автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Анализ, алгоритмизация и управление процессом диагностики гинекологических заболеваний на основе многовариантного моделирования

На правах рукописи

НОВИКОВА Екатерина Ивановна

АНАЛИЗ, АЛГОРИТМИЗАЦИЯ И УПРАВЛЕНИЕ ПРОЦЕССОМ ДИАГНОСТИКИ ГИНЕКОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ НА ОСНОВЕ МНОГОВАРИАНТНОГО МОДЕЛИРОВАНИЯ

Специальность 05.13.01 - Системный анализ, управление

и обработка информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Воронеж - 2006

Работа выполнена в Воронежском государственном техническом университете

Научный руководитель: доктор технических наук, профессор

Родионов Олег Валерьевич

Официальные оппоненты: доктор технических наук, профессор

Баркалов Сергей Алексеевич;

кандидат технических наук Левченко Александр Сергеевич

Ведущая организация Курский государственный

технический университет

Защита состоится 15 декабря 2006 г. в 14 часов в конференц-зале на заседании диссертационного совета Д 212.037.02 Воронежского государственного технического университета по адресу: 394026, г. Воронеж, Московский просп., 14.

С диссертацией можно ознакомиться в библиотеке Воронежского государственного технического университета.

Автореферат разослан «_ 8 _» ноября 2006 г.

Ученый секретарь диссертационного совета

Федорков Е.Д.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время проблема заболеваемости внутренним эндометриозом, миомой матки и опухолями яичников является актуальной не только в России, но и во всем мире. В структуре гинекологических заболеваний эндометриоз занимает по частоте четвертое место после воспалительных изменений, фибромиомы матки и опухолей яичников. По сводным данным он встречается у 7-50 % женщин детородного возраста.

Фибромиома матки является самой частой, практически единственной, доброкачественной не эпителиальной опухолью матки, и ее осложнения продолжают оставаться наиболее частой причиной операций в гинекологии. Однако, несмотря на значительный прогресс в исследовании миомы матки, ряд ключевых моментов патогенеза этого заболевания остаются недостаточно изученными, что и не позволяло поднимать вопрос о ранней диагностике миомы матки.

Опухоли яичников являются часто встречающейся гинекологической патологией, занимающей второе место среди опухолей женских половых органов. Частота опухолей яичников возрастает и за последние 10 лет увеличилась с 6 - 11 % до 19 - 25 % среди других опухолей половых органов.

Частота предоперационных ошибок для всех опухолей яичников составляет 1,2 %. Основными причинами диагностических ошибок являются длительное наблюдение за больными с небольшими «кистами» яичников, длительное безуспешное противовоспалительное лечение при увеличении придатков матки, длительное наблюдение за больными с предполагаемым диагнозом миомы матки, с опухолями в малом тазу неясной локализации.

Сочетание опухолей яичников и миомы матки наблюдается у 40-83 % больных, а внутренний эндометриоз с миомой матки у 55-85 %.

Дифференциальная диагностика данных патологических состояний представляет значительные трудности. Гинекологические заболевания носят вероятностный характер, большинство диагностических признаков выражаются качественными показателями, недостаток априорной информации приводит к тому, что принятие решений врачом на всех этапах лечения осуществляется в условиях ряда неопределенностей, а характери-

ТчТГнли ГГоТГЛЛ ¡ЛГиГ

БИБЛИОТЕКv С-Пстср'ног

ОЭ

стики больного являются индивидуальными.

Существующие информационные методы диагностики гинекологических заболеваний оказываются в большинстве своем малоэффективными. Из множества клинических, лабораторных и инструментальных признаков необходимо извлекать подмножества, важные для понимания клинической ситуации и достаточные для решения конкретной диагностической задачи.

Одним из средств повышения эффективности диагностики является автоматизация обработки диагностических данных с использованием компьютерных технологий как средства, позволяющего принять во внимание большое количество диагностических признаков с учетом их индивидуального коэффициента значимости. И одновременно исключить ошибки, связанные с субъективными факторами, таких как усталость врача, недооценка значимости отдельных симптомов, предвзятость мнения относительно тех или иных диагнозов и др.

Применения математических методов решения задач диагностики, имитационного моделирования также позволяют значительно повысить качество диагностики гинекологических заболеваний.

Таким образом, актуальность темы заключается в необходимости разработки методов интеллектуальной поддержки процессов диагностики внутреннего эндометриоза, миомы матки и опухолей яичников на основе математических моделей и алгоритмов.

Работа выполнена в рамках НИР ГБ 2004.27 «Управление процессами диагностики и лечения на основе информационно-интеллектуальных технологий» в соответствии с основными научными направлениями Воронежского государственного технического университета «Биокибернетика и компьютеризация в медицине» и «Проблемно-ориентированные системы управления».

Цель и задачи исследования. Целью диссертационной работы является разработка моделей и алгоритмов, обеспечивающих повышение эффективности процесса дифференциальной диагностики внутреннего эндометриоза, миомы матки и опухолей яичников.

Для достижения поставленной цели необходимо решить следующие задачи:

проанализировать и сформировать клинические характеристики и эхографические признаки миомы матки, опухолей яичника и внутреннего эндометриоза;

разработать математическую сетевую модель, которая позволяла бы принимать решения при планировании диагностического процесса гинекологических заболеваний;

проанализировать пути повышения эффективности прогностических оценок диагностики внутреннего эндометриоза, миомы матки и опухолей яичников с помощью статистических методов распознавания образов;

смоделировать решающие правила информационной поддержки принятия решений логико-вероятностного подхода для диагностического процесса гинекологических заболеваний;

разработать экспертную систему оценки состояния больных с внутренним эндометриозом, миомой матки и опухолями яичников на основе нейро-сетевого моделирования;

создать и внедрить информационный комплекс для обеспечения рациональной диагностики гинекологических заболеваний для повышения эффективности диагностики в клинических условиях.

Методы исследования. В работе использованы методы системного анализа, распознавания образов, экспертного оценивания, имитационного моделирования, основные положения теории вероятности, математической статистики и теории управления биосистемами, теория сетей Петри и нейронных сетей.

Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной:

методика интеллектуальной поддержки принятия решения при диагностике внутреннего эндометриоза, миомы матки и опухолях яичников, основанная на формализации данных эхографического и клинического обследования;

математические модели и алгоритмы, позволяющие принимать рациональные решения при планировании диагностического процесса патологии гинекологических заболеваний, отличающиеся использованием математического аппарата сетевых моделей;

информационная технология статистического синтеза критериев и алгоритмов принятия решения при диагностике гинекологических заболе-

з

ваний, обеспечивающая повышение эффективности диагностического процесса;

логическая модель диагностики гинекологических заболеваний и решающие правила принятия решения на основе критериального соотношения Вальда, позволяющие повысить точность диагностирования;

методика построения экспертной системы на базе нейронной сети, обеспечивающая информационную поддержку принимаемых врачом решений для повышения эффективности постановки диагноза гинекологических заболеваний;

автоматизированная система, обеспечивающая интеграцию методов, моделей и алгоритмов рационального принятия решения для диагностики внутреннего эндометриоза, миомы матки и опухолей яичников.

Практическая значимость и результаты внедрения. Разработана и научно обоснована методика дифференциальной диагностики гинекологических заболеваний, основанная на оценке основных клинических и инструментальных показателей, позволяющая повысить эффективность диагностики внутреннего эндометриоза, миомы матки и опухолей яичников. Проведен анализ наиболее информативных клинических, бимануальных и эхогра-фических признаков, который обеспечивает раннюю диагностику гинекологических заболеваний.

Разработана автоматизированная система поддержки принятия решений для клинического использования при диагностике внутреннего эндометриоза, миомы матки и опухолей яичников на основе нейросетевой модели, количественных критериев и алгоритмов, которая апробирована в отделении оперативной гинекологии городской клинической больницы № 3, а также в отделении эндоскопической гинекологии городской клинической больницы №10 «Электроника».

Материалы диссертации внедрены в учебный процесс на кафедре «Системного анализа и управления в медицинских системах» Воронежского государственного технического университета.

Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на следующих конференциях, совещаниях и семинарах: Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2004, 2006), Всероссийской конференции "Интеллектуализация управления в социальных и экономиче-

ских системах" (Воронеж, 2005), научно-методическом семинаре кафедры системного анализа и управления в медицинских системах Воронежского государственного технического университета (Воронеж, 2004-2006).

Публикации. Основные результаты диссертации опубликованы в 10 научных работах, в том числе 2 - в изданиях, рекомендованных ВАК РФ.

В работах, опубликованных в соавторстве и приведенных в конце автореферата, соискателем проанализированы и сформированы клинические и эхографические признаки миомы матки, опухолей яичника и внутреннего эндометриоза [б]; проведен анализ методов диагностики опухолей яичников [7]; приведен алгоритм имитационного моделирования процесса диагностики гинекологических заболеваний на основе сетей Петри [5]; предложена математическая модель построения экспертной системы на базе нейронной сети для диагностики гинекологических заболеваний [4, 8]; обоснованы методы интеллектуальной поддержки принимаемых решений при диагностике гинекологических заболеваний [1,2,3,9,10].

Структура и объем работы. Диссертация состоит из введения, четырех глав и заключения. Работа содержит 142 страницы, включая 22 рисунка, 11 таблиц, приложение и список литературы из 114 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертационной ра-боты, сформулированы цель и задачи исследования, изложены основные научные положения, определена практическая значимость, приведены сведения об апробации и внедрении работы.

Первая глава посвящена обзору современного состояния проблем заболеваемости внутренним эндометриозом, миомой матки и опухолями яичников, а также особенностям методов их диагностики.

Рассматриваются особенности методов диагностики гинекологических заболеваний и в качестве основного рассмотрен метод эхографии. При анализе средств дифференциальной диапностики также рассмотрены гистеро-сальпинографические, гистероскопические, томографические, лапароскопические методы исследования.

На основании информационных методов и концепций распознавания образов в медицинской диагностике рассмотрены различные системы классификаций: вероятностные, детерминированные, логические и структурные. На основании проведенного анализа определяются цель и задачи исследования.

Во второй главе рассматривается вопрос алгоритмизации процесса диагностики гинекологических заболеваний.

Решение по управлению, полученное при помощи моделей и алгоритмов, может не всегда устраивать врача, принимающего решение, кроме того, могут возникать случаи, когда ситуация при помощи этих средств либо не может быть описана, либо отнесена к какому-либо классу. Чтобы в таких ситуациях врач не оказался в безысходном положении, требуется разработка такого математического аппарата, который имел бы средства для:

1) определения принадлежности состояния больного к одной из групп заболеваний (формирование множества классификационных признаков) на основании данных, получаемых при первичном осмотре;

2) корректировки множества полученных классификационных признаков путем проведения методов лучевой диагностики;

3) выявления множеств дифференциально-диагностических признаков, позволяющих построить дифференциальный ряд заболеваний для определения окончательного диагноза, путем имитационного моделирования диагностического процесса.

В связи с этим предложена структурная модель в виде сетевой модели, основанная на представлении знаний правилами, при помощи которой возможно формирование плана диагностических мероприятий и в которой причинно-следственная связь описывается с использованием структуры, напоминающая построение сети Петри. Узлами такой сети являются классы условий (наборы классификационных признаков заболеваний, выявленных у пациентки) и управляющие выводы (методики исследования, используемые при проведении методов лучевой диагностики) - соответственно, позиции и переходы сети. Имитационная сетевая модель рассматриваемой задачи диагностики гинекологических заболеваний показана на рис. 1.

Функциональные назначения условий и переходов указаны в табл. 1.

Разработанная модификация сетей Петри, правила их функционирования и алгоритмическая поддержка имитации функционирования процесса диагностики позволяют: проводить формирование функциональной модели процесса диагностики; отслеживать текущее состояние системы диагностики; проводить генерацию вариантов управления путем имитации.

В результате обследования 215 пациенток Воронежской городской больницы № 3 за 2002 - 2004 гг., у 34 женщин был выявлен внутренний эндометриоз, у 66 - миома матки, у 34 - опухоли яичников, у 40 женщин были выявлены признаки и внутреннего эндометриоза, и миомы матки, а у 41 женщины - признаки и миомы матки, и опухоли яичников.

Проведен анализ качественных и количественных информационных параметров, получаемых в процессе диагностики. В результате чего были

выявлены явно выраженные ультразвуковые признаки рассматриваемых заболеваний.

Таблица 1

Функциональные назначения условий и переходов

Наименование позиции Функциональное назначение позиции

Ь0 Начало процесса диагностики гинекологических заболеваний (ГЗ)

ь, Клинические исследования признаков ГЗ

ь2 Лабораторные исследования признаков ГЗ

Ьз Общие инструментальные и лабораторные методы диагностики, включая ультразвуковую методику с трансабдоминальным датчиком

ь4 Специальные методы УЗИ (трансвагинальный датчик)

Ь5 Гистеросальпингография

Ьб Гистероскопия

Ь7 Цветное допплеровское картирование

ь* Компьютерная томография

ь9 Диагностическая и лечебная лапароскопия

Ью Магниторезонансная компьютерная томография

Ь„ Анализ симптомов и постановка диагноза

В третьей главе проведен анализ различных методов и алгоритмов принятия решений, учитывающих выбор оптимального варианта решения на основе экспертных оценок, статистического и многокомпонентного представления медицинской информации.

Информационная технология статистического синтеза критериев и алгоритмов принятия решения при диагностике ГЗ представлена на рис. 2.

Оценка функционального состояния пациенток Воронежской городской больницы № 3 проводилась на трех условно выделяемых иерархических уровнях, включающих в себя 37 показателей на предмет риска возникновения внутреннего эндометриоза, миомы матки и опухолей яичников: по клиническим показателям на основе опроса пациентов, бимануальное исследование и результаты ультразвукового обследования.

Выделение типологических групп по состоянию развития гинекологических заболеваний проводилось с использованием иерархического алгометрического кластерного анализа.

*11

Пространство исходных показателей " х\к *!£+! "" ХЦ ...... *1 р

Y

1-я методика (клиническое исследование)

Статистическое исследование

пк пк+\ —J \_

Y

2-я методика (бимануальное исследование)

V.

Кпр

m-я методика

(ультразвуковое исследование1)

\т

*пт _)

1 этап

Формирование интегральных показателей _оценки состояния человека_

2 этап

Классификация объектов на однородные _типологические кпассьт_

3 этап

Разработка решающих правил отнесения объекта к одному из выделенных классов

Донозологические состояния:

т~т

Pll Рп ... Plm

Р21 Р22 ... Р2т

Рз, Р32 ... РЗт

Pj, Pj2 ... Р 4т

-Н Р52 ... Psm

где рц - вероятность отнесения состояния пациента к 1-му доно-зологическому состоянию по результатам обследования у-й методикой

Э К С

п

Е Р Т Ы

Wl

\!>2

Экспертная оценка весовых коэффициентов

Расчет глобальных весов альтернативы выбора Л/ 5, = W,p,l + W2P,2 + ... + WaPím, 0=1,2,3)

Правило принятия решения: Л' =а.^тах{в1{-н>1р1/))

Рис. 2. Информационная технология статистического синтеза критериев и алгоритмов принятия решения при диагностике гинекологических

заболеваний

Формирование классов осуществлялось с использованием метода Уорда. В качестве меры близости использовалось расстояние Евклида. Кластеризация проводилась по 75 пациенткам с различными диагнозами. Результаты классификации пациенток приведены на рис. 3. Как видно из дендрограммы неправильный диагноз был поставлен 7 пациенткам. Несмотря на это ошибка прогнозирования диагноза составила 9,3%.

