Нейронные сети в медицине

Слайд 0

Нейронные сети в медицине StatSoft Russia

Слайд 1

Основные идеи нейросетевых методов анализа Простота и однородность отдельных элементов - «нейронов» Все основные свойства сети определяются структурой связей Избыточность системы гарантирует ее надежность как целого Связи формируются по неявным правилам в процессе «обучения»

Слайд 2

Примеры искусственных нейронных сетей

Слайд 3

Особенности нейросетевого подхода к анализу данных Предлагает стандартный способ решения многих нестандартных задач. Явное описание модели заменяется созданием «образовательной среды». Приводит к успеху там, где отказывают традиционные методы и трудно создать явный алгоритм.

Слайд 4

Для практического здравоохранения особый интерес представляют экспертные системы для диагностики заболеваний

Слайд 5

Примеры применения нейронных сетей в медицине Выявление атеросклеротических бляшек с помощью анализа флюоресцентных спектров. Диагностика заболеваний периферических сосудов. Диагностика инфаркта миокарда. Диагностика клапанных шумов сердца с помощью анализа акустических сигналов. Распознавание психических симптомов.

Слайд 6

Экспертная система для лечения артериальной гипертонии (Италия) Модуль 1 Модуль 2 Модуль 3 Почасовые измерения давления Возрасти пол Характеристики состояния Характеристики лекарственных препаратов Структура почасового приема препаратов Другие клинические данные

Слайд 7

Определение накопленной дозы радиоактивного облучения (Красноярская мед. академия) Классификация на 4 группыпо величине накопленнойдозы облучения 35 входныхпараметров Естественная Слабая Средняя Сильная Сеть обучалась на данных о пациентах, работающих в атомной промышленности. Со 100% правильностью такая сеть классифицирует состояние людей, в том числе и тех, кто не работает в данной отрасли.

Слайд 8

Этапы нейросетевого анализа Исследование взаимосвязи переменных и понижение размерности Построение и обучение сетей разных типов Сравнение качества сетей и их статистических характеристик

Слайд 9

Понижение размерности:отбор входных признаков Штраф за элемент, число популяций и поколений битовых строк Генетический алгоритм,пошаговое включениеи исключение признаков

Слайд 10

Понижение размерности:автоассоциативные сети Новые входные переменные для нейросетевой модели

Слайд 11

Задача классификации состояния больных с ишемической болезнью

Слайд 12

Нейронная сеть для диагностики развития ишемической болезни По набору показателей (48 переменных), как номинальных (например, «слабая-умеренная-сильная боль»), так и непрерывных (например, артериальное давление или возраст), классифицируется состояние пациентов с ишемической болезнью сердца. Номинальныепеременные Непрерывныепеременные

Слайд 13

Результаты классификации и анализ чувствительности Все наблюдения классифицированы правильно Анализ чувствительности позволяет утверждать, что одним из важнейших факторов риска является привычка к курению.

Слайд 14

Задача диагностики онкологического заболевания

Слайд 15

Нейронные сети для диагностики онкологического заболевания Сеть на радиальных базисных функциях Многослойный персептрон

Слайд 16

Результаты классификации Многослойный персептрон:100% наблюдений классифицировано правильно Радиальные базисные функции: 95% наблюдений классифицировано правильно

Слайд 17

Настройка сети

Слайд 18

Библиотеки функций пакета STATISTICA Neural Networks для построения, обучения и работы нейронных сетей позволяют эффективно встраивать нейросетевые модули в разрабатываемые экспертные системы для прогнозирования и диагностики заболеваний