отложенной обратной связью (когда результат по времени значительно позже воздействия) [6, 7]. Человеческие реакции на потерю и приобретение нелинейны и зависят от «оформления» вопроса (prospect theory) [8]. Ряд когнитивных искажений хорошо изучен психологами [4]. Очевидно, что хорошей возможностью может быть использование искусственного интеллекта для помощи в этих умственных задачах. Одним из важных прорывов Индустриальной революции 4.0 явилось применение методов искусственного интеллекта. Эта революция затронула все аспекты нашей деятельности, и медицина — одна из них.

Системы ИИ могут включать формальные алгоритмы для задач, которые могут быть решены с помощью логических конструкций типа «если — то». Процесс решения задачи здесь — это движение от пункта до пункта, как у поезда на железной дороге. Эти алгоритмы быстры, и с их помощью можно получить объяснение, почему решение принято именно так. Люди также используют эти способы в повседневной жизни, когда не нуждаются в оценке и взвешивании большого количества факторов одновременно. Особенностью искусственного интеллекта являются алгоритмы нечеткой логики. Эти алгоритмы хорошо отражены в современной литературе. Так, F. Jiang et al. (2017) делит обработку естественного языка и машинное обучение. Со сво-

ими коллегами авторы статьи сделали срез различных алгоритмов, опубликованных в базе данных PubMed, и нашли наиболее часто используемую методологию: метод опорных векторов, нейронные сети, логистическую регрессию, дискриминантный анализ, линейную регрессию, метод случайного леса, наивный байесовский классификатор, метод ближайших соседей и скрытые марковские модели [9]. Цель и задачи исследования

Целью исследования явилось показать качественные изменения, которые произошли в последние 2 года в развитии искусственного интеллекта, исследуя тренды в литературе, индексированной в PubMed. Задачами было оценить динамику интереса к теме ИИ, динамику неанглоязычных публикаций и сферы применения ИИ в современной практике.

Материалы и методы

Исследованная литература:

• книги, связанные с темой [10, 11];

• патентный поиск в patents.google.com;

• специализированный журнал "Artificial intelligence";

• база данных PubMed.

Все резюме статей с ключевыми словами "artificial intelligence" были загружены из базы данных PubMed в .txt файлы https://www.ncbi.nlm.nih.gov/pubmed/. Далее нами была создана программа Microsoft Access Visual Basic для преобразования текста в реляционную базу данных. Затем был проведен анализ полученного набора данных MS SQL Server 2000. Набор данных включал имена всех авторов, mesh-тэги, год, язык, а также все слова по отдельности из названия и резюме. Эта информация была извлечена в таблицы, которые связали друг с другом уникальными ключами. Все неинформативные слова помечены как неинформативные, оставшиеся слова сгруппированы в обобщающие слова. Используя эти обобщения, мы классифицировали существующие сферы применения ИИ в медицине. Затем были написаны SQL-запросы для создания таблиц частот. С помощью этого метода мы классифицировали ИИ технологии.

Результаты

78 420 резюме были получены, из них 5558 обзоров, 304 рандомизированных исследования, 247 многоцентровых исследований (рис. 1). На рисунке 1 показан экспоненциальный рост к интересу в области ИИ, который немного замедлился в середине 2010 годов. Это проявление феномена s-образной кривой развития инновации, который показывает эффективность старой технологии и предсказывает либо стагнацию, либо новый этап развития [12].

Количество неанглоязычных публикаций увеличивалось до 2008 и было представлено на китайском, немецком, французском и русском языках. После 2008 количество неанглоязычных публикаций снизилось в пользу англоязычных (рис. 2).

Таблица 1 и рисунок 3 показывают, что около 2010 года интерес ИИ в онкологии вышел на первый план. Наи-

Рисунок 1. Общее количество публикаций по годам с ключевыми словами "artificial intelligence"

Figure 1. Total pubmed publications amount with "artificial intelligence" keyword

Рисунок2. Динамика неанглоязычных публикаций Figure2. Dynamics of non-english language publications

Рисунок3. Интерес к теме искусственного интеллекта в различных областях Figure 3. Al in different fields of medicine

Рисунок4. Наиболее частые задачи для ИИ по данным публикаций Figure 4. Two the most frequent Al tasks

более очевидная причина — необходимость анализа данных медицинской визуализации с помощью обсуждаемой технологии. Наиболее часто это нацелено на распознавание опухолей на изображениях и анализ генома (рис. 4).