гшвг8{ш8гё8в888&езе1г!§18еш

ШЕШШШШШШШШШШШ

£ $2 Я *" ° £ Р. ° Я г> ^ п 1П й *» ** Й** ° * ч-V уг V 5 * ~-г- - £ £ * £ £ ¥ ? 2

ЗНЁИЕЩШИЕНИНШЕнгпнг

||||111111111111111111111111111111111111111111^ сссссссесссссссссссссссссссиссесссесссссссссссссссссс^

Рис. 3. Дендрограмма иерархической классификации пациенток по гинекологическим заболеваниям, где 1 класс - заболеваемость внутренним эндометриозом; 2 класс - заболеваемость миомой матки; 3 класс - заболеваемость опухолями яичников; 4 класс - заболеваемость внутренним эндометриозом и миомой матки; 5 класс - заболеваемость миомой матки и

опухолями яичников

Результаты классификации пациентов на основе кластерного анализа в зависимости от различных показателей позволили выделить гинекологические заболевания. По результатам классификации был проведен дис-криминантный анализ данных и получены математические модели для каждого гинекологического заболевания, которые имеют следующий вид: 2,=-41,130+6,838*Р,+4,857*Р2+3,385*Рз+2,648*Р4+0,032*Р5-

-1,660*Р6 +0,582*Р7+0,811 *Р8-0,133 *Р9+0,058*Р1О+0,Зб2*Р,,, 2*=-48,063+8,777*Р,+1,456*Р2+1,411*Рэ+3,541*Р4+0,805*Р3--0,065*Рб+1,129* Р7+0,738* Р8-0,831* Р9-0,061* Р10 +0,471* Р„;

г3= -32,326-1,036*РГ0,461 *Р2-1,037*Р3-1,024*Р4-0,607*Р5-

-0,849*Р6+2,985*Р7+1,974*Р8+2,165*Р9+2,003 *Р, 0+0,763 *Р,,; г,,=86,000+11,129*Р1+6,007*Р2+4,231 *Р3+4,991 *Р4+0,751 *Р5--1,425*Рб+1,098* Р7+1,214* Р8-0,513* Р9-0,027* Р1О+0,508* Р„;

089+8,447*Р,+1,474*Р2+0,800*Р3+3,046*Р4+0,043*Р5--1,628*Р6+3,729* Р7+2,750* Р8+1,390* Р9+1,884* Р10+1,03б* Р„, где - вероятность заболеваемости внутренним эндометриозом; Ъ2 ~ миомой матки; - опухолями яичников; - сочетание эндометриоза и миомы матки; - сочетание миомы матки и опухолей яичников; Р1 -размер матки; Р2 - наличие ячеистой структуры; Р3 - размер гипоэхоген-ных включений; Р4 - размер узлов; Р5 - наличие узлов различных по локализации; Р6 - размер капсулы; Р7 -размер яичников; Р8 - наличие гипоэхо-генных включений; Р? ~ размер жидкостного образования; Рю - наличие камеры; Рц - обобщенный показатель всех признаков.

Значение критерия Уилкса: Л=0,0010 стремится к нулю, что говорит о хорошем разпичии между классами.

На основе полученных дискриминантных функций принадлежности были протестированы 140 пациенток. Из всех пациенток, для которых была применена данная методика оценки диагноза, лишь 5 был поставлен неправильный диагноз. Таким образом, достоверность постановки диагноза по дискриминантным функциям составила 96,4 %, так для внутреннего эндометриоза - 94,7 %, для миомы матки - 98 %, для опухолей яичника -100 %, для сочетания миомы матки и эндометриоза - 92 %, а для миомы матки и опухолей яичников - 96,2 %.

Реализована алгоритмическая вероятностная логика на основе формулы Байеса для расчета условной вероятности события (диагноза). При диагностировании по методу Байеса разработаны решающие правила принятия решения. Для этого использованы критериальные соотношения Вальда, при наличии двух возможных исходов диагностирования (установление диагноза либо либо 02) решение в пользу диагноза £>2 можно принять с вероятностью ошибки А, и в пользу диагноза £>/ с вероятностью ошибки В.

Для оценки степени влияния выбираемых пороговых уровней А и В на пороговые уровни апостериорных оценок вероятности того или

иного диагноза (или группы диагнозов) в табл. 2 представлены конкретные примеры расчетных данных.

Таблица2

Расчетные пороговые значения P(D)

А 0,5 0,5 0,5 0,5 0,3 0,3 0,3 0,3

В 0,5 0,3 0,1 0,05 0,5 0,3 0,1 0,05

P(D)»cpx 0,5 0,58 0,64 0,66 0,63 0,7 0,75 0,76

P(D)m 0,5 0,375 0,17 0,09 0,415 0,3 0,12 0,07

А 0,1 од од 0,1 0,05 0,05 0,05 0,05

В 0,5 0,3 од 0,05 0,5 0,3 0,1 0,05

Р (В) верк 0,83 0,875 0,9 0,905 0,91 0,93 0,947 0,95

0,36 0,25 0,1 0,05 0,35 0,24 0,1 0,05

Как видно из представленных в табл. 2 оценок, с уменьшением показа-' телей риска А и В пороговый уровень расчетной вероятности для принятия решения в пользу какого-нибудь диагноза повышается. При диагностировании по методу Байеса достоверность постановки диагноза составила 90%.

На базе нейронной сети разработана экспертная система для диагностики гинекологических заболеваний, которая состоит из 37 входных векторов и одного скрытого слоя. Обучение сети осуществлялось при помощи 100 обучающих векторов. Сеть имеет 5 выходов, соответствующих каждому из присутствующих в обучающей выборке классов заболевания. Число нейронов в скрытом слое приняли равным 11. В качестве нелинейного элемента нейрона используется нелинейный функциональный логический (сигмоидальный) преобразователь /(5) = -—.

Функциональный сигмоидальный преобразователь нейронной сети для диагностики гинекологических заболеваний: f,„ (S) = ^ ^ ^.

Сеть, реализующая эту систему с помощью нейропакета Neural Planner, представлена на рис. 4. Время обучения сети при заданной ошибке 0,05 составило около 5,5 мин. Сеть обучилась за 21500 циклов.

На основе полученной математической модели был проведен опрос. Из всех пациенток, для которых была применена данная методика, 13 был

поставлен неправильный диагноз, что соответствует достоверности постановки диагноза 90,7 %.

Рис. 4. Нейронная сеть, реализующая экспертную систему

В результате проведенного анализа наиболее достоверной методикой постановки диагноза внутреннего эндометриоза, миомы матки, опухолей яичника и их сочетания является метод постановки диагноза по дискриминантным функциям.

В четвертой главе на основе описанных моделей и алгоритмов приведена разработанная автоматизированная система, предназначенная для повышения точности и сокращения времени диагностики внутреннего эндометриоза, миомы матки и опухолей яичников.

Технология функционирования автоматизированной медицинской системы диагностики представлена на рис. 5, где в качестве диагностического аппарата выступает любая совокупность приборов для проведения клинико-физиологических методов исследования.

При помощи программных средств происходит отслеживание движения данных и текущей информации о пациенте, что сопровождается соответствующими выходными формами.

Разработанная система, ориентированная на применение в ультразвуковой практике, предназначена для повышения точности и сокращения времени диагностики опухолей матки и яичников при использовании машинного алгоритма поиска истинного диагноза.

Пациентка

Средства СПД

Первичная обработка результатов осмотра

Формирование и коррекция сетевой имитационной модели

Диагностический аппарат

р уте*" ^^^л*? .УТ?* у.*"11^ 1 * ^ 'Уу^^

Врач-эксперт

Подсистема проведения первичного осмотра

Идентификация состояния пациентки на базе математической модели

I

Интерфейс

Диалоговый режим

Информационно-справочная система

Средства графики

Генератор отчетов

т

Средства обработки данных

База знаний

База данных

Рис. 5. Структурная схема автоматизированной системы диагностики

Автоматизированная система поддержки принятия решений для диагностики гинекологических заболеваний внедрена в отделении оперативной гинекологаи городской клинической больницы № 3 и в отделении эндоскопической гинекологии городской клинической больницы № 10 «Электроника».

В приложении помещены акты внедрения.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. На основе анализа современных подходов диагностики и прогнозирования внутреннего эндометриоза, миомы матки и опухоли яичников выявлена необходимость разработки моделей, алгоритмов и информационного комплекса, обеспечивающих повышение эффективности диагностики данных заболеваний.

