автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуализация процесса диагностики стадии остеопороза на основе статистического, нейросетевого и экспертного моделирования

На правах рукописи

ИНТЕЛЛЕКТУАЛИЗАЦИЯ ПРОЦЕССА ДИАГНОСТИКИ СТАДИИ ОСТЕОПОРОЗА НА ОСНОВЕ СТАТИСТИЧЕСКОГО, НЕЙРОСЕТЕВОГО И ЭКСПЕРТНОГО МОДЕЛИРОВАНИЯ

Специальность 05 13 01 — Системный анализ, управление

и обработка информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

003071376

Воронеж - 2007

003071376

Работа выполнена в Воронежском государственном техническом университете

Научный руководитель Заслуженный деятель науки РФ,

доктор технических наук, профессор Фролов Вадим Николаевич

Официальные оппоненты доктор технических наук, доцент

Белецкая Светлана Юрьевна,

кандидат технических наук, доцент Заславский Евгений Леонидович

Ведущая организация

Воронежская государственная медицинская академия им Н Н Бурденко

Защита состоится «25» мая 2007 г в 1300 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 научной библиотеке Воронежского государственного технического университета

Автореферат разослан «24» апреля 2007 г

Ученый секретарь диссертационного совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время во всем мире остеопороз определяется как «прогрессирующее системное заболевание, характеризующееся снижением плотности костной ткани и нарушением микроархитектоники костной ткани» (Всемирная организация здравоохранения) Постоянно увеличивающаяся хрупкость костей приводит к повышению риска переломов, который представляет собой один из наиболее значимых клинических аспектов заболевания

Социальная значимость остеопороза определяется его распространенностью, смертностью, временной и стойкой нетрудоспособностью (инвалидностью) Повышенный интерес к проблеме остеопороза обусловлен серьезностью его последствий для состояния здоровья, стиля жизни, душевного комфорта, значительными экономическими затратами больного и общества в целом

Несмотря на наличие множества современных разнообразных методов диагностики данного заболевания, при их использовании в ежедневной практике возникают трудности, связанные с наличием большого количества альтернативных вариантов и отсутствием точных математических методов и алгоритмов рационализации процесса диагностики В практике нередки случаи, когда выраженная боль в спине, похудание больного и выявление изменений в позвонках по рентгенограммам заставляют врачей вести онкологический поиск, и только после длительного обследования выставляется диагноз остеопороза Другие случаи связаны с тем, что иногда даже гистологически подтвержденный остеопороз оказывается позже плазмоцитомой или множественными костными метастазами Тем не менее, при выслушивании жалоб больного и сборе анамнеза необходимо проанализировать все данные, свидетельствующие о возможности развития остеопороза или другой остеопатии Анализ накопленной клинической информации для специалиста с недостаточным опытом может оказаться достаточно трудной задачей

Таким образом, актуальность темы заключается в необходимости разработки методов интеллектуальной поддержки процесса диагностики остеопороза с применением методов искусственного интеллекта и математического моделирования

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, компьютеризация в медицине» и «Проблемно-ориентированные системы управления»

Цели и задачи исследования Цель диссертационной работы состоит в разработке алгоритмов и моделей, направленных на повышение эффективности и качества диагностики остеопороза на основе оценки клинических и рентгенологических признаков с применением современных информационных технологий Для достижения поставленной цели необходимо решить следующие задачи

разработать совокупность решающих правил на основе методов прикладной статистики для классификации пациентов в зависимости от стадии остеопороза,

разработать алгоритм, который позволяет относить пациента к одному из выделенных классов, используя накопленную клиническую информацию,

построить модель для дифференциальной диагностики остеопатии по анамнестическим данным, данным рентгенологического и лабораторного исследования на основе технологии экспертных систем,

на основе нейросетевого моделирования построить систему, обеспечивающую оценку состояния больного остеопорозом,

разработать и внедрить автоматизированную компьютерную систему, обеспечивающую рациональную диагностику остеопороза для повышения эффективности диагностики в клинических условиях

Методы исследования. Для достижения поставленных задач в работе были использованы методы системного анализа, распознавания образов, прикладной статистики, методы искусственного интеллекта и нейросетевое моделирование

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

совокупность решающих правил на основе методов прикладной статистики, позволяющих производить классификацию пациентов по различным диагностическим показателям для определения стадии остеопороза,

алгоритм на основе метода ¿-ближайших соседей, основанного на оценке распределения расстояний, который позволяет, используя знания экспертов в виде совокупности известных решений (базе данных накопленной клинической информации), относить пациента к одному из выделенных классов,

модель интеллектуальной поддержки при дифференциальной диагностике остеопатий на основе технологии экспертных систем и система продукционных правил, позволяющая по анамнестическим данным, данным

рентгенологического и лабораторного исследования ставить пациенту диагноз,

модель нейронной сети, обеспечивающая информационную поддержку принимаемых лечащим врачом решений с проведением количественной оценки влияния различных диагностических показателей на выходной сигнал сети,

автоматизированная компьютерная система, объединяющая различные методы и алгоритмы и позволяющая их применять в зависимости от ситуации

Практическая значимость и результаты внедрения.

Разработана и научно обоснована совокупность методов поддержки принятия решений при диагностике остеопороза, позволяющая повысить качество диагностики стадии остеопороза, а также проводить дифференциальную диагностику остеопороза с другими видами остеопатий

Результаты исследований в виде информационного и программного обеспечения автоматизированной системы сбора, обработки и анализа медицинской информации апробированы в практической деятельности ГКБ СМП №10 «Электроника»

Теоретические результаты диссертационной работы внедрены в учебный процесс кафедры системного анализа и управления в медицинских системах Воронежского государственного технического университета по дисциплинам «Моделирование биологических процессов и систем», «Управление в биологических и медицинских системах», «Технические методы диагностических исследований и лечебных воздействий»

Медицинская эффективность работы заключается в возможности использования разработанной экспертной системы для обучения специалистов дифференциальной диагностике остеопороза с другими видами остеопатий и оценке степени развития остеопороза

Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на следующих конференциях, совещаниях и семинарах Всероссийской конференции «Интеллектуализация управления в социальных и экономических системах» (Воронеж, 2005, 2007), Всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 2005), Межрегиональной научно-практической конференции «Информатизация образовательного процесса и управления образованием Сетевые и Интернет-технологии» (Воронеж, 2005), научно-методическом семинаре кафедры системного анализа и управления в медицинских системах Воронежского государственного технического университета (Воронеж, 2004, 2005, 2006)

Публикации Основные результаты диссертации опубликованы в 12 научных работах, в том числе 3 - в изданиях, рекомендованных ВАК РФ

В работах, опубликованных в соавторстве, соискателем проанализированы и сформированы количественные статистические критерии оценки состояния больных остеопорозом [1, 4, 5, 9], приведены основные принципы создания медицинских диагностирующих экспертных систем [6, 7], предложена структура базы знаний экспертной системы для диагностики остеопороза [10], представлена структура нейронной сети для моделирования процесса диагностики остеопороза [2], разработан алгоритм постановки диагноза пациенту на основе накопленных клинических данных [3, 11], предложена структура автоматизированной компьютерной системы поддержки принятия решений врача при диагностике остеопороза [12]

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 107 наименований и приложения Основная часть работы изложена на 135 страницах, содержит 27 рисунков и 17 таблиц

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность работы, сформулированы цели и задачи исследования, их научная новизна, практическая значимость полученных результатов, приведены сведения об апробации и внедрении работы, показаны основные пути решения сформулированных задач

