автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуализация принятия решений при лечении больных бронхиальной астмой на основе нейросетевого моделирования

ВВЕДЕНИЕ.

1. ПУТИ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ НА ОСНОВЕ ПРИМЕНЕНИЯ МЕТОДОВ МОДЕЛИРОВАНИЯ

И ОПТИМИЗАЦИИ.И

1.1. ЗАДАЧА ОПТИМИЗАЦИИ СХЕМ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ.

1.2. АНАЛИЗ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИ ПРИНЯТИИ ВРАЧЕБНЫХ РЕШЕНИЙ.

1.3. ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ.

2. МАТЕМАТИЧЕСКОЕ ОПИСАНИЕ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ.

2.1. ФОРМИРОВАНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ БОЛЬНОГО БРОНХИАЛЬНОЙ АСТМОЙ.

2.2. ОБУЧЕНИЕ НЕЙРОСЕТЕЙ НА ОСНОВЕ МЕТОДА ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ.

2.3. ОПТИМИЗАЦИЯ СТРУКТУРЫ СКРЫТЫХ СЛОЕВ НЕЙРОСЕТИ.

ВЫВОДЫ ПО ВТОРОЙ ГЛАВЕ.

3. АЛГОРИТМИЗАЦИЯ ПРОЦЕДУР И МЕТОДОВ СИСТЕМЫ ОПТИМИЗАЦИИ СХЕМ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ.

3.1. РАЗРАБОТКА ОПТИМАЛЬНОЙ СТРУКТУРЫ СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ДЕЯТЕЛЬНОСТИ ВРАЧА.

3.2. ОБЕСПЕЧЕНИЕ КОНТРОЛЯ ДОСТОВЕРНОСТИ ПРЕДСКАЗЫВАЕМЫХ ЗНАЧЕНИЙ НА ВСЕХ ЭТАПАХ РАБОТЫ.

3.3. АЛГОРИТМ ВОССТАНОВЛЕНИЯ ПРОБЕЛОВ В МАССИВЕ ДАННЫХ.

3.4. АЛГОРИТМ ОПТИМИЗАЦИИ СТРУКТУРЫ СКРЫТОЙ ЧАСТИ НЕЙРОСЕТИ ТРАПЕЦИЕВИДНОЙ СТРУКТУРЫ.

3.5. ПОДБОР ОПТИМАЛЬНОЙ СХЕМЫ ЛЕЧЕНИЯ БОЛЬНОГО

БА С ПОМОЩЬЮ НЕЙРОСЕТЕВОЙ МОДЕЛИ.

ВЫВОДЫ ПО ТРЕТЬЕЙ ГЛАВЕ.

4. РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА ОПТИМИЗАЦИИ СХЕМ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ.

4.1. СТРУКТУРА ПРОГРАММНОГО КОМПЛЕКСА.

4.2. СТРУКТУРА ТИПОВОЙ БАЗЫ ДАННЫХ, ИСПОЛЬЗУЕМОЙ ДЛЯ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ.

4.3. ПРИМЕР ПРИМЕНЕНИЯ РАЗРАБОТАННОГО

ПРОГРАММНОГО КОМПЛЕКСА.

Актуальность темы. Нейронные сети, несмотря на долгую историю, как основа для построения моделей реальных процессов начали использоваться не так давно. Особый практический интерес представляет применение нейросетевых моделей в тех областях, которые характеризуются нечеткостью и неполнотой исходных данных. Одной из таких областей является медицина. Традиционным применением нейросетей в медицине считается анализ данных и диагностика. В данной же работе на основе нейросетевой модели разрабатывается инструмент синтеза оптимальных схем лечения для больных бронхиальной астмой различных возрастов с злотом сопутствующих заболеваний.