2. Предложены алгоритм диагностики опухолей матки и яичников и методика формализации процессов функционирования системы диагностики на основе математического аппарата сетей Петри, что способствует ее эффективному применению методов ультразвуковой диагностики при исследовании патологий гинекологических заболеваний.

3. Проведен анализ различных методов и алгоритмов принятия решений, учитывающих выбор оптимального варианта решения на основе экспертных оценок, статистического и многокомпонентного представления медицинской информации.

4. Предложена информационная технология статистического синтеза критериев и алгоритмов принятия решения при диагностике внутреннего эндометриоза, миомы матки и опухолей яичников.

5. Проведена классификация пациентов по различным диагностическим показателям для определения класса гинекологического заболевания и сформированы дискриминантные функции диагноза.

6. Разработаны решающие правила принятия решения на основе критериальныго соотношения Вальда, которое позволяет повысить точность диагностирования, и реализована алгоритмическая вероятностная логика на основе обобщенной формулы Байеса для расчета условной вероятности события.

7. Проведен анализ различных алгоритмов обучения и настройки числа нейронов в скрытых слоях многослойных нейронных сетей в процессе обучения. Предложена схема процесса обучения и на базе нейронной сети разработана экспертная система для диагностики гинекологических заболеваний.

8. В результате проведенного анализа наиболее достоверной методикой постановки диагноза внутреннего эндометриоза, миомы матки,

опухолей яичника и их сочетания является метод постановки диагноза по дискриминантами функциям.

9. Разработана и внедрена автоматизированная система поддержки принятия решений для диагностики внутреннего эндометриоза, миомы матки и опухолей яичников в отделении оперативной гинекологии городской клинической больницы № 3 и в отделении эндоскопической шнеколо-гаи городской клинической больницы № 10 «Электроника».

Основные результаты диссертации опубликованы в следующих работах: Публикации в изданиях, рекомендованных ВАК РФ

1. Новикова Е.И. Оценка состояния больных с опухолями матки и яичников на основе кластерного и дискриминантного анализа /Е.И. Новикова, О.В. Родионов, М.В. Фролов //Системный анализ и управление в биомедицинских системах: журнал практической и теоретической биологии и медицины. М. 2006. Т. 5. № 2. С. 364-366.

2. Новикова Е.И. Разработка решающих правил для прогнозирования диагноза опухолей матки и яичников /Е.И. Новкова, О.В. Родионов, М.В. Фролов // Вестник Воронеж, гос. техн. ун-та. 2006. Т. 2. № 7. С. 27-30.

Статьи и материалы конференций

3. Баранов P.JI. Современные компьютерные технологии в обеспечении диагностического процесса в медицине / P.JI. Баранов, Е.И. Новикова, О.В. Родионов // Интеллектуальные информационные системы: тр. всерос. конф. Воронеж, 2004. Ч. 1. С 154- 155.

4. Коровин E.H. Применение нейронных сетей для задач диагностики гинекологических заболеваний / E.H. Коровин, H.A. Кузнецова, Е.И. Новикова // Интеллектуальные информационные системы: тр. всерос. конф. Воронеж, 2004. Ч. 1. С 220 - 221.

5. Алгоритм имитационного моделирования процесса диагностики гинекологических заболеваний на основе сетей Петри /Е.И. Новикова, О.В.Родионов, М.В. Фролов, A.B. Чернов // Прикладные задачи моделирования и оптимизации: межвуз. сб. науч. тр. Воронеж: ВГТУ, 2004. С. 52-55.

6. Новикова Е.И. Анализ клинических признаков больных с кистами и опухолями яичников и матки / Е.И. Новикова, О.В. Родионов, М.В,

Фролов // Интеллектуализация управления в социальных и экономических системах: тр. всерос. конф. Воронеж, 2005. С. 143 - 144.

7. Фролов М.В. Анализ методов диагностики доброкачественных опухолей и опухолевидных образований яичников / М.В. Фролов, Е.И. Новикова // Специализированная медицинская помощь: сб. науч. практ. работ. Воронеж, 2005. Вып. IX. С. 82 - 86.

8. Применение нейросетевого моделирования для поддержки принятия решений постановки при диагностике гинекологических заболеваний / E.H. Коровин, Е.И. Новикова, О.В. Родионов, М.В. Фролов // Управление процессами диагностики и лечения: межвуз. сб. науч. тр. Воронеж: ВГТУ, 2005. С. 9 - 12.

9. Новикова Е.И. Логическое моделирование процесса диагностики гинекологических заболеваний / Е.И. Новикова, О.В. Родионов, М.В. Фролов // Интеллектуализация управления в социальных и экономических системах: тр. всерос. конф. Воронеж, 2005. С. 181 -182.

10. Новикова Е.И. Принципы разработки экспертной системы на базе нейронной сети для диагностики опухолей матки и яичников / Е.И. Новикова, О.В. Родионов, М.В. Фролов // Интеллектуальные информационные системы: тр. вссрос. конф. Воронеж, 2006. Ч. 1. С 141 - 143.

Подписано в печать 8.11.0б. Формат 60x84/16. Бумага для множительных аппаратов. Объем 1,0 усл.печ.л. Тираж 85 экз. Заказ № 4е/ 9-ГОУВПО «Воронежский государственный технический университет» 394026 Воронеж, Московский просп., 14

2995

Введение.

1. СОВРЕМЕННОЕ СОСТОЯНИЕ И ПУТИ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ДИАГНОСТИКИ ГИНЕКОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ

1Л Современное состояние проблем заболеваемости эндометриоза, миомы матки и опухолей яичников.

1.2. Анализ диагностических методов исследования гинекологических заболеваний.

1.3. Анализ методов и концепций распознавания образов в медицинской диагностике

1.4. Цель и задачи исследования.

2. АЛГОРИТМИЗАЦИЯ ПРОЦЕССА ДИАГНОСТИКИ ВНУТРЕННЕГО ЭНДОМЕТРИОЗА, МИОМЫ МАТКИ И ОПУХОЛЕЙ ЯИЧНИКА

2.1. Алгоритм имитационного моделирования процесса диагностики гинекологических заболеваний на основе сетей Петри.

2.2. Клинические характеристики больных с внутренним эндометрио-зом, миомой матки и опухолями яичников.

2.3. Характеристика эхографических признаков внутреннего эндометриоза, миомы матки и опухоли яичников.

Выводы второй главы.

3. МОДЕЛИРОВАНИЕ ПРОЦЕССА ДИАГНОСТИКИ ВНУТРЕННЕГО ЭНДОМЕТРИОЗА, МИОМЫ МАТКИ И ОПУХОЛЕЙ ЯИЧНИКА.

3.1. Информационная технология статистического синтеза критериев и алгоритмов принятия решений при диагностике гинекологических заболеваний

3.2. Оценка состояния больных с опухолями матки и яичников на основе количественных статистических критериев и алгоритмов.

3.3. Алгоритмическая реализация вероятностной логики.

3.4. Применение нейросетевого моделирования для поддержки принятия решений при диагностики гинекологических заболеваний.

3.4.1. Структура и свойства искусственного нейрона.

3.4.2. Постановка и пути решения задачи обучения нейронных сетей.

3.4.3. Оценка состояния больных с внутренним эндометриозом, миомой матки и опухолями яичника на основе нейросетевого моделирования

Выводы третей главы.

4. РЕАЛИЗАЦИЯ МОДЕЛЕЙ И АЛГОРИТМОВ ПРИ АВТОМАТИЗАЦИИ УПРАВЛЕНИЯ ПРОЦЕССОМ ДИАГНОСТИКИ ГИНЕКОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ.

Актуальность темы. В настоящее время проблема заболеваемости внутренним эндометриозом, миомой матки и опухолями яичников является актуальной не только в России, но и во всем мире. В структуре гинекологических заболеваний эндометриоз занимает по частоте четвертое место после воспалительных изменений, фибромиомы матки и опухолей яичников. По сводным данным он встречается у 7-50 % женщин детородного возраста. Следует подчеркнуть, что эндометриоз представляет собой серьезное заболевание, приводящее в ряде случаев к выраженным анатомическим изменениям в зоне его расположения [11, 12].

