автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нейросетевая система анализа данных и диагностики перинатального поражения центральной нервной системы

На правах рукописи УДК 519.7:616-053.2

ШАЙДУРОВ АЛЕКСАНДР АЛЕКСЕЕВИЧ

Нейросетевая система анализа данных и диагностики перинатального поражения центральной нервной системы

05.13.01 - системный анализ, управление и обработка информации

Автореферат

диссертации на соискание ученой степени кандидата технических наук.

Барнаул - 2005

Работа выполнена на кафедре «Вычислительная техника и электроника» Алтайского государственного университета

Научные руководители:

кандидат технических наук, доцент Шатохин Александр Семенович

кандидат медицинских наук, доцент Пиянзин Алексей Илларионович

Официальные оппоненты:

доктор технических наук, профессор Козлов Леонид Алексеевич

кандидат технических наук, доцент Бутаков Сергей Владимирович

Ведущая организация: Институт вычислительного моделирования Сибирского отделения Российской академии наук.

Зашита диссертации состоится 28 июня 2005 г., в 1400 часов, на заседании регионального диссертационного совета КМ 212.004.01. в Алтайском государственном техническом университете по адресу 656038, г. Барнаул, пр Ленина, 46.

С диссертацией можно ознакомиться в библиотеке Алтайского государственного технического университета им. И И. Ползунова.

Автореферат разослан « Ж » мая 2005г

Ученый секретарь регионального диссертационного совета к.э.н., доцент А.Г. Блем

ОБЩАЯ ХАРАКТЕРИСТИКА ДИССЕРТАЦИОННОЙ РАБОТЫ

Актуальность темы. Проблема нахождения функциональной зависимости по эмпирическим данным встает перед многими исследователями в различных отраслях науки. Данная проблема обычно решается при помощи методов интерполяции или экстраполяции Применяются различные статистические методы, в большинстве случаев сводящиеся к построению линейных регрессионных уравнений. Однако встречаются ситуации, когда найти зависимости при помощи такого подхода невозможно. В таких случаях применяются «интеллектуальные методы», такие как экспертные системы, нейронные сети, генетические алгоритмы и т.д. С помощью методов и алгоритмов интеллектуальной поддержки принятия решений решаются задачи сжатия массивов эмпирической информации, прогнозирования, классификации, диагностики и т.д. Указанные выше методы находят свое применение и в медицине. Хотя в большинстве случаев в медицине, традиционно применяется статистический анализ.

Одной из наиболее важных проблем в современной медицине является сложность выявления перинатального поражения центральной нервной системы. В связи с анатомической и функциональной незрелостью нервной системы новорожденных и большой лабильностью клинических проявлений бывает фудно провести топическую диагностику и оценить тяжесть поражений головного мозга. Таким образом, диагностика больных затруднена постоянным изменением данных, в силу которого приходится обрабатывать большие массивы информации. Поэтому, одним из путей повышения эффективности диагностики, является применение математических методов анализа информации и разработка проблемно-ориентированных систем обработки информации. Анализ существующих и традиционно применяемых методов показал, что нейросете-вые методы позволяют более точно осуществлять диагностику пациентов в условиях большой лабильности клинических проявлений.

Изложенные выше факты свидетельствуют о необходимости проведения исследований в целях создания системы обработки информации и интеллектуальной поддержки принятия решений на основе применения методов системного анализа. Это позволит на ранних стадиях развития перинатального поражения своевременно и точно оценивать вид поражения и проводить лечебные мероприятия. В силу этого актуальной является задача исследования и разработки нейросетевой автоматизированной диагностики перинатального поражения центральной нервной системы.

Цель исследования. Цель работы заключается в исследовании взаимосвязей между симптомами и разработке проблемно-ориентированной системы обработки информации и принятия решения для диагностики перинатального поражения ЦНС на основе нейросетевых алгоритмов. Для достижения поставленной цели необходимо решить следующие задачи исследования:

1. Исследовать системные связи и закономерности взаимодействия характерных симптомов перинатального поражения центральной нервной системы между собой.

2. Определить комплекс значимых признаков, описывающих состояние ребенка на различных стадиях перинатального поражения.

3. Разработать методику оценки вида перинатального поражения ЦНС.

4. Создать программный продукт, реализующий систему анализа данных и интеллектуальной поддержки решений.

Объектом исследования является эвристический процесс обработки информации и принятия диагностического решения.

Предметом исследования являются системные взаимосвязи между исходными данными (симптомами) и результатом (диагнозом).

Методы исследования. При выполнении работы проводился системный анализ медицинских данных с применением методов математической статистики, математического программирования и методов нейросетевого анализа.

Научная новизна предлагаемой работы заключается в достижении следующих научных результатов:

1. Предложен методический подход к решению задачи диагностики перинатального поражения центральной нервной системы.

2. Предложена модель взаимодействия нейросетевых и статистических методов для диагностики перинатального поражения центральной нервной системы.

3. Построены конкретные структуры нейронных сетей, осуществляющих диагностику различных видов перинатального поражения центральной нервной системы.

Теоретическая значимость результатов работы. В ходе исследований оценены возможности статистических и нейросетевых методов в качестве диагностических моделей. Получены статистически значимые различия симптомов для различных видов перинатального поражения ЦНС.

В ходе нейросетевого анализа выявлено, что при диагностике перинатального поражения ЦНС безошибочность нейронных сетей остается примерно постоянной при изменении числа скрытых слоев. Однако при увеличении ней; «»яиН'м •« .ч ; " и - •- ,."»«<« ;

>-«4 .«; * V

ронов в скрытом слое до определенного значения, безошибочность нейронных сетей возрастает. Для анализа данных необходимо использовать нейронные сети либо с одним нейроном, либо с числом нейронов, равным максимальному количеству классифицируемых состояний. Исследования показали, что нейронные сети с минимальным числом нейронов в выходном слое обладают высокой специфичностью, а с максимальным количеством нейронов - высокой чувствительностью. Соответственно при проектировании нейросетевой системы анализа данных и принятия диагностических решений необходимо использовать комбинацию нейронных сетей.

Практическая значимость результатов работы. Использование статистических и нейросетевых методов составляет практическую основу для построения системы поддержки принятия диагностических решений. Рекомендации системы могут использоваться врачами для принятия решений о состоянии здоровья ребенка с перинатальным поражением ЦНС на различных стадиях его развития. Нейросешвая система диагностики оценивает состояние здоровья плода во время беременности на основе показателей течения беременности, оценивает возможность исхода родов для новорожденного, основываясь на показателях течения родов, и осуществляет диагностику перинатального поражения центральной нервной системы у детей, используя показатели течения беременности и родов. Диагностика может осуществляться без привлечения высококвалифицированных экспертов в условиях периферических медицинских учреждений. Использование проблемно-ориентированной системы принятия решений повышает оперативность принятия решений и снижает уровень субъективизма при постановке диагноза.

Основные результаты диссертационной работы реализованы в виде программы диагностики перинатального поражения центральной нервной системы, внедрены в двух медицинских учреждениях Алтайского края и используются в медицинской практике.

На защиту выносятся:

1. Нейросетевая система анализа данных и принятия диагностического решения, позволяющая в режиме реального времени оценить вид перинатального поражения центральной нервной системы.

2. Взаимосвязи между симптомами, позволяющие существенно сократить исходную выборку симптомов, при сохранении уровня безошибочности диагностики больных с перинатальным поражением центральной нервной системы.

3. Реализация системы нейросетевой диагностики перинатального поражения центральной нервной системы с близким к оптимальному соотношением чувствительности и специфичности.

Апробация результатов. Основные положения и отдельные результаты исследования докладывались и обсуждались на XI всероссийском научном семинаре «Нейроинформатика и ее приложения» (Красноярск, 2003), 5-й международной конференции «Радиоэлектроника в медицине» (Москва, 2003), 5-й научно-практической конференции «Молодежь-Барнаулу» (Барнаул, 2003), XII всероссийском научном семинаре «Нейроинформатика и ее приложения» (Красноярск, 2004).

Публикации. По теме диссертации опубликовано 15 печатных работ, в том числе 3 статьи в сборниках статей, 12 тезисов докладов на конференциях. Получена 1 официальная регистрация программного продукта.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка литературы из 105 источников, 4 приложений. Общий объем работы составляет 136 страниц, содержит 5 рисунков, 45 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность исследования, определены цели, задачи, объект, предмет, методы исследования Раскрыты научная новизна, теоретическая и практическая ценность, сформулированы положения, выносимые на защиту.

В первой главе диссертационной работы «Методы математического моделирования в медицине» рассмотрены способы построения проблемно-ориентированных систем диагностики пациентов с помощью статистических и нейросетевых методов. Изложены основные идеи математического подхода, в рамках которого производится системный анализ и формализация процесса эмпирической диагностики.

В медицинской практике для анализа и диагностики различных заболеваний используется множество различных математических методов. Их можно разделить на две группы: однопараметрические и многопараметрические. Существующие методы диагностики имеют свои границы применения, собственные достоинства и недостатки. Применение однопараметрических методов обусловлено в тех случаях, когда динамики поведения симптомов коррелируют между собой. То есть для выявления поведения во времени одного симптома, достаточно знать функцию от времени другого симптома. Таким образом, эти

методы находят редкое применение в математических диагностических моделях. В то же время, многопараметрические методы применяются гораздо чаще. При анализе неходкой информации многопараметрическими методами, часто бывает не важно, в каком виде представлены входные данные. Важно отметить, что в основе описанных выше методов лежит предположение о соответствии статистических данных нормальному закону распределения. Между тем существует большое количество данных, не удовлетворяющих закону нормального распределения. В силу этого существующие неясности в патогенезе многих заболеваний статистические методы объяснить не могут.