Разработка оптимальных схем лечения бронхиальной астмы (БА) с годами становится все более востребованной задачей. В последние десятилетия медики регистрир5тот стабильный рост заболеваемости БА во всех возрастных группах [1]. Исследования показывают, что для каждой возрастной группы характерны свои особенности течения заболевания [2, 3]. Кроме того, немаловажным фактором, влияющим на эффективность той или иной схемы лечения применительно к конкретному больному, является также наличие или отсутствие сопутствующих заболеваний. Таким образом, не вызывает сомнений необходимость разработки таких схем лечения БА, которые учитывали бы возрастной аспект и сопутствующие заболевания.

Как правило, оптимальная схема лечения конкретного больного с учетом всех его особенностей разрабатывается и уточняется на протяжении довольно длительного промежутка времени (иногда до нескольких месяцев). Существенно ускорить процесс разработки схем лечения БА позволила бы модель, прогнозирующая эффективность применения к больному с заданными параметрами (такими как возраст, пол, наличие или отсутствие сопутствующих заболеваний) тех или иных комбинаций лечебных воздействий. Существует также потребность в прогнозировании эффективности применения различных схем лечения к целой группе больных, объединенных по некоторой совокупности параметров.

Анализ существующих для данной предметной области систем интеллектуальной поддерлжи деятельности врача показал, что такие системы не способны работать в ситуациях с неполным набором входных данных и не предусматривают изменения алгоритмов принятия решений в процессе эксплуатации. В большинстве случаев алгоритмы работы жестко заданы разработчиком и не подлежат изменению пользователем даже при наличии самых веских на то оснований. Кроме того, что касается конкретно больных бронхиальной астмой (БА), то существующие системы не учитывают влияния на эффективность лечения таких немаловажных показателей, как возраст больного и сопутствующие заболевания.

Таким образом, актуальность темы определяется необходимостью разработки системы, осуществляющей интеллектуальную поддержку деятельности врача, заключающуюся в автоматизированном подборе и виртуальном тестировании схем лечения больных БА, что позволяет значительно ускорить процесс разработки таких схем и в некоторых случаях даже избежать лишних дорогостоящих (а иногда и опасных для здоровья пациентов) клинических экспериментов.

Работа выполнена в соответствии с межвузовской комплексной научно-технической программой 12.11 «Перспективные информационные технологии в высшей школе» в рамках одного из основных направлений Воронежского госу-дарствеииого технического зшиверситета «Биомедкибернетика, компьютеризация в медицине».

Цель и задачи исследования. Целью диссертационной работы является создание комплекса моделей, алгоритмов и программных средств, позволяющих прогнозировать эффективность воздействия на больного с заданными параметрами различных комбинаций лечебных воздействий и оптимизировать выбор тактики лечения для больных и групп больных.

Поставленная цель включает в себя решение следующих задач: проанализировать возможные пути повышения эффективности лечения больных бронхиальной астмой с использованием методов интеллектуальной поддержки деятельности врача; синтезировать структуру системы интеллектуальной поддержки деятельности врача и схему взаимодействия (как между собой, так и с пользователем) ее подсистем; разработать методы и алгоритмы сбора, анализа и обработки данных, позволяющие на всех этапах функционирования системы интеллектуальной поддержки деятельности врача выдавать прогнозы с известным уровнем достоверности; разработать модель больного бронхиальной астмой, позволяющую решать задачу прогнозирования эффективности воздействия на больного с заданными параметрами различных лечебных воздействий; разработать алгоритмы и методы подбора оптимальной схемы лечения для конкретного больного или группы больных с зАетом возраста и сопутствующих заболеваний, в том числе в условиях неполноты исходных данных о картине заболевания; реализовать предложенные методы, процедуры и алгоритмы в комплексе программных средств.

Методы исследования. Для решения поставленных задач в работе использовались принципы системного подхода, теория нейронных сетей, методы многомерной оптимизацрш, теория вероятностей, комбинаторика.

