автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка методов и средств для автоматизации диагностики анемий на основе нечеткой логики принятия решений и алгоритмов генетического типа

На правах рукописи

Черных Елена Сергеевна

РАЗРАБОТКА МЕТОДОВ И СРЕДСТВ ДЛЯ АВТОМАТИЗАЦИИ ДИАГНОСТИКИ АНЕМИЙ НА ОСНОВЕ НЕЧЕТКОЙ ЛОГИКИ ПРИНЯТИЯ РЕШЕНИЙ И АЛГОРИТМОВ ГЕНЕТИЧЕСКОГО ТИПА

Специальность 05.13.01 - Системный анализ, управление и обработка

информации АВТОРЕФЕРАТ диссертации на соискание учгеной степени кандидата технических наук

Курск 2005

Работа выполнена в Курском государственном техническом университете

Научный руководитель: доктор технических наук, профессор

Кореневский Николай Алексеевич

Официальные оппоненты доктор технических наук, профессор

Колосков Василий Александрович

кандидат технических наук Горбатенко Светлана Александровна

Ведущая организация Воронежский государственный

технический университет

Защита диссертации состоится 28 июня 2005 в часов в

конференц-зале на заседании диссертационного совета Д 212.105.03 при Курском государственном техническом университете по адресу: 305040, Курск, ул. 50 лет Октября 94.

С диссертацией можно ознакомиться в библиотеке Курского государственного технического университета.

Автореферат разосланмая 2005 г.

Учёный секретарь диссертационного совета Д212.105.03

Старков Ф.А.

Ш6-Ч. Мвлою

40m Общая характеристика работы

Аш-уальность работы. Анемии занимают видное место в структуре заболеваний. Железодефицитные, витамин-В^-дефицитные, гемолитические, апластические анемии - таков порядок основных форм анемий по встречаемости. Несмотря на то, что анемия - одно из самых часто встречающихся гематологических нарушений, количество диагностических ошибок велико.

Стандартные алгоритмы клинического обследования больных с различными формами анемий, как правило, обеспечивают их точную нозологическую расшифровку. Однако при некоторых гемолитических процессах верификация может оказаться весьма сложной. В связи с этим актуальна задача поиска методов, облегчающих и ускоряющих дифференциальную диагностику анемий неясного генеза на ранних этапах их возникновения. Это особенно важно в современных экологических условиях, с ростом факторов риска сердечно-сосудистых и легочных заболеваний, так как при сердечно-сосудистых заболеьаниях в их патогенезе имеет большое значение изменение биофизических параметров крови, которое сопровождается изменением ее агрегатного состояния и, в ряде случаев, приводящее к гибели организма (Гланц P.M., 1989; Белоусов Ю.Б., 1986; Козинец Г.И., 2000).

Исследования показали, что повысить качество решения исследуемого класса задач можно, используя методы теории нечетких множеств, учитывающих разносторонние проявления анемического синдрома с привлечением современных информационных технологий.

Исходя из того, что существующие методы, алгоритмы и технические устройства диагностики анемий не обеспечивают требуемого качества классификации при допустимых ограничениях на время принятия решения и технико-экономические затраты, а высокий процент этих заболеваний требует решения задач повышения качества диагностики и лечения, проблема повышения эффективности автоматизированных систем, позволяющих исследовать эритроцитарные нарушения в клинической и амбулаторной практике в реальном времени и осуществлять прогноз возникновения и развития анемий, является весьма актуальной.

Работа выполнена в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий» и в соответствии с научно-технической программой «Научные исследования высшей школы по приоритетным направлениям науки и техники», подпрограмма 204 «Технология живых систем» 2002-2004гг.

Целью диссертационной работы является разработка методов и средств для повышения достоверности диагностики анемий путем автоматизации анализа данных различных функциональных подсистем и лабораторного анализа на основе нечеткой логики принятия решений и использования алгоритмов генетического типа.

Для достижения поставленной цели i задачи: | БИВЛИвТЕКА

проанализировать количественные и качественные признаки, связанные с эритроцитарными нарушениями, и сформировать признаковые пространства, позволяющие выявлять наличие анемического синдрома;

предложить способ агрегирования данных от различных признаковых пространств, характеризующих состояние анемии;

разработать алгоритм оптимизации выбора структуры модуля нечеткого вывода;

разработать метод синтеза решающих правил для дифференциальной диагностики анемий;

разработать алгоритмы управления процессами скрининга и диагностики анемий;

предложить структуру системы поддержки принятия решений для врача-гематолога;

провести апробацию предложенных методов и средств в клинических условиях.

Методы исследования. Для решения поставленных задач использовались методы системного анализа, моделирования, теории нечетких множеств и генетических алгоритмов, прикладной статистики, экспертного оценивания и принятия решений.

При разработке программного обеспечения использовался принцип модульного программирования и технология средств визуального программирования Delphi.

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

- метод синтеза решающих правил для дифференциальной диагностики анемий и их стадий, использующий двухуровневый способ принятия решений с синтезом двух модулей нечеткого вывода: первого - на основе разведочного анализа структуры классов в подпространствах многомерного признакового пространства, а второго - на основе перебора возможных комбинаций операций над нечеткими числами по алгоритмам генетического типа, позволяющий синтезировать решающие правила для получения прогностических и диагностических выводов о наличии эритроцитарных нарушений;

- модель блока нечеткого вывода второго уровня, отличающаяся агрегированием N-мерного вектора нечетких данных на его входе с заданным коэффициентом уверенности, представленная в виде хромосомы, содержащей N-1 ген, каждый i-й ген которой является кодом нечеткой операции над i-м и (i+l)-M элементом нечеткого входного вектора, результат i-й операции размещается в (i+l)-M элементе этого вектора, а результат агрегирования - в N-м элементе;

- алгоритм выбора оптимальной структуры блока нечеткого вывода второго уровня, отличающийся тем, что он реализован в виде генетического алгоритма, оптимизирующего структуру хромосомы, число генов в которой на единицу меньше размерности входного вектора этого блока, число их аллелей равно числу вводимых нечетких операций, а оптимизируемый функ-

1 -ч.'»" ■ 1 . i ( h 'Ч »

> of >

i.«... . . - - " —

ционал построен согласно требованиям к соотношению ошибок первого и второго рода по диагностируемым классам;

- алгоритмы управления процессами скрининга и диагностики анемий, позволяющие синтезировать признаковые пространства для заданного типа анемий и определять уверенность в поставленном диагнозе посредством использования модулей нечеткого вывода, синтезированных на основе алгоритмов генетического типа, в которых реализуются как принципы скрещивания, так и мутаций;

- решающие правила для диагностики анемий и их стадий, отличающиеся тем, что на первом иерархическом уровне классификации диагностика ведется по данным автоматизированного анализа крови, представленного в виде эритроцитарных индексов, а на последующих иерархических уровнях проводится анализ других лабораторных данных, результатов клинических исследований и рисков, связанных с воздействием на организм факторов производственной среды и экологических факторов, что позволяет либо выделить в данном тиле анемии стадию заболевания, либо провести уточнение диагноза за счет выявления заболеваний, симптоматически сходных с диагностируемыми.