В первой главе диссертации приведен обзор современного состояния проблемы остеопороза, изложены классификация и факторы риска развития остеопороза, рассмотрены различные методы определения минеральной плотности костной ткани и эффективность их применения для диагностики остеопороза

Путем анализа литературных источников оценена полезность применения различных методов распознавания образов в задачах медицинской диагностики На основании проведенного анализа определены цель и задачи исследования

Во второй главе рассмотрена технология классификации пациентов с подозрением на остеопороз В качестве исходной информационной базы для построения модели классификации были использованы клинические наблюдения и исследования 96 женщин в условиях Воронежского областного клинического консультативно-диагностического центра

Для выявления возможности классификации пациентов методами прикладной статистики проводится предварительный анализ статистических данных с использованием метода главных компонент

На рис 1 показана диаграмма рассеивания объектов на плоскости первых двух главных компонент При рассмотрении диаграммы рассеивания, выяснилось, что объекты разных классов (т е пациенты с различными диагнозами) занимают определенные области, хотя и недостаточно четко выраженные Наибольшее представление о разделении классов, очевидно, дает первая главная компонента, в то время как по значению второй главной компоненты невозможно судить о принадлежности пациента к тому или другому классу

Компонента 1

Рис 1 Проекция исследуемых объектов на плоскость первых двух главных компонент, класс 1 — пациенты с диагнозом «физиологическая остеопения», класс 2 - пациенты с диагнозом «патологическая остеопения», класс 3 -пациенты с диагнозом «остеопороз»

Поскольку набор исходных статистических данных в нашем случае представляет собой обучающую выборку, то для разработки системы решающих правил классификации пациентов можно использовать дискриминантный анализ Анализ проводился для нескольких совокупностей диагностических показателей В результате выяснилось, что наиболее удачными из них с точки зрения точности классификации и статистической значимости (близкое к нулю значение лямбды Уилкса) оказались следующие

1 совокупность рентгенологических показателей,

2 совокупность рентгенологических показателей и данных компьютерной томографии,

3 совокупность рентгенологических показателей, интенсивности магнито-резонансного сигнала и данных компьютерной томографии,

4 совокупность рентгенологических показателей, данных компьютерной томографии, интенсивности магнито-резонансного сигнала и показателя риска

Диаграмма рассеивания пациентов на плоскости дискриминантных функций для четвертой совокупности показателей показана на рис 2 Как видно из диаграммы, в данном случае группы пациентов с различными диагнозами занимают хорошо выраженные области

2,3 1,3

I

Г 03 -0,7 -1,7 Ь.

/

X5-

- □ -

□

о > л

г

о

п *

о -

□ г < <"

□ с с :

_ □ п .1

Группы а Физиол

остеопения \ Патолог

остеопения « Остеопороз Центроиды

-7 -5-3-11 3 5

Функция 1

Рис 2 Диаграмма рассеивания объектов на плоскости дискриминантных функций (анализ по всем диагностическим показателям)

В третьей главе описано моделирование процесса диагностики стадии остеопороза Для этого были решены несколько задач построение системы, обучающей дифференциальной диагностике остеопатий, разработка модели диагностирующей системы, использующей медицинскую базу данных, формирование нейронной сети, обеспечивающей диагностику стадии остеопороза

Системы, использующие знания экспертов, имеют несколько преимуществ они направлены на обработку символьной информации (в некоторых случаях получение обучающей выборки может оказаться затруднительным), они имитируют логику рассуждений эксперта, работа таких систем понятна врачу-пользователю, поскольку поиск решения осуществляется в ходе диалога База знаний разработанной экспертной системы дифференциальной диагностики имеет иерархическую структуру, а весь процесс поиска решения разбит на подзадачи для учета возможности

отсутствия в момент исследования некоторых результатов обследования (рис 3) Для формирования базы знаний использовались продукционные правила

Все диагностические признаки были разделены на три группы анамнез, рентгенологические показатели, данные лабораторного исследования Внутри групп признаки были упорядочены согласно степени характерности их проявления при остеопорозе, остеомаляции, первичном гиперпаратиреозе и почечной остеопатии Задача постановки диагноза в данном случае рассматривалась как задача экспертной классификации, и в качестве правил использовались все возможные комбинации выделенных признаков, включая граничные, т е нетипичные для данного класса решения случаи

Конец работы

Рис 3 Подзадачи экспертной системы дифференциальной диагностики

остеопатий

Медицинская диагностика основывается не только на теоретических моделях болезней, анатомии и физиологии, но и на изучении истории болезни и врачебного опыта, приобретенного при лечении других пациентов При построении систем, основанных на знаниях, необходимо привлекать экспертов, что часто затруднительно в связи с тем, что эксперты решают задачи в большей степени интуитивно Поэтому процесс извлечения знаний можно упростить, если использовать записанные решения экспертов по ряду проблем, те работа экспертной системы строится на принципе прецедентности Среди множества алгоритмов, позволяющих реализовать этот механизм, был выбран метод к-ближайших соседей на основе вычисления относительной близости

На первом этапе решения задачи распознавания формировался вектор расстояний В (со ,о),)-(с11, с12, , с/ц) с использованием евклидовой метрики между исследуемым (новым) случаем со и сохраненными случаями из базы данных со, В результате анализа распределений исходных расстояний, выяснилось, что они не являются нормальными (рис 4, а - на примере случая с номером 1, класс «физиологическая остеопения») Преобразуем все й, с применением натурального логарифма и обозначим через У, (У, = 1п(с/,)) Можно предположить, что распределение переменной У близко к нормальному закону, те можно считать, что У~М(//, о-2) Это подтверждается значением О-критерия Колмогорова, которое во всех рассмотренных случаях не превысило 0,05 На рис 4 представлена процедура преобразования расстояний

Определим пороговое расстояние О„орог, внутри которого окажутся наиболее «близкие» случаи из базы данных (рис 5) Это расстояние вычислим, используя процентные точки а стандартного нормального распределения

= р

= р

а а

1п(£> ) - и II < п°"т> (=иа) ст

Таким образом, случай из базы данных может стать соседним для со в пределах области У < ц + иа х ст, или О < ехрО + иа х о-) Величины цист оцениваем по выборочному среднему У и выборочному стандартному отклонению Б

Рис 4 Преобразование исходных расстояний а) распределение исходных расстояний, б) распределение преобразованных расстояний, в) стандартное нормальное распределение

(Д - диагностируемый случай, □ - прецеденты)

После того, как были определены «соседи», сформируем обобщенную близость между случаем со и множествами О,, П2 и 03 Для этого каждому из ближайших соседей присвоим весовой коэффициент, характеризующий его удаленность от случая со Очевидно, что самые близкие случаи должны наибольшим образом влиять на исход классификации Для вычисления весов наиболее удачной оказывается формула (1), где ,со) — расстояние между исследуемым случаем со и случаем со, из базы данных При этом сумма весовых коэффициентов в сумме составит единицу ^Гн, = 1

_ ехр(-с?(й> ,<у') ^ехр(-£/(са, ,со') (1)

Затем для каждого класса вычислим относительную близость путем суммирования весовых коэффициентов случаев, принадлежащих этому классу Диагностируемый случай со будет отнесен к тому классу, для которого относительная близость окажется максимальной)

г , ' (2)

диагноз = шах[РК(П„)]