В первой главе обосновано применение нейросетевых методов для решения задач классификации сложных систем. Приведены способы применения нейросетевых и статистических методов для решения задач диагностики больных.

Во второй главе диссертационной работы «Статистические методы анализа данных» приведены результаты исследований возможностей статистических методов анализа информации для диагностики перинатального поражения центральной нервной системы.

В работе использованы данные о состоянии пациентов Алтайской краевой клинической детской больницы, и родильных домов районов Алтайского края в период с 1992 по 2001 гг. Каждая запись в базе данных содержит информацию, состоящую из трех логических блоков:

• Диагноз ребенка, закодированный следующим образом:

1. гипоксически - ишемическое поражение ЦНС;

2. гипоксически-геморрагическое поражение ЦНС;

3. натальная спинальная травма;

4. натальная краниоспинальная травма;

5. отсутствие перечисленных выше диагнозов.

• Качественная информация, содержащая сведения о перенесенных заболеваниях матери во время беременности и осложнениях, возникших у плода во время внутриутробного развития (32 параметра).

• Количественная информация об антропометрических показателях новорожденного, а так же количестве родов и беременностей у матери (7 параметров).

Исходная информация содержит данные, полученные во время внутриутробного развития плода (20 значений), и полученные в момент родов или непосредственно при родах ребенка и сразу после родов (19 значений).

При анализе данных использовались часто применяемые в медицинской статистике следующие параметры: чувствительность и специфичность. Их аналогами в технике являются ошибки первого и второго рода.

Чувствительность определятся как доля лиц с положительным результатом теста в популяции с изучаемым заболеванием. Чувствительный тест редко пропускает пациентов, у которых имеется болезнь, то есть его следует выбирать, если имеется риск пропустить опасную, но излечимую болезнь.

Специфичность - это доля лиц с отрицательным результатом теста в популяции без изучаемой болезни. Специфичный тест, как правило, не относит здоровых к категории больных. Специфичные тесты нужны для подтверждения (установления) диагноза, предложенного на основании других данных.

Таблица 1

Соотношение между результатами теста и наличием заболевания

ТЕСТ БОЛЕЗНЬ

Присутствует Отсутствует

Положительный Истинно положительный (а) Ложно положительный (Ь)

Отрицательный Ложно отрицательный (с) Истинно отрицательный (с!)

Исходя из таблицы 1 чувствительность (Бе) и специфичность (Бр) можно рассчитать следующим образом:

&=—; (1)

а + с

<1 + Ь

Чувствительные тесты рекомендуются на ранних стадиях диагностического поиска для сужения его рамок, когда возможных вариантов много и диагностические тесты позволят исключить некоторые из них, т.е. сделать вывод, что эти заболевания маловероятны. А высокоспецифичный тест не должен дать положительный результат в отсутствие заболевания. Высокоспецифичные тесты особенно необходимы, если ложноположительный результат может нанести пациенту вред. Поэтому в разных случаях нужно применять разные тесты.

На первом этапе анализа данных проведена проверка нормальности распределения количественной информации тремя способами: 1. Визуальный.

2. Численный на основе оценки ассиметрии и эксцесса.

3. Статистический с использованием критерия Шапиро-Уилка.

В силу того, что многие количественные симптомы не удовлетворили условию нормальности распределения, то выявление статистически значимых различий проводилось с использованием нескольких методов: при помощи од-нопараметрического метода Стьюдента, предназначенного для анализа данных имеющих нормальное распределение и при помощи метода Манн-Уитни, позволяющего исследовать данные, не обладающие нормальным распределением. Статистически значимые различия симптомов считались при уровне статистической значимости не превышающим критический уровень (р<0.05). В силу того, что результаты двух исследований практически совпали, сделан вывод о том, что несмотря на отсутствие нормального распределения у некоторых исходных данных их можно обрабатывать многопараметрическими статистическими методами, используемых для анализа данных с нормальным распределением Исследования многопараметрическими статистическими методами осуществлены при помощи дискриминантного, кластерного и факторного анализов в три этапа:

1. Анализ данных, полученных до рождения ребенка. В результате исследований оценена возможность постановки у ребенка до рождения предварительного диагноза перинатальное поражение центральной нервной системы.

2. Анализ данных, выявленных во время родов. Таким образом, оценена возможность на основании информации о течении родов оценить дальнейшее состояние здоровья новорожденного.

3 Анализ всех данных (включает данные полученные до родов и во время родов). В результате этих исследований исследована возможность построения проблемно-ориентированной системы принятия диагностических решений на основе полной информации о состоянии ребенка. Из результатов статистической обработки данных при помощи дискриминантного анализа выявлены статистически значимые симптомы, влияющие на постановку диагнозов и линейные классификационные функции (ЛКФ), определяющие диагноз. Исследования при помощи кластерного анализа выявили список статистически значимых симптомов и позволили разбить исходную выборку больных на кластеры, соответствующие выявляемым диагнозам. Применение метода факторного анализа для подтверждения результатов кластерного показало, что проведенная ранее кластеризация действительно является правильной. Результаты статистического анализа приведены в таблице 2.

Таблица 2

Результаты классификации пациентов при помощи статистических методов анализа

Статический метод анализа

« X В « я >£ « а « 3 ас :5 К ■Л 33 у « 2 я « Я X

Диагноз 5 2 я 6 о К Ч О н £ 5 П. •е- 1 о Ч Р о ев 5 к X г Ч Р 5 е Л

Входная информация

до родов во время родов до родов и

во время родов

Безошибочность результата, %

1 71 71 69 74 76 72 75 77 74

2 95 91 91 94 92 92 95 95 95

3 72 76 76 79 75 70 81 77 71

4 87 87 89 90 82 90 92 90 90

5 77 67 75 67 64 68 81 78 80

Примечание: диагноз ребенка закодирован следующим образом: 1-гипоксически - ишемическое поражение ЦНС, 2-гипоксически-геморрагическое поражение ЦНС,3-натальная спинальная травма,4-натальная краниоспинальная травма,5-отсутствие перечисленных выше диагнозов

Как видно из таблицы 2, все три статистических метода обладают примерно одинаковой безошибочностью. В силу того обстоятельства, что применение различных статистических методов дало примерно одинаковую картину диагностики пациентов, сделан вывод, что проблемно-ориентированная система на основе статистических методов будет осуществлять диагностику с безошибочностью, показанной в таблице 2. Оценка чувствительности и специфичности показала, что использование статистических методов смещает диагностическую оценку больных (диагнозы №№1-4) в сторону специфичности (табл. 3). Таким образом, показано, что при диагностике пациентов значительная доля «больных» детей может быть отнесена к категории «здоровых». Однако для построения полноценной системы диагностики перинатального поражения цен-

тральной нервной системы необходимо, что бы классификация была более объективной.

Таблица 3

Оценка чувствительности и специфичности статистических методов анализа данных

Статический метод анализа

Диагноз дискриминантный кластерный факторный дискриминантный кластерный факторный

Бе Бр

гипоксически - ишемическое 40 28 32 86 84 87

поражение ЦНС;

гипоксически-геморрагическое 4 5 3 97 96 96

поражение ЦНС;

натальная спинальная травма; 31 30 34 85 83 84

натальная краниоспинальная 6 8 8 93 93 93

травма;

отсутствие перечисленных вы- 77 69 76 76 65 73

ше диагнозов

Таким образом, на данном этапе оценено качество диагностики перинатального поражения центральной нервной системы при помощи статистических методов. При проведении сложных диагностических тестов, чувствительность теста обратно пропорциональна специфичности теста. При отображении показателей чувствительности и специфичности на графике, оптимальным является тест, имеющий такое отношение чувствительности и специфичности, при котором площадь прямоугольника, образованного перпендикулярами, проведенными из точки на графике к координатным осям является максимальной. Другими словами оптимальным является тест, удовлетворяющий условию:

5е-8р = тах. (3)

Так как применение статистических методов не обладает оптимальным соотношением чувствительности и специфичности, то для более точной диагностики необходимо оценить математические модели, хорошо работающие в

условиях недостаточности входных данных, не являющихся нормально распределенными Такими моделями являются, например, нейросетевые методы анализа данных. Соответственно для полной оценки нейросетевых методов и сравнения результатов их работы со статистическими методами необходимо провести нейросетевой анализ данных.

В третьей главе диссертационной работы «Нейросетевая система анализа данных и диагностики перинатального поражения центральной нервной системы» разработана методика создания сис1смы анализа данных и принятия решений диагностики перинатального поражения центральной нервной системы на основе нейросетевых методов.

Показано, что для решения данной задачи достаточно использовать нейронные сети с одним скрьпым слоем. При увеличении числа скрытых слоев безошибочность классификации пациентов не возрастает. Число нейронов в скрытом слое оценивалось, исходя из конкретной задачи. Выходной слой нейронной сети может содержать столько нейронов, сколько классов необходимо классифицировать. Если выходной слой состоит из пяти нейронов, то в этом случае нейросеть определяет достоверность факта принадлежности исходной записи к каждому из пяти классов. Если нейронная сеть в выходном слое имеет один нейрон, то соответственно она обучается на определение достоверности принадлежности исходных данных к одному конкретному диагнозу. Входной слой содержит число нейронов, равное количеству входных данных.