Практическая значимость работы. Практическая значимость работы заключается в создании специализированного программного комплекса для диагностики и дифференцирования анемий.

Предложена автоматизированная система диагностики и дифференцирования анемий, позволяющая классифицировать анемии по пяти типам с возможностью определения стадий и проведения скрининга. Практические испытания системы показали ее высокую диагностическую и прогностическую эффективность и приемлемое качество рекомендаций по организации лечебно-оздоровительных мероприятий.

Реализация результатов работы. Основные теоретические и практические результаты работы внедрены в составе медицинской информационной системы в практическую деятельность клинико-биохимической лаборатории МУЗ «Городская больница №6» г. Курска и в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению «Биомедицинская инженерия».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на VI Международной научно-технической конференции «Медико-экологические информационные технологии - 2003» (Курск, 2003); XI Российской научно-технической конференции «Материалы и упрочняющие технологии - 2004» (Курск, 2004), VIII Международной научно-технической конференции «Медико-экологические информационные технологии - 2005», (Курск, 2005); Межрегиональной научно-практической конференции «Актуальные проблемы теории, методологии и практики управления в российских условиях» (Курск, 2005).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 8 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] соискателем предложена методика получения данных по форменным элементам крови, в [2] автор исследовал влияние различных факторов на частоту заболеваний крови, в [4] соискатель предложил метод синтеза решающих правил для диагностики анемий, в [5] автор предложил способ классификации анемий на первом иерархическом уровне классификации в двухуровневой системе классификации анемий, в [7] автор провел анализ математических методов моделирования модулей нечеткого вывода, в [8] соискателем предложена двухуровневая архитектура системы поддержки принятия решений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы, включающего 98 отечественных и 9 зарубежных наименований. Работа изложена на 131 странице машинописного текста, содержит 46 рисунков и 14 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении к диссертации обосновывается актуальность темы, определяются цели и задачи исследования, определяется научная новизна и практическая значимость работы. Кратко излагается содержание глав диссертации.

В первой главе исследуются методы и средства, применяемые для решения задач классификации в системах поддержки принятия решений с нечеткими границами классов в медицинских приложениях. Исследуются специфические особенности признаковых пространств при классификации анемий, в частности, при автоматизированных методах анализа крови. Показывается, что повышение эффективности решения задач диагностики анемий может быть достигнуто при использовании теории нечеткой логики принятия решений в сочетании с алгоритмами генетического типа и современных информационных технологий.

В заключение первой главы определяются цель и задачи исследования.

Во второй главе разрабатываются методы синтеза решающих правил для диагностики анемий в иерархических системах поддержки принятия решений. На основе анализа признаковых пространств было установлено, что наиболее приемлемой схемой классификации анемий является двухуровневая схема иерархического типа с двумя блоками нечеткого вывода, которая представлена на рис. 1.

На первом уровне решаются задачи фуззификации и агрегирования по выделенным N подпространствам признаков (блок нечеткого вывода первого уровня), а на втором уровне - задачи агрегации частных решающих правил по заданным М классам заболеваний и/или их стадий (блок нечеткого вывода второго уровня).

Рис. 1. Схема принятия решений при диагностике анемий

Для получения частных решающих правил первого уровня нами разработаны специальные рекомендации, учитывающие структуру классов в многомерном пространстве и свойства агрегирующих операций. В предлагаемом варианте синтез систем нечетких решающих правил первого уровня производится в два этапа. На первом этапе производится разведочный анализ, позволяющий изучить геометрическую структуру классов в пространстве инфор-

мативных признаков, имея в виду под структурой взаимоположение объектов различных классов на обучающей выборке.

Для проведения разведочного анализа с целью изучения структуры классов нами был использован стандартный пакет прикладных программ, разработанный на кафедре биомедицинской инженерии КурскГТУ.

На втором этапе под известную структуру классов и типы признаков выбираются носители и параметры частных функций принадлежностей, решающие задачи классификации по N подпространствам и областям исходного пространства признаков. При этом выбор осуществляется с таким расчетом, чтобы при заданной сложности классификатора каждая частная функция принадлежности на каждом технологическом шаге принятия решений обеспечивала максимально возможную уверенность классификации или прогнозирования. После этого синтезируется решающее правило, позволяющее по частным коэффициентам уверенности КУ 0,| получить общий коэффициент уверенности по данному признаковому подпространству.

В работе приводятся рекомендации по выбору носителей и видов функций принадлежностей в зависимости от структуры исходных классов. Например, в одном из вариантов классификации анемий в качестве носителя можно использовать выражение типа

* = (!)

I

где а.' - весовой коэффициент, определяющий вклад]-й составляющей в общее решение о гипотезе со/. Общий коэффициент уверенности в гипотезе со/ определяется из соотношения

(2)

Для синтеза блока нечеткого вывода на втором уровне были использованы решающие правила, полученные на основе алгоритмов генетического типа.

Модель блока нечеткого вывода второго уровня представлена на рис.2. В качестве примера выбран пятикомпонентный вектор У, который присутствует на выходе агрегаторов первого уровня (рис.1).

В модуле нечеткого вывода модели рис.2 над компонентами вектора У выполняются N-1 нечетких операций где N - размерность вектора У; 1 - порядковый номер нечеткой операции в векторе нечетких операций Я«,. В качестве компонентов вектора используются числа, соответствующие кодам нечетких операций, введенным над нечеткими множествами.

Рис.2. Модель модуля нечеткого вывода второго уровня

Если введено § нечетких операций, то, кодируя их десятичными числами от 0 до £-1, получим модель модуля нечеткого вывода второго уровня в виде хромосомы, число генов в которой на один меньше размерности входного вектора У, а число аллелей равно числу введенных нечетких операций % на данных нечетких множествах.

Каждый ген является кодом операции над двумя нечёткими числами, и его аллель взаимодействует с двумя компонентами вектора У. В результате такого взаимодействия на 5-й позиции вектора У, согласно схеме рис.2, получается новое нечеткое число, определяемое рекуррентным соотношением:

2 = г,(У1,У1+1)' У,+1 =2 , (3)

где г, - один из нечетких операторов, соответствующий аллели гена, стоящего на /-м месте в хромосоме; у,,\ - 0+1)-я компонента вектора У; у, - ¿-я компонента вектора У; 2- промежуточная переменная.

Установлено, что для каждого класса существует некоторый оптимальный набор аллелей с точки зрения минимизации ошибок первого или второго рода или их соотношения, который может быть подобран в процессе обучения, реализованном по правилам, принятым в генетических алгоритмах.

Выбор оптимальной структуры хромосомы для конкретного класса со] на обучающих выборках, состоящих из Р векторов, при наличии ш возможных классов, предлагается путем минимизации критерия, представленного в виде следующего выражения:

1 Р«1 т г Р]

—Р^(1-Кт>)+ £ -ЯЯ/К^тт, (4)

"<й] 1 = 1 J = t ") 1=1

1

где Ку - коэффициент уверенности в диагнозе у-класса для г-го вектора из обучающей выборки >го класса, выдаваемый модулем нечеткого вывода второго уровня; Рг нормирующий коэффициент меньше единицы, учитывающий неэквивалентность ошибок первого и второго рода. Индекс при Р указывает на обучающую выборку соответствующего класса.