Данный алгоритм был протестирован на всех 96 случаях методом скользящего экзамена каждый случай отделялся от выборки и рассматривался в качестве диагностируемого случая со При определении порогового расстояния значение величины а оказалось оптимальным на уровне 10% При этой величине а точность классификации составила 89,6% Нейросети в области здравоохранения успешно применяются для поддержки принятия решений при диагностике и лечении заболеваний, распознавании злокачественных образований, прогнозировании течения болезней и последствий оперативных вмешательств и других целей Часто стадии болезни может соответствовать достаточно сложная комбинация изменений наблюдаемых признаков Применение нейросетевой модели в подобных случаях доказывает свою эффективность

В качестве функции активации мы выбрали сигмоидальную функцию у = х В процессе обучения все множество исходных данных мы разделили на три подмножества обучающее, тестовое и контрольное Определив оптимальное число слоев и скрытых элементов, мы протестировали сеть с различным набором характеристик и выяснили, что выведение из исходного набора каких-либо показателей приводит к увеличению ошибки классификации На рис б показана схема полученной нейронной сети

Рис 6 Многослойный персептрон для диагностики стадии остеопороза

При тестировании нейросети выяснилось, что наибольшее количество ошибок приходится на диагноз «физиологическая остеопения» — 8,4 % На втором месте по количеству неточностей находится диагноз «остеопороз» -4,8 % Диагноз «патологическая остеопения» классифицирован наиболее точно — 2,6 % ошибок Средний процент погрешностей, таким образом, составил 4,8 %

В четвертой главе представлены результаты реализации и апробации автоматизированной компьютерной системы поддержки принятия решений при диагностике остеопороза На основе описанных моделей и алгоритмов разработана компьютерная система, состоящая из отдельных модулей, организованных и связанных между собой управляющей подсистемой Применение принципа модульности построения обеспечивает возможность поэтапного функционирования системы, ее доработки в процессе эксплуатации

Диагностический блок представлен совокупностью следующих методов обследования клинический осмотр и необходимые лучевые и лабораторные методы обследования Блок системы поддержки принятия решений используется лечащим врачом для предварительного анализа полученной информации, а также с целью проведения консультации при постановке диагноза по данным различных методов обследования

Общая структура комплекса и взаимодействие его отдельных компонент приведена на рис 7

В автоматизированной система лицом, принимающим решение является лечащий врач, который взаимодействует с пациентом при сборе анамнестических данных, которые обрабатываются соответствующим образом и заносятся в базу данных историй болезней На этапе первичного осмотра возможна постановка предварительного диагноза путем

11

взаимодействия с блоком системы поддержки принятия решений Для дальнейшего уточнения диагноза и определения стадии остеопороза врач назначает необходимые лучевые или лабораторные методы обследования На каждом из этапов обследования возможно обращение к блоку системы поддержки принятия решений для уточнения диагноза

Пациент

47

Врач

Л

Блок диагностических исследований

Первичный осмотр

Лучевые и лабораторные

методы исследования

Блок обработки данных

Обработка результатов первичного осмотра

Обработка результатов обследования

Блок экспертной системы

-А -I/

Постановка первичного диагноза по результатам осмотра

Поиск прецедентов в базе данных историй болезней

Постановка диагноза по результатам обследования

База данных

историй болезней

- -

V

Администратор базы данных

Рис 7 Структура автоматизированной системы обработки информации и диагностики остеопороза

Для сокращения времени на поиск предварительного диагноза целесообразно обращение к базе данных историй болезней для поиска

аналогичных случаев заболевания (используя подсистему поиска из блока системы поддержки принятия решений)

В задачи управляющей подсистемы помимо обеспечения связи между отдельными элементами автоматизированной системы входит также контроль правильности ввода информации, обеспечение необходимых операций над электронными историями болезней печать, модификация, удаление, поиск и др

Разработанная автоматизированная система ориентирована как на помощь лечащему врачу в постановке точного диагноза, так и на обучение студентов или врачей, имеющий недостаточный опыт в данной области

В результате апробации компьютерной программы автоматизированной диагностики выяснилось, что эффективность используемых моделей при определении стадии остеопороза неодинакова В таблице приведена сравнительная характеристика точности используемых методов Как видно, точность постановки диагноза по методу дискриминантного анализа приблизительно одинакова для всех трех классов решений Нейросетевая модель среди трех использованных методов оказалась наиболее эффективной, но ее точность уменьшается при определении диагноза «патологическая остеопения» Метод к-ближайших соседей наиболее эффективен при определении диагноза «физиологическая остеопения», но два других диагноза определяются с достаточно большой погрешностью Поэтому можно сказать, что наиболее эффективно совместное использование трех методов в совокупности

Сравнение методов классификации

Диагноз Точность классификации, %

Методы

Дискриминантный анализ Нейросетевое моделирование Метод к-ближайших соседей

Физиологическая остеопения 91,3 97,4 100

Патологическая остеопения 90,91 91,6 81,8

Остеопороз 94,12 95,2 76,5

В приложении приведены акты внедрения

13

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В ходе выполнения диссертационной работы были получены следующие результаты

1 Проанализированы современные методы и основные этапы диагностики остеопороза для установления характера и выраженности нарушений костном ткани, проведена статистическая оценка их значимости для диагностики остеопороза

2 Проведена классификация пациентов по различными диагностическим показателям для определения стадии остеопороза и сформированы решающие правила на основе дискриминантного анализа

3 На основе накопленной клинической информации разработан алгоритм отнесения пациента к одному из выделенных классов с применением метода ¿-ближайших соседей, что позволяет использовать знания экспертов в виде совокупности известных решений

4 На основе технологии экспертных систем построена модель для интеллектуальной поддержки при дифференциальной диагностике остеопатий Разработана система продукционных правил, позволяющая по анамнестическим данным, данным рентгенологического и лабораторного исследования ставить пациенту диагноз

5 Предложен алгоритм классификации пациентов в зависимости от диагноза на базе нейронной сети Для количественной оценки влияния различных диагностических показателей на выходной сигнал сети была рассчитана их значимость

6 Разработанная компьютерная автоматизированная диагностическая систем обладает рядом достоинств и преимуществ перед традиционными методами диагностики Эффективность ее внедрения складывается из количественных и качественных факторов К числу первых относится предоставление врачу возможности оперативного визуального анализа результатов обработки данных первичного осмотра и обследования пациента, расширение знаний врача по анализу получаемой диагностической информации, а также ее клинической интерпретации, возможность хранения информации о пациенте в виде электронных амбулаторных карт и их распечатки на бумаге при необходимости

7 Разработана и внедрена автоматизированная система поддержки принятия решений при диагностике стадии остеопороза в отделении лучевой диагностики областного диагностического центра

Результаты работы внедрены в учебный процесс кафедры системного анализа и управления в медицинских системах Воронежского государственного технического университета, а также используются в практической деятельности ГКБ СМП № 10 «Электроника»

Основные результаты диссертации опубликованы в следующих работах:

Публикации в изданиях, рекомендованных ВАК РФ

1 Алгоритм оценки стадии остеопороза на основе статистических методов анализа клинических данных /О В Журова, Е Н Коровин, В Г Пасечная, О В Родионов //Вестник Воронежского государственного технического университета 2005 Т 1 №10 С 163-166

2 Анализ и моделирование процесса диагностики стадий остеопороза на основе нейронных сетей /А А Ефимов, О В Журова, Е Н Коровин, О В Родионов // Вестник Воронежского государственного технического университета 2006 Т 2 №12 С 13-16

3 Журова О В , Коровин Е Н , Фролов В Н Формирование решающих правил для определения стадии остеопороза с применением алгоритма к-ближайших соседей //Системный анализ и управление в биомедицинских системах журнал практической и теоретической биологии и медицины 2007 М,Т 6 №1 С 8-10