Из набора данных были выделены 809 451 mesh-тэг. Они были сгруппированы и добавлены в оставшийся набор ключевых слов. Затем мы выделили типичные сферы применения ИИ и классифицировали их. D. Poole [13] выделяет среди ИИ следующие подклассы. Во-первых, вычислительные машины с физическими двигателями и сенсорами, их принято называть роботами, например робот-доставщик или робот-пылесос. Во-вторых, компьютеры-советчики, экспертные системы с участием человека, который обеспечивает входной информацией и постановкой задачи, напри-

мер диагностический ассистент. В-третьих, это может быть программа, которая работает в полностью компьютеризированном окружении — инфобот. Инфобот занимается поиском информации в компьютерных системах для обычных пользователей, например руководителей компаний.

Классификация задач ИИ

1. Управление и оптимизация:

- графы совпадений событий (совместной встречаемости) [14],

- кластеризация лечебного процесса,

- определение несоответствий в клинических рекомендациях [15],

- маркетинг и оценка доверия медицинскому учреждению [16],

19931997 19982002 20032007 20082012 20132017 Всего

Неврология и нейрохирургия 547 931 2496 3565 4765 12 304

Онкология 368 671 1845 3834 5291 12 009

Сердечно-сосудистая система 405 735 1790 2468 2962 8360

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Ортопедия 251 429 1243 2083 2952 6958

Урология 94 296 889 2254 1955 5488

Эндокринология 136 183 404 880 2330 3933

Пульмонология 131 212 562 786 1233 2924

Гастроэнтерология 77 108 374 723 1238 2520

Инфекционные заболевания 84 124 312 402 1191 2113

Радиология 75 115 297 548 772 1807

Травматология 19 79 165 448 701 1412

Гинекология 10 31 96 550 600 1287

Иммунология 23 25 72 152 644 916

Офтальмология 54 76 220 228 338 916

Токсикология 40 62 96 166 301 665

Стоматология 14 36 46 103 63 262

Таблица 1. Интерес к ИИ в различных областях медицины Table 1. Interest in AI in different fields of medicine

- сбор данных,

- регистрация,

- планирование.

2. Анализ сигналов, кодирование, декодирование, фильтрация:

- тактильное чувство [17],

- кинестетическое чувство [18],

- вкусовые рецепторы [19],

- анализ изображений,

- определение контуров [20],

- сегментация [21],

- гистопатологическая идентификация рака [22],

- анализ звука,

- классификация звуков легких [23],

- анализ запахов,

- определение концентраций алкоголя [24],

- электронный нос [25],

- анализ выдыхаемого воздуха [26, 27].

3. Детекция, идентификация:

- эпидемиология,

- определение носителей талассемии [28].

4. Предсказание, прогноз, моделирование, симуляция, картирование:

- моделирование риска, например риск рака [29],

- моделирование заболевания,

- проводящие пути мозга при аутизме [30].

5. Классификация, кластеризация, сегментация.

6. Мониторирование и контроль:

- телемедицина [31].

7. Анализ текстов и обработка естественного языка:

- намерения в тексте из обсуждений онлайн [32],

- семантика медицинских текстов [33],

- получение статистических данных из свидетельств о смерти [34],

- автоматическая классификация отчетов в радиологии [35],

- классификация многоязыковых медицинских документов [36],

- связи данных в медицинских записях [31],

- обработка естественного языка (обобщение, классификация текстов, определение взаимоотношений).

8. Медицинские устройства:

- интернет медицинских устройств (IoHT) [37],

- умный дом и раннее обнаружение патологии у престарелых [38],

- переносные устройства и мобильные приложения.

9. Поддержка клинических решений и экспертные системы:

- ретинопатия и артериовенозное соотношение [39],

- стентирование или аортокоронарное шунтирование [40].

10. Диагностика

- диагностическая маркировка [41],

- диагностика по распознаванию последовательностей [42],

- усталость человека по слежению за его взглядом [43],

- корреляция между болезнями,

- раннее определение аномалий в поведении [38],

- ранние индикаторы и прогрессирование паркинсонизма [44].

11. Лечение:

- терапия,

- автоматическая анестезия [45],

- хирургия,

- роботизированная (Remebot, робот для навигации и ориентации в нейрохирургии) [46],

- реабилитация,

- протезы.