Фибромиома матки после воспалительных заболеваний и кист яичника занимает по частоте третье место среди гинекологической патологии. Является самой частой, практически единственной, доброкачественной не эпителиальной опухолью матки.

Миома матки и ее осложнения продолжают оставаться наиболее частой причиной операций в гинекологии. Однако, несмотря на значительный прогресс в исследовании миомы матки, ряд ключевых моментов патогенеза этого заболевания остаются недостаточно изученными, что и не позволяло поднимать вопрос о ранней диагностике миомы матки [21, 22].

Опухоли яичников являются часто встречающейся гинекологической патологией, занимающей второе место среди опухолей женских половых органов. Частота опухолей яичников возрастает, и за последние 10 лет увеличилась с 6 - 11% до 19 - 25% среди других опухолей половых органов.

Частота предоперационных ошибок для всех опухолей яичников составляет 1,2%; из них: для злокачественных - 25 - 51%, для доброкачественных - 3 - 31,3%), для опухолевидных образований - 30,9 - 45,6%. Основными причинами диагностических ошибок являются длительное наблюдение за больными с небольшими «кистами» яичников, длительное безуспешное противовоспалительное лечение при увеличении придатков матки, длительное наблюдение за больными с предполагаемым диагнозом миомы матки, с опухолями в малом тазу неясной локализации [40]. Сочетание опухолей яичников и миомы матки наблюдается у 40-83 % больных, а внутренний эндомет-риоз с миомой матки у 55-85 %.

Дифференциальная диагностика данных патологических состояний представляет значительные трудности. Гинекологические заболевания носят вероятностный характер, большинство диагностических признаков выражаются качественными показателями, недостаток априорной информации приводит к тому, что принятие решений врачом на всех этапах лечения осуществляется в условиях ряда неопределенностей, а характеристики больного являются индивидуальными.

Существующие информационные методы диагностики гинекологических заболеваний оказываются в большинстве своем малоэффективными. Из множества клинических, лабораторных и инструментальных признаков необходимо извлекать подмножества, важные для понимания клинической ситуации и достаточные для решения конкретной диагностической задачи.

Одним из средств повышения эффективности диагностики является автоматизация обработки диагностических данных с использованием компьютерных технологий как средства, позволяющего принять во внимание большое количество диагностических признаков с учетом их индивидуального коэффициента значимости. И одновременно исключить ошибки, связанные с субъективными факторами, таких как усталость врача, недооценка значимости отдельных симптомов, предвзятость мнения относительно тех или иных диагнозов и др.

Применения математических методов решения задач диагностики, имитационного моделирования, также позволяют значительно повысить качество диагностики гинекологических заболеваний.

Таким образом, актуальность темы заключается в необходимости разработки методов интеллектуальной поддержки процессов диагностики внутреннего эндометриоза, миомы матки и опухолей яичников на основе математических моделей и алгоритмов.

Работа выполнена в рамках НИР ГБ 2004.27 «Управление процессами диагностики и лечения на основе информационно-интелектуальных технологий», в соответствии с основными научными направлениями Воронежского государственного технического университета «Биокибернетика и компьютеризация в медицине» и «Проблемно-ориентированные системы управления».

Цель и задачи исследования. Целью работы является разработка моделей и алгоритмов, обеспечивающих повышение эффективности процесса дифференциальной диагностики внутреннего эндометриоза, миомы матки и опухолей яичников.

Для достижения поставленной цели необходимо решить следующие задачи: проанализировать и сформировать клинические характеристики и эхографические признаки миомы матки, опухолей яичника и внутреннего эндометриоза; разработать математическую сетевую модель, которая позволяла бы принимать решения при планировании диагностического процесса гинекологических заболеваний; проанализировать пути повышения эффективности прогностических оценок диагностики внутреннего эндометриоза, миомы матки и опухолей яичников с помощью статистических методов распознавания образов; смоделировать решающие правила информационной поддержки принятия решений логико-вероятностного подхода для диагностического процесса гинекологических заболеваний; разработать экспертную систему оценки состояния больных с внутренним эндометриозом, миомой матки и опухолями яичников на основе нейросе-тевого моделирования; создать и внедрить информационный комплекс для обеспечения рациональной диагностики гинекологических заболеваний для повышения эффективности диагностики в клинических условиях.

Методы исследования. В работе использованы методы системного анализа, распознавания образов, экспертного оценивания, имитационного моделирования, основные положения теории вероятности, математической статистики и теории управления биосистемами, теория сетей Петри и нейронных сетей.

Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной: методика интеллектуальной поддержки принятия решения при диагностике внутреннего эндометриоза, миомы матки и опухолях яичников, основанная на формализации данных эхографического и клинического обследования; математические модели и алгоритмы, позволяющие принимать рациональные решения при планировании диагностического процесса патологии гинекологических заболеваний, отличающиеся использованием математического аппарата сетевых моделей; информационная технология статистического синтеза критериев и алгоритмов принятия решения при диагностике гинекологических заболеваний, обеспечивающая повышение эффективности диагностического процесса; логическая модель диагностики гинекологических заболеваний и решающие правила принятия решения на основе критериального соотношения Вальда, позволяющие повысить точность диагностирования; методика построения экспертной системы на базе нейронной сети, обеспечивающая информационную поддержку принимаемых врачом решений для повышения эффективности постановки диагноза гинекологических заболеваний; автоматизированная система, обеспечивающая интеграцию методов, моделей и алгоритмов рационального принятия решения для диагностики внутреннего эндометриоза, миомы матки и опухолей яичников. Практическая значимость и результаты внедрения. Разработана, научно обоснована методика дифференциальной диагностики гинекологических заболеваний, основанная на оценке основных клинических и инструментальных показателей, позволяющая повысить эффективность диагностики внутреннего эндометриоза, миомы матки и опухолей яичников. Проведен анализ наиболее информативных клинических, бимануальных и эхо-графических признаков, который обеспечивает раннюю диагностику гинекологических заболеваний.

Разработана автоматизированная система поддержки принятия решений для клинического использования при диагностике внутреннего эндометриоза, миомы матки и опухолей яичников на основе нейросетевой модели, количественных критериев и алгоритмов, которая апробирована в отделении оперативной гинекологии городской клинической больницы №3, а также в отделении эндоскопической гинекологии городской клинической больницы №10 «Электроника».

Материалы диссертации внедрены в учебный процесс на кафедре «Системного анализа и управления в медицинских системах» Воронежского государственного технического университета.

Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на следующих конференциях, совещаниях и семинарах: Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2004, 2006), Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах" (Воронеж, 2005), научно-методическом семинаре кафедры системного анализа и управления в медицинских системах Воронежского государственного технического университета (Воронеж, 2004-2006).

Структура и объем работы. Диссертация состоит из введения, четырех глав и заключения. Работа содержит 142 страницы, включая 22 рисунка, 11 таблиц, приложение и список литературы из 114 наименований.

ВЫВОДЫ ТРЕТЬЕЙ ГЛАВЫ

1. Проведен анализ различных методов и алгоритмов принятия решений, учитывающих выбор оптимального варианта решения на основе экспертных оценок, статистического и многокомпонентного представления медицинской информации.

2. Предложена информационная технология статистического синтеза критериев и алгоритмов принятия решения при диагностике внутреннего эндометриоза, миомы матки и опухолей яичников.

3. Проведена классификация пациентов по различным диагностическим показателям для определения класса гинекологического заболевания и сформированы дискриминантные функции диагноза.

4. Разработаны решающего правила принятия решения на основе кри-териальныго соотношения Вальда, которое позволяет повысить точность диагностирования.

5. Реализована алгоритмическая вероятностная логика на основе обобщенной формуле Байеса для расчета условной вероятности события

6. Проведен анализ различных алгоритмов обучения и настройки числа нейронов в скрытых слоях многослойных нейронных сетей в процессе обучения. Предложена схема процесса обучения и на базе нейронной сети разработана экспертная система для диагностики гинекологических заболеваний.