Статьи и материалы конференций

4 Информационная технология статистического синтеза критериев и алгоритмов принятия решения при диагностике остеопороза/ О В Журова, Е Н Коровин, В Г Пасечная, О В Родионов // Управление процессами диагностики и лечения межвуз сб науч тр Воронеж ВГТУ, 2004 С. 64—67

5 Оценка состояния больных остеопорозом на основе количественных статистических критериев /О В Журова, Е Н Коровин, В Г Пасечная, О В Родионов //Управление процессами диагностики и лечения межвуз сб науч тр Воронеж ВГТУ, 2004 С 121-124

6 Журова О В , Коровин Е Н , Родионов О В Анализ возможностей построения телемедицинской информационно-диагностической системы на основе Web-тexнoлoгий //Информатизация образовательного процесса и управления образованием Сетевые и Интернет-технологии материалы V межрегион науч-практ конф Воронеж ВОИПКПРО, 2005 С 186-187

7 Журова О В , Коровин Е Н , Родионов О В Принципы разработки

//Специализированная медицинская помощь сб науч -практ работ Воронеж ООО «Сатурн», 2005 Выпуск IX С 90-93

8 Журова О В Остеопороз как системное заболевание //Интеллектуальные информационные системы тр всерос конф Воронеж, 2005 Ч 1 С 245-246

9 Журова О В , Коровин Е Н , Родионов О В Оценка состояния больных остеопорозом на основе статистических методов обработки данных //Интеллектуализация управления в социальных и экономических системах тр всерос конф Воронеж, 2005 С 185-186

10 Журова ОВ, Коровин ЕН, Фролов ВН Применение продукционной модели формирования базы знаний экспертной системы диагностики остеопороза // Сборник трудов победителей конкурса на лучшую научную работу студентов и аспирантов, посвященного 50-летию ВГТУ Воронеж ВГТУ, 2006 С 9-10

11 Журова О В , Коровин Е Н , Фролов В Н Разработка экспертной системы диагностики стадий остеопороза на основе оценки плотности распределения расстояний //Прикладные задачи моделирования и оптимизации межвуз сб науч тр Воронеж ВГТУ, 2006 С 216-220

12 Журова О В, Коровин Е Н, Фролов В Н Разработка интегрированной компьютерной системы поддержки принятия решений врача при диагностике остеопороза //Высокие технологии в технике, медицине, экономике и образовании межвуз сб науч тр Воронеж ВГТУ,

Подписано в печать 23 04 2007 г Формат 60x84/16 Бумага для множительных аппаратов Уел печ л 1,0 Тираж 85 экз Заказ № ГОУВПО «Воронежский государственный технический университет» 394026 Воронеж, Московский просп , 14

телемедицинской

информационно-диагностической

системы

2006 С 319-322

ВВЕДЕНИЕ.

1. ОСНОВНЫЕ МЕТОДЫ И ВОЗМОЖНЫЕ ПУТИ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ДИАГНОСТИКИ ОСТЕОПОРОЗА.

1.1. Современное состояние проблемы диагностики остеопороза.

1.2. Анализ современных методов исследования костной ткани.

1.3. Обзор методов принятия решений в медицинской диагностике.

1.4. Цели и задачи исследования.

2. ТЕХНОЛОГИЯ КЛАССИФИКАЦИИ ПАЦИЕНТОВ И ПРИНЯТИЯ РЕШЕНИЙ ПРИ ДИАГНОСТИКЕ

ОСТЕОПОРОЗА.

2.1. Предварительный анализ статистических данных.

2.2. Разработка решающих правил для классификации пациентов с применением статистических методов.

Выводы второй главы.

3. МОДЕЛИРОВАНИЕ ПРОЦЕССА ДИАГНОСТИКИ СТАДИИ

ОСТЕОПОРОЗА.

3.1. Формирование экспертной системы дифференциальной диагностики остеопатий.

3.2. Применение метода к-ближайших соседей для поддержки принятия решений при диагностике стадии остеопороза.

3.3. Моделирование процесса диагностики стадии остеопороза с применением искусственных нейронных сетей.

Выводы третьей главы.

4. РЕЗУЛЬТАТЫ РЕАЛИЗАЦИИ И АПРОБАЦИИ АВТОМАТИЗИРОВАННОЙ КОМПЬЮТЕРНОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ДИАГНОСТИКЕ

ОСТЕОПОРОЗА.

4.1. Принципы разработки автоматизированной компьютерной системы обработки информации и диагностики остеопороза.

4.2. Результаты апробации и внедрения результатов работы.

Актуальность темы. В настоящее время во всем мире остеопороз определяется как «прогрессирующее системное заболевание, характеризующееся снижением плотности костной ткани и нарушением микроархитектоники костной ткани» (Всемирная организация здравоохранения). Постоянно увеличивающаяся хрупкость костей приводит к повышению риска переломов, который представляет собой один из наиболее значимых клинических аспектов заболевания.

Социальная значимость остеопороза определяется его распространенностью, смертностью, временной и стойкой нетрудоспособностью (инвалидностью). Повышенный интерес к проблеме остеопороза обусловлен серьезностью его последствий для состояния здоровья, стиля жизни, душевного комфорта, значительными экономическими затратами больного и общества в целом. Особенно остро проблема остеопороза проявляется для женщин в период постменопаузы. В десятилетний период после наступления менопаузы (55-60 лет) отмечается быстрое увеличение частоты переломов у женщин, в то время как среди мужчин того же возраста этот подъем незначителен.

Несмотря на наличие множества современных разнообразных методов диагностики данного заболевания, при их использовании в ежедневной практике возникают трудности, связанные с наличием большого количества альтернативных вариантов и отсутствием точных математических методов и алгоритмов рационализации процесса диагностики. В практике нередки случаи, когда выраженная боль в спине, похудание больного и выявление изменений в позвонках по рентгенограммам заставляют врачей вести онкологический поиск, и только после длительного обследования выставляется диагноз остеопороза. Другие случаи связаны с тем, что иногда даже гистологически подтвержденный остеопороз оказывается позже плазмоцитомой или множественными костными метастазами. Тем не менее, при выслушивании жалоб больного и сборе анамнеза необходимо проанализировать все данные, свидетельствующие о возможности развития остеопороза или другой остеопатии. Для накопленной клинической информации специалиста с недостаточным опытом это может оказаться достаточно трудной задачей.

Таким образом, актуальность темы заключается в необходимости разработки методов интеллектуальной поддержки процесса диагностики остеопороза на основе методов искусственного интеллекта и математических моделей.

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, компьютеризация в медицине» и «Проблемно-ориентированные системы управления».

Цели и задачи исследования. Цель диссертационной работы состоит в разработке алгоритмов и моделей, направленных на повышение эффективности и качества диагностики остеопороза на основе оценки клинических и рентгенологических признаков с применением современных информационных технологий. Для достижения поставленной цели необходимо решить следующие задачи: разработать совокупность решающих правил на основе методов прикладной статистики для классификации пациентов в зависимости от стадии остеопороза; разработать алгоритм, который позволял бы относить пациента к одному из выделенных классов, используя накопленную клиническую информацию; построить модель для дифференциальной диагностики остеопатий по анамнестическим данным, данным рентгенологического и лабораторного исследования на основе технологии экспертных систем; на основе нейросетевого моделирования построить систему, обеспечивающую оценку состояния больного остеопорозом; разработать и внедрить автоматизированную компьютерную систему, обеспечивающую рациональную диагностику остеопороза для повышения эффективности диагностики в клинических условиях.