12. Автоматизация вышеизложенных задач. Настоящее

Глубокое обучение достигло прорывов во многих исторически сложных областях машинного обучения. Достигнут почти человеческий уровень классификации изображений, распознавания речи, а также вождения, созданы цифровые ассистенты, такие как Google Now и Amazon Alexa, улучшены результаты поиска по сети и возможность ответа на вопросы на естественном языке, кроме того, ИИ превзошел человека в игре го [11].

Что нового?

Во-первых, инструменты для разработки ИИ. В настоящий момент эти инструменты уже не диковинка и не космические инструменты будущего. С 2015 года доступны быстрые алгоритмы Tensor Flow (https:// tensorflow.rstudio.com/) или Keras. Оба написаны с открытым кодом и бесплатны. Tensor Flow, например, — это простая к развертыванию и использованию на различных платформах рабочая среда для машинного обучения, выпущенная компанией Google. Ее можно легко поставить даже на переносной компьютер.

В 2017 году компания Apple предложила платформу CoreML на Xcode. С помощью Core ML разработчик может интегрировать уже обученную модель ИИ в свое приложение [47]. Также компания Apple уже предлагает такие платформы, как Vision для анализа изображений, Natural Language для обработки естественного языка. Программная платформа Vision позволяет разработчику включить в свое приложение готовые подпрограммы для распознаваний лиц, текста, штрихкодов, регистрации изображений и отслеживания предмета. Кроме того, в эту библиотеку Core ML включены модели для классификации и идентификации объектов. Язык «R» является бесплатным инструментом статистической обработки с открытым кодом, доступным на сайте проекта CRAN, он позволяет подключить библиотеки Tensor Flow или Keras. Руководства, как начать исследование в этой области, также доступны [11]. Существуют открытые базы данных региональных регистров, которые можно использовать для машинного обучения [40].

Во-вторых, появился ИИ для клинического использования. В апреле 2018 года IDx-DR стала первым продуктом, разрешенным к маркетингу Американским управлением по контролю за продуктами питания и лекарствами (FDA), который допущен к интерпретации изображений без необходимости участия врача. Это позволяет использовать его учреждениями здравоохранения, которые обычно не занимались офтальмологией [48]. В феврале 2018 года FDA разрешила к маркетингу программное обеспечение для поддержки клинического решения для оповещения о возможном остром нарушении мозгового кровообращения у пациентов [49]. OsteoDetect — это диагностическое программное обеспечение, которое использует алгоритмы ИИ для анализа двухмерных рентгеновских снимков о признаках перелома костей, в частности лучевой кости, частой локализации перелома в области запястья. Программа маркирует расположение перелома на снимке и помогает медицинскому работнику в обнаружении и постановке диагноза. Программа также одобрена FDA 24 мая 2018 года [50]. Среди российских систем ИИ для поддержки клинических решений можно выделить систему автоматического нахождения и классификации образов спектрограмм комбинационного рассеяния света (раман-спектроско-пии) для детекции и классификации опухолевой и неопухолевой ткани со специфичностью и чувствительностью более 92 %. Для решения поставленной задачи в качестве искусственной нейронной сети авторы использовали двуслойный персептрон на базе Tensor Flow [51]. Среди российских разработок следует отметить систему «третье мнение» (https://3opinion.ru/ru/) которая заявлена авторами как «Первая медицинская нейросеть, которая выявляет патологические состояния на уровне ведущих специалистов, учится непрерывно 24 часа в сутки, не устает и не болеет» [52].

Будущее... Наиболее фантастическим использованием искусственного интеллекта в медицине был бы перенос человеческого разума из больных и смертных челове-

ческих тел в системы, которые легко чинить, улучшать и соединять между собой. Гипотетически возможность сканирования нейронов, синапсов и их моделирование с воссозданием в машине не противоречит законам природы. Кремний находится в одном столбце таблицы Менделеева с углеродом и имеет много общих свойств. Возможно, с развитием технологий кибернетических организмов, когда-нибудь, мы выделим углеродную и кремниевую формы жизни.