Научная новизна. В диссертации получены следующие результаты, выносимые на защиту: структура и схема взаимодействия (как между собой, так и с пользователем) компонентов системы интеллектуальной поддержки деятельности врача, позволяющей оптимизировать выбор тактики лечения как для конкретного больного, так и для группы больных бронхиальной астмой, с учетом возраста и сопутствующих заболеваний, отличающаяся применением подсистемы восстановления пробелов в обучающей базе данных и сквозным б контролем достоверности выдаваемых прогнозов на всех этапах работы системы; алгоритм восстановления пробелов в массиве данных, позволяющий восстанавливать пробелы с известным уровнем достоверности, отличающийся применением набора нейросетей для последовательного восстановления полей с пробелами в порядке, обеспечивающем достижение максимальной общей достоверности массива после завершения процедуры восстановления; метод подбора оптимальной схемы лечения больного бронхиальной астмой на основе неполных данных о клинической картине заболевания, отличающийся применением нейросетей-аппроксиматоров для восстановления недостающих данных в карточке больного; алгоритм оптимизации структуры скрытой части нейросети по максимуму достоверности предсказаний, выдаваемых нейросетью, отличающийся применением в качестве базовой трапециевидной структуры скрытых слоев нейросети, описываемой тремя параметрами - количеством слоев в скрытой части нейросети, количеством нейронов на первом скрытом слое и количеством нейронов на последнем скрытом слое.

Практическая значимость работы заключается в следующем:

1. Разработанный комплекс интеллектуальной поддержки врача позволяет повысить эффективность разработки методик (схем) лечения больных бронхиальной астмой различных возрастных групп с учетом сопутствующих заболеваний, что выражается в экономическом эффекте за счет более рационального использования койко-дней.

2. Предложенные структуры данных и комплекс алгоритмов позволяют использовать разработанную систему в других предметных областях путем изменения таблиц базы данных (БД), без внесения существенных изменений в программный продукт.

Реализация результатов работы. Основные теоретические и практические результаты работы внедрены в виде процедур и алгоритмов в учебный процесс кафедры «Системы автоматизированного проектирования и информационные системы» Воронежского государственного технического университета и кафедры факультетской терапии Воронежской государственной медицинской академии имени H.H. Бурденко; реализованы и внедрены в виде программного комплекса в клиническую практику на пульмонологическом отделении Городской клинической больницы №9 (БСМП) (г.Воронеж), на пульмонологическом отделении Городской клинической больницы №17 (г.Воронеж), на терапевтическом отделении Отделенческой больницы на станции Отрожка ЮВЖД (г.Воронеж).

Апробация работы. Основные положения диссертации докладывались и обсуждались на Всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 1999, 2000), Региональной научно-практической конференции «Доказательная медицина (клиническое наблюдение, статистическое обобщение, модели процесса)» (Воронеж, 2000).

Публикации. Основные результаты исследования опубликованы в 9 печатных работах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 93 наименований, 2 приложений. Основная часть работы изложена на 122 страницах, содержит 40 рисунков и 16 таблиц.

выводы ПО ТРЕТЬЕЙ ГЛАВЕ Разработанная структура системы интеллектуальной поддержки деятельности врача характеризуется высокой сложностью потоков и структур данных. Для реализации разработанной системы требуется применение развитых средств программирования, обеспечение «прозрачного» интерфейса с базой обучающих данных. В наибольшей степени данным требованиям удовлетворяют объектно-ориентированные средства рдзработки.

Несмотря на высок)ао ресурсоемкость решаемых задач, применение современных ЭВМ делает возможным достижение поставленной цели исследования. С учетом универсального характера ряда разработанных алгоритмов требуется применение методов и приемов программирования, нацеленных на расширение применимости программного комплекса в других предметных областях.

4. РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА ОПТИМИЗАЦИИ СХЕМ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ

На основе алгоритмов и методов, изложенных в главе 3, разработан про-фаммный комплекс, позволяющий вьшолнять следующие основные фунющи.