В ходе эксперимента строились различные архитектуры нейронных сетей с различным числом нейронов в скрытом и выходном слоях. Обучались и тестировались нейросети на основании базы данных, включающей все симптомы, а так же на основании информации, содержащей только статистически значимые симптомы, полученные различными статистическими методами. Проведено сравнение результатов тестирования нейронных сетей с результатами статистического анализа, проведенного во второй главе.

Результаты сравнительного анализа показали, что нейронные сети, обученные на статистически значимых различий симптомов пациентов, определенных при помощи статистических методов, обладают большей безошибочностью, чем сташсшческие модели. При этом отношение чувствительности и специфичности является близким к оптимальному соотношению. На рисунке 1 точками показаны получившиеся соотношения чувствительности и специфичности при определении диагнозов перинатального поражения центральной нервной системы с помощью нейросетевого и статистического анализа данных. Прямоугольники, помеченные цифрой 1, соответствуют статистическому ана-

лизу данных для различных диагнозов, а прямоугольник, помеченный цифрой 2 - нейросетевому анализу. Линией показан классический вид отношения чувствительности к специфичности для сложных диагностических тестов. Точки, лежащие рядом с изгибом графика классического отношения чувствительности и специфичности соответствуют результатам нейросетевого анализа. Показано, что оптимальным является тест, имеющий такое отношение чувствительности и специфичности, при котором площадь прямоугольника, образованного перпендикулярами, проведенными из точки на графике к координатным осям является максимальной. Таким образом, нейросетевой метод удовлетворяет критерию (3).

чувствительность

Рис. 1. Результаты чувствительности и специфичности статистического и нейросетевого анализа данных

Показано, что применение статистических методов позволяет сокращать входной вектор, более чем в два раза, без значимой потери информативности. Это доказывается тем фактом, что при обучении и тестировании нейронных сетей на сокращенной выборке симптомов, количество правильно классифицируемых записей пациентов такое же, что при обучении и тестировании нейронных сетей, на полной выборке симптомов.

Статистически значимые симптомы действительно являются информативными, так как на их основе нейронные сети способны обучаться и показывать удовлетворительные результаты при тестировании на незнакомой выборке.

Соответственно применение статистических методов в качестве предварительного анализа данных позволяет проектировать систему нейросетевого анализа данных и принятия решений, работающую на основе меньшего количества входных данных. Совместное применение статистических и нейросетевых методов анализа данных позволяет уменьшить количество исходных данных для успешной постановки диагноза.

Получены результаты обучения и тестирования нейронных сетей с одним и пятью нейронами в выходном слое. Нейронные сети с одним нейроном обучались определять наличие или отсутствие одного диагноза у пациента. Таким образом, для определения состояния пациента необходимо иметь результаты работы пяти нейронных сетей, каждая из которых выявляет свой диагноз. Нейронные сети с пятью нейронами определяют возможность наличия каждого из пяти диагнозов. При этом выдается уверенность сети в каждом диагнозе. В таблице 4 приведены результаты работы нейронных сетей, построенных па основе полной исходной информации, включающей в себя все симптомы.

Таблица 4

Результаты работы нейронных сетей

1 Диагноз Число нейронов в выходном слое

1 I 5 1 1 5 ! 1 1 5

Входная информация

до родов во время родов до родов и во время родов

Безошибочность нейронной сети, %

гипоксически - ишемическое поражение ЦНС; 86 74 76 75 97 75

гипоксически-геморрагическое поражение ЦТ 1С; 95 95 96 94 99 93

натальная спинальная травма; 87 68 83 78 97 78

натальная краниоспинальная травма; 95 89 93 90 98 89

отсутствие перечисленных выше диагнозов 86 89 74 78 92 94

Результаты исследований показали, что нейронные сети с одним нейроном в выходном слое при тестировании показывают лучший результат при выявлении диагнозов №№1-4 (наличие заболевания), чем нейронные сети с пятью

нейронами в выходном слое. При выявлении диагноза №5 (здоровый ребенок) лучший результат показывают нейронные сети с пятью нейронами в выходном слое. Этот эффект объясняется тем, что для выявления конкретного диагноза достаточно знать симптоматику этого заболевания. А для определения здорового пациента необходимо иметь информацию о достоверности наличия всех диагнозов.

Аналогично проведенные эксперименты по обучению нейронных сетей на основе выделенных ранее статистически значимых симптомах показали, что такой подход обладает аналогичными значениями безошибочности, чувствительности и специфичности диагностики. Это объясняется тем, что статистически значимые симптомы определяются исходя из решения регрессионных линейных уравнений, а нейронные сети осуществляют нелинейную аппроксимацию вследствие нелинейности активационной функции. Однако использование статистического анализа позволяет оценивать состояние пациентов на основе гораздо меньшего количества симптомов.

Таким образом для построения нейросетевой системы принятия диагностических решений необходимо совместное использование статистических моделей и нейронных сетей с различной архитектурой и различным функциональным назначением.

1. На первом этапе выявляются статистически значимые симптомы для всех возможных диагнозов перинатального поражения центральной нервной системы.

2. На втором этапе происходит выявление пациентов, не имеющих диагноза перинатальное поражение центральной нервной системы. Этот ¡ест проводится с использованием нейронных сетей, имеющих 5 нейронов в выходном слое. Необходимость использования именно таких нейронных сетей обуславливается тем обстоятельством, что качественное определение пациентов без диагноза возможно только при сравнении со всеми остальными пациентами.

3. Если пациент не классифицировался как здоровый, то его комплекс симптомов оценивается на принадлежность к каждому диагнозу по отдельности. На этом этапе наиболее оптимальным решением является использование системы нейронных сетей с одним нейроном в выходном слое. В результате система выдает пользователю вероятность наличия каждого диагноза. Таким образом, пользователю системы предоставляется информация о возможных диагнозах пациента и уверенности в их наличии.

Блок-схема созданной нейросетевой системой анализа данных и диагностики

перинатальною поражения центральной нервной системы представлена на рисунке 2.

Рис. 2. Блок-схема алгоритма работы системы анализа данных и диагностики перинатального поражения центральной нервной системы

В заключении диссертации формулируются основные выводы, приводятся важнейшие результаты работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В ходе проведенного исследования решены поставленные задачи и достигнуты следующие результаты:

1. Выявлено, что для построения системы анализа данных и диагностики перинатального поражения центральной нервной системы необходимо совместное использование статистических и нейросетевых методов.

2. Показано, что данные о пациентах с перинатальным поражением центральной нервной системы можно обрабатывать многопараметрическими статистическими методами.

3.Экспериментально подтверждено, что использование предварительного статистического анализа позволяет сократить список необходимых данных для диагностики без понижения уровня безошибочности.

4. Показано, что нейросетевая диагностическая система позволяет с близким к оптимальному соотношением чувствительности и специфичности определять диагноз ребенка на основе полной информации, предсказывать возможность развития перинатального поражения центральной нервной системы на основе информации о течении беременности, оценивать вид повреждения, причиненному новорожденному на основе информации о течении родов.

5.Предложен способ комбинации нейросетевых и статистических методов, обеспечивающий высокую безошибочность при тестировании и обладающий достаточно высокими показателями чувствительности и специфичности, близкими к оптимальному значению.

6. Создана программа для ЭВМ, реализующая систему анализа данных и принятия решения диагностики перинатального поражения центральной нервной системы и внедрена в двух клинических больницах Алтайского края.

ПУБЛИКАЦИИ ПО ТЕМЕ ИССЛЕДОВАНИЯ

1. Шайдуров A.A. Применение многокритериальной модели оптимизации в задачах поиска информации // Физика, радиофизика - новое поколение в науке. Вып. 2. Барнаул, 2000 С. 106-111.

2 Пиянзин А.И., Шатохин A.C., Шайдуров A.A. Использование нейросетевых экспериментальных систем для диагностики перинатальной энцефа-

лопаши // Измерение, контроль, информатизация: Материалы второй международной научно-технической конференции. Барнаул, 2001. С. 205.

3. Пиянзин А.И., Шайдуров A.A. и др. Состояние здоровья детей, родившихся с гипоксически-ингемическим и геморрагическим поражением центральной нервной системы // Материалы IV съезда ассоциации специалистов перинатальной медицины. Москва, 2002. С. 219-220.

4. Пиянзин А.И., Шайдуров A.A. и др. Факторы риска рождения новорожденных с гипоксически-ишемическим и гемморрагическим поражением центральной нервной системы // Материалы IV съезда ассоциации специалистов перинатальной медицины. Москва, 2002. С. 220-221.

5 Шайдуров A.A., Пиянзин А.И, Шатохин A.C. и др Диагностика перинатального поражения центральной нервной системы (диагностика). Per. номер 2003610100 (04.01.2003) //Официальный бюллетень российского агснства по патентам и товарным знакам 2003. №2(43). С. 23.

6 Шайдуров А А., Шатохин A.C., Пиянзин А И., и др. Применение методов статистического анализа для диагностики различных форм перинатального поражения центральной нервной системы // Радиоэлектроника в медицине: Материалы 5-й международной конференции. Москва, 2003 С. 98

7. Шайдуров А А., Пиянзин А.И., Шатохин A.C. и др. Автоматизация диагностики различных форм перинатального поражения центральной нервной системы в роддоме с поомщью нейросетевых технологий анализа данных // Нейроинформатика и ее приложения: Материалы XI всероссийского семинара. Красноярск, 2003. С. 182-183.

8. Шайдуров A.A., Шатохип A.C. и др. Реализация нейросимулятора для решения задач диагностики больных с перинатальным поражением центральной нервной системы // Нейроинформатика и ее приложения: Материалы XI всероссийского семинара. Красноярск, 2003. С. 184.