Заключение

Онкология и лучевая диагностика являются отраслями, где интерес в разработке систем, использующих методологию искусственного интеллекта, лидирует. В последние два-три года появились инструменты, доступные как для обычных врачей, так и для ученых, позволяющие пользоваться этой технологией. Американское управление по контролю за пищевыми продуктами и лекарственными препаратами одобрило ряд приложений к клинической практике. Это еще одна перемена, которая затронула не только ученых, но и практиков. Большинство таких приложений используются для анализа медицинских изображений и демонстрируют сравнимую точность со специалистом человеком.

Мы должны помнить слова Далай ламы: «Технологии значительно улучшили человеческие способности. Они сделали проще многое. Но технология не может создавать сострадание». Кому мы бы доверили клиническое решение: машине, которая делает меньше ошибок, но не несет ответственности, или человеку, который может сделать больше ошибок, но...

Список литературы

1 Ожегов С.И., Шведова Н.Ю. Толковый словарь русского языка. 4-е изд. М., 1997-1999.

2 Stevenson A. (ed.) Oxford Dictionary of English. Oxford University Press, 2010.

3 Kruger J., Dunning D. Unskilled and unaware of it: how difficulties in recognizing one's own incompetence lead to inflated self-assessments. J Pers Soc Psychol. 1999;77(б):1121-34. PMID: 10626367

4 Tversky A., Kahneman D. Judgement under uncertainty: Heuristics and biases. Sciences. 1974;185(4157):1124-31. DOI: 10.1126/sci-ence.185.4157.1124

5 Kosfeld M., Heinrichs M., Zak P. J., Fischbacher U., Fehr E. Oxytocin increases trust in humans. Nature. 2005;435(7042):673-6. DOI: 10.1038/nature03701

6 Clarke A.M., Friedrich J., Senn W., Tartaglia E.M., Marchesotti S., Herzog M.H. Human learning in non-Markovian decision making. Available from: http://www.stat.columbia.edu/~johannes/docs/rldm2013.pdf

7 Clarke A.M., Friedrich J., Tartaglia E.M., Marchesotti S., Senn W., Herzog M.H. Human and machine learning in non-markovian decision making. PLoS One. 2015;10(4):e0123105. DOI: 10.1371/journal. pone.0123105

8 Kotler P., Keller K.L. Marketing Management. 15-th ed. Edinburgh: Pearson Education Limited, 2016.

9 Jiang F., Jiang Y., Zhi H., Dong Y., Li H., Ma S. et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230-43. DOI: 10.1136/svn-2017-000101

10 Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.

11 Chollet F., Allaire J.J. (eds) Deep Learning with R. Manning Publications, 2017.

12 Селиванов С.Г., Гузаиров М.Б., Кутин А.А. Инноватика: учебник для вузов. 2-е изд. М.: Машиностроение, 2008.

13 Poole D., Mackworth A., Goebel R. Computational Intelligence: a logical approach. New York: Oxford University Press, 1998.

14 Duque A., Stevenson M., Martinez-Romo J., Araujo L. Co-occurrence graphs for word sense disambiguation in the biomedical domain. Artif Intell Med. 2018;87:9-19. DOI: 10.1016/j.artmed.2018.03.002

15 Tsopra R., Lamy J.-B., Sedki K. Using preference learning for detecting inconsistencies in clinical practice guidelines: Methods and application to antibiotherapy. Artif Intell Med. 2018;89:24-33. DOI: 10.1016/j. artmed.2018.04.013

16 Yazdanparast R., Abdolhossein Zadeh S., Dadras D., Azadeh A.

An intelligent algorithm for identification of optimum mix of demographic features for trust in medical centers in Iran. Artif Intell Med. 2018;88:25-36. DOI:10.1016/j.artmed.2018.04.006

17 De Rossi D., Domenici C., Chiarelli P. Analogs of biological tissues for mechanoelectrical transduction: tactile sensors and muscle-like actuators. In: Sensors and sensory systems for advanced robots. Springer, 1988. P. 201-18.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

18 Giorgino T., Quaglini S., Lorassi F., De Rossi D. Experiments in the detection of upper limb posture through kinestetic strain sensors. In: International Workshop on Wearable and Implantable Body Sensor Networks (BSN'06). Cambridge, MA, 2006. P. 4-12. DOI: 10.1109/BSN.2006.25