К,) вычисляется посредством взаимодействия хромосомы с /-м вектором обучающей выборки класса у согласно выражению

Ку=г(Ы-1)]((-Г2}(г1/У,1,У12),У13),:.),У,ы)- (5)

Задача, которая ставится при синтезе модуля нечеткого вывода, состоит в том, чтобы для каждого класса определить хромосому с максимальной функцией приспособленности, используя технологию селекции и мутаций. Так как операция (5) в общем случае не коммутативная, то в генетическом алгоритме процесс мутаций реализуем посредством перестановок компонентов вектора У.

На основании приведенных рассуждений нами был предложен метод синтеза решающих правил для диагностики анемий, который включает следующие этапы.

1. С участием высококвалифицированных экспертов выбираются группы признаковых подпространств, связь которых с заданным типом анемии подтверждена клиническими исследованиями.

2. На основании экспертной оценки получают функции принадлежности к заданному типу анемии по каждому признаку по всем группам диагностических признаков.

3. Для каждой группы диагностических признаков синтезируется модуль нечеткого вывода первого уровня, позволяющий агрегировать уверенности по каждой группе диагностических признаков по данному типу анемии в каждой группе диагностических признаков.

4. На множестве агрегированных функций принадлежностей выбирается множество нечетких операций, каждая из которых кодируется числом, соответствующим гену хромосомы, являющейся моделью модуля нечеткого вывода второго уровня.

5. Создаются обучающие выборки для каждого диагностируемого типа анемий.

6. Выбирается исходный пул родительских моноаллельных хромосом, состоящих из кодов нечетких операций, выбранных в п. 4.

7. Определяется функция приспособленности хромосом путем минимизации функционалов типа (4).

8. Реализуется генетический алгоритм на основе селекции и(шш) мутаций для родительского пула, выбранного в п.6, и функции приспособленности, выбранной в п.7, для каждого диагностируемого класса (для каждой обучающей выборки).

В главе 3 разрабатываются алгоритмы управления процессами скрининга и диагностики анемий различных типов.

В реализуемом алгоритме основными диагностическими признаками являются данные автоматизированного анализа крови, поэтому на начальном этапе классификации используются эритроцитарные индексы: у- цветовой показатель, МСУ - объем эритроцитов, МСН - содержание гемоглобина в эритроцитах, Ээ- диаметр эритроцитов, - отклонения объема

эритроцитов.

Схема алгоритма управления процессом скрининга и классификации анемий по пяти классам приведена на рис.3. Расчет эритроцитарных индексов ведется в блоке 2. Так как по данным автоматизированного анализа крови может проводиться как скрининговая диагностика, так и классификация анемий, то на первом этапе в блоке 3 выбирается режим работы автоматизированной системы: скрининг или классификация и дифференцированная диагностика. При работе в режиме классификации и дифференцированной диагностики в блоке 4 происходит переход от четких значений эритроцитарных индексов к их функциям принадлежностей.

Так как граница норма-патология у эритроцитарных индексов не однозначна, то в алгоритме управления введена возможность коррекции функций принадлежностей по возрасту, полу и национальности (блоки 5,6 и 7).

В результате работы блока 4 на входе блока 8 имеем нечеткий пяти-элементный вектор {Ц|(у), Цг(МСУ), ц3(МСН), ц4(С)э), ц5(КБ\У)}. Этот вектор последовательно преобразуется в пять скалярных величин путем взаимодействия с пятью операторами (хромосомами) в блоке 9, согласно схеме рис.2. В результате такого взаимодействия на входе блока 10 формируются пять чисел, отражающих значение коэффициентов уверенности по пяти видам анемий:

КУ,=КЧщСу), ц2(МСУ), Цз(МСН), щ(Ээ), ц5(1Ш\У)}, (6)

где] - класс анемий, И1 - оператор, соответствующий хромосоме]-го класса.

В блоке 10 осуществляется поиск], соответствующего максимальному значению КУГ Блок 11 передает управление в зависимости от определенного значения ] на один из пяти разработанных нами алгоритмов, которые реализуют предложенную нами двухуровневую схему классификации, причем в этом случае данные, полученные по эритроцитарным индексам, согласно схеме алгоритма рис.3, являются результатами, полученными по одному из признаковых подпространств.

При определении стадий железодефицитной (ЖД) анемии (¡=1) использовались подпространства, синтезированные в результате инструментальных исследований, анализа клинической картины, социально-экологических факторов.

и диагностики анемий

При диагностике мегалобластных анемий 0=2) используется признаковое подпространство, структура которого синтезировалась в интерактивном режиме. При диагностике гемолитических анемий (ГА) (¡=4) в качестве признаковых подпространств использовались признаки ускоренного разрушения эритроцитов и признаки усиленного эритропоэза.

В алгоритме диагностики апластической анемии (АА) (¡=5) в качестве дополнительных признаковых подпространств использовались показатели периферической крови и показатели костного мозга.

Если 3=3, то есть имеет место предположение о постгеморрагической анемии (ПГА), выявляются клинические проявления кровопотери и при их наличии ставится диагноз ПГА. При отсутствии клинических проявлений либо уточняют данные лабораторного анализа, либо прекращают работать с системой автоматизированной классификации и при необходимости, с целью уточнения диагноза, анализируют данные по другим системам: костный мозг, биохимический анализ, инструментальные исследования.

В четвертой главе обсуждаются результаты экспериментальных исследований разработанной системы поддержки принятия решений по диагностике анемий.

В результате проведенных исследований предложена структура автоматизированной системы диагностики и дифференцирования анемий. Согласно предложенной структуре автоматизированная система классифицирует анемии по пяти типам, кроме того, имеется возможность проведения скрининга. Обобщённая структура программно-технического комплекса, обеспечивающего работу автоматизированной системы поддержки принятия решений врача-гематолога (СППР-Г), приведена на рис.4.

Непосредственно с СППР-Г связан гематологический анализатор (ГА) и микроскоп с видеосканером, которые подключаются к ПЭВМ через модуль сопряжения с объектом (МСО), реализующий требуемые протоколы обмена. Данные, рассчитываемые в камере ГА, передаются в блок расчета стандартных показателей (БРСП), в котором осуществляется расчет эритроцитарных индексов, и в видеофайл (ВФ).

Кроме этого в СППР-Г предусматривается блок распознавания элементов видеоизображения (БРВО), который позволяет выделять отдельные элементы изображений и по ним рассчитывать ряд диагностических показателей.

Задача прогнозирования возникновения заболеваний крови решается блоком прогнозирования заболеваний крови (БПЗК), который по факторам риска (электромагнитные поля, радиация, наследственность, дефицит микроэлементов в воде и пище и т. д.) строит функции принадлежностей к прогнозируемым классам заболеваний и путём их агрегирования рассчитывает соответствующие коэффициенты уверенности.