9. Щербаков А.И., Шайдуров A.A., Пиянзин А.И. и др Опыт использования в детской больнице нейросетевых методов для диагностики различных форм перинатального поражения центральной нервной системы // Нейроинформатика и ее приложения: Материалы XI всероссийского семинара. Красноярск, 2003. С. 187.

10.Шайдуров А А. Создание математической модели диагностики перинатального поражения центральной нервной системы // Молодежь - Барнаулу: Материалы пятой городской научно-практической конференции молодых ученых. Барнаул, 2003. С. 348-349.

11. Шайдуров A.A., Зацепин П.М. Автоматизированная информационно-управляющая система диагностики перинатального поражения центральной нервной системы // Материалы VI всероссийской научной конференции с международным участием. Таганрог, 2003. С. 291-295.

12. Пиянзин А.И., Шайдуров A.A. и др. Показатели физического развития новорожденных с различными видами перинатального поражения центральной нервной системы // Актуальные проблемы педиатрии: Материалы IX конгресса педиатров России. Москва, 2004. С. 12.

13. Акинина З.Ф., Пиянзин А,И., Шайдуров A.A. и др. Течение беременности и родов у матерей новорожденных с перинатальным поражением центральной нервной системы // Материалы итоговой научной конференции, посвященной 50-летию АГМУ. Барнаул, 2004. С. 31-32.

14. Шайдуров A.A., Шатохин A.C., Пиянзин А.И. и др. Нейросетевой диагностический комплекс с элементами автоматической модификации // Нейроинформатика и ее приложения: Материалы XII всероссийского семинара. Красноярск, 2004. С. 171-172.

15. Шайдуров A.A., Шатохин A.C., Пиянзин А.И. и др. Применение нечеткой логики в нейросетевом моделировании // Нейроинформатика и ее приложения: Материалы XII всероссийского семинара. Красноярск, 2004. С. 173-174.

Подписано к печати 19.05.2005 Печать офсетная

Объем 1 п.л. Бумага писчая №1

Бесплатно Тираж 100 экз.

Заказ Лб.

Типография издательства АлтГУ: Барнаул, ул. Димитрова, 66.

»123 16

РНБ Русский фонд

2006-4 25611

Введение.

I. Методы математического моделирования в медицине.

1.1. Использование методов математического моделирования в медицине.

1.2. Использование методов математического моделирования в акушерстве и педиатрии.

1.3. Математические методы диагностики перинатального поражения центральной нервной системы.

II. Статистические методы анализа данных.

2.1 Предварительный статистический анализ.

2.2 Дискриминантный метод анализа данных.

2.3 Кластерный метод анализа данных.

2.4 Факторный метод анализа данных.

2.5 Анализ полученных результатов.

III. Нейросетевая система анализа данных и диагностики перинатального поражения центральной нервной системы.

3.1 Нейросетевой метод анализа данных.

3.2. Обоснование выбора математического аппарата системы анализа данных и диагностики перинатального поражения центральной нервной системы.

3.3. Структура и функциональность системы анализа данных и диагностики перинатального поражения центральной нервной системы.

3.4. Модификации диагностической системы для различных типов входных данных.

Актуальность. Проблема нахождения функциональной зависимости по эмпирическим данным встает перед многими исследователями в различных отраслях науки. Данная проблема обычно решается при помощи методов интерполяции или экстраполяции. Применяются различные статистические методы, в большинстве случаев сводящиеся к построению линейных регрессионных уравнений. Однако встречаются ситуации, когда найти зависимости при помощи такого подхода невозможно. В таких случаях применяются «интеллектуальные методы», такие как экспертные системы, нейронные сети, генетические алгоритмы и т.д. С помощью методов и алгоритмов интеллектуальной поддержки принятия решений решаются задачи сжатия массивов эмпирической информации, прогнозирования, классификации, диагностики и т.д. Указанные выше методы находят свое применение и в медицине. Хотя в большинстве случаев в медицине, традиционно применяется статистический анализ.

В науках, занимающихся изучением человека, к которым относится и медицина, отсутствует четкая функциональная связь между причиной и следствием [1]. Присущие закономерности можно обнаружить при помощи системного анализа путем статистической и нейросетевой проверки результатов многих опытов, принимая или отклоняя определенные гипотезы. Необходимость обобщения большого количества информации об исследуемых физиологических системах, возможность прогноза развития заболеваний привели к тому, что стали широко использоваться модели, оценивающие эффективность диагностики на основе системного подхода к рассматриваемым явлениям.

Одной из наиболее важных проблем в современной медицине является сложность выявления перинатального поражения центральной нервной системы. В связи с анатомической и функциональной незрелостью нервной системы новорожденных и большой лабильностью клинических проявлений бывает трудно провести топическую диагностику и оценить тяжесть поражений головного мозга. Таким образом, диагностика больных затруднена постоянным изменением данных, в силу которого приходится обрабатывать большие массивы информации. Поэтому, одним из путей повышения эффективности диагностики, является применение математических методов анализа информации и разработка проблемно-ориентированных систем обработки информации.

Данная диссертационная работа посвящена разработке математической модели диагностики больных с перинатальным поражением центральной нервной системы (ЦНС). Перинатальные поражения ЦНС являются одной из наиболее важных проблем в современной педиатрии. В связи с анатомической и функциональной незрелостью нервной системы новорожденных и большой лабильностью клинических проявлений бывает трудно провести топическую диагностику и оценить тяжесть поражений головного мозга.

Последние исследования свидетельствуют о том, что поражения мозга, возникающие в перинатальный период приводят к следующим последствиям:

1. Инвалидизация ребенка - 35-40% всех детей инвалидов — это инвалиды вследствие перинатальных поражений нервной системы;

2. Перинатальные поражения центральной нервной системы наряду с генетическими и социальными факторами приводит у детей старшего возраста к минимальной церебральной дисфункции. Это, например, проявляется повышенной склонностью к наркомании, неадекватностью поведения. Ребенок замыкается, имеет частые конфликты в семье, классе и т.д.

Высокая значимость тематики также основывается на том, что в последние годы имеется постоянный рост рождаемости детей с данной патологией. Становиться очевидным, что этот фактор приводит к ощутимым изменениям в обществе.

Большое значение для решения поставленной задачи, является изучение состояния здоровья детей с перинатальным поражением головного мозга именно в периоде новорожденности (один месяц после родов) по следующим причинам:

1. Этот период является основополагающим для дальнейшего развития ребенка, состояния его здоровья;

2. В этот период педиатру сложно определить границу между физиологическим адаптационным состоянием новорожденного, возникающим сразу после родов и начинающей развиваться энцефалопатией.

Это связано со сходством симптомов этих двух состояний. Сходство проявлений этих состояний связано с тем, что в период новорожденности у ребенка идет быстрое формирование различных структур головного мозга и других органов. Это приводит к быстрой смене различных клинических признаков. Именно в данный момент педиатру важно вовремя оценить начало формирования патологического процесса и начать проводить рациональную терапию.

Изложенные выше факты свидетельствуют о необходимости проведения исследований в целях создания системы обработки информации и интеллектуальной поддержки принятия решений на основе применения методов системного анализа. Это позволит на ранних стадиях развития перинатального поражения своевременно и точно оценивать вид поражения и проводить лечебные мероприятия. В силу этого актуальной является задача исследования и разработки нейросетевой автоматизированной диагностики перинатального поражения центральной нервной системы.

Состояние вопроса. В последнее время большое внимание уделяется диагностическим исследованиям, так как совершенствование диагностики становится невозможным без использования научно - обоснованных методов прогнозирования [2].

Главной задачей диагностического подхода в педиатрии является не только охрана жизни ребенка, но и поддержание его здоровья на высоком уровне. С этих позиций такой подход должен способствовать наиболее эффективной организации помощи детям, сохранению и укреплению здоровья подрастающего поколения. Однако диагностическая значимость многих факторов, оказывающих влияние на постановку диагноза, недостаточно изучена. Часто неясно, какие показатели необходимо выбирать, и каковы критерии их отбора. Это связано с большими трудностями создания алгоритмов диагностики, адекватно отражающих сложные процессы, происходящие в развивающемся организме.

Основной целью является исследование взаимосвязей между симптомами и разработка проблемно-ориентированной системы обработки информации и принятия решения для диагностики перинатального поражения ЦНС на основе нейросетевых алгоритмов. Диагностическая модель интеллектуальной поддержки врача основывается на статистической обработке исходной информации о пациенте, и дальнейшем анализе полученных данных при помощи нейросетевых алгоритмов. Для достижения поставленной цели необходимо решить следующие задачи исследования:

1. Исследовать системные связи и закономерности взаимодействия характерных симптомов перинатального поражения центральной нервной системы между собой.

2. Определить комплекс значимых признаков, описывающих состояние ребенка на различных стадиях перинатального поражения.

3. Разработать методику оценки вида перинатального поражения ЦНС.

4. Создать программный продукт, реализующий систему анализа данных и интеллектуальной поддержки решений.

Научная новизна заключается в достижении следующих научных результатов:

1. Предложен методический подход к решению задачи диагностики перинатального поражения центральной нервной системы.

2. Предложена модель взаимодействия нейросетевых и статистических методов для диагностики перинатального поражения центральной нервной системы.

3. Построены конкретные структуры нейронных сетей, осуществляющих диагностику различных видов перинатального поражения центральной нервной системы.