1. Формировать набор данных для обучения нейросетевой модели больного бронхиальной астмой.

2. Создавать модель больного бронхиальной астмой на основе массива данных (в том числе с пробелами), описывающего состояние больного в момент обращения в клинику, примененные лечебные воздействия и ряд других параметров.

3. С помощью построенной модели подбирать оптимальную схему лечения для данного конхфетного больного и для группы больных, задаваемой пользователем по ключевым параметрам. При этом в карточке больного, заполняемой пользователем программного комплекса, также допускаются пробелы.

4.1. СТРУКТУРА ПРОГРАММНОГО КОМПЛЕКСА

Разработанный программный комплекс представляет собой совокупность собственно программы, набора нейросетей, базы данных и драйверов базы данных.

Программа представляет собой исполняемый файл NeuroApp.exe, предназначенный для работы под управлением семейства операционных систем Microsoft® Windows™ 9х на платформе IBM PC. Для работы под управлением ОС семейства Microsoft® Windows™ 2000 и Microsoft® Windows™ NT 4.0 в силу ряда особенностей этих ОС [86, 87, 88, 89] требуется перекомпиляция. Программа разработана с помощью интегрированной среды разработки (Integrated Developing Environment, сокращенно IDE) Borland® (Inprise®) Delphi™ 4.0 и ряда свободно распространяемых и условно-бесплатных библиотек (таких, например, как RXLib v.2.6, © Отдел разработок АКБ «Мастер-банк», Москва). Ядро программы (реализа

96 ция комплекса алгоритмов обучения и работы нейросетей, а также всех других алгоритмов, обеспечивающих обработку данных) является полностью авторской разработкой на основе объектно-ориентированного подхода [90, 91, 92].

База данных (БД) программного комплекса представляет собой совокупность таблиц и связей между ними. Основными таблицами БД являются таблицы people.db и fieldsdescription.db. В таблице people.db содержится исходная информация о больных, на основе которой обучается входящая в комплекс нейросетевая модель больного бронхиальной астмой. Таблица fieldsdescription.db содержит информацию о структуре таблицы people.db и всей БД. Информация о дополнительных таблицах БД приведена в таблице 4.1. Подробнее структура БД рассмотрена в разделе 4.2.

Драйверы базы данных, используемые в разработанном комплексе, представляют собой стандартные драйверы для семейства операционных систем Microsoft® Windows™ 9х СУБД Paradox™ 7.0, входящие в поставку IDE Borland® (Inprise®) Delphi™ 4.0, и входят также в дистрибутив данного программного комплекса.

ЗАКЛЮЧЕНИЕ

В диссертационной работе получены следующие основные результаты.

1. Разработана структура системы интеллектуальной поддержки деятельности врача, позволяющей оптимизировать выбор тактики лечения для больных и групп больных, отличающаяся применением сквозного контроля достоверности выдаваемых прогнозов на всех этапах обработки данных и применением подсистемы восстановления пробелов в обучающей выборке.

2. Разработан алгоритм восстановления пробелов в массиве данных, позволяющий восстанавливать пробелы с известным уровнем достоверности, отличающийся применением нейросетей для последовательного восстановления полей с пробелами в порядке убывания количества пробелов и расчетом достоверности каждого восстанавливаемого поля на основе достоверности информации в полях, восстановленных до него.

3. Разработана модель больного бронхиальной астмой, позволяющая решать задачу прогнозирования эффективности воздействия на больного или группу больных с заданными параметрами тех или иных комбинаций лечебных воздействий, отличающаяся применением нейросети-аппроксиматора в качестве ядра модели.

4. Разработан алгоритм оптимизации структуры скрытой части нейро-сети по максимуму достоверности предсказаний, выдаваемых нейросетью, отличающийся применением в качестве базовой трапециевидной структуры скрытых слоев нейросети, описываемой тремя параметрами - количеством слоев в скрытой части нейросети, количеством нейронов на первом скрытом слое и количеством нейронов на последнем скрытом слое.