7. В результате проведенного анализа наиболее достоверным методикой постановки диагноза внутреннего эндометриоза, миомы матки, опухолей яичника и их сочетания является метод постановки диагноза по дис-криминантным функциям.

4. РЕАЛИЗАЦИЯ МОДЕЛЕЙ И АЛГОРИТМОВ ПРИ АВТОМАТИЗАЦИИ УПРАВЛЕНИЯ ПРОЦЕССОМ ДИАГНОСТИКИ ГИНЕКОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ

При реализации моделей и алгоритмов в качестве среды разработки была использована система программирования Delphi 7, относящаяся к классу инструментальных средств ускоренной разработки программ (Rapid Application Development, RAD). Это ускорение достигается за счет визуального конструирования форм и использования библиотеки визуальных компонентов.

Использование визуальных компонентов не только во много раз уменьшает сроки разработки программ, но и существенно снижает вероятность случайных программных ошибок.

Технология функционирования автоматизированной медицинской системы диагностики представлена на рис. 4.1., где в качестве диагностического аппарата выступает любая совокупность приборов для проведения клинико-физиологических методов исследования.

Рассмотрим подробнее программную реализацию каждого из компонентов системы.

Интерфейс системы постановки диагноза (ПД) предназначен для организации «дружелюбного» взаимодействия пользователя (эксперта, ЛПР и т.д.). В него входят:

- «диалоговый режим» - меню, созданное посредством инструментов среды разработки, обеспечивающее, например: ввод информации, необходимой для функционирования блока СПД, вывод графической информации («средства графики»), вывод документированной информации («генератор отчетов»), возможность доступа к информационно-справочной системе («информационно-справочная система»);

- «средства графики» - обеспечивает возможность получения необходимой информации в виде различного рода графиков;

- «генератор отчетов» - обычно встроенное в RAD средство получения и вывода хранящейся информации или средство преобразования хранящейся информации в текстовый формат с учетом необходимой кодировки;

Пациентка Врач-эксперт

Средства СПД

Интерфейс w я н

В? к к а с s ж

35 а 5

L) X g <и п 3 о V с а

Я и н и

К о е* о

С

Подсистема проведения первичного осмотра

Первичная обработка результатов осмотра

Формирование и коррекция сетевой имитационной модели

Диагностический аппарат

Идентификация состояния пациентки на базе математической модели н—и

Информационносправочная система

Средства графики

Генератор отчетов

Средства обработки данных

База знаний

База данных

Рис. 4.1. Структурная схема автоматизированной системы диагности

- «информационно-справочная система» - содержит информацию о работе с отдельными подсистемами программного комплекса, а также о комплексе в целом (реализуется в соответствии с гипертекстовым форматом, что облегчает работу и поиск необходимой информации).

Блок «База знаний и данных» обеспечивает хранение временной и архивной информации о состоянии СД в виде таблиц соответствующего формата (Paradox, dBase, Interbase, и т.д.).

Блок «Средства обработки данных» предназначен для манипулирования информации, хранящейся в «базе знаний и данных». В его функции входит обеспечение средств воспроизведения, редактирования, изменения и просмотра данных посредством средств, предусматриваемых форматом хранения данных (для RAD Delphi такими средствами являются «внутренний» и «внешний» SQL).

Блок СПД предназначен для реализации задачи диагностики ГЗ.

Работа данного блока обеспечивается процедурой формирования и коррекции фрагментов сетевой модели имитации. В ходе работы процедуры происходит обращение к соответствующим данным. Выбирается режим функционирования, и в зависимости от этого происходит либо формирование фрагментов новой сети, либо изменение информации старой. Формирование нового фрагмента происходит при помощи занесения информации о новых позициях, переходах, их характеристиках и причинно-следственных связях. При выборе режима корректировки могут быть удалены, добавлены или изменены фрагменты сетевой модели имитации. По завершении работы процедуры, данные заносятся в соответствующий раздел «базы знаний и данных», для использования в ходе дальнейшего выполнения приложения.

Идентификация пациенток происходит на базе математической модели (на основе линейных дискриминантных функций, НС, логической модели).

В организационную структуру задачи диагностики ГЗ входят: первичный осмотр, проведение общих инстументальных методов диагностики включая стандартные УЗИ, планирование специальных методов исследования (специальные методы УЗИ (трансвагинальный датчик), гистеросальпин-гография, гистероскопия, цветное доплеровское картирование, компьютерная томография, диагностическая и лечебная лапароскопия, магниторезонансная и компьютерная томография), анализ классификационных признаков ГЗ, полученных при УЗИ. Формирование дифференциально-диагностического ряда ГЗ происходит следующим образом: при поступлении пациента производится первичный осмотр, вследствие чего выявляется исходный ряд классификационных признаков заболевания данного пациента, на основании которых назначаются общие методы обследования (лабораторные и инструментальные). После их проведения с помощью ряда классификационных признаков определяется принадлежность этого ряда к одной из групп ГЗ. После чего, при наличии неясных симптомов и признаков, назначается один или несколько специальных методов исследования, с учетом полученных данных производится уточнение диагностического ряда, и возможно, формулировка окончательного диагноза данного заболевания. При помощи программных средств происходит отслеживание движения данных и текущей информации о пациенте, что сопровождается соответствующими выходными формами.

Разработанная система, ориентированна на применение в ультразвуковой практике, предназначена для повышения точности и сокращения времени диагностики опухолей матки и яичников при использовании машинного алгоритма поиска истинного диагноза на основе клинических критериев.

Ниже представлен интерфейс разработанной системы диагностики ГЗ.

После запуска программы необходимо подключиться к БД (рис. 4.2.). подсистема диагностики опухолей матки и яичников -|Р|х|

Общее Дополнительно Помощь 1

Подключиться к БД Г--. : 7---- ------------------------

Выход пмя Отчество rr^ll^r, Адрес места жительства ) рожд©ния Паспорт Страховой полис Серия Номер Дата выдачи

И " i

LI 1..1. 1 .1 . !

1 1 и:

Рис. 4.2. Подключение к БД

Работа с программой начинается с создания карточки клиента или с поиска уже существующей, если клиент уже обращался в клинику (рис. 4.3.).

ЗАКЛЮЧЕНИЕ

В результате проведенной работы были получены следующие результаты.

1. На основе анализа современных подходов диагностики и прогнозирования внутреннего эндометриоза, миомы матки и опухоли яичников выявлена необходимость разработки моделей, алгоритмов и информационного комплекса, обеспечивающих повышение эффективности диагностики данных заболеваний.

2. Предложены алгоритм диагностики опухолей матки и яичников и методика формализации процессов функционирования системы диагностики на основе математического аппарата сетей Петри, что способствует ее эффективному применению методов ультравуковой диагностики при исследовании гинекологических заболеваний.

3. Проведен анализ различных методов и алгоритмов принятия решений, учитывающих выбор оптимального варианта решения на основе экспертных оценок, статистического и многокомпонентного представления медицинской информации.

4. Предложена информационная технология статистического синтеза критериев и алгоритмов принятия решения при диагностике внутреннего эндометриоза, миомы матки и опухолей яичников.

5. Проведена классификация пациентов по различным диагностическим показателям для определения класса гинекологического заболевания и сформированы дискриминантные функции диагноза.

6. Разработаны решающего правила принятия решения на основе кри-териальныго соотношения Вальда, которое позволяет повысить точность диагностирования, и реализована алгоритмическая вероятностная логика на основе обобщенной формуле Байеса для расчета условной вероятности события

7. Проведен анализ различных алгоритмов обучения и настройки числа нейронов в скрытых слоях многослойных нейронных сетей в процессе обучения. Предложена схема процесса обучения и на базе нейронной сети разработана экспертная система для диагностики гинекологических заболеваний.

8. В результате проведенного анализа наиболее достоверной методикой постановки диагноза внутреннего эндометриоза, миомы матки, опухолей яичника и их сочетания является метод постановки диагноза по дис-криминантным функциям.