Положения, выносимые на защиту.

1. Нейросетевая система анализа данных и принятия диагностического решения, позволяющая в режиме реального времени оценить вид перинатального поражения центральной нервной системы.

2. Взаимосвязи между симптомами, позволяющие существенно сократить исходную выборку симптомов, при сохранении уровня безошибочности диагностики больных с перинатальным поражением центральной нервной системы.

3. Реализация системы нейросетевой диагностики перинатального поражения центральной нервной системы с близким к оптимальному соотношением чувствительности и специфичности.

Теоретическая значимость результатов работы. В ходе исследований оценены возможности статистических и нейросетевых методов в качестве диагностических моделей. Получены статистически значимые различия симптомов для различных видов перинатального поражения ЦНС. Выявлены также статистически значимые симптомы для диагностики различных видов перинатального поражения ЦНС.

В ходе нейросетевого анализа выявлено, что при диагностике перинатального поражения ЦНС безошибочность нейронных сетей остается примерно постоянной при изменении числа скрытых слоев. Однако при увеличении нейронов в скрытом слое до определенного значения, безошибочность нейронных сетей возрастает. Для анализа данных необходимо использовать нейронные сети либо с одним нейроном, либо с числом нейронов, равным максимальному количеству классифицируемых состояний. Исследования показали, что нейронные сети с минимальным числом нейронов в выходном слое обладают высокой специфичностью, а с максимальным количеством нейронов - высокой чувствительностью. Соответственно при проектировании нейросетевой системы анализа данных и принятия .диагностических решений необходимо использовать комбинацию нейронных сетей.

Практическая значимость результатов работы. Использование статистических и нейросетевых методов составляет практическую основу для построения системы поддержки принятия диагностических решений. Рекомендации системы могут использоваться врачами для принятия решений о состоянии здоровья ребенка с перинатальным поражением ЦНС на различных стадиях его развития. Нейросетевая система диагностики оценивает состояние здоровья плода во время беременности на основе показателей протекания беременности, оценивает возможность исхода родов, основываясь на показателях протекания родов, и осуществляет диагностику пациентов, используя показатели протекания беременности и родов. Диагностика осуществляется без привлечения высококвалифицированных экспертов в условиях периферических медицинских учреждений. Использование проблемно-ориентированной системы принятия решений повышает оперативность принятия решений и снижает уровень субъективизма при постановке диагноза.

Основные результаты диссертационной работы реализованы в виде программы диагностики перинатального поражения центральной нервной системы, внедрены в два медицинских учреждения Алтайского края и используются в медицинской практике.

Публикации. Результаты работы отражены в двух статьях и тринадцати тезисах докладов на конференциях. Была создана и официально зарегистрирована программа для ЭВМ «Диагностика больных с перинатальным поражением ЦНС»

Апробация результатов. Основные положения и отдельные результаты исследования докладывались и обсуждались на XI всероссийском научном семинаре «Нейроинформатика и ее приложения» (Красноярск, 2003), 5-й международной конференции «Радиоэлектроника в медицине» (Москва, 2003), 5-й научно-практической конференции «Молодежь-Барнаулу» (Барнаул, 2003), XII всероссийском научном семинаре «Нейроинформатика и ее приложения» (Красноярск, 2004).

Внедрение. Программа для ЭВМ «Диагностика больных с перинатальным поражением ЦНС» была внедрена в двух клинических больницах Алтайского края. В Алтайском государственном университете на физико-техническом факультете в учебном процессе использовалась реализованная в программе для ЭВМ модель диагностики.

Структура работы. Во введении формулируются объект, предмет, актуальность, цели и структура работы. Указывается новизна разработок, апробация результатов и их внедрение.

Первая глава посвящена способам построения проблемно-ориентированных систем диагностики пациентов с помощью статистических и нейросетевых методов. Изложены основные идеи математического подхода, в рамках которого производится системный анализ и формализация процесса эмпирической диагностики.

Во второй главе рассмотрена физическая и математическая постановка задачи. Описан эксперимент, в результате которого была построена математическая модель и получены данные, позволяющие оценить степень влияния симптомов на постановку диагноза. Приведены результаты исследований возможностей статистических методов анализа информации для диагностики перинатального поражения центральной нервной системы.

В третьей главе разработана методика создания системы анализа данных и принятия решений диагностики перинатального поражения центральной нервной системы на основе нейросетевых методов. Представлено описание построенного диагностического комплекса. Указаны возможные модификации и причины их возникновения. Приведены достоинства и недостатки применяемых математических моделей.

В заключении формулируются основные результаты работы.

I. Методы математического моделирования в медицине

Результаты работы нейронных сетей на основе симптомов выявленных при помощи факторного анализа

Входная информация

Диагноз Во время До и во

До родов родов время родов

Процент правильных ответов при обучении

1 77 75 76

2 95 96 96

3 81 82 79

4 91 92 92

5 78 73 81

Процент правильных ответов при тесте

1 71 73 72

2 92 96 95

3 72 80 72

4 89 90 89

5 75 68 79

Таким образом, на данном этапе были исследованы диагностические возможности нейронных сетей с одним нейроном в выходном слое. То есть моделировалась ситуация параллельной работы нескольких нейросетей с целью определения возможности наличия каждого из диагнозов в отдельности. Так же было показано, что нейронные сети с одним нейроном в выходном слое, обученные на выявленных статистически значимых симптомах, имеют аналогичный процент обучаемости и тестирования, что и нейронные сети, обученные на полной выборке симптомов. То есть использование методов статистического анализа приводит к сокращению входного вектора значений без ухудшения диагностических возможностей [99,100].

3.2. Обоснование выбора математического аппарата системы анализа данных и диагностики перинатального поражения центральной нервной системы.

Для построения комплекса диагностики перинатального поражения центральной нервной системы применялись методы статистического и нейросетевого моделирования. Использование нейросетевых методов обуславливалось следующими причинами:

1. Обученные нейронные сети позволяют успешно осуществлять классификацию пациентов даже при наличии у них таких наборов симптомов, на которых нейронная сеть не обучалась.

2. На обучение и тестирование нейронных сетей затрачивается гораздо меньше времени, чем на проектирование экспертных систем или построение статистических моделей.

3. Процесс диагностики нейронных сетей длится очень малое время (менее 1 секунды) в силу параллельности вычислений.

4. При возникновении дополнительной информации нейронные сети можно быстро дообучить.

5. Нейронные сети способны обучаться на любой зашумленной выборке, если имеется некий алгоритм соответствия выходных данных к выходным, даже если этот алгоритм не представляется возможным формально описать.

6. Нейронные сети способны выступать в роли фильтра, отсекающего заведомо неправильные и ошибочные данные.

Однако нейронные сети обладают так же рядом недостатков:

1. На данный момент не существует четкой теории построения архитектура нейронный сети. Проектирование нейронной сети осуществляется исследователем на основании эмпирических знаний и выдвигаемых гипотез.

2. В процессе обучения • нейронные сети выделяют значимые и незначимые входные данные по собственному усмотрению, что не всегда совпадает с истинным положением дел.

3. При диагностике нейронные сети выдают окончательный результат, и при этом нет возможности отследить весь процесс диагностирования.

Для ликвидации указанных недостатков были использованы статистические методы. Статистический анализ осуществлялся параллельно с нейросетевым для сравнения и оценки качества диагностики методов моделирования. Так же статистические методы использовались в качестве предварительного анализа. И результаты статистических исследований использовались при построении архитектуры нейронных сетей.

Достоинства такого подхода проявлялись в следующем:

1. Обработка исходных данных несколькими статистическими методами (дискриминантный, кластерный факторный) позволило выявить список статистически значимых симптомов для выявления конкретных диагнозов, позднее подтвержденный медиками.

2. Полученные при помощи дискриминантного анализа линейные классификационные функции позволили сравнивать результаты диагностики при помощи статистического исследования с результатами диагностирования нейронными сетями.

3. Использование параметров медицинской статистики, таких как чувствительность и специфичность позволило качественно оценить степень достоверности проводимой диагностики.

4. Использование информации о статистической значимости симптомов позволило модернизировать нейронные сети, что улучшило процесс диагностирования.

Однако анализ данных с использованием нейросетевых и статистических методов требует предварительной обработки данных. Такая обработка данных необходима для приведения исходной информации в удобный для анализа вид. Также перед любыми исследованиями желательно знать основные параметры исследуемых данных.

Как было уже сказано ранее, использование нейронных сетей возможно даже при наличии в исследуемых выборках зашумляющих факторов и присутствии ошибочных данных. Так же нейронные сети в состоянии обрабатывать данные при отсутствии представления об их распределении. Необходимым критерием является наличие некоего алгоритма, ставящего в соответствие выходные и входные данные. При этом формальное описание такого алгоритма может отсутствовать в силу сложности или невозможности его представления. Однако для более качественного анализа все же необходимо оценить характеристики анализируемой информации.

В данном случае осмотр исходной выборки показал, что в ней присутствуют аномальные выбросы значений отдельных параметров. Так как общее число записей в базе данных превышало две тысячи, а число записей, содержащих выбросы по отдельным параметрам, было не более двадцати, то было решено избавиться от таких записей.

Дальнейшие исследования были направлены на выявление распределения данных. Так как база данных содержала записи, содержащие количественные данные инструментального и визуального обследования, то была выдвинута гипотеза о распределении данных по закону нормального распределения. Для подтверждения этой гипотезы были проведены визуальный и количественные анализы. Как было указано в главе №2, визуальный метод показал наличие колокола нормального распределения почти у всех входных данных. Однако для подтверждения необходимо было провести количественные исследования. Такие исследования были проведены при помощи методов оценки ассиметрии и эксцесса, а так же при помощи статистического метода с использованием критерия Шапиро-Уилка. Исследования показали, что не все данные удовлетворяют условию нормальности распределения.