Методы исследования. Для достижения поставленных задач в работе были использованы методы системного анализа, распознавания образов, прикладной статистики, методы искусственного интеллекта и нейронных сетей.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной: совокупность решающих правил на основе методов прикладной статистики, позволяющих производить классификацию пациентов по различным диагностическим показателям для определения стадии остеопороза; алгоритм на основе метода ^-ближайших соседей, основанного на оценке плотности распределения расстояний, который позволяет, используя знания экспертов в виде совокупности известных решений (базе данных накопленной клинической информации), относить пациента к одному из выделенных классов; модель интеллектуальной поддержки при дифференциальной диагностике остеопатий на основе технологии экспертных систем и система продукционных правил, позволяющая по анамнестическим данным, данным рентгенологического и лабораторного исследования ставить пациенту диагноз; модель нейронной сети, обеспечивающая информационную поддержку принимаемых лечащим врачом решений с проведением количественной оценки влияния различных диагностических показателей на выходной сигнал сети; автоматизированная компьютерная система, объединяющая различные методы и алгоритмы и позволяющая их применять в зависимости от ситуации.

Практическая значимость и результаты внедрения.

Разработана и научно обоснована совокупность методов поддержки принятия решений при диагностике остеопороза, позволяющая повысить качество диагностики стадии остеопороза, а также проводить дифференциальную диагностику остеопороза с другими видами остеопатий.

Результаты исследований в виде информационного и программного обеспечения автоматизированной системы сбора, обработки и анализа медицинской информации апробированы в практической деятельности ГКБ СМП №10 «Электроника».

Теоретические результаты диссертационной работы внедрены в учебный процесс кафедры системного анализа и управления в медицинских системах Воронежского государственного технического университета по дисциплинам «Моделирование биологических процессов и систем», «Управление в биологических и медицинских системах», «Технические методы диагностических исследований и лечебных воздействий».

Медицинская эффективность работы заключается в возможности использования разработанной экспертной системы для обучения специалистов дифференциальной диагностике остеопороза с другими видами остеопатий и оценке степени развития остеопороза.

Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на следующих конференциях, совещаниях и семинарах: Всероссийской конференции

Интеллектуализация управления в социальных и экономических системах» (Воронеж, 2005, 2007); Всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 2005); Межрегиональной научно-практической конференции «Информатизация образовательного процесса и управления образованием. Сетевые и Интернет-технологии» (Воронеж, 2005); научно-методическом семинаре кафедры системного анализа и управления в медицинских системах Воронежского государственного технического университета (Воронеж, 2004, 2005, 2006).

Публикации. Основные результаты диссертации опубликованы в 12 научных работах, в том числе 3 - в изданиях, рекомендованных ВАК РФ.

Структура и объем работы. Диссертация состоит из введения, четырех глав и заключения, изложенных на 136 страницах, включая список литературы из 107 наименований и приложения, содержит 27 рисунков и 17 таблиц.

Выводы третьей главы

1. При дифференциальной диагностике остеопороза с другими видами остеопатий недостаточно использование только лучевых методов диагностики, поскольку во всех случаях (за исключением остеосклероза, который в данном случае не рассматривался) имеется симптом повышения рентгенопрозрачности костной ткани. Другими словами, применение количественных методов классификации в данном случае затруднительно, поэтому была разработана система поддержки принятия решений на основе знаний экспертов. Диагностические правила охватывают показатели первичного осмотра, рентгенологического и лабораторных методов обследования. Применение этой системы позволяет исключить наличие других остеопатий.

2. Для упрощения процесса постановки диагноза с помощью системы поддержки принятия решений врач-пользователь может произвести поиск аналогичных случаев заболевания в базе данных историй болезней. С этой целью был применен алгоритм на основе метода А:-ближайших соседей, позволяющий поставить пациенту диагноз, «вычисляя» его путем анализа диагнозов соседних по отношению к исследуемому объектов.

3. Получена нейросетевая модель диагностики стадии остеопороза, которая может применяться для поддержки принятия решений врачами-рентгенологами и таким образом способствовать повышению эффективности классификации пациентов по группам заболевания.

4. Для повышения эффективности системы поддержки принятия решений целесообразно совместное использование нескольких методов. Таким образом, просмотр известных случаев до начала рассуждений на основе правил позволяет во-первых, снизить затраты на поиск решения, во-вторых, сохранить в базе данных ситуаций наиболее типичные примеры и исключения.

4. РЕЗУЛЬТАТЫ РЕАЛИЗАЦИИ И АПРОБАЦИИ

АВТОМАТИЗИРОВАННОЙ КОМПЬЮТЕРНОЙ СИСТЕМЫ

ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ДИАГНОСТИКЕ ОСТЕОПОРОЗА

4.1. Принципы разработки автоматизированной компьютерной системы обработки информации и диагностики остеопороза

Информационные технологии - неотъемлемая составляющая современного здравоохранения. В настоящее время осуществляется переход к комплексной автоматизации отдельных направлений медицины, лечебно-профилактических учреждений и территориального здравоохранения.

Информационные ресурсы системы здравоохранения включают в себя базы данных по различным направлениям деятельности, тематические и библиографические поисковые системы, интеллектуальные системы, реализующие обучение, экспертные системы и системы поддержки принятия решений.

Наиболее перспективным направлением в области разработки информационно-программного обеспечения для здравоохранения является разработка систем поддержки принятия решений, опирающихся на различные методы искусственного интеллекта, прикладной статистики и ориентированных на предоставление лечащему врачу помощи в постановке правильного диагноза. Это связано с тем, что большинство врачебных ошибок возникает именно на диагностическом этапе [5, 24, 107]. Причины могут быть различными: недостаточный опыт, нехватка времени для анализа результатов обследования и т.д. Особенно это актуально для проблемы остеопороза, так как этим заболеванием занимаются в России очень недавно.

В настоящее время на практике продемонстрирована целесообразность использования компьютера в профессиональной деятельности врача, и особенно рентгенолога. Персональный компьютер, программное и аппаратное обеспечение которого предназначено для использования медицинским работником при реализации его должностных обязанностей в ходе медицинского технологического процесса называют автоматизированным рабочим местом (АРМ). Большой интерес представляет собой задача формирования моделей заболеваний, учитывающих накопленный архивный материал и позволяющих автоматизировать процесс диагностики и прогнозирования возможных осложнений заболевания на основе статистического анализа [30, 87]. Анализ собранной клинической информации с целью принятия решений является одним из важнейших элементов врачебной деятельности. Использование автоматизированной системы для поддержки принятия решений становится возможным благодаря реализации алгоритмов, имитирующих «врачебную логику» либо использующих формальные методы математического анализа медицинских данных, позволяющие получить аналогичные результаты, достоверность принимаемых на их основе решений получает дополнительное надежное обоснование [28, 107].

Таким образом, автоматизированная система диагностики должна включать в себя следующие этапы.

- Формирование баз данных необходимых для разработки моделей заболевания. Данные поступают из различных источников в результате проведения мониторинговых исследований по различным направлениям. Информация может быть получена при помощи сети Internet (например, из фонда медицинского страхования) или из баз данных диагностических центров и т.п.

- Изучение медицинских показателей и их предварительное преобразование, при необходимости, для удобства дальнейшего использования.

- Проведение статистических исследований (методы кластерного и дискриминантного анализа), построение формализованных моделей заболевания и разработка правил отнесения объектов к одному из выделенных классов.