19 Riul A., dos Santos D.S., Wohnrath K., Di Tommazo R., Carvalho A.C.P.L.F., Fonseca F.J. et al. Artificial taste sensor: efficient combination of sensors made from Langmuir — Blodgett films of conducting polymers and a ruthenium complex and self-assembled films of an azobenzene-containing polymer. Langmuir. 2002;18(1):239-45. DOI: 10.1021/la011017d

20 Liang F., Qian P., Su K.H., Baydoun A., Leisser A., Van Hedent S. et al. Abdominal, multi-organ, auto-contouring method for online adaptive magnetic resonance guided radiotherapy: An intelligent, multi-level fusion approach. Artif Intell Med. 2018;90:34-41. DOI: 10.1016/j. artmed.2018.07.001

21 Piorkowski A. A statistical dominance algorithm for edge detection and segmentation of medical images. In: Pi^tka E., Badura P., Kawa J., Wieclawek W. (eds) Information Technologies in Medicine. Springer;2016:3-14.

22 Gandomkar Z., Brennan P.C., Mello-Thoms C. MuDeRN: Multi-category classification of breast histopathological image using deep residual networks. Artif Intell Med. 2018;88:14-24. DOI:10.1016/j. artmed.2018.04.005

23 Bardou D., Zhang K., Ahmad S.M. Lung sounds classification using convolutional neural networks. Artif Intell Med. 2018;88:58-69. DOI: 10.1016/j.artmed.2018.04.008

24 Sundgren H., Winquist F., Lukkari I., Lundstrom I. Artificial neural networks and gas sensor arrays: quantification of individual components in a gas mixture. Measur Sci Technol. 1991;2(5):464. DOI: 10.1088/0957-0233/2/5/008

25 Gardner J.W., Shin H.W., Hines E.L. An electronic nose system to diagnose illness. Sensors Actuators B: Chemical. 2000;70(1):19-24. DOI: 10.1016/S0925-4005(00)00548-7

26 Di Francesco F., Fuoco R., Trivella M.G., Ceccarini A. Breath analysis: trends in techniques and clinical applications. Microchem J. 2005;79(1):405-10. DOI: 10.1016/j.microc.2004.10.008

27 Копылов Ф.Ю., Сыркин А.Л., Чомахидзе П.Ш., Быкова А.А., Щекочихин Д.Ю., Шалтаева Ю.Р. и др. Протонная масс-спектрометрия выдыхаемого воздуха в диагностике хронической сердечной недостаточности. Кардиология. 2016;56(5):37-41. DOI: 10.18565/cardio.2016.5.37-41

28 AlAgha A.S., Faris H., Hammo B.H., Al-Zoubi A.M. Identifying ^-thalassemia carriers using a data mining approach: The case of the Gaza Strip, Palestine. Artif Intell Med. 2018;88:70-83. DOI: 10.1016/j. artmed.2018.04.009

29 Richter A.N., Khoshgoftaar T.M. A review of statistical and machine learning methods for modeling cancer risk using structured clinical data. Artif Intell Med. 2018;90:1-14. DOI: 10.1016/j.artmed.2018.06.002

30 Askari E., Setarehdan S.K., Ali Sheikhani, Mohammadi M.R., Teshne-hlab M. Modeling the connections of brain regions in children with autism using cellular neural networks and electroencephalography analysis. Artif Intell Med. 2018;89:40-50. DOI: 10.1016/j.artmed.2018.05.003

31 He B., Guan Y., Dai R. Classifying medical relations in clinical text via convolutional neural networks. Artif Intell Med. 2018 May 18 [in Press]. DOI: 10.1016/j.artmed.2018.05.001

32 Epure E.V., Compagno D., Salinesi C., Deneckere R., Bajec M., 2itnik S. Process models of interrelated speech intentions from online health-related conversations. Artif Intell Med. 2018 July 18 [in Press]. DOI: 10.1016/j.artmed.2018.06.007

33 Denecke K., van Harmelen F. Recent advances in extracting and processing rich semantics from medical texts. Artif Intell Med. 2018 Aug 3. pii: S0933-3657(18)30441-X. DOI: 10.1016/j.artmed.2018.07.004

34 Koopman B., Zuccon G., Nguyen A., Bergheim A., Grayson N. Extracting cancer mortality statistics from death certificates: A hybrid machine learning and rule-based approach for common and rare cancers. Artif Intell Med. 2018;89:1-9. DOI: 10.1016/j.artmed.2018.04.011