Рис. 4. Структура автоматизированной системы для врача-гематолога

На основании полученных данных, блок дифференциальной диагностики (БДД) путём агрегирования функций принадлежности по комплексу информативных признаков определяет класс заболевания, а блок определения стадии и степени тяжести заболевания (БОССТ) определяет уверенность в стадиях и степенях тяжести.

Рассчитанные показатели через интерфейс пользователя передаются врачу для анализа и принятия решений. Блок формирования советов по лечебно - оздоровительным мероприятиям (БФСЛОМ) представляет собой справочник - подсказчик по общепризнанным методам лечения для типовых случаев.

В базе данных (БД) хранятся: электронная медицинская карта пациента, справочники типовых рецептов, эталонные видеоизображения клеток крови и другая справочная литература.

Для обучения системы использовались данные из историй болезней Областной клинической больницы г. Курска. Процесс обучения в системе был организован согласно методам и алгоритмам, предложенных в разделах 2 и 3. На первом этапе обучения (алгоритм рис.3) синтез хромосом для классификации анемий велся по эритрощггарным индексам. В результате обучения для каждого типа анемий была получена хромосома, которая описывает нечеткий модуль вывода для анемии конкретного типа. Проверка качества классификации анемий осуществлялось методом скользящего экзамена. Результаты экспериментальных исследований представлены в табл. 1 .

Таблица 1

Анализ качества классификации анемий методом скользящего экзамена

Типы анемий ЖДА В12 ПГА ГА АА Всего Чувствительность

ЖДА 150 17 11 2 0 180 0,83333

В12-дефицитная 19 118 4 0 9 150 0,78667

ПГА 12 4 32 1 1 50 0,64

ГА 2 0 3 25 0 30 0,83333

АА 0 4 1 1 34 40 0,85

Специфичность 0,878 0,917 0,953 0,99 0,976

Статистические исследования, результаты которых приведены на рис.5, показали, что основной прирост заболеваемости анемиями обусловлен ЖД анемиями и В12 -дефицитными анемиями, что позволило ввести в диалоговом режиме коррекцию в процесс синтеза решающих правил с целью снижения ошибок первого и второго рода по этим классам Коррекция по статистическим данным осуществлялась путем ввода в минимизирующий функционал (4) соответствующих весовых коэффициентов р, которые маскировали ошибки в диагностике статистически менее встречаемых типов анемий.

Сравнительная оценка результатов такой коррекции показана на рис.б.

При классификации по типам анемий система тестировалась как одноуровневая с синтезом решающих правил путем использования генетического алгоритма. Двухуровневую систему классификации тестировали на дифференцирование мегалобластных анемий. С этой целью на первом уровне использовались три признаковых подпространства: данные биологического анализа, внутренний риск (анамнез, конституция) и внешний риск (факторы окружающей среды). Используя выражения типа (1) и (2), были определены интегральные носители 8Б, Эд и вс для функций принадлежности, определяющих уверенности в принятии решений по этим группам признаков.

1 23456789 10 годы

Рис. 5. Тенденция госпитализируемых с анемиями за последние 10 лет

Рис. 6. Диаграммы изменения качества классификации до и после коррекции по частоте заболеваний

Агрегированные функции принадлежности по выбранным признаковым подпространствам по интегральным носителям 8Б, Бд и для двух классов мегалобластных анемий приведены на рис. 7.

Путем использования генетического алгоритма были получены две соответствующие хромосомы для модуля нечеткого вывода второго уровня. Для оптимизации структуры блоков принятия решений на первом и втором уровнях использовалось имитационное моделирование выходных векторов первого уровня, что позволило проводить обучение блока нечеткого управления второго уровня независимо от первого, моделируя бимодальное распределение на его входе с заданной степенью выраженности, используя для этого бетта-распределение.

J к Цфоя (вв) Цви (Бв)

>< 1 .

0 1 0,5 1 * 1

а)

в)

Рис. 7. Агрегированные функции принадлежности по интегральным носителям Бб (а), Бд (б) и 8С (в) для двух классов мегалобластных анемий

Результаты дифференцирования мегалобластных анемий приведены в табл.2.

Таблица 2

Анализ качества дифференцирования мегалобластных анемий методом ___скользящего экзамена _

Типы анемий Фолиево-дефицитная В12-дефицитная Всего

Фолиево-дефицитная 165 9 174

В12-дефицитная 4 138 142

Специфичность 0,971831 0,948275862

Для уточнения достоверности работы полученных решающих правил нами осуществлялась их проверка на контрольных выборках, объем которых определялся согласно рекомендациям, принятым в медицинской практике.

Для задачи диагностики ЖД-анемиЙ получена величина объема контрольной выборки пжд= 115 человек, для задачи диагностики В12-дефицитных анемий получена величина пВ|2=121 человек, для задачи диагностики гемолитических анемий - пГд=128 человек, для задачи диагностики апластических анемий - Паа=125 человек.

Анализ качества работы полученных решающих правил на контрольных выборках показал, что при классификации ЖДА на контрольной выборке уровень ошибки классификации не превысил 5% (оценка вероятности правильной классификации Ржд=0,95 при экспертной оценке уверенности 0,955). При определении риска заболевания В12 - дефицитной анемией уровень ошибки классификации не превысил 4% (Рв12=0,96 при экспертной оценке уверенности 0,98). При определении риска заболеваний гемолитической анемией величина ошибки не превысила 7% (Рга=0,93 при экспертной оценке уверенности 0,96).

Таким образом, результаты экспертного оценивания достаточно близки к результатам, полученным на контрольной выборке.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Предлагаемая работа посвящена решению научных и практических задач, связанных с повышением качества медицинского обслуживания населения. В результате выполнения этой работы получены следующие основные результаты.

1. Проведены статистические исследования распространенности анемий различного типа и проанализированы количественные и качественные признаки эритроцитарных нарушений, связанных с ними, на основании чего выбраны признаковые пространства и типы анемий, классифицируемых автоматизированной системой.

2. Предложен способ агрегирования данных от различных признаковых подпространств, характеризующих состояние анемии, включающий два этапа: на первом этапе производится разведочный анализ, позволяющий изучить геометрическую структуру классов в пространстве информативных признаков, а на втором - под известную структуру классов и типов признаков выбираются носители и параметры частных функций принадлежностей, решающие задачи классификации по подпространствам и подобластям исходного пространства признаков.

3. Разработан алгоритм выбора оптимальной структуры блока нечеткого вывода, включающий генетический алгоритм, оптимизирующий структуру хромосомы, отличающийся тем, что число генов в хромосоме на единицу меньше размерности входного вектора блока нечеткого вывода, число их аллелей равно числу возможных операций над нечеткими числами, введенных в данной системе классификации, а оптимизируемый функционал по-

строен согласно требуемому соотношению ошибок первого и второго рода по диагностируемым классам.