- Применение методов экспертных систем для проведения дифференциальной диагностики.

Исходные данные удобно представлять в виде совокупности векторов X = (хь х2 хп), где х1,х2, .,хп - набор различных количественных и качественных признаков. Векторы Хь Хъ ., Хм содержат информацию о состоянии N пациентов.

Известно, что для описания системы достаточно охарактеризовать ее базовые элементы и взаимосвязи между ними. И те математические методы, которые смогут это хорошо сделать, окажутся эффективными для распознавания образов, такие, например, как статистические подходы к распознаванию [49, 56].

Разработанная компьютерная система представляет собой комплекс взаимосвязанных программных модулей, обеспечивающих решение задачи выбора оптимального алгоритма диагностики [28]. Общая структура комплекса и взаимодействие его отдельных компонент приведены на рис. 4.1.

Система состоит из отдельных модулей, организованных и связанных между собой управляющей подсистемой. Применение принципа модульности построения обеспечивает возможность поэтапного функционирования системы, ее доработки в процессе эксплуатации.

В автоматизированной системе лицом, принимающим решение, является лечащий врач, который взаимодействует с пациентом при анамнестических исследованиях. Диагностический блок содержит совокупность методов обследования: клинический осмотр и необходимые лучевые и лабораторные методы обследования. Блок системы поддержки принятия решении используется лечащим врачом для предварительного анализа полученной информации, а также с целью проведения консультации при постановке диагноза по данным различных методов обследования [28].

Блок диагностических исследований

Первичный осмотр

Лучевые и лабораторные методы исследования 7

Блок обработки данных

Обработка результатов первичного осмотра

Обработка результатов обследования

Блок экспертной системы

Постановка первичного диагноза по результатам осмотра

Поиск прецедентов в базе данных историй болезней

Постановка диагноза по результатам обследования

База данных историй болезней

-К V

Администратор базы данных

Рис. 7. Структура автоматизированной системы обработки информации и диагностики остеопороза

Компьютерная поддержка врачебной деятельности, которая может быть применена на всех этапах лечебно-диагностического процесса, вносит в медицинский технологический процесс новые черты. Появляется возможность решать более сложные лечебно-диагностические задачи за счет более глубокого анализа клинической информации, требующей использования сложных алгоритмов, путем вовлечения в этот процесс больших объемов информации, включающей и справочные данные. Компьютерные программы позволяют осуществлять контроль информации, поступающей из различных источников, что повышает ее точность и достоверность, и, в конечном итоге, ведет к повышению эффективности принимаемых решений.

Автоматизированные системы, ориентированные на применение в рентгенологической практике, призваны повысить эффективность и качество диагностики за счет тех возможностей, которые обеспечивает компьютер в осуществлении сбора, обработки, хранения, представления и использования медицинской информации, необходимой для адекватного решения лечебно-диагностических задач [55].

4.2. Результаты апробации и внедрения результатов работы

Результаты исследований в виде информационного и программного обеспечения автоматизированной системы сбора, обработки и анализа медицинской информации апробированы в практической деятельности ГКБ СМП №10 «Электроника».

Разработанная автоматизированная система ориентирована как на помощь лечащему врачу в постановке точного диагноза, так и на обучение студентов или врачей, имеющий недостаточный опыт в данной области.

В результате апробации компьютерной программы автоматизированной диагностики выяснилось, что эффективность используемых моделей при определении стадии остеопороза неодинакова. В табл. 4.2.1 приведена сравнительная характеристика точности используемых методов. Как видно, точность постановки диагноза по методу дискриминантного анализа приблизительно одинакова для всех трех классов решений. Нейросетевая модель среди трех использованных методов оказалась наиболее эффективной, но ее точность уменьшается при определении диагноза «патологическая остеопения». Метод к-ближайших соседей наиболее эффективен при определении диагноза «физиологическая остеопения», но два других диагноза определяются с достаточно большой погрешностью. Поэтому можно сказать, что наиболее эффективно совместное использование трех методов в совокупности.

ЗАКЛЮЧЕНИЕ

В ходе выполнения диссертационной работы были получены следующие результаты.

1. Проанализированы современные методы и основные этапы диагностики остеопороза для установления характера и выраженности нарушений костной ткани, проведена статистическая оценка их значимости для диагностики остеопороза.

2. Проведена классификация пациентов по различными диагностическим показателям для определения стадии остеопороза и сформированы решающие правила на основе дискриминантного анализа.

3. На основе накопленной клинической информации разработан алгоритм отнесения пациента к одному из выделенных классов с применением метода ^-ближайших соседей, что позволяет использовать знания экспертов в виде совокупности известных решений.

4. На основе технологии экспертных систем построена модель для интеллектуальной поддержки при дифференциальной диагностике остеопатий. Разработана система продукционных правил, позволяющая по анамнестическим данным, данным рентгенологического и лабораторного исследования ставить пациенту диагноз.

5. Предложен алгоритм классификации пациентов в зависимости от диагноза на базе нейронной сети. Для количественной оценки влияния различных диагностических показателей на выходной сигнал сети была рассчитана их значимость.

6. Разработанная компьютерная автоматизированная диагностическая систем обладает рядом достоинств и преимуществ перед традиционными методами диагностики. Эффективность ее внедрения складывается из количественных и качественных факторов. К числу первых относится предоставление врачу возможности оперативного визуального анализа результатов обработки данных первичного осмотра и обследования пациента; расширение знаний врача по анализу получаемой диагностической информации, а также ее клинической интерпретации; возможность хранения информации о пациенте в виде электронных амбулаторных карт и их распечатки на бумаге при необходимости.

7. Разработана и внедрена автоматизированная система поддержки принятия решений при диагностике стадии остеопороза в отделении лучевой диагностики областного диагностического центра.

1. Абусуева З.А. Постменопауза и возрастные особенности локализации остеопороза /З.А. Абусуева, И.В. Стрижова, H.A. Берестовая //Акушерство и гинекология. 2005. №2. С. 50-52.

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

3. Айвазян С.А. Классификация многомерных наблюдений /С.А. Айвазян, З.И. Бежаева, О.В. Староверов. М.: Статистика, 1974. 240 с.

4. Актуальные вопросы диагностики и лечения остеопороза: метод, пособие для врачей по материалам симпозиума, Санкт-Петербург, февраль 1997 г./ под. ред. В. И. Мазурова, Е. Г. Зоткина. СПб.: 1998.

5. Алгоритм оценки стадии остеопороза на основе статистических методов анализа клинических данных /О.В. Журова, E.H. Коровин, В.Г. Пасечная, О.В. Родионов //Вестник Воронежского государственного технического университета. 2005. Т. 1. №10. С. 163 166.

6. Асанов А. Опыт построения большой базы экспертных знаний /А. Асанов, О. Подлипский //Методы поддержки принятия решений: сб. трудов; Рос. акад. наук, Ин-т системного анализа; под ред. О.И. Ларичева. М.: УРСС, 2001.72 с.

7. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений / А. Б. Барский. М.: Финансы и статистика, 2004. 176 с.

8. Братко И. Алгоритмы искусственного интеллекта на языке PROLOG / И. Братко. М.: Вильяме, 2004. 640 с.

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

10. Вапник В.Н. Теория распознавания образов /В.Н. Вапник, А.Я. Червоненкис. М.: Наука, 1973. 416 с.