35 Gerevini A.E., Lavelli A., Maffi A., Maroldi R., Minard A.-L., Serina I. et al. Automatic classification of radiological reports for clinical care. Artif Intell Med. 2018. June 7 [in Press]. DOI: 10.1016/j.art-med.2018.05.006

36 Garcia M.A.M., Rodriguez R.P., Rifon L.A. Leveraging Wikipedia knowledge to classify multilingual biomedical documents. Artif Intell Med. 2018;88:37-57. DOI: 10.1016/j.artmed.2018.04.007

37 da Costa C.A., Pasluosta C.F., Eskofier B., da Silva D.B., da Rosa Righi R. Internet of Health Things: toward intelligent vital signs monitoring in hospital wards. Artif Intell Med. 2018;89:61-9. DOI: 10.1016/j.artmed.2018.05.005

38 Hela S., Amel B., Badran R. Early anomaly detection in smart home: A causal association rule-based approach. Artif Intell Med. 2018 June 29 [in Press]. DOI: 10.1016/j.artmed.2018.06.001

39 Akbar Sh., Akram M.U., Sharif M., Tari A., Khan Sh.A. Decision support system for detection of hypertensive retinopathy using arteriovenous ratio. Artif Intell Med. 2018;90:15-24. DOI: 10.1016/j. artmed.2018.06.004

40 Buzaev I.V., Plechev V.V., Nikolaeva I.E., Galimova R.M. Artificial intelligence: Neural network model as the multidisciplinary team member in clinical decision support to avoid medical mistakes. Chronic Dis Transl Med. 2016;2(3):166-72. DOI: 10.1016/j.cdtm.2016.09.007

41 Jun Guo, Xuan Yuan, Xia Zheng, Pengfei Xu, Yun Xiao, Baoying Liu. Diagnosis labeling with disease-specific characteristics mining. Artif Intell Med. 2018;90:25-33. DOI: 10.1016/j.artmed.2018.06.006

42 Luo M., Zhao R. A distance measure between intuitionistic fuzzy sets and its application in medical diagnosis. Artif Intell Med. 2018;89:34-9. DOI: 10.1016/j.artmed.2018.05.002

43 Yamada Y., Kobayashi M. Detecting mental fatigue from eye-tracking data gathered while watching video: evaluation in younger and older adults. Artif Intell Med. 2018. DOI: 10.1016/j.artmed.2018.06.005

44 Valmarska A., Miljkovic D., Konitsiotis S., Gatsios D., Lavrac N., Robnik-Sikonja M. Symptoms and medications change patterns for Parkinson's disease patients stratification. Artif Intell Med. 2018 May 23. pii: S0933-3657(17)30587-0. DOI: 10.1016/j.artmed.2018.04.010

45 Mendez J.A., Leon A., Marrero A., Gonzalez-Cava J.M., Reboso J.A., Estevez J.I. et al. Improving the anesthetic process by a fuzzy rule based medical decision system. Artif Intell Med. 2018;84:159-70. DOI: 10.1016/j.artmed.2017.12.005

46 AI Is Here — Are You Ready? Chinafrica. 2018;10:24.

47 Capodanno D., Di Salvo M.E., Cincotta G., Miano M., Tamburino C., Tamburino C. Usefulness of the SYNTAX score for predicting clinical outcome after percutaneous coronary intervention of unprotected left main coronary artery disease. Circ Cardiovasc Interv. 2009;2(4):302-8. DOI: 10.1161/CIRCINTERVENTIONS.108.847137

48 FDA permits marketing of artificial intelligence-based device to detect certain diabetes-related eye problems [Internet]. April 11, 2018. Available from: https://www.fda.gov/NewsEvents/Newsroom/PressAn-nouncements/ucm604357.htm

49 FDA permits marketing of clinical decision support software for alerting providers of a potential stroke in patients [Internet]. February 13, 2018. Available from: https://www.fda.gov/NewsEvents/Newsroom/ PressAnnouncements/ucm596575.htm

50 FDA permits marketing of artificial intelligence algorithm for aiding providers in detecting wrist fractures [Internet]. May 24, 2018. Available from: https://www.fda.gov/NewsEvents/Newsroom/PressAn-nouncements/ucm608833.htm

51 Павлов В.Н., Билялов А.Р., Гильманова Р.Ф., Якупов Р.Р., Ковту-ненко А.С., Биемеев А.Т. и др. Использование интеллектуальных методов обработки данных раман-спектроскопии для диагностики злокачественных опухолей. Медицинский вестник Башкортостана. 2018;13(3):43-7.