9. Разработана и внедрена автоматизированная система поддержки принятия решений для диагностике внутреннего эндометриоза, миомы матки и опухолей яичников в отделении оперативной гинекологии городской клинической больницы № 3 и в отделении эндоскопической гинекологии городской клинической больницы № 10 «Электроника».

1. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983. 472 с.

2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей. М.: Финансы и статистика, 1985.

3. Антомонов Ю.Г. Моделирование биологических систем. Справочник. К.: Наукова думка, 1977.

4. Афифи А., Эйзен С. Статистический анализ: подход с использованием ЭВМ. Пер. с англ. М.: Мир, 1982. - 488 с.

5. Ахутин В.М. Анализ и синтез биотехнических систем // Моделирование физиологических и биологических процессов. М. 1977. С. 3-7.

6. Балантер Б.И. Вероятностные модели в физиологии. М., Наука, 1977. 252 с.

7. Балантер Б.И., Ханин М.А., Чернавский Д.С. Введение в математическое моделирование патологических процессов. М.: Медицина, 1980. 264 с.

8. Барабаш ЮЛ., Барский Б.В., Зиновьев В.Т. Вопросы статистической теории распознавания. М.: Советское радио, 1967.

9. Баранов Р.Л., Новикова Е.И., Родионов О.В. Современные компьютерные технологии в обеспечении диагностического процесса в медицине // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж: ВГТУ, 2004. Ч. 1. С 154 155.

10. Баскаков В.П. Эндометриозы. М.: Медицина, 1966.

11. Баскаков В.П. Клиника и лечение эндометриоза. Л.: Медицина,1979.

12. Бейли Н. Математика и биология в медицине. М.: Мир, 1970.269с.

13. Бейли Н. Статистические методы в биологии / Пер. с англ.: Под ред. В.В. Налимова. М.: Изд-во «Иностр.лит.», 1962.

14. Беллман Р. Математические методы в медицине / Пер. с англ.: Под ред. Л.Н. Белых. М.: Мир, 1987. 200 с.

15. Бессмертный Б.С. Математическая статистика в клинической, профилактической и экспериментальной медицине. М.: Медицина, 1967.

16. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983. 432с.

17. Ван дер Варден Б.Л. Математическая статистика / Пер.с нем.; Под ред. Н.В.Смирнова, М.: Изд-во «Иностр.лит.», 1960.

18. Васильв Н.С., Панов В.М. «Имитационное моделирование сложных систем» М.: Практика, 1998.

19. Вентцель Е.С. Теория вероятностей. М.: Наука, 1998.

20. Вихляева Е.М., Василевская Л.Н. Миома матки. М.: Медицина,1981.

21. Вихляева Е.М., Паллади Г.А. Патогенез, клиника и лечение миомы матки. Кишинёв: Штиинца, 1982.

22. Гайдышев И. Анализ и обработка данных. М.: Практика, 2001.

23. Гальстер М.Н. Патоморфологическая характеристика узлов при фибромиоме матки // Сб. науч. тр. Владивостокского мед. иститута. Т. 7.1972.

24. Гельфанд И.М., Семенюк Э.П. Некоторые задачи классификации и прогнозирования из различных областей медицины // Вопросы кибернетики, 1985. Вып. 112. С. 65-127.

25. Глакц С. Медико-биологическая статистика / Перевод с англ.; Под ред. Н.Е. Бузикашвили и Д.В. Самойлова, М.: Практика, 1999.

26. Гласе Дж., Стэнли Дж. Статистические методы в педагогике и психологии / Пер. с англ; Под ред. Ю.П. Адлера. М.: Прогресс, 1976.

27. Головко А.Н. Нейросетевое моделирование. М: Мир, 1999

28. Горелик A.JI. Скрипкин В.А. Методы распознавания: Учеб. пособие. 2-е изд. - М.: Высш. пж., 1984.209с.

29. Горелик A.JI. Современное состояние проблемы распознавания: Некоторые аспекты /A.JI. Горелик, И.Б. Гуревич, В.А. Скрипкин. М.: Радио и связь, 1985.160с.

30. Давыдов А.И., Стриженов А. Н. Ультразвуковая диагностика гени-тального эндометриоза // Ультразвуковая диагностика в акушерстве гинекологии и педиатрии. № 1. 1992.

31. Давыдов А.И. Трансвагинальная эхография в клинической практике // Акушерство и гинекология. № 8.1991.

32. Демидов В.Н., Зыких Б.И. Ультразвуковая диагностика в гинекологии. М.: Медицина, 1990. С. 224.

33. Дуда И.В. Клиническая гинекология Т. 1. Москва, 1987. С. 4552.

34. Дуда И.В. Клиническая гинекология Т. 2. Москва, 1987. С. 122149.

35. Дюран Н., Оделл П. Кластерный анализ. М.: Статистика, 1987.

36. Елисеева И.И., Руковишников В.О. Группировка, корреляция, распознавание образов. М.: Статистика, 1977.

37. Енюков И.С. Методы, алгоритмы, программы многомерного статистического анализа. М.: Финансы и статистика, 1986. -174 с.

38. Жамбю М. Иерархический кластер-анализ и соответствия / Пер. с фр. М.: Финансы и статистика. 1988. 342 с.

39. Железнов Б.И. Характеристика и трактовка изменений эндометрия и яичников при миомах матки // Акушерство и гинекология. 1980. № 1.

40. Загорулько Н.Г. Методы распознавания и их применение. М.: Радио и связь, 1972.

41. Заде JI.A. Размытые множества и их применение в распознавании образов и кластер-анализе // Классификация и кластер. М.: Мир, 1980. 392 с.

42. Зайцев Г.Н. Математический анализ биологических данных. -М: Наука, 1991. 183 с.

43. Зацепина СЛ., Львович Я. Е., Фролов М.В. Управление в биотехнических и медицинских системах / Под ред. В.Н. Фролова: Учеб. пособие. Воронеж: ВГТУ, 1994. 145с.

44. Исскуственный интеллект. Модели и методы. Справочник. Кн.2 / Под ред. Д.А. Поспелова. М.: Радио и связь, 1990.

45. Кабаси X. Методы и проблемы извлечения знаний // Приобретение знаний / Пер. с англ.; Под ред. Н.Г. Волкова. М.: Мир, 1990. С. 68-88.

46. Кант В.И. Методология системного подхода и ее применение в практике здравоохранения. М.: Медицина, 1978. 135 с.

47. Капекки В., Меллер Ф. Выявление информативных признаков и группировка//Математика в социологии. М.: Мир, 1977. С. 301-338.

48. Ким Дж.-О., Мьюллер Ч.У., Клекка У.Р, Олдендерфер М.С, Блэшфилд Р.К. Факторный, дискриминантный и кластерный анализ / Пер. с англ. Под ред. И.С. Енюкова.- М.: Финансы и статистика, 1989.

49. Клиника, диагностика и лечение генитального эндометриоза: Методические рекомендации / Л.В. Адамян, Н.Д. Селезнева, А.Н. Стриженов, А.И. Ищенко. М. 1990.

50. Клир Дж. Системология. Автоматизация решения системных задач / Пер. с англ; Под ред. А.Н. Горлина. М.: Радио и связь, 1990.

51. Коновалова Н.М. Диагностирование больных с патологией миометрия. -М.: «АНС», 2005.

52. Коровин Е.Н., Кузнецова Н.А., Новикова Е.И. Применение нейронных сетей для задач диагностики гинекологических заболеваний // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж: ВГТУ, 2004. Ч. 1. С 220-221.

53. Круглов В.В., Борисов В.В. Искусственные нейронные сети. -М.: Горячая линия Телеком, 2001. 382 с.

54. Курант Р., Гильберт Д. Методы математических функций. Т. 1. М.: Гостехиздат, 1981.

55. Ларичев О.И., Мечитов А.И., Мошкович Е.М. Выявление экспертных знаний. М.: Наука, 1989.

56. Ластед Л. Введение в проблему принятия решений в медицине / Пер. с англ; Под. ред. МЛ.Быховского. М.: Мир, 1971.

57. Лорьер Ж.Л. Системы искусственного интеллекта / Пер. с франц. М.: Мир, 1990. 378с.