11. Выявление экспертных знаний (процедуры и реализации) /О. И. Ларичев, А. И. Мечитов, Е. М. Мошкович, Е. М. Фуремс, отв. ред. С. В. Емельянов, АН СССР, ВНИИ систем, исслед. М.: Наука. 1989. 128 с.

12. Гаврилова Т. А. Извлечение и структурирование знаний для экспертных систем /Гаврилова Т. А., Червинская К. Р. М.: Радио и связь, 1992.200 с.

13. Гаврилова Т.А. Базы знаний интеллектуальных систем. /Т.А. Гаврилова, В.Ф. Хорошевский. СПб.: Питер, 2001. 348 с.

14. Геловани В.А. Методологические вопросы построения экспертных интеллектуальных систем /В .А. Геловани, О.В. Ковригин, Н.Д. Смольянинов //Системные исследования. Методологические проблемы: ежегодник. М.: Наука, 1983. С. 254-278.

15. Горелик А.Л. Методы распознавания /А.Л. Горелик, В.А. Скрипкин. М.: Высшая школа, 1984.209 с.

16. Гублер Е.В. Информатика в патологии, клинической медицине и педиатрии / Е.В. Гублер. Л.: Медицина Ленинградское отд-ние, 1990. 176 с.

17. Джексон П. Введение в экспертные системы /П. Джексон. М.: Издательский дом «Вильяме», 2001. 384 с.

18. Дубров A.M. Обработка статистических данных методом главных компонент/A.M. Дубров. М.: Статистика, 1978. 136 с.

19. Дюк В. Data mining: учебный курс /В. Дюк, А. Самойленко. СПб.: Питер, 2001.368 с.

20. Дюк В. Обработка данных на ПК в примерах / В. Дюк. СПб.: Питер, 1997. 240 с.

21. Журова O.B. Анализ и моделирование процесса диагностики стадий остеопороза на основе нейронных сетей /A.A. Ефимов, О.В. Журова, E.H. Коровин, О.В. Родионов // Вестник Воронежского государственного технического университета. 2006. Т. 2. №12. С. 13 16.

22. Журова О.В. Остеопороз как системное заболевание /О.В. Журова //Интеллектуальные информационные системы: 4.1. труды Всерос. конф. Воронеж: ВГУ, 2005. С. 245-246

23. Журова О.В. Поддержка принятия решений при диагностике стадии остеопороза / О.В. Журова, E.H. Коровин, О.В. Родионов //Информационный бюллетень. Алгоритмы и программы. №3, 2005. С.86

24. Загоруйко Н.Г. Методы распознавания и их применение /Н.Г. Загоруйко. М.: Советское радио, 1972. 208 с.

25. Зацепина С.А. Управление в биотехнических и медицинских системах: учеб. пособ. /С.А. Зацепина, Я.Е. Львович, М.В. Фролов; под ред. В.Н. Фролова. Воронеж: изд-во ВГТУ, 1994. 145 с.

26. Искусственный интеллект и проблемы организации знаний. М.: ВНИИСИ, 1991. 107 с.

27. Искусственный интеллект. Модели и методы. Справочник: кн. 2 /под. ред. Д. А. Поспелова. М.: Радио и связь, 1990. 304 с.

28. Искусственный интеллект: применение в интегрированных производственных системах / под. ред. Э. Кьюсиака; пер. с англ. А. П. Фомина; под ред. А. И. Дащенко, Е.В. Левнера. М.: Машиностроение, 1991. 544 с.

29. Искусственный интеллект. Системы общения и экспертные системы. Справочник: кн. 1 /под. ред. Э. В. Попова. М.: Радио и связь, 1990. 464 с.

30. Каляев И.А. Однородные нейроподобные структуры в системе выбора действий интеллектуальных роботов /И.А. Каляев, А.Р. Гайдрук. М.: Янус-К, 2000. 280 с.

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

32. Ларичев О.И. Наука и искусство принятия решений /О.И. Ларичев. М.: Наука, 1979. 199 с.

33. Ларичев О.И. Теория и методы принятия решений, а также хроника событий в Волшебных странах: учебник для вузов /О.И. Ларичев; изд. 2-е. М.: Логос, 2002. 392 с.

34. Ларичев О.И. Теория и методы принятия решений. Вербальный анализ решений /О.И. Ларичев, Е.М. Мошкович. М.: Наука. Физматлит, 1996. 208 с.

35. Логический подход к искусственному интеллекту: от классической логики к логическому программированию: пер. с франц. М.: Мир, 1990. 432 с.

36. Логический подход к искусственному интеллекту: от модальной логики к логике баз данных: пер. с франц. М.: Мир, 1998. 494 с.

37. Люггер Дж. Искусственный интеллект: стратегии и методы решения сложных проблем: пер. с англ. /Дж. Люггер. М.: Издательский дом «Вильяме», 2005. 864 с.

38. Маковский В.А. Базы знаний /В.А. Маковский, В.И. Похлебаев. М.: издательство стандартов, 1993. 37 с.

39. Малиновский Л. Г. Классификация объектов средствами дискриминантного анализа / Л. Г. Малиновский. М.: Наука, 1979. 260 с.

40. Марченкова Л.А. Остеопороз: достижения и перспективы /Л.А. Марченкова //Материалы Всемирного конгресса по остеопорозу, июнь, 2000, Чикаго (США).

41. Медведев B.C. Нейронные сети. MATLAB 6 /B.C. Медведев, В.Г. Потемкин. М.: ДИАЛОГ-МИФИ, 2002. 496 с.

42. Нейлор К. Как построить свою экспертную систему / К. Нейлор. М.: Энергоатомиздат, 1991. 288 с.

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

44. Нейронные сети. STATISTICA NEURAL NETWORKS: пер. с англ. Горячая линия Телеком, 2000. 182 с.

45. Нильсон Н. Дж. Принципы искусственного интеллекта /Н. Дж. Нильсон; пер. с англ. под ред. B.J1. Стефанюка. М.: Радио и связь, 1985. 373 с.

46. Осовский С. Нейронные сети для обработки информации /С. Оссовский; пер. с польского. М.: Финансы и статистика, 2002. 344 с.

47. Осуга С. Обработка знаний / С. Осуга; пер. с японского. М.: Мир, 1989.292 с.

48. Пасечная В.Г. Разработка методов и алгоритмов рациональной диагностики и тактики лечения остеопороза на основе методов лучевойдиагностики. Дис. канд. мед. наук.: 05.13.01 «Системный анализ,управление и обработка информации». Воронеж, 2003. 24 с.

49. Перегудов Ф.И. Введение в системный анализ: учеб пособ. для вузов /Ф.И. Перегудов, Ф.П. Тарасенко. М.: Высшая школа, 1989. 367 с.

50. Попов Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ / Э.В. Попов. М.: Наука, 1987.288 с.

51. Поспелов Д.А. Моделирование рассуждений: опыт анализа мыслительных актов /Д.А. Поспелов. М.: Радио и связь, 1989. 184 с.

52. Поспелов Г. С. Искусственный интеллект прикладные системы / Г.С. Поспелов, Д.А. Поспелов. М.: Знание, 1985.48 с.

53. Построение экспертных систем: пер. с англ. /под. ред. Ф. Хейеса-Рота, Д. Уотермана, Д. Лената. М.: Мир, 1987. 441 с.

54. Представление и использование знаний: пер. с японского / под. ред. X. Уэно. М.: Мир, 1989. 220 с.

55. Прикладная статистика: Классификация и снижение размерности: справ, изд. /С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин. М.: Финансы и статистика, 1989. 607 с.