52 Третье мнение — платформа для распознавания медицинских изображений. [cited 26.10.2018]. Available from: https://3opinion.ru/ru

References

1 Ozhegov N.I. Shvedova N.Yu. Explanatory Dictionary of the Russian Language. 4th ed. Moscow, 1997-1999. (in Russ.)

2 Stevenson A. (ed.) Oxford Dictionary of English. Oxford University Press, 2010.

3 Kruger J., Dunning D. Unskilled and unaware of it: how difficulties in recognizing one's own incompetence lead to inflated self-assessments. J Pers Soc Psychol. 1999;77(6):1121-34. PMID: 10626367

4 Tversky A., Kahneman D. Judgement under uncertainty: Heuristics and biases. Sciences. 1974;185(4157):1124-31. DOI: 10.1126/sci-ence.185.4157.1124

5 Kosfeld M., Heinrichs M., Zak P.J., Fischbacher U., Fehr E. Oxyto-cin increases trust in humans. Nature. 2005;435(7042):673-6. DOI: 10.1038/nature03701

6 Clarke A.M., Friedrich J., Senn W., Tartaglia E.M., Marchesotti S., Herzog M.H. Human learning in non-Markovian decision making. Available from: http://www.stat.columbia.edu/~johannes/docs/rldm2013.pdf

7 Clarke A.M., Friedrich J., Tartaglia E.M., Marchesotti S., Senn W., Herzog M.H. Human and machine learning in non-markovian decision making. PLoS One. 2015;10(4):e0123105. DOI: 10.1371/journal.pone.0123105

8 Kotler P., Keller K.L. Marketing Management. 15th ed. Edinburgh: Pearson Education Limited, 2016.

9 Jiang F., Jiang Y., Zhi H., Dong Y., Li H., Ma S. et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230-43. DOI: 10.1136/svn-2017-000101

10 Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.

11 Chollet F., Allaire J.J. (eds.) Deep Learning with R. Manning Publications, 2017.

12 Selivanov S.G., Guzairov M.B., Kutin A.A. Innovatics. The university textbook. Moscow: Machinostroyeniye, 2007. (in Russ.)

13 Poole D., Mackworth A., Goebel R. Computational Intelligence: a logical approach. New York: Oxford University Press, 1998.

14 Duque A., Stevenson M., Martinez-Romo J., Araujo L. Co-occurrence graphs for word sense disambiguation in the biomedical domain. Artif Intell Med. 2018;87:9-19. DOI: 10.1016/j.artmed.2018.03.002

15 Tsopra R., Lamy J.-B., Sedki K. Using preference learning for detecting inconsistencies in clinical practice guidelines: Methods and application to antibiotherapy. Artif Intell Med. 2018;89:24-33. DOI: 10.1016/j. artmed.2018.04.013

16 Yazdanparast R., Abdolhossein Zadeh S., Dadras D., Azadeh A.

An intelligent algorithm for identification of optimum mix of demographic features for trust in medical centers in Iran. Artif Intell Med. 2018;88:25-36. DOI: 10.1016/j.artmed.2018.04.006

17 De Rossi D., Domenici C., Chiarelli P. Analogs of biological tissues for mechanoelectrical transduction: tactile sensors and muscle-like actuators. In: Sensors and sensory systems for advanced robots. Springer, 1988. P. 201-18.

18 Giorgino T., Quaglini S., Lorassi F., De Rossi D. Experiments in the detection of upper limb posture through kinestetic strain sensors. In: International Workshop on Wearable and Implantable Body Sensor Networks (BSN'06). Cambridge, MA, 2006. P. 4-12. DOI: 10.1109/BSN.2006.25

19 Riul A., dos Santos D.S., Wohnrath K., Di Tommazo R., Carvalho A.C.P.L.F., Fonseca F.J. et al. Artificial taste sensor: efficient combination of sensors made from Langmuir — Blodgett films of conducting polymers and a ruthenium complex and self-assembled films of an azobenzene-containing polymer. Langmuir. 2002;18(1):239-45. DOI: 10.1021/la011017d

20 Liang F., Qian P., Su K.H., Baydoun A., Leisser A., Van Hedent S. et al. Abdominal, multi-organ, auto-contouring method for online adaptive magnetic resonance guided radiotherapy: An intelligent, multi-level fusion approach. Artif Intell Med. 2018;90:34-41. DOI: 10.1016/j. artmed.2018.07.001

21 Piorkowski A. A statistical dominance algorithm for edge detection and segmentation of medical images. In: Pi^tka E., Badura P., Kawa J., Wieclawek W. (eds) Information Technologies in Medicine. Springer, 2016. P. 3-14.