58. Львович Я.Е. Управление в биологических и медицинских системах / Я.Е. Львович, М.В. Фролов. Воронеж: ВГТУ, 1994. 183с.

59. Майер И. О., Данелия Г.С. Сочетание эндометриоза и миомы матки // Акушерство и гинекология. 1983. №11.

60. Малета Ю.С., Тарасов В.В Математические методы статистического анализа в биологии и медицине, Вып. 2. М.: Изд-во МГУ, 1982.

61. Мандель И. Д. Кластерный анализ.- М.: ФИС, 1988

62. Математико-статистические методы в клинической практике / Под ред. В.И.Кувакина. СПб.:Б.и, 1993. - 199 с.

63. Месарович М. Общая теория систем и ее математические основы // Исследования по общей теории систем. Сб. переводов; Под ред. В.Н. Садовского и Э.Г. Юдина. М.: Прогресс, 1969. - С. 165-180.

64. Месарович М. Теория систем и биология: точка зрения теоретика // Системные исследования. Ежегодник. М., 1970. - С. 137-164.

65. Моделирование дискретных параллельных процессов управления с помощью сетей Петри / В.Б. Васильев, В.В. Кузьмук, Г. Майер, С. Фенч // Электронное моделирование. 1986. Т.8. № 2.

66. Неймарк Ю.И. Распознавание образов и медицинская диагностика / Ю.И. Неймарк, З.С. Баталова, Ю.Г. Васин, М.Д. Бредо, М: Наука, 1972. 328с.

67. Немов Н.В. Нейронные сети. М.: Вест, 2003.

68. Никонов В.В., Подгурский Ю.Е. Применение сетей Петри // Зарубежная радиоэлектроника. 1986. № II.

69. Новикова Е.И., Родионов О.В., Фролов М.В. Анализ клинических признаков больных с кистами и опухолями яичников и матки // Интеллектуализация управления в социальных и экономических системах: Труды Всерос. конф. Воронеж, 2005. С. 143 144.

70. Новикова Е.И., Родионов О.В., Фролов М.В. Принципы разработки экспертной системы на базе нейронной сети для диагностики опухолей матки и яичников // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж, 2006. Ч. 1. С 141 143.

71. Новикова Е.И., Родионов О.В., Фролов М.В. Разработка решающих правил для прогнозирования диагноза опухолей матки и яичников // Вестник Воронеж, гос. тех. ун-та. Сер. Проблемно-ориентированные системы управления, 2006. Т. 2 № 7. С.

72. Новикова Е.И., Родионов О.В., Фролов М.В. Логическое моделирование процесса диагностики гинекологических заболеваний // Интеллектуализация управления в социальных и экономических системах: Труды Всерос. конф. Воронеж, 2005. С. 181 182.

73. Ошибки клинической диагностики / Под ред. С.С. Вайля. Д.: Медгиз. 1961.

74. Перегудов Ф.И. Тарасенко Ф.П. Введение в системный анализ -М.: Высшая школа, 1989. 368 с.

75. Пересада О.А. Клиника, диагностика и лечение эндометриоза. М.: Медицина, 1995.

76. Питерсон Дж. Теория сетей Петри и моделирование систем: Пер. с англ. М.: Мир, 1984.

77. Поллард Дж. Справочник по вычислительным методам / Пер. с англ.; Под ред. П.П. Пархоменко. М.: Энергия, 1982. 344с.

78. Поляков JI.E., Игнатович Б.И, Дашков К.В. Основы военно-медицинской статистики /Под ред. Л.Е.Полякова Д.: Б.и, 1977. -336 с.

79. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988.

80. Построение экспертных систем / Под ред. Ф. Хейес-Рота, Д. Уотермана, Д. Лената / Пер. с англ.; Под ред. В.Л. Стефанюка. М.: Мир, 1987.

81. Представление и использование знаний / Под ред. X. Уэно, М. Исидзука; Пер. с англ. М.: Мир, 1989.

82. Приобретение знаний / Под ред. С. Осуги, Ю. Саэки; Пер. с японского под ред. Н.Г. Волкова. М.: Мир, 1990.

83. Распознавание, классификация, прогнозирование. М.: Наука,1989.

84. Распознавание образов и медицинская диагностика. М.: Наука,1972.

85. Распознание опухолей брюшной полости / Бухман А.И., Серга-зин А.Г. Алма-Ата: Казахстан, 1981. 200 с.

86. Справочник по теории вероятностей и математической статистике / B.C. Королюк, Н.И. Портенко, А.В. Скороход и др. М.: Наука, 1985.-640с.

87. Статистические методы для ЭВМ / Под ред. К. Экслейна, Э. Рэлстона, Г. Уилфа; Пер. с англ. М.: Наука, 1986.

88. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. -М: Синтег, 1998.-376с.

89. Ту Дж., Гонзалес Р. Принципы распознавания образов / Пер с англ.; Под ред. Ю.И. Журавлева; М.: Мир, 1978.

90. Тьюки Д.У. Анализ данных, вычисление на ЭВМ и математика // Современные проблемы математики. М., 1977. - С. 41-64.

91. Тюрин Ю.Н., Макаров А.А Анализ данных на компьютере. М.: Финансы и статистика, 1995.

92. Урбах В.Ю. Статистический анализ в биологических и медицинских исследованиях. М.: Медицина, 1975. - 295 с.

93. Факторный, дискриминантный и кластерный анализ. / пер. с англ. Ч. У. Мьюллер, У. Р. Клекка; под ред. И. С. Енюкова. М.: Финансы и статистика, 1989.- 465 с.

94. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. М., 1986.

95. Фролов М.В., Новикова Е.И. Анализ методов диагностики доброкачественных опухолей и опухолевидных образований яичников // Специализированная медицинская помощь: сборник научно-практических работ. Воронеж, 2005. Выпуск IX. С. 82 86.

96. Фукунага К. Введение в статистическую теорию распознавания образов / Вер. с англ.; Под ред. А.А. Дорофеюка. М.: Наука, 1979.

97. Харин Ю. С. Имитационное моделирование. М.: ФИС, 1998

98. Хачкурузов С.Г. УЗИ в гинекологии: симптоматика, диагностические трудности и ошибки. М.: Медицина, 2003

99. Холлендер М., Вулф Д.А Непараметрические методы статистики. -М.: Финансы и Статистика, 1983.

100. Шеннон Р. Имитационное моделирование систем Искусство и наука. - М.: Мир, 1978. 418 с.

101. Шеффе Г. Дисперсионный анализ. Пер. с англ. 2-е изд. - М.: Наука, 1980. 512с.

102. Шорников Б.С. Классификация и диагностика в биологическом эксперименте. М., Наука, 1979.

103. Юнкеров В.И. Основы математико-статистического моделирования и применения вычислительной техники в научных исследованиях: Лекции для адъюнктов и аспирантов/ Под ред. В.И. Кувакина. СПб.: Б.и, С. 240.

104. Bertelsen К., Holund В., Andersen J. Е., et al. Prognostic factors and adjuvant treatment in early epithelial ovarian cancer // Int. J. Gynecol. Cancer. — 1993.-Vol.3.—P. 211.

105. Bourne Т. H., Campbell S., Reynolds К. M., et al. Screening for early familial ovarian cancer with transvaginal ultrasonography and color blood flow imaging // Br. Med. J. — 1993. Vol.306.-P. 1025.

106. Campbell S., Bhan V., Royston P, Whitehead M. I., Collins W. P. Transabdominal ultrasound screening for early ovarian cancer // Br. Med. J. — 1989.-Vol.299. —P. 1363.

107. Kurjak A., Shalan H., Kupesic S., et al. An attempt to screen asymptomatic women for ovarian and endometrial cancer with transvaginal color and pulsed Doppler sonography // J. Ultrasound Med. — 1994. Vol. 13. — P. 295.

108. Serov S. F., Scully R. E., Sobin L. H. International histologic classification and staging of tumors: no. 9 histologic typing of ovarian tumors. — Geneva: World Health Organization, 1973.