56. Приобретение знаний /пер. с японского; под ред. С. Осуги, Ю. Саэки. М.: Мир, 1990. 303 с.

57. Pao С.Р. Линейные статистические методы и их применение /пер. с англ. A.M. Кагана, В.М. Калинина и К.П. Латышева; под ред. Ю.В. Линника. М.: Наука, 1978. 548 с.

58. Родионов О.В. Принципы разработки телемедицинской информационно-диагностической системы /О.В.Родионов, Е.Н.Коровин, О.В. Журова // Специализированная медицинская помощь. Выпуск IX: сб. науч.-практ. работ. Воронеж: ООО «Сатурн», 2005. С. 125-127

59. Рожинская Л. Я. Системный остеопороз: изд. 2-е, перераб. и доп. /Л. Я. Рожинская. М.: Издатель Мокеев, 200.196 с.

60. Розин Б.Б. Теория распознавания образов в экономических исследованиях /Б.Б. Розин. М.: Статистика, 1973. 224 с.

61. Рудаков К.В. О некоторых классах алгоритмов распознавания (общие результаты) /К.В. Рудаков. М.: Вычислительный центр АН СССР, 1980. 67 с.

62. Скрипникова И.А. Современные подходы к диагностике и лечению остеопороза //Лечащий врач. 1998. №2. С.

63. Смирнов А. Денситометрия как метод оценки минеральной плотности костной ткани /А. Смирнов //Врач. 2002. №8. С.31-32.

64. Смирнов А. Сравнительная характеристика методов измерения костной массы / А. Смирнов //Медицинские новости, 1997. №2(31). С. 58.

65. Сойер Б. Программирование экспертных систем на Паскале / Б. Сойер, Д. Фостер. М.: Финансы и статистика, 1990. 191 с.

66. Справочник по прикладной статистике. В 2-х т.; пер. с англ./ Под. Ред. Э. Ллойда, У. Ледермана, Ю.Н. Тюрина. М.: Финансы и статистика, 1989.510 с.

67. Справочник по теории вероятностей и математической статистике. М.: Наука, 1985. 640 с.

68. Статистические методы исследования в медицине и здравоохранении /под ред. Л.Е. Полякова. Л.: Медицина, 1981.200 с.

69. Таунсенд К. Проектирование и программная реализация экспертных систем на персональных ЭВМ / К. Таунсенд, Д. Фохт. М.: Финансы и статистика, 1990. 320 с.

70. Торопцова Н.В. Подходы к профилактике и лечению остеопороза /Н.В. Торопцова, Л.И. Беневоленская //Лечащий врач. 2005. № 4. С. 31-35.

71. Ту Дж. Принципы распознавания образов / Дж. Ту, Р. Гонзалес. М.: Мир, 1978.416 с.

72. Тьюки Дж. Анализ результатов наблюдений. Разведочный анализ / Дж. Тьюки. М.: Мир, 1981. 693 с.

73. Тюрин Ю.Н. анализ данных на компьютере /Ю.Н. Тюрин, A.A. Макаров; под ред. В.Э. Фигурнова. М.: ИНФРА-М, Финансы и статистика, 1995. 384 с.

74. Уинстон П. Искусственный интеллект /П. Уинстон. М.: Мир, 1980. 520 с.

75. Уотермен Д. Руководство по экспертным системам /Д. Уотермен; пер. с англ. под ред. В.Л. Стефанюка. М.: Мир, 1989. 388 с.

76. Урбах В.Ю. Математическая статистика для биологов и медиков /В. Ю. Урбах. Изд-во АН СССР, 1963. 323 с.

77. Факторный, дискриминантный и кластерный анализ /под. ред. И.С. Енюкова. М.: Финансы и статистика, 1989. 387 с.

78. Франке Ю. Остеопороз / Ю. Франке, Г. Рунге. М.: Медицина, 1995.304 с.

79. Фролов В.Н. Выбор тактики лечения с применением математических методов /В.Н. Фролов. Воронеж: Изд-во ВГУ, 1997. 230 с.

80. Фукунага К. Введение в статистическую теорию распознавания образов /пер. с. англ.; под. ред. A.A. Дорофеюка. М.: Наука, 1979. 367 с.

81. Фуремс Е.М. Система МЕДИКС медицинская диагностическая иерархическая классифицирующая система /Е.М. Фуремс //Системы и методы поддержки принятия решений. М.: ВНИИСИ, 12. С. 86-92.

82. Хан Г. Статистические модели в инженерных задачах / Г. Хан, С. Шапиро. М.: Статистика, 1980. 444 с.

83. Хастингс Н. Справочник по статистическим распределениям /Н. Хастингс, Дж. Пикок. М.: Статистика, 1980. 95 с.

84. Частиков А.П. Разработка экспертных систем. Среда CLIPS / А.П. Частиков, Т.А. Гаврилова, Д.Л. Белов. СПб.: БХВ-Петербург, 2003. 608 с.

85. Черноруцкий И.Г. Методы принятия решений /И.Г. Черноруцкий. СПб.: БХВ Петербург, 2005. 416 с.

86. Чернухин Ю.В. Представление знаний и логическое программирование в системах искусственного интеллекта: учеб. пособ. /Ю.В. Чернухин, В.Ф. Гузик, А.И. Костюк; М-во образов. РФ. Таганрог, гос. радиотехн. ун-т. Таганрог: ТРТУ, 2001. 95 с.

87. Шатов A.B. Магнито-резонансная томография в клинической медицине: учеб. пособ. / A.B. Шатов. Воронеж: Изд-во ВГТУ, 1995. 68 с.

88. Шварц Г.Я. Фармакотерапия остеопороза ГГ.Я. Шварц. М.: Медицинское информационное агентство, 2002. 368 с.

89. Экспертные системы для персональных компьютеров: методы, средства, реализации: справочное пособие. Минск: Вышэйшая школа, 1990. 197 с.

90. Экспертные системы: принципы работы и применение /под ред. Р. Форсайта. М.: Радио и связь, 1987. 223 с.

91. Элти Дж. Экспертные системы: концепции и примеры; пер. с англ. /Дж. Элти, М. Кумбс. М.: Финансы и статистика, 1987. 191 с.

92. Golding A. R. Improving rule-based systems through case-based reasoning /A.R. Golding, P.S. Rosenbloom //Artificial intelligence in medicine, 1996. Number 87. - P. 215-254.

93. Murtagh F. Machine learning, neural and statistical classification /F. Murtagh//Journal of classification, 1997. Number 1 (14). - P. 185-188.

94. Park Y. J. New knowledge extraction technique using probability for case-based reasoning: application to medical diagnosis /Y.J. Park, B.C. Kim, S. H. Chun //Expert systems Feb. 2006. - Vol. 23, No. 1

95. Puri V. Biochemical markers: diagnostic considerations and clinical applications for osteoporosis / V. Puri //British medical journal 2003. - Number 326

96. Richmond B. DXA scanning to diagnose osteoporosis: do you know what the results mean? /В. Richmond //Cleveland clinic journal of medicine -April 2003. Vol. 70, No. 4. P. 353-360

97. Shortliffe E.H. Clinical decision-support systems //Medical informatics: computer application in health care. Addison-Wesley, 1990. P. 466502.

98. Somoza E. A neural network approach to predicting admission in a psychiatric emergency room /Е. Somoza, J.R. Somoza //Medical decision making, 1993. Number 13. - P. 273-280.

99. Van Bemmel J.H. Medical informatics, art or science? /J.H. Van Bemmel //Meth. Inform. Med., 1996. Vol. 35. P. 157-172.