5. Разработан метод подбора оптимальной схемы лечения больного бронхиальной астмой на основе неполных данных о клинической картине заболевания, отличающийся применением нейросетей-аппроксиматоров для восстановления недостающих данных в карточке .больного.

1. Келлер А.А., Кувакин В.И. Медицинская экология. СПб.: Петроградский и К, 1999. - 256 с.

2. Кузьмин А.З. Клинико-биохимические и морфофункциональные особенности течения бронхиальной астмы у больных различных возрастных групп: Автореф. дис. . докт. мед. наук / СМУ Самара, 1998. - 18 с.

3. Бронхиальная астма. Руководство для врачей России / Формулярная система. -М.: 1999.

4. Минский М., Пайперт С. Персептроны. М.: Мир, 1971. - 261 с.

5. Мкртчян СО. Нейроны и нейронные сети (Введение в теорию формальных нейронов). М.: Энергия, 1971. - 232 с.

6. Куффлер С, Николе Дж. От нейрона к мозгу. М.: Мир, 1979.440 с.

7. Grossberg S. Classical and instrumental learning by neural networks // Progress in theoretical biology. Vol. 3, pp. 51-141. New York: Academic Press, 1974.

8. Переверзев-Орлов B.C. Советчик специалиста. Опыт разработки партнерской системы. М.: Наука, 1990. - 133 с.

9. Болезни дыхательных путей // Внутренние болезни. Под ред. Браун-вальда Е. Т.6. М.: Медицина, 1995. - 389 с.

10. Дуков Л.Т., Борохов А.И. Диагностика и лечение болезней органов дыхания. Смоленск: Русич. - 1996. - 542 с.

11. Лукомский Г.И., Шулутко М.П., Виннер М.Г., Овчинников А.А. Бронхопульмонология. М.: Медицина, 1982, - 400 с.

12. Болезни органов дыхания: Руководство для врачей. Под ред. Гем-бицкого Е.В. Т.2. М.: Медицина, 1991. - 447 с.

13. Болезни органов дыхания: Руководство для врачей. Под ред. Палее-ва Н Р. Т.1. М.: Медицина, 1991.-640 с.

14. Дуков Л.Г., Ворохов А.И. Диагностические и лечебно тактические ошибки в пульмонологии. - М.: Медицина, 1988. - 272 с.

15. Путов Н.В., Федосеев Г.Б. Руководство по пульмонологии. Л.: Медицина, 1984. - 106 с.

16. Провоторов В.М., Бильченко Л.В. Особенности клиники бронхиальной астмы в сочетании с сахарным диабетом II типа // Актуальные проблемы медицины: Юбилейный сборник научных трудов. Воронеж, 1998. Разд. VII.-С. 300-301.

17. Мызников А.В., Россиев Д.А., Лохман В.Ф. Нейросетевая экспертная система для оптимизации лечения облитерируюшего тромбангиита и прогнозирования его непосредственных исходов // Ангиология и сосудистая хирургия. 1995. -№2. -С.100-106.

18. Кант В.И. Математические методы и моделирование в здравоохранении. М.: Медицина, 1987. - 240 с.

19. Уотерман Д. Руководство по экспертным системам: Пер. с англ. -М.:Мир, 1989.-380 с.

20. Balakrishnan К., Honavar V. Intelligent Diagnosis systems// http ://www. cs .iastate. edu/~honavar/aigroup .html

21. Stefanuk V.L. Expert systems and its applications // The lectures of Union's workshop on the main problem of artificial intelligence and intellectual systems. Part 2, Minsk, 1990. P.36-55.

22. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник / под ред. Д. А. Поспелова. М.: Радио и связь, 1990. - 304 с.

23. Попов Э.В. Экспертные системы. М.: Наука, 1987. - 284 с.