4. Разработан метод синтеза решающих правил для дифференциальной диагностики анемий, использующий двухуровневый способ принятия решений с фуззификацией и агрегацией данных в блоке нечеткого вывода первого уровня, синтезируемого на основе разведочного анализа структуры классов в каждом подпространстве признаков, а второй - на основе перебора возможных комбинаций операций над нечеткими числами по алгоритмам генетического типа.

5. Разработан комплекс алгоритмов управления процессом скринин-говой диагностики анемий и классификации анемий, позволяющий синтезировать признаковые пространства для заданного типа анемий и определять уверенность в поставленном диагнозе посредством использования нечеткого логического вывода, полученного посредством алгоритмов генетического типа, в которых были использованы как принципы скрещивания, так и мутаций.

6. Предложена автоматизированная система для врача-гематолога, решающая задачи классификации, скрининга и дифференцирования анемий на основе автоматизированного анализа крови и позволяющая управлять процессом диагностики путем привлечения к анализу дополнительных информативных признаков и экспертных оценок благодаря гибкости модулей управления, синтезированных на основе алгоритмов генетического типа.

7. Разработанные методы, способы, модели и алгоритмы прошли экспериментальную проверку в клинико-биохимической лаборатории МУЗ «Городская больница №6» и используются в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению «Биомедицинская инженерия».

Практические испытания автоматизированной системы диагностики и дифференцирования анемий показали ее высокую диагностическую эффективность и приемлемое качество рекомендаций по организации лечебно-оздоровительных мероприятий, что подтверждено статистическими испытаниями, имитационным моделированием и экспертными оценками.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ

ПО ТЕМЕ ДИССЕРТАЦИИ

1. Фазовые реакции агрегатного и электрического состояния крови [Текст]/ Е.С. Черных [и др.]// Медико-экологические информационные тех-нологии-2003: Сборник материалов VI Международной научно-технической конференции/Курск, гос. техн. ун-т. Курск, 2003. С. 32-36.

2. Черных, Е.С. Влияние экологического состояния среды на здоровье населения промышленных районов г. Курска [Текст]/ Е.С. Черных, М.П. Попов, В.В. Кочетова // Материалы и упрочняющие технологии - 2004: сборник материалов XI Российской научно-технической конференции/ Курск, гос. техн. ун-т. Курск, 2004. С. 216-219.

3. Черных, E.C. Построение нечеткого решающего правила классификации анемий на основе результатов автоматизированного анализа кро-ви[Текст]/Е.С. Черных//Инновационные методы в образовании, науке и медицине: сборник научных трудов. Курск, 2005.-С.119-123.

4. Черных, Е.С. Метод синтеза решающих правил для автоматизированной системы врача-гематолога [Текст]/ Е.С. Черных, М.А. Ефремов, С.А. Филист//Инновационные методы в образовании, науке и медицине: сборник научных трудов. Курск, 2005.-С.29-35.

5. Черных, Е.С. Рекомендации по выбору правил агрегирования для задач медицинской диагностики [Текст]/ Е.С. Черных, H.A. Кореневский // Медико-экологические информационные технологии-2005: сборник материалов VIII Международной научно-технической конференции/Курск, гос. техн. унт. Курск, 2005. С. 74-78.

6. Черных, Е.С. Система поддержки принятия решений врача-гематолога [Текст]/ Е.С. Черных // Медико-экологические информационные технологии-2005: сборник материалов VIII Международной научно-технической конференции/Курск, гос. техн. ун-т. Курск, 2005. С.78-81.

7. Черных, Е.С. Выбор математических методов для ранней диагностики анемий и их разновидностей [Текст]/ Е.С. Черных, В.В. Буняев // Медико-экологические информационные технологии-2005: сборник материалов VIII Международной научно-технической конференции/Курск, гос. техн. ун-т. Курск, 2005. С. 82-84.

8. Черных, Е.С. Анализ и синтез архитектуры системы поддержки принятия решений при высокой степени размытия классов [Текст]/ Е.С. Черных, М.А. Ефремов, С.А. Филист//Материалы Межрегиональной научно-практической конференции «Актуальные проблемы теории, методологии и практики управления в российских условиях». Курск, 2005. С. 44-47.

j

ИД №06430 от 10.12.01г.

Подписано в печать_2005. Формат 60x84 1/16

Печатных листов 1,0. Тираж 100 экз. Заказу__

Курский государственный технический университет. Издательско-полиграфический центр Курского государственного технического университета. 305040, г. Курск, ул. 50 лет Октября, 94

Введение

Глава 1. Анализ компьютерных технологий обработки медицинских данных в задачах классификации с нечеткими границами классов

1.1. Особенности классификации признаковых пространств при ди- 10 агностики и дифференцировании анемий

1.2.Методы решения задач диагностики и прогнозирования, используемые в медицинских приложениях

1.3.Автоматизированные системы для диагностики заболеваний крови

1.4.Цель и задачи исследования

Глава 2. Разработка и исследование методов, способов и алгоритмов поддержки принятия решений при диагностики анемий

2.1 . Выбор схемы принятия решений по дифференциальной диаг- 47 ностике анемий и их стадий

2.2 . Рекомендации по выбору правил агрегирования для первого 49 уровня

2.3 . Синтез алгоритма генетического типа

2.4 . Способ выбора параметров модулей нечеткого вывода в много- 68 уровневых системах классификации

2.5 . Метод синтеза решающих правил для системы поддержки при- 72 нятия решений при диагностике анемий

2.6 . Выводы второй главы

Глава 3. Синтез признаковых пространств и алгоритмов управления для автоматизированной системы диагностики и дифференцирования анемий

3.1 Исследование и разработка алгоритма управления процессом 76 диагностики анемий

3.2 Скрининг анемии на основе данных автоматизированного анализа крови

3.3 Разработка алгоритма дифференциальной диагностики желе- 87 зодефицитных анемий

3.4 Алгоритм управление диагностикой мегалобластных анемий

3.5 Автоматизированная диагностика гемолитических анемий

3.6 Разработка алгоритма определения стадий апластической ане- 104 мии

3.7 Выводы третьей главы

Глава 4. Обучение и диагностика в автоматизированной 110 системе диагностики анемий

4.1 Объект, методы и средства исследования

4.2 Автоматизированная диагностика анемий по эритроцитар- 115 ным индексам

4.3 Экспериментальные исследования решающих правил по ди- 122 агностике мегалобластных анемий

4.4 Обсуждение результатов исследования

4.5 Выводы четвертой главы 129 Заключение 131 Библиографический список

Актуальность работы. Анемии занимают видное место в структуре заболеваний. Железодефицитные, витамин-В|2-дефицитные, гемолитические, апластические анемии - таков порядок основных форм анемий по встречаемости. Несмотря на то, что анемия - одно из самых часто встречающихся гематологических нарушений, количество диагностических ошибок велико.

Стандартные алгоритмы клинического обследования больных с различными формами анемий, как правило, обеспечивают их точную нозологическую расшифровку. Однако, при некоторых гемолитических процессах, верификация может оказаться весьма сложной. В связи с этим актуальна задача поиска методов, облегчающих и ускоряющих дифференциальную диагностику анемий неясного генеза на ранних этапах их возникновения. Это особенно важно в современных экологических условиях, с ростом факторов риска сердечнососудистых и легочных заболеваний, так как при сердечно-сосудистых заболеваниях в их патогенезе имеет большое значение изменение биофизических параметров крови, которое сопровождается изменением ее агрегатного состояния и, в ряде случаев, приводящее к гибели организма (Гланц P.M., 1989; Белоусов Ю.Б., 1986; Козинец Г.И., 2000).