В силу этого были проведены исследования по выявлению статистически значимых различий среди количественных признаков при помощи методов, предназначенных для исследования как данных с нормальным распределением, так и не имеющих нормального распределения. В качестве метода для анализа данных с нормальным распределением был использован однопараметрический метод Стьюдента. В качестве метода для анализа данных не обладающих нормальным распределением был использован метод Манн-Уитни. В результате обоими методами был выявлен почти одинаковый набор статистически различимых факторов. Таким образом, было показано, что исследуемая база данных может обрабатываться статистическими методами, предназначенными для анализа данных обладающих нормальным распределением.

Перед анализом данных при помощи нейросетевой логики все входные данные были нормированы в единый диапазон. Такое решение было принято в силу того, что количественные входные данные изменялись в диапазонах, лежащих в различных областях на числовой прямой и имеющих различную длину. В силу этого обстоятельства нейронные сети выдавали бы неправильный результат при попытке анализа исходной ненормированной информации. Это связано с тем, что при обучении нейронные сети настаивали бы матрицу синаптических весов на основании входных данных, имеющих большое числовое значение. Таким образом, в качестве значимых входов выступали бы поля с максимальными числовыми значениями, что противоречило бы истинному положению дел. Так как большинство полей в базе данных содержали качественные оценки наличия симптомов пациентов (О - симптом отсутствует, 1 — симптом присутствует), то количественные значения было решено нормировать в диапазон [0,1]. Проведенные тестовые эксперименты показали, что действительно нейронные сети обучаются и тестируются лучше на нормированных данных.

Таким образом, на этом этапе был завершен предварительный анализ исходных данных. Сами данные так же были подготовлены для дальнейшего анализа при помощи нейросетевых и статистических методов.

Дальнейшие исследования должны были определить оптимальный комплекс математических методов, позволяющий осуществлять диагностику перинатального поражения центральной нервной системы с максимальной безошибочностью и близким к оптимальному соотношением чувствительности и специфичности. Таким образом, для построения нейросетевой системы анализа данных и диагностики перинатального поражения центральной нервной системы, необходимо оценить работу нейронных сетей с точки зрения оптимальности соотношения чувствительности и специфичности. Соответственно необходимо исследовать и сопоставить безошибочность, чувствительность и специфичность:

1. нейронных сетей с одним выходным нейроном, обученных на полной базе данных;

2. нейронных сетей с пятью выходными нейронами, обученных на полной базе данных;

3. нейронных сетей с одним выходным нейроном, обученных на базе данных, содержащей статистически значимые симптомы;

4. нейронных сетей с пятью выходными нейронами, обученных на базе данных, содержащей статистически значимые симптомы.

Число выходных нейронов необходимо выбирать из соображений возможностей классификации пациентов. Нейронные сети с одним нейроном оценивают возможность наличия или отсутствия отдельного диагноза. А нейронные сети с пятью нейронами осуществляют диагностику пациентов на основе всех возможных пяти диагнозов [101].

3.3. Структура и функциональность системы анализа данных и диагностики перинатального поражения центральной нервной системы

Как было показано, система диагностики должна представлять собой набор нейросетевых и статистических алгоритмов, дополняющих друг друга. При этом возможно варьирование методами и алгоритмами в силу предъявляемых требований к комплексу в целом. На рис. 6, представлена общая блок схема функционирования системы анализа данных и диагностики перинатального поражения центральной нервной системы.

Рис №6 Структурная схема диагностического комплекса

Как видно из рисунка, диагностический комплекс представлен двумя основными блоками: блок статистического анализа и блок нейросетевого анализа. При диагностике пациентов, первоначально исходные данные подвергаются статистическому анализу. В результате происходит выделение статистически значимых симптомов, то есть осуществляется сокращение входного вектора симптомов без значимой потери информации. При этом выявление статистически значимых симптомов осуществляется на основании чувствительности и специфичности [102]. На этом этапе статистический блок так же может самостоятельно выставить диагноз пациенту. После сокращения входного вектора, статистически значимые симптомы анализируются блоком нейросетевого анализа. На данном этапе происходит построение нейронных сетей для конкретного случая. При этом в зависимости от постановки задачи может выявляться как наличие или отсутствие одного конкретного диагноза, так и наличие одного диагноза из предложенного широкого спектра. При этом целесообразность какого либо из подходов обуславливается постановкой задачи и исходными данными.

Диагностический комплекс может модифицироваться в сторону улучшения диагностирования. Так как каждый из представленных блоков по отдельности может выполнять диагностику пациентов, то существует возможность сравнения полученного результата с диагностикой врача. При наличии различий возможно исправление алгоритмики каждого из блоков на основе обратной связи. Так же возможно сравнение результатов диагностики целого комплекса с диагностикой медиков. При наличии различий при помощи обратной связи возможна подстройка функциональных блоков.

При диагностике больных блок статистического анализа выполняет следующие функции:

1. Выявление во входном векторе статистически значимых симптомов.

2. Расчет чувствительности и специфичности для конкретного набора симптомов на основе обучающей выборки.

3. Определение вероятности наличия возможного диагноза на основе выявленных статистических зависимостей.

При этом в качестве статистического анализа могут выступать различные статистические методы. Мною были проанализированы три статистических метода: дискриминантный, факторный и кластерный.

Использование дискриминантного анализа в блоке статистической обработки информации было обусловлено несколькими причинами:

1. Дискриминантный анализ позволяет выявлять дискриминирующие симптомы, имеющие первостепенную значимость для выявления конкретных диагнозов. Таким образом, его можно использовать как метод сокращения входного вектора без значимой потери информации.

2. В ходе исследования возможна классификация дискриминирующих симптомов на симптомы, характеризующие развитие заболевания перинатального поражения центральной нервной системы и на симптомы, определяющие конкретный диагноз.

3. Получаемые линейные классификационные функции позволяют выявить наличие у пациента диагноза. Тем самым оказывается возможным на незнакомой выборке при помощи теста оценить качество проведенных исследований.

Так как дискриминантный анализ строится на сравнении двух и более выборок, принадлежащим разным классам, то необходимым условием качественного исследования является равномощность исследуемых выборок. В силу этого из исходной базы данных создаются выборки одинакового размера для каждого диагноза. А для сравнения группы больных и группы здоровых должно быть условие, что бы число больных пациентов равнялось числу здоровых. При этом распределение больных по диагнозам тоже должно было быть одинаковым.

В рамках диссертационной работы дискриминантный анализ проводился при помощи пакета Statistica 6.0. Для анализа был выбран пошаговый анализ с включением. При этом на каждом этапе исследований варьировалась переменная Фишера для включения. В ходе исследований при сравнении каждых выборок выявлялись дискриминирующие симптомы, с помощью которых создавалась система линейных классификационных функций. При этом на каждом шаге оценивались чувствительность и специфичность полученной системы ЛКФ. Критерием останова анализа являлись два условия:

1. чувствительность и специфичность метода должны быть примерно одинаковы;

2. система ЛКФ позволяет максимально точно классифицировать, пациентов в пределах указанных классов.

В результате экспериментов были определены наборы симптомов, характеризующие как развитие заболевания перинатального поражения ЦНС, так и наборы симптомов, определяющие конкретный диагноз. Для выявления первой группы симптомов производились сравнения выборки здоровых детей и выборки детей, состоящей из записей, относящих детей к каждому из четырех диагнозов. Для определения второй группы симптомов сравнивались выборки каждого диагноза в отдельности с выборкой здоровых детей.

Полученные системы ЛКФ тестировались, и результаты теста сравнивались с работой нейронных сетей. В результате было выявлено, что анализ исходных данных при помощи дискриминантного анализа качественно совпадает с нейросетевым анализом. В силу этого следующим шагом было проектирование нейронных сетей на основе наборов статистически значимых симптомов, выявленных при помощи дискриминантного анализа. В таблице 28 представлены результаты тестирования нейронных сетей, созданных на основе результатов дискриминантного анализа классификационных функций, полученных анализа.

1. Прикладной многомерный статистический анализ: сб. статей /Научи, ред. А. Айвазян, А.И. Орлов. М.: Наука, 1978-392с.

2. Степанова Е.И., Нарциссов Р.П., Кочегуров В.А., Константинова Л.И. Прогнозирование здоровья детей раннего возраста. Томск: Изд-во Том. ун-та, 1987.-160с.

3. Саркисян А., Голованов Л.В, Прогнозирование развития больших систем. М.: Статистика, 1975. 235с,

4. Большакова Г.С, Харина Е.Н., Таперова Л.Н. и др. Использование математических методов для прогнозирования заболеваемости и исходов отдельных заболеваний у детей. В кн.: Теоретическая медицина и педиатрическая практика. М.: 1980, вып. 14, с.167-173.

5. Ямпольский СМ., Лисичкин В.А. Прогнозирование научно- технического прогресса. М.: Экономика, 1974. 208с. 6. 224с.

6. Вялушкина М.Д., Курмашов В.И., Нарциссов Р.П. Оценка Лисичкин В.А. Теория и практика прогностики. М: Наука, 1972. противолеикемического лечения по параметрам динамики лактатдегидрогеназы бластных клеток. -Пробл. гематол., 1977, №9, с.50-51.