24. Гришина А.В., Латфуллин И.А., Терзи В.Ф., Хабриев Р.У. Медицинская экспертная система «Доктор» // Казанский медицинский лсурнал. -1996.-№ 1.-С. 69-71.

25. Widrow В., Lehr М. 30 Years of Adaptive NeuralNetworks; Perceptron, Madaline, and Backpropagation // Artificial Neural Networks: Concepts and Theory. IEEE Computer Society Press, 1992. - P.327-354.

26. Горбань A.H. Нейрокомпьютер или аналоговый ренессанс // МИР ПК, 1994, №10.

27. Нейрокомпьютер как основа мыслящих ЭВМ // Под ред. Фролова А.А., Шульгина Г.И. М.: Наука, 1993. - 276 с.

28. Gael de La Croix Vaubois, Catherine Moulinoux, Benolt Derot, The N Programming Language //Neurocomputing, NATO ASI series, vol.F68, P.89-92.

29. Айвазян C.A., Бухштабер B.M., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. - 607с.

30. Keun-Rong Hsieh, Wen-Tsuen Chen. A Neural Network Model which Combines Unsupervised and Supervised Learning. IEEE Trans, on Neural Networks, vol.4, No.2. 1993.

31. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks. 1989. Vol. 2.

32. Фролов A.A., Муравьев И.П. Нейронные модели ассоциативной памяти. -М.: Наука, 1987. 160 с.

33. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985.

34. Полевой Н.Ю. Методика построения набора входных параметров для нейросетевых моделей в области медицины // Интеллекгуальнью информационные системы: тр. Всерос. конф. Ч. 2. Воронеж: ВГТУ, 1999. - С. 21-22.

35. Кузнецов В.В. Нейросети и специфика задачи оптимизации схемы лечения / В.В. Кузнецов, Н.Ю. Полевой // Компьютеризация в медицине: межвуз. сб. науч. тр. Воронеж: ВГТУ, 1999. - С. 147-151.

36. Многокритериальная оптимизация: Математические аспекты / Б.А. Березовский, Ю.М. Барышников, В.И. Борзенко, Л.М. Кемплер. М.: Наука, 1989.-128 с.

37. Славин М.Б. Методы системного анализа в медицинских исследованиях. М.: Медицина, 1989. - 304 с.

38. Poll R., Cagnoni S., Livi R. A пеш-al Network Expert System for Diagnosing and Treating Hypertension // Computer. 1991. - №3. - P.64-71.

39. Gindi G.R., Darken C.J., O'Brien K.M. et al. Neural Network and Conventional Classifiers for Fluorescence-guided Laser Angioplasty // IEEE Trans. Biomed. Eng. 1991. - V.38, №3. - P.246-252.

40. Allen J., Murray A. Development of a Neural Network Screening Aid for Diagnosing Lower Limb Peripheral Vascular Disease From Photoelectric Plethysmography Pulse Waveforms // Physiol. Meas. 1993. - V.14, №1. - P.13-22.

41. Astion M.L., Wener M.Y., Thomas R.G., Hunder G.G., Bloch D.A. Application of Neural Networks to The Classification of Giant Cell Arteritis // Arthritis Reum. 1994. - V.37, №5. - P.760-770.

42. Sweeney J.W.P., Musavi M.T., Guidi J.N. Probabilistic Neural Network as Chromosome Classifier // Proceedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan. Nagoya, 1993. V.l. - P.935-938.

43. Okamoto Y., Nakano H., Yoshikawa M. et al. Study on decision support system for the inteфretation of laboratory data by an artificial neural network- // Rinsho. Byori. 1994. - V.42, N.2. - P.195-199.

44. Baxt W.G. A Neural Network Trained to Identify The Presence of Myo-cardical Infarction Bases Some Decisions on Chnical Associations that Differ from Accepted Clinical Teaching // Med. Desic. Making. 1994. - V.14, №3. - P.217-222.