Исследования показали, что повысить качество решения исследуемого класса задач можно используя методы теории нечетких множеств, учитывающих разносторонние проявления анемического синдрома с привлечением современных информационных технологий.

Исходя из того, что существующие методы, алгоритмы и технические устройства диагностики анемий не обеспечивают требуемого качества классификации при допустимых ограничениях на время принятия решения и технико-экономические затраты, а высокий процент этих заболеваний требует решения задач повышения качества диагностики и лечения, проблема повышения эффективности автоматизированных систем, позволяющих исследовать эритроци-тарные нарушения в клинической и амбулаторной практике в реальном времени и осуществляющих прогноз возникновения и развития анемий является весьма актуальной.

Работа выполнена в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий» и в соответствии с научно-технической программой «Научные исследования высшей школы по приоритетным направлениям науки и техники», подпрограмма 204 «Технология живых систем» 20022004гг.

Целью диссертационной работы является разработка методов и средств для повышения достоверности диагностики анемий путем автоматизации анализа данных различных функциональных подсистем и лабораторного анализа на основе нечеткой логики принятия решений и использования алгоритмов генетического типа.

Для достижения поставленной цели необходимо решить следующие задачи:

- проанализировать количественные и качественные признаки, связанные с эритроцитарными нарушениями, и сформировать признаковые пространства, позволяющие выявить наличие анемического синдрома;

- предложить способ агрегирования данных от различных признаковых пространств, характеризующих состояние анемия;

- разработать алгоритм оптимизации выбора структуры модуля нечеткого вывода;

- разработать метод синтеза решающих правил для системы поддержки принятия решений при диагностике в признаковых пространствах, характеризующих анемический синдром;

- разработать алгоритмы управления процессами диагностики и скрининга анемий;

- предложить структуру системы поддержки принятия решений для врача-гематолога; провести апробацию предложенных методов и средств в клинических условиях.

Методы исследования. Для решения поставленных задач использовались методы системного анализа, моделирования, теории нечетких множеств и генетических алгоритмов, прикладной статистики, экспертного оценивания и принятия решений.

При разработке программного обеспечения использовался принцип модульного программирования и технология средств визуального программирования Delphi.

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

- метод синтеза решающих правил для дифференциальной диагностики анемий и их стадий в нечетких признаковых пространствах с высокой степенью пересечения классов, использующий двухуровневый способ принятия решений с синтезом двух модулей нечеткого вывода: первого - на основе разведочного анализа структуры классов в каждой подсистеме группы признаков, а второй -на основе перебора возможных комбинаций операций над нечеткими числами по алгоритмам генетического типа, позволяющий синтезировать решающие правила для получения прогностических и диагностических выводов о наличии эритроцитарных нарушений;

- модель блока нечеткого вывода второго уровня, отличающаяся агрегированием N- мерного вектора нечетких данных на его входе с заданным коэффициентом уверенности, представленная в виде хромосомы, содержащей N-1 ген, каждый i-й ген которой является кодом нечеткой операции над i-м и (i+1)-м элементом нечеткого входного вектора, результат i-й операции размещается в (i+l)-M элементе этого вектора, а результат агрегирования - в N-м элементе;

- алгоритм выбора оптимальной структуры блока нечеткого вывода, отличающийся тем, что он реализован в виде генетического алгоритма, оптимизирующего структуру хромосомы, число генов в которой на единицу меньше размерности входного вектора этого блока, число их аллелей равно числу возможных операций над нечеткими числами, введенных в данной нечеткой системе классификации, а оптимизируемый функционал построен согласно требованиям к соотношению ошибок первого и второго рода по диагностируемым классам;

- алгоритмы управления процессами диагностики и скринингом анемий, позволяющие синтезировать признаковые пространства для заданного типа анемий и определять уверенность в поставленном диагнозе посредством использования модулей нечеткого вывода, синтезированных на основе алгоритмов генетического типа, в которых реализуются как принципы скрещивания, так и мутаций: решающие правила для диагностики анемий и их стадий, отличающиеся тем, что на первом иерархическом уровне классификации диагностика ведется по данным автоматизированного анализа крови, представленном в виде эритроцитарных индексов, а на последующих иерархических уровнях проводится анализ других лабораторных данных, результатов клинических исследований и рисков, связанных с воздействием на организм факторов производственной среды и экологических факторов, что позволяет либо выделить в данном типе анемии стадию заболевания, либо провести уточнение диагноза за счет выявления заболеваний, симптоматически сходных с диагностируемыми.

Практическая значимость работы. Практическая значимость работы заключается в создании специализированного программного комплекса для диагностики и дифференцирования анемий.

Предложена автоматизированная система диагностики и дифференцирования анемий, позволяющая классифицировать анемии по пяти типам с возможностью определения стадий и проведения скрининга. Практические испытания системы показали ее высокую диагностическую и прогностическую эффективность и приемлемое качество рекомендаций по организации лечебно-оздоровительных мероприятий.

Реализация результатов работы. Основные теоретические и практические результаты работы внедрены в составе медицинской информационной системы в практическую деятельность клинико-биохимической лаборатории МУЗ «Городская больница №6» и в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению 553900 "Биомедицинская инженерия".

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на VI Международной научно-технической конференции «Медико-экологические информационные технологии - 2003» (Курск, 2003); XI Российской научно-технической конференции «Материалы и упрочняющие технологии - 2004» (Курск, 2004), VIII Международной научно-технической конференции «Медико-экологические информационные технологии - 2005», (Курск, 2005); Межрегиональной научно-практической конференции «Актуальные проблемы методологии и практики управления в российских условиях» (Курск, 2005).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 8 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве, и приведенных в конце автореферата, в [1] соискателем предложена методика получения данных по форменным элементам крови, в [2] автор исследовал влияние различных факторов на интенсивность заболеваний крови, в [4] соискатель предложил метод синтеза решающих правил для диагностики анемий, в [5] автор предложил способ классификации анемий на первом иерархическом уровне классификации, синтеза решающих правил в двухуровневой системе классификации анемий, в [7] автор провел анализ математических методов моделирования нечетких модулей вывода, в [8] автором синтезирована структура системы поддержки принятия решений для врача-гематолога.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы, включающего 98 отечественных и 9 зарубежных наименования. Работа изложена на 130 страницах машинописного текста, содержит 46 рисунков и 14 таблиц.

4.5. Выводы четвертой главы

1. В результате проведенных статистических исследований показано, что основной прирост заболеваемости анемиями обусловлен ЖД анемиями и В12 -дефицитными анемиями, что позволило ввести в диалоговом режиме коррекцию в процесс синтеза решающих правил с целью снижения ошибок первого и второго рода по этим классам.