7. Гайдышев И. Анализ и обработка данных: специальный справочник. СПб: Питер, 2001. 752с.

8. Кендалл М.Дж., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973.-899с.

9. Нарциссов Р.П., Вялушкина М.Д. Отражение синхронической и диахронической структуры в ферментном статусе лейкемической клетки. Педиатрия, 1977,№8, с.37-40. И. Федорова Т.А., Яблонский П.К., Буляница А.Л. Прогнозирование продолжительности жизни больных с тяжелой дыхательной недостаточностью.

10. Клюжев В.М., Ардашев В.Н., Мамчич Н.Г., Барсов М.И., Глухова С И Применение методов математического моделирования в клинической практике.- Военно-медицинский журнал 1997, №5, с.41-45

11. Ардашев В.Н., Яковлев Г.М., Булычев А.Б. Методы оценки различных вариантов течения ишемической болезни сердца. Международные медицинские обзоры. 1993, №4, с.16-17. 14. МсСаггеп М., Zalensk R.J., McDermott т Kaur К. Predicting recovery from acute astma in an emergency diagnostic and treatment unit. Acad. Emerg. Med. 2000;7:28-35.

12. Свистунова A.C, Шлаин В.A. Машинная диагностика ведущей нозологии при затяжных пневмониях. В кн.: Сборник резюме 1-го Всесоюзного конгресса по болезням органов дыхания. Киев: 1990. 507с.

13. Валимухаметова Д.А., Новоженов В.Г., Хамитов Р.Ф., и др. Математическая модель прогноза течения острых пневмоний. В кн.: Сборник резюме 6-го Национального конгресса по болезням органов дыхания. Новосибирск: 1996 245с.

14. Бурлачук B.T. Объективизация тяжести состояния больных хроническим бронхитом на основе экспертной информации. В кн.: Сборник

15. Казберюк Н.А. Автоматизация создания прогностических таблиц. В кн.: Сборник резюме 8-го Национального конгресса по болезням органов дыхания. Новосибирск: 1998. 240с.

16. Bonten M.J., Bergmans D.C., Ambergen A.W. Risk factor for pneumonia and colonization of respiratory track and stomach in mechanically ventilated ICU patients. J. Respir. Grit. Care Med. 1996; 154(5): 1339-1346.

17. Austin Т., lUiffe S., Leaning M. et al. A prototype computer decision support system for the management of astma. J. Med, Syst. 1996;20(l):45-44.

18. Савченко A.A., Смирнов СВ., Россиев Д.А. Применение нейросетевого классификатора для изучения и диагностики аллергических и псевдоаллергических реакций Нейроинформатика и ее приложения: Тез. докл. И Всероссийского рабочего семинара, 7 1 0 октября 1994г. Красноярск, 1994.-c.48

19. Rossiev D.A., Golovenkin S.E., Shulman V.A., Matyushin G.V. Neural networks for forecasting of myocardial infarction complications Proc. the Second IEEE RNNS Intern. Symp. on Neuroinformatics and Neurocomputers, Roston-onDon, September 20-23, 1995. 1995. P.292-298.

20. Rossiev D.A., Golovenkin S.E., Shulman V.A., Matyushin G.V. Forecasting of myocardial infarction complications with the help of neural networks. Proc. WCNN95. (Word Congress on Neural Networks95). Washington, DC, July 1995.

21. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. -276с.

22. Мызников А.В., Россиев Д.А., Кольга систем В.И., для Москов Д.В. Использование нейросетевых экспертных прогнозирования непосредственных и отдаленных результатов лечения больных с патологией

23. Россиев Д.А., Головенкин Е., Назаров Б.В. Определение информативности медицинских параметров с помощью нейронной сети. Диагностика, информатика и метрология-94: Тез. научн.-техн. конф., СанктПетербург, 28-30 июня 1994г. СПб., 1994. с.348. 30. Li YC, Liu L, Chiu WT, Jian WS. Neural network modeling for surgical decisions on traumatic brain injury patients. Int J Med Inf. 2000 Jan;57(l):l-9.

24. Vakhrushev S.G., Rossiev D.A., Burenkov G.L, Toropova L.A. Neural network forecasting of optimal parameters of laserotherapy in patients after tonsillectomy. //Proc. WCNN95. (Word Congress on Neural Networks95). Washington, DC, July 1995.

25. Кондрашова T.T., Арипова A.A., Катосова Р.К. и др. Оценка ферментного статуса лейкоцитов новорожденных детей с становления помощью кинетических параметров. В кн.: Методы исследования функций организма в онтогенезе. М., 1975, с.138-139.

26. Арипова А.А., Катосова Р.К. Ферментный статус лейкоцитов у недоношенных детей с внутричерепной родовой травмой. В кн.: Вопросы гипоксии и внутричерепной родовой травмы у новорожденных детей. АлмаАта, 1976,с.68-75.

27. Комиссарова И.А., Лаврухина Г.И., Гудькова Ю.В. и др. Возрастная лимфоцитов у физически Регуляция энергетического активных обмена и и динамика сукцинатдегидрогеназы неактивных людей. В кн.: физиологическое состояние организма, Пущино: Наука, 1978, с. 179-183.

28. Комиссарова И.А., Нарциссов Р.П. Цитохимическое изучение кислой фосфатазы и окислительных ферментов лимфоцитов периферической крови детей. Набор, дело, 1968, №7, с.390-393.

29. Инджикян О.О. Информативность щелочной фосфатазы нейтрофилов в прогнозе течения пневмонии у детей раннего возраста: Автореф. дне. канд. мед. наук. Ереван, 1974.-23с.

30. Власов В.В. Эффективность диагностических исследований. М.: Наука, 1983.-416 с.

31. Халфен Э.Ш. Кардиологический центр с дистанционным и автоматическим наблюдением за больными. М Медицина, 1980. 189 с.

32. Беликова В.В. Энзимальный статус лейкоцитов периферической крови у детей, больных бронхиальной астмой: Автореф. дис. канд. мед. наук. М 1975.-22с.

33. Столович М.Н. Цитохимические исследования в диагностике и прогнозе внутричерепной родовой травмы и сепсиса у недоношенных детей: Автореф. дис. канд. мед. наук. М.: 1977. 22с.

34. Нарциссов Р.П., Сафронова О.Н., Беликова В.В. Прогнозирование длительности пост- и межприступного периода бронхиальной астмы у детей по цитохимическим критериям. -Вопрос охраны материнства и детства, 1977, №9, с.56-58.

35. Сапунова А.С, Нарциссов Р.П., Курмашов В.И. и др. Об индивидуальном прогнозе при остром лейкозе у детей. Пробл. гематол., 1979, №4 с-14.

36. Petridou Е, Koussouri М, Toupadaki N, Youroukos S, Papavassiliou A, Pantelakis S, Olsen J, Trichopoulos D. Diet during pregnancy and the risk of cerebral palsy. Br J Nutr. 1998 May;79(5):407-12.

37. Petridou E, Koussouri M, Toupadaki N, Papavassiliou A, Youroukos S, Katsarou E, Trichopoulos D. Risk factors for cerebral palsy: a case-control study in Greece. Scand J Soc Med. 1996 Mar;24(I): 14-26. 45. Ben-Haroush A, Yogev Y, Glickman H, Kaplan B, Hod M, Bar J. Mode of delivery in pregnancies with suspected fetal growth restriction following induction

38. Acta Obstet Gynecol Scand. 2004 Jan;83(l):52-7.

39. Luthy DA, Malmgren JA, Zingheim RW, Leininger CJ. Physician contribution to a cesarean delivery risk model. Am J Obstet Gynecol. 2003 Jun; 188(6): 1579-85; discussion 1585-7.

40. Gaizauskiene A, Padaiga Z, Basys V, Grigorjev G, Mizeriene R. Risk factors of perinatal mortality in Lithuania, 1997-1

41. Scand J Public Health. 2003;3I(2):137-42.

42. Rizzo ТА, Ogata ES, Dooley SL, Metzger BE, Cho NH. Perinatal complications and cognitive development in 2- to 5-year-old children of diabetic mothers. Am J Obstet Gynecol. 1994 Sep;171(3):706-13.

43. Hedderson MM, Ferrara A, Sacks DA. Gestational diabetes mellitus and lesser degrees of pregnancy hyperglycemia: association with increased risk of spontaneous preterm birth. Obstet Gynecol. 2003 Oct;102(4):850-6.

44. Sachdev HP, Mehrotra S. Predictors of exclusive breastfeeding in early infancy: operational implications. Indian Pediatr. 1995 Dec;32(12):1287-96.

45. Sheiner E, Levy A, Katz M, Mazor M. Identifying risk factors for peripartum cesarean hysterectomy. A population-based study. J Reprod Med. 2003 Aug;48(8):622-6.

46. Гублер E.B. Вычислительные методы анализа и распознавания патологических процессов. Л Медицина, 1978. 294с. 53. А11вазян А., Бухштабер В.М., Енюков И.С. и др. Классификация и снижение размерности. М.: Финансы и статистика. 1989. 607 с.

47. Математико-статистичекие методы в клинической практике/ Под ред. В.И. Кувакина. СПб: ВМедА, 1993. 23с.

48. Satyanarayana L, Indrayan А, Sachdev HP, Gupta SM. A comprehensive index for longitudinal monitoring of child health status. Indian Pediatr. 1995 Apr;32(4):443-52.