22 Gandomkar Z., Brennan P.C., Mello-Thoms C. MuDeRN: Multi-category classification of breast histopathological image using deep residual networks. Artif Intell Med. 2018;88:14-24. DOI: 10.1016/j. artmed.2018.04.005

23 Bardou D., Zhang K., Ahmad S.M. Lung sounds classification using convolutional neural networks. Artif Intell Med. 2018;88:58-69. DOI: 10.1016/j.artmed.2018.04.008

24 Sundgren H., Winquist F., Lukkari I., Lundstrom I. Artificial neural networks and gas sensor arrays: quantification of individual components in a gas mixture. Measur Sci Technol. 1991;2(5):464. DOI: 10.1088/0957-0233/2/5/008

25 Gardner J.W., Shin H.W., Hines E.L. An electronic nose system to diagnose illness. Sensors Actuators B: Chemical. 2000;70(1):19-24. DOI: 10.1016/S0925-4005(00)00548-7

26 Di Francesco F., Fuoco R., Trivella M.G., Ceccarini A. Breath analysis: trends in techniques and clinical applications. Microchem J. 2005;79(1):405-10. DOI: 10.1016/j.microc.2004.10.008

27 Kopylov Ph.Yu., Syrkin A.L., Chomakhidze P.Sh., Bykova A.A., Shheko-chihin D. Yu., Shaltaeva Yu.R. et al. Proton transfer reaction mass spec-trometry of exhaled breath in diagnostics of heart failure. Kardiologiia. 2016;56(5):37-41. (in Russ.). DOI: 10.18565/cardio.2016.5.37-41

28 AlAgha A.S., Faris H., Hammo B.H., Al-Zoubi A.M. Identifying ^-thalassemia carriers using a data mining approach: The case of the Gaza Strip, Palestine. Artif Intell Med. 2018;88:70-83. DOI: 10.1016/j. artmed.2018.04.009

29 Richter A.N., Khoshgoftaar T.M. A review of statistical and machine learning methods for modeling cancer risk using structured clinical data. Artif Intell Med. 2018;90:1-14. DOI: 10.1016/j. artmed.2018.06.002

30 Askari E., Setarehdan S.K., Ali Sheikhani, Mohammadi M.R., Teshne-hlab M. Modeling the connections of brain regions in children with autism using cellular neural networks and electroencephalography analysis. Artif Intell Med. 2018;89:40-50. DOI: 10.1016/j.artmed.2018.05.003

31 He B., Guan Y., Dai R. Classifying medical relations in clinical text via convolutional neural networks. Artif Intell Med. 2018 May 18 [in Press]. DOI: 10.1016/j.artmed.2018.05.001

32 Epure E.V., Compagno D., Salinesi C., Deneckere R., Bajec M., 2itnik S. Process models of interrelated speech intentions from online health-related conversations. Artif Intell Med. 2018 July 18 [in Press]. DOI: 10.1016/j.artmed.2018.06.007

33 Denecke K., van Harmelen F. Recent advances in extracting and processing rich semantics from medical texts. Artif Intell Med. 2018 Aug 3. pii: S0933-3657(18)30441-X. DOI: 10.1016/j.artmed.2018.07.004

34 Koopman B., Zuccon G., Nguyen A., Bergheim A., Grayson N. Extracting cancer mortality statistics from death certificates: A hybrid machine learning and rule-based approach for common and rare cancers. Artif Intell Med. 2018;89:1-9. DOI: 10.1016/j.artmed.2018.04.011

35 Gerevini A.E., Lavelli A., Maffi A., Maroldi R., Minard A.-L., Serina I.

et al. Automatic classification of radiological reports for clinical care. Ar-tif Intell Med. 2018. June 7 [in Press]. DOI: 10.1016/j.artmed.2018.05.006