2. Разработана автоматизированная система врача-гематолога, позволяющая апробировать предложенные алгоритмы и решающие правила по классификации анемий.

3. Проведенные экспериментальные исследования автоматизированной системы по классификации анемий методом скользящего экзамена показали, что при классификации по пяти классам чувствительность классификации достигает 0,92; а специфичность 0,98. Использование операторных скобок в генетических алгоритмах позволяет повысить чувствительность и специфичность по заданным класса, при этом надежность классификации по другим классам изменяется весьма слабо.

4. Проведенные экспериментальные исследования автоматизированной системы по дифференцированию мегалобластных анемий методом скользящего экзамена показали специфичность не ниже 0,94.

5. Полученные решающие правила, использующие информацию об эритроцитарных индексах и дополнительные признаковые пространства, подобранные под конкретную задачу классификации анемий, позволяют решать разнотипные задачи управления диагностикой и дифференцированием анемий с уверенностью не хуже 0,9.

ЗАКЛЮЧЕНИЕ

Предлагаемая работа посвящена решению научных и практических задач, связанных с повышением качества медицинского обслуживания населения. В результате выполнения этой работы получены следующие основные результаты.

1. Проведены статистические исследования распространенности анемий различного типа и проанализированы количественные и качественные признаки эритроцитарных нарушений, связанных с ними, на основании чего выбраны признаковые пространства и типы анемий, классифицируемых автоматизированной системой.

2. Предложен способ агрегирования данных от различных признаковых пространств, характеризующих состояние анемия, включающий два этапа: на первом этапе производится разведочный анализ, позволяющий изучить геометрическую структуру классов в пространстве информативных признаков, а на втором - под известную структуру классов и типов признаков выбираются носители и параметры частных функций принадлежностей, решающие задачи классификации по подпространствам и областям исходного пространства признаков.

3. Разработан алгоритм выбора оптимальной структуры блока нечеткого вывода, включающий генетический алгоритм, оптимизирующий структуру хромосомы, отличающийся тем, что число генов в хромосоме на единицу меньше размерности входного вектора блока нечеткого вывода, число их аллелей равно числу возможных операций над нечеткими числами, введенных в данной системе классификации, а оптимизируемый функционал построен согласно требуемому соотношению ошибок первого и второго рода по диагностируемым классам.

4. Разработан метод синтеза решающих правил для системы поддержки принятия решений при диагностике в признаковых пространствах с высокой степенью пересечения классов, использующий двухуровневый способ принятия решений с фуззификацией и агрегацией данных в блоке нечеткого вывода первого уровня, синтезируемого на основе разведочного анализа структуры классов в каждой подсистеме группы признаков, а второй -на основе перебора возможных комбинаций операций над нечеткими числами по алгоритмам генетического типа.

5. Разработан комплекс алгоритмов управления процессом диагностики и классификации анемий и скрининговой диагностики анемий, позволяющий синтезировать признаковые пространства для заданного типа анемий и определять уверенность в поставленном диагнозе посредством использования нечеткого логического вывода, полученного на основе алгоритмов генетического типа, в которых были использованы как принципы скрещивания, так и мутаций.

6. Предложена автоматизированная система для врача-гематолога, решающая задачи классификации, скрининга и дифференцирования анемий на основе автоматизированного анализа крови и позволяющая управлять процессом диагностики путем привлечения к анализу дополнительных информационных признаков и экспертных оценок благодаря гибкости модулей управления, синтезированных на основе алгоритмов генетического типа.

7. Разработанные методы, способы, модели и алгоритмы прошли экспериментальную проверку в клинико-биохимической лаборатории МУЗ «Городская больница №6» и используются в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению 553900 «Биомедицинская инженерия».

Практические испытания автоматизированной системы диагностики и дифференцирования анемий показали ее высокую диагностическую эффективность и приемлемое качество рекомендаций по организации лечебно-оздоровительных мероприятий, подтвержденную статистическими испытаниями, имитационным моделированием и экспертными оценками.

1. Аверкин А.Н. и др. Нечеткие множества в моделях управления и искусственного интеллекта. М.: Наука, 1987. 430с.

2. Авилов О.В., Крутов А.К. Возможности использования компьютерного комплекса диагностики и коррекции функционального состояния человека "Меданекс"// Жизнь и компьютер-91: Тез. Всесоюз. семинара, 10.91. Харьков, 1991.-С. 208-209.

3. Автоматизированные медико-технологические системы .4.1: Монография / А.Г. Устинов, В.А. Ситарчук, Н.А. Кореневский; Под ред. А.Г. Устинова. Курск, гос. техн. ун-т. Курск, 1995. 128 с.

4. Автоматизированные медико-технологические системы.Ч.2: Монография / А.Г. Устинов, В.А. Ситарчук, Н.А. Кореневский; Под ред. А.Г. Устинова. Курск, гос. техн. ун-т. Курск, 1995. 157 с.

5. Автоматизированные медико-технологические системы. Ч.З: Монография / А.Г. Устинов, В.А. Ситарчук, Н.А. Кореневский; Под ред. А.Г. Устинова. Курск, гос. техн. ун-т. Курск, 1995. 105 с.

6. Александров В.В., Алексеев А.И., Горский И.Д. Анализ данных на ЭВМ (на примере системы СИТО). М.: Финансы и статистика, 1990. - 245 с.

7. Александров В.В., Горский И.Д. Алгоритмы и программы структурного метода обработки данных, Л.: Наука, 1983. 125с.

8. Анализ нечисловой информации в социологических исследованиях. М.: Наука, 1985.-251 с.

9. Анохин П.К. Очерки по физиологии функциональных систем. М.: Медицина, 1975. 446 с.

10. Аоки М. Введение в методы оптимизации/Пер. с англ. М.: Наука, 1977. -344 с.

11. Ахутин В.М. Биотехнические системы. Л.: ЛГУ, 1979. - 257 с.

12. Ахутин В.М., Шаповалов В.В., Мансур Д. Автоматизированные системы профилактических осмотров детей (АСПОН-Д)-состояние и перспективы //

13. Биотехнические и медицинские системы. Сб. науч. тр. Ленинград, 1990. - С. 3 -6.

14. Баевский P.M., Берсенева А.П. Оценка адаптационных возможностей организма и риск развития заболеваний. М.: Медицина, 1997. - 235 с.

15. Баевский P.M., Казначеев В. П. Диагноз донозологический. М.: БМЭ, 1978. С. 252-255.

16. Бестужев-Лада И.В. Поисковое социальное прогнозирование: перспективные проблемы общества. Опыт систематизации/АН СССР; Ин-т социальн. исслед.-М.: Наука, 1984.-214 с.

17. Болезни крови у пожилых: Пер. с англ./Под ред. М. Дж. Денхэма, И.Чанарина. М.: Медицина, 1989.- 352 с.

18. Борецкий А.Б., Маслов В.Г., Хавронина М.А. Идентификация экспериментальных знаний на основе комплексных решающих правил в медицинских экспертных системах. // Информатика в здравоохранении: Мат. Всесоюз. научн. конф., М.: 1990. С. 19.