49. Генкин А.В., Дубнер П.Н., Петергао Э.В. и др. Подсистема Дюран Б. Кластерный анализ: Пер. с англ. М.: Статистика, 1977. Дюк В.А. Компьютерная психодиагностика. СПб: Братство, 1994. прогнозирования показателей здоровья детей в медицинских информационных системах. В кн.: Вопросы создания многоуровневых АСУ. Минск, 1979, 37/3, с.123-125.

50. Айвазян А., Бажева З.И., Староверов О.В. Классификация многомерных наблюдений. М.: Наука, 1974. 416 с. 60. с.

51. Болшев Л.Н., Смир1юв Н.В. Таблицы Математической статистики. Афифи А., Эйзен Статистический анализ. м.: Мир, 1982. 488 М.: Наука, 1983.-416 с.

52. Overall J.E., Williams С М Models for medical diagnosis Behav.Science. 1961. V o l 6, 2. 134-146.

53. Forges F. et al. Prognostic factors of metastatic renal carcinoma: a multivariate analysis Seminars Oncol. 1988. Vol. 4, №3. P. 149 154.

54. Арипова A.A. Клинико-цитохомическое прогнозирование сепсиса у недоношенных детей с внутричерепной родовой травмой. В кн.: Вопросы гипоксии и внутричерепной родовой травмы у недоношенных детей. Алма-Ата, 1975, с.95-100. 65.

55. Вальд А. Последовательный анализ. М.: Физматгиз, 1960. 360с. Генкин А.А., Гублер В.Е. Применение последовательного анализа для для дифференциальной диагностики и использование этого метода различия двух форм ожоговой болезни. В кн.: Применение математических методов в биологии. Л,, 1964, сб. 3, с. 174-185.

56. Раисова A.T., Кузин В.Ф. Информационная ценность клинико- генетических показателей для прогнозирования потомства. Вопросы охраны материнства и детства, 1981, 10, с. 41 -44.

57. Зисельсон А.Д., Красильщиков Е., Хусейницкий И.А. Применение метода вычислительной диагностики для раннего выявления бронхиальной астмы у детей с синдромом бронхиальной обструкции. Вопросы охраны материнства и детства, 1981, №2с. 24-28.

58. Улыбина О.В., Шахбазян И.Е., Комисарова И.А. и др. Значение некоторых цитохимических и иммунологических показателей в клинической характеристике ревматоидного артрита у детей. Педиатрия, 1980, №4, с. 4044.

59. Kaufmann S.J., Eastaugh J.L., Snowden S. Smye S.W., SharmaV. The application of neural networks in predicting the outcome of in-vitro fertilization. //Hum Reprod. 1997 Jul; 12(7): 1454-1457.

60. Salamalekis E., Thomopoulos P., Giannaris D., Salloum I., Vasios G., Prentza A., Koutsouris D.. Computerised intrapartum diagnosis of fetal hypoxia based on fetal heart rate monitoring and fetal pulse oximetry recordings utilizing wavelet analysis and neural networks. BJOG. 2002 Oct; 109(10):1137-1142.

61. Devoe L.D., Samuel S., Prescott P., Work B.A. Predicting the duration of the first stage of spontaneous labor using a neural network. J Matern Fetal Med. 1996Sep-Oct;5(5):256-261.

62. Maeda K., Noguchi Y., Matsumoto P.. Evaluation of prolonged fetal monitoring with normal and pathologic outcome probabilities determined by artificial neural network. //Fetal Diagn Then 2003 Sep-Oct;i8(5):370-375.

63. Beksac M.S., Durak В., Ozkan O., Cakar A.N., Balci S., Karakas U., Laleli Y. An artificial intelligent diagnostic system with neural networks to determine genetical disorders and fetal health by using maternal serum markers. Eur J Obstet Gynecol Reprod Biol. 1995;59(2):131-136.

64. Liszka-Hackzell J.J. Categorization of fetal heart rate patterns using neural networks. //J Med Syst. 2001 Aug;25(4):269-276.

65. Papadimitriou S., Gatzounas D., Papadopoulos V., Tzigounis V., Bezerianos A. Denoising of the fetal rate signal with non-linear filtering of the wavelet transform maxima. Int J Med Inf. 1997 May;(3):177-192.

66. Papadimitriou S., Bezerianos A. Nonlinear analysis of the performance and reliability of wavelet singularity detection based denoising for Doppler ultrasound fetal heart rate signals. Int J Med Inf. 1999 Jan;53(l):43-60.

67. Chuang L., Hwang J.Y., Chang C.H., Yu C.H., Chang P.M. Ultrasound estimation of fetal weight with the use of computerized artificial neural network model. Ultrasound Med Biol. 2002 Aug;28(8):991-996.

68. Beksas M.S., Odcikin Z., Egemen A., Karakas U. An intelligent diagnostic for the assessment of gestation age based on ultrasonic fetal head measurements. Technol Health Care. 1996 Aug;4(2):223-231.

69. Beksac M.S., Basaran P., Eskiizmirliler S., Erkmen A.M., Yorukan S. A computerized diagnostic system for the interpretation of umbilical artery blood flow velocity waveforms. Eur J Obstet Gynecol Reprod Biol. 1996 Jan;64(l):47-42. 82. MacDovell M., Somoza E., Rothe K., Fry R., Brady K., Bocklet A. Understanding birthing mode decision making using artificial neural networks. Med Decis Making. 2001 Nov-Dec;21(6):433-443.

70. Cobb L., Zacs S. Applications of catastrophe theory for statistical modeling in biosciences lASA. 1985, Vol.80, №392. p.793-802.

71. Постом Т., Стьюарт И. Теория катастроф и ее приложения. М.: Мир, 1980.-608с.

72. Пиянзин А.И., Шайдуров А.А. и др. Факторы риска рождения с гипоксически-ишемическим и гемморрагическим новорожденных

73. Пиянзин А.И., Шайдуров А.А. и др. Показатели физического развития новорожденных с различными видами перинатального поражения центральной нервной системы Актуальные проблемы педиатрии: Материалы IX конгресса педиатров России. Москва, 2004. 12.

74. Реброва О. Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATIST1CA. М.: Медиасфера, 2002.-312с.

75. Юнкеров В.И., Григорьев Г. Математико-статистическая обработка данных медицинских исследований. сПб: ВМедА, 2002. 266с.

76. Духова З.Н., Столович М.Н., Нарциссов Р.П. Прогноз развития ребенка в течение первого года жизни по цитохимической картине крови в период новорожденности. В кн.: Адаптация новорожденных с перинатальной патологией на первом году жизни. М.: Медицина, 1980, с.99-105. 90. Р. Флетчер, Флетчер, Э. Вагнер Клиническая эпидемиология. Основы доказательной медицины. Пер. с англ. М МедиаСфера, 1998. 352с.

77. Факторный, Дискриминантный и Кластерный анализы: сборник М.: /Пер. A.M. Хотинского, СБ. Королева: Под ред. И.С. Енюкова.Статистика, 1972 4 8 6 с.

78. Боровиков В.П., Боровиков И.П. Statistica. Статистический анализ и обработка данных в среде Windows.- М.: Информационно-издательский дом «Филин», 1997.-608 с.

79. StatSoft, Inc. (2001). Электронный учебник по статистике. Москва, StatSoft. WEB://wwvv.statsoft.ru/home/textbookydefault/htrn.

80. Жамбю М. Иерархический кластер-анализ и соответствия- М.: Финансы и статистика, 1988.-342 с.

81. Лоули Д.Н., Максвелл А.Э. Факторный анализ как статистический метод./ Пер. Ю.Н. Благовещенского.- М.: Мир, 1967-144с.

82. Акинина З.Ф., Пиянзин А.И., Шайдуров А.А. и др. Течение беременности и родов у матерей новорожденных с перинатальным поражением центральной нервной системы Материалы итоговой научной конференции, посвященной 50-летию АГМУ. Барнаул, 2004. 31-32.

83. Ш,ербаков А.И,, Шайдуров А.А., Пиянзин А.И. и др. Опыт использования в детской больнице нейросетевых методов для диагностики различных форм перинатального поражения центральной нервной системы Нейроинформатика и ее приложения: Материалы XI всероссийского семинара. Красноярск, 2003. 187.

84. Шайдуров А.А., Шатохин А.С, Пиянзин А.И. и др. Применение нечеткой логики в нейросетевом моделировании Нейроинформатика и ее приложения: Материалы XII всероссийского семинара. Красноярск, 2004. 173-174.

85. Шайдуров А.А. Создание математической модели диагностики перинатального поражения центральной нервной системы Молодежь Барнаулу: Материалы пятой городской научно-практической конференции молодых ученых. Барнаул, 2003. 348-349.

86. Шайдуров А.А., Зацепин система П.М. диагностики Автоматизированная перинатального информационно-управляющая

87. Шайдуров А.А., Пиянзин А.И., Шатохин А.С. и др. Автоматизация диагностики различных форм перинатального поражения центральной нервной системы в роддоме с поомщью нейросетевых технологий анализа данных Нейроинформатика и ее приложения: Материалы XI всероссийского семинара. Красноярск, 2003. 182-183.

88. Шайдуров А.А., Шатохин А.С., Пиянзин А.И. и др. Нейросетевой диагностический комплекс с элементами автоматической модификации Нейроинформатика и ее приложения: Материалы XII всероссийского семинара. Красноярск, 2004. 171-172.

89. Шайдуров А.А., Пиянзин А.И,, Шатохин А.С. и др. Реализация нейросимулятора для решения задач диагностики больных с перинатальным поражением центральной нервной системы Нейроинформатика и ее приложения: Материалы XI всероссийского семинара. Красноярск, 2003. 184.