45. Guo Z., Durand L.G., Lee H.C. et al. Artificial Neural Networks in Computer-Assisted Classification of Heart Sounds in Patients with Porcine Bio-prosthetic Valves // Med. Biol. Eng. Comput. 1994. - V.32, №3. - P.311-316.

46. Barschdorff D., Ester S., Dorsel T et al. Phonographic Diagnostic Aid in Heart Defects Using Neural Networks // Biomed. Tech. Berlin. 1990. - V.35, №ll.-P.271-279.

47. Modai I, Stoler M., Inbar-Saban N. et al. Clinical Decisions for Psychiatric Inpatients and Their Evaluation by a Trained Neural Network // Methods Inf. Med. 1993. - V.32, №5. -P.396-399.

48. Baxt W.G. Analysis of The Clinical Variables Driving Decision in an Artificial Neural Network Trained to Identify The Presence of Myocardial Infarction // Ann. Emerg. Med. 1992. - V.21, №12. - P.1439-1444;

49. Горбань A.H., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. - 276 с.

50. Горбань А.Н. Обобш;енная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сиб. жури, вычисл. математики / РАН. Сиб. отд-ние. Новосибирск, 1998. - Т.1, №1. - с. 11-24.

51. Homik К., Stinchcombe М., White Н. Multilayer feedforward networks are universal approximators. Neural Networks, 1989. - Vol. 2. - PP. 359 - 366.

52. Kochenov D.A., Rossiev D.A. Approximations of functions of CA,BA class by neural-net predictors (architectures and results). AMSE Transaction, Scientific Siberian, A. 1993, Vol. 6. Neurocomputing. PP. 189-203. Tassin, France. '

53. Gilev S.E., Gorban A.N. On completness of the class of functions computable by neural networks. Proc. of the World Congress on Neural Networks (WCNN'96). Sept. 15-18, 1996, San Diego, CA, Lawrens Erlbaum Accociates, 1996. PP. 984-991.

54. Максимов Г.К., Синицын А.Н. Статистическое моделирование многомерных систем в медицине. Л.: Медицина, 1983. - 144 с.

55. Андреев СВ. Моделирование заболеваний. М.: Медицина, 1973.,-236 с.

56. Славин М.Б. Системное моделирование патологических процессов. -М.: Медицина, 1983. 114 с.

57. Полевой Н.Ю. Вербальное представление знаний, получаемых при анализе таблиц с медицинскими данными // Оптимизация и моделирование в автоматизированных системах: мелсвуз. сб. шуч. тр. Воронеж: ВГТУ, 2000. -С.58-65.

58. Биологическая и медицинская кибернетика: Справочник / Минцер О.Г., Угаров Б.Н., Попов А.А. и др. Киев.: Наукова думка. - 1986. - 374 с.

59. Ларичев О.И. Объективные модели и субъетивные решения. М.: Наука, 1987. - 142 с.

60. Беллман Р. Математические методы в медицине. М.: Мир. - 1987. -200 с.

61. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. Вербальный анализ решений. М.:Наука, 1996. - 208 с.

62. Мушик Э., Мюллер П. Методы принятия технических решений. -М.:Мир, 1990.-206С.

63. Львович Я.Е., Фролов М.В. Моделирование биотехнических и медицинских систем. Воронеж: ВГТУ, 1994, - 196 с.

64. Зацепина С.А., Львович Я.Е., Фролов В.Н. Теория управления: Учеб. пособие. Воронеж: ВГУ, 1990. - 164 с.

65. Литвак Б.Г. Экспертная информация: Методы получения и анализа. М.: Радио и связь, 1982. - 184 с.

66. Бешелев С.Д., Гурвич Ф.Г. Математико -статистические мето.пы экспертных оценок. - М.: Статистика, 1980, - 263 с.

67. Дворчик И.С. Интерактивная методология представления данных для нейросетевого моделирования медицинских задач: Автореф. дне. . канд. техн. Наук / СПбТУ СПб, 1997. - 18 с.

68. Медицинская нейроинформатика / А.Н.'Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин и др. Новосибирск: Наука. 1998. - 280 с.

69. Pineda F.J. 1988. Generalization of backpropagation to recurrent and higher order networks. In Neural information processing systems, ed. Dana Z. Anderson. New York: American Institute of Physics. - P. 602-611.

70. Paul J. Werbos, Backpropagation Through Time: What It Does and How to Do It //Artificial Neural Networks: Concepts and Theory. IEEE Computer Society Press, 1992. - P.309-319.

71. Ф. Уоссермен. Нейрокомпьютерная техника: пер. с англ. М.: Мир, 1992.-332 с.

72. Полевой Н.Ю. Применение методов оптимизации при обучении нейронных сетей // Высокие технологии в технике, медицине, экономике и образовании: межвуз. сб. науч. тр. Воронеж: ВГТУ, 2001. - С.85-94.

73. Полевой Н.Ю. Методы минимизации ошибки предсказания многослойной нейросети // Высокие технологии в технике, медицине, экономике и образовании: межвуз. сб. науч. тр. Воронеж: ВГТУ, 2001. - С.47-54.

74. Rumelhart D. Е., HintonG. E., Williams R. J. 1986. Learning internal representations by error propagation. Parallel distributed processing, vol. 1. -Cambridge, MA: MIT Press. P. 318-62.

75. Нейроинформатика и ее приложения // Материалы 3 Всероссий-скоро семинара, 6-8 октября 1995 г. Ч. 1 / Под ред. А.Н.Горбаня. Красноярск: изд. КГТУ.- 1995.-229С.

76. Пападимитриу X., Стайглиц К. Комбинаторная оптимизация. Алгоритмы и сложность: Пер. с англ. М.:Мир, 1985. - 512 с.

77. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. - 448с.

78. Загоруйко Н.Г., ЁлкинаВ.Н., ТимеркаевВ.С. Алгоритм заполнения пропусков в эмпирических таблицах (алгоритм «ZET») //Вычислительные системы. Новосибирск, 1975. Вып. 61. Эмпирическое предсказание и распознавание образов. - С. 3-27.

79. Загоруйко Н.Г., ЕлкинаВ.Н., Лбов Г.С. Алгоритмы обнарулсения эмпирических закономерностей. Новосибирск: Наука, 1985. - 110с.

80. Рао СР. Линейные статистические методы. М.: Наука, 1968.548 с.

81. Новые технологии Windows 2000 / Под ред. Чекмарева А.Н. СПб: БХВ-Санкт-Петербург, 1999. - 592 с.

82. Пасечник А., Богумирский Б. Переход на Wiadows 2000: для профессионалов. Руководство администратора сети.,- СПб: Издательство «Питер», 2000. 448 с.

83. Microsoft Windows 2000 Server. Русская версия / Под ред. А.Н. Чек-марева. СПб: БХВ-Санкт-Петербург, 2000. - 960 с.

84. AiiBCHc К. Эксплуатация Windows NT. Проблемы и решения: пер. с англ. СПб: BHV-Санкт-Петербург, 1998. - 592 о.

85. Дантенманн Дж., Мишел Дж., Тейлор Д. Программирование в среде Delphi. Киев: DiaSoft, 1995. - 576 с.

86. Дарахвелидзе П., Марков Е. Delphi среда визуального программирования. - Санкт-Петербург: BHV, 1996. - 416 с.

87. Орлик С. Секреты Delphi на примерах. М.: Бином, 1996. - 316 с.

88. Полевой Н.Ю. Интерфейс нейросетевой модели больного / Н.Ю. Полевой, В.В. Кузнецов // Интеллектуальные информационные системы: сб. докл. всерос. конф. Воронеж: ВГТУ, 2000. - С. 140-141.