19. Генкин А.А. Новая информационная технология обработки данных (программный комплекс ОМИС).- СПб.: Политехника, 1999. 191 с.

20. Глушков В.М. Введение в кибернетику. Киев, изд-во АН УССР, 1964. -357 с.

21. Голембо З.Б., Зинкевич В.П. Средства и методы обработки медико-экологической информации на ЭВМ//Итоги науки и техники. Серия техническая кибернетика. Биология (методы в биологических исследованиях).-1989. Т. 26.-с. 35 -39.

22. Горелик A.J1., Скрипкин В.А. Методы распознавания.-М.: Высшая школа, 1989.

23. Даштаянц Г.А. Клиническая гемотология. Киев, «Здоров'я», 1978. - 288 с.

24. Дубров A.M., Мхитрян B.C., Трошин Л.И. Многомерные статистические методы: Учебник. М.: Финансы и статистика, 2000.-352 с.

25. Дуда Р., Харт Р. Распознавание образов и анализ сцен.-М.: Мир, 1976.

26. Дюк В., Эммануэль В. Информационные технологии в медико-биологических исследованиях. Спб.: Питер, 2003. - 528 с.

27. Дмитриева Н.В., Глазачев О.С. Индивидуальное здоровье и полипараметрическая диагностика функциональных состояний организма, (системно информационный подход). - М., 2000. - 214 с.

28. Ермакова Т.А., Цветаева Н.В. Интегральная оценка окислительно-восстановительного метаболизма эритроцитов у больных с различными формами анемий// Клиническая лабораторная диагностика. №3. 2003. С. 24, 33-35.

29. Заде Л.А. Понятие лингвистической переменной и ее применение к принятию приближенных решений. М.: Мир, 1976. - 312 с.

30. Ильин Ю.С., Болкаков А.А., Атаманченко Т.Н., Егорушкина Е.В. Опыт внедрения автоматизированных рабочих мест в структуре основных поликлинических служб// Жизнь и компьютер 91: Тез. Всесоюз. семинара, -Харьков, 1991.-С. 210-213.

31. Инженерно-психологическое проектирование взаимодействия человека с техническими средствами / Под ред. В.Н. Четверникова. М: Выс. шк. 1980127с.

32. Инфотех 99. Информационные технологии в производственных, социальных и экономических процессах / Череповец: ЧГУ, 1999. - 320 с.

33. Искусственный интеллект: в 3 кн. / Под ред. Э.В. Попова. М.: Радио и связь, 1990.-421 с.

34. Казначеев В.П., Баевский P.M., Беренев А.П. Донозологическая диагностика в практике массовых заболеваний населения. Л.: Медицина, 1986. -216 с.

35. Кендалл М.Дж., Стьюарт А. Многомерный статистический анализ.-М.:Наука,1976.

36. Китаева А.Г., Филист С.А., Штотланд Т.М. Теоретико-множественная модель мощности пересечения компетенции диагностических алгоритмов//Передовые технологии образования и науки. Сб.науч. тр.-Курск: МУ «Издательский центр «ЮМЕКС», 2003. С.40-42.

37. Кореневский Н.А. Обучение классификации в режиме диалога/КурскПИ.-ОФАП, ВНИИМТИ; инв. №534893. 1983. С.116.

38. Кореневский Н.А. Диалоговые методы классификации двумерных отображений//Математ. методы распознавания образов:Материалы Всесоюз. конф.,11.89.- Рига, 1989.-С.24-26.

39. Кореневский Н.А. Полифункциональная система интеллектуальной поддержки принятия решений по рационализации лечебно-диагностических процессов//Вестник новых медицинских технологий. АМНТ. 1996. Т.З, N2. С.43-46.

40. Кореневский Н.А., Тутов Н.Д., Корженевич И.М. Способы представленияразнотипных в данных задачах медицинских и экологических исследований// Известия Курского государственного технического университета, КГТУ, Курск, 1998, №2.-С. 56-63.

41. Кореневский Н.А., Попечителев Е.П., Филист С.А. Проектирование электронной медицинской аппаратуры для диагностики и лечебных воздействий: Монография/Курская городская типография, Курск, 1999. 537 с.

42. Коротких В.Ф., Горобец Ю.Н., Желудева М.А. Система поддержки принятия решений поликлинического врача общей практики// Биомедицинская радиоэлектроника, 2001. №3. С. 28 - 34.

43. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.-432с.

44. Крыжановская О.В., Наумович А.С. Автоматизированные прогностические и диагностические системы для комплексной оценки функционального состояния организма человека // Жизнь и компьютер-91: Тез. Всесоюз. семинара, 10.91. Харьков, 1991.-С. 187-189.

45. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. -2-е изд., стереотип. М.: Горячая линия - телеком, 2002. 382 с.

46. Кэнал JI. Обзор систем для анализа структуры образов и разработки алгоритмов классификации в режиме диалога // Распознавание образов при помощи цифровых вычислительных машин. М.: Мир, 1974. - 157 с.

47. Лбов Г.С. Методы обработки разнотипных экспериментальных данных. Новосибирск: Наука, 1981. 287 с.

48. Лорьер Ж.- Л. Системы искусственного интеллекта: Пер. с франц.- М.: Мир, 1991.

49. Малышев Н.Г., Бернштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР -М.: Энергоатомиздат, 1991.

50. Мартыненко В.Ф. Классификация прогнозов и методов прогнозирования. М.: ЦИТУВ, 1973. 23 с.

51. Медицинские приборы. Разработка и применение. М. - Медицинскаякнига, 2004. 720 с.

52. Мелихов А.Н., Берштейн JI.C., Коровин С.Я. Расплывчатые ситуационные модели принятия решений // Учеб. пособие, Таганрог: ТРТИ, 1986. 211с.

53. Методика применения экспертных методов для оценки качества продукции. М.: Стандарт, 1975. - 31 с.

54. Модели принятия решений на основе лингвистической переменной/ Борисов А.Н., Алексеев А.В., Крумберг О.А. и др. Рига: Зинятне, 1982. - 212с.

55. Нечеткие множества и теория возможностей. Последний достижения: Пер. с англ. / Под ред. Р.П. Ягеря. М.: Радио и связь, 1986. 408 с.

56. Никитина Н.Н. Разработка автоматизированной системы интеллектуальной поддержки лабораторно-диагностического процесса на основе биохимических показателей: Дисс. Канд.техн. наук: Воронеж, Защита 25.06. 1998.- 122 с.

57. Овчинников С.В., Рьера Т. О нечетких классификациях в кн.: Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ. / Под ред. Р. Р. Ягера. - М.: Радио и связь, 1986. - 408 с.

58. Окороков А.Н. Диагностика болезней внутренних органов: Т.4. Диагностика болезней системы крови: М.: Мед. лит., 2001. - 512 с.

59. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.-208с.

60. Отчет по НИР "Разработка технологических и программных средств автоматизированных рабочих мест врачей специалистов типовых ЛПУ". Н. рук. Кореневский Н.А. / Курск.ПИ. Инв. №5348956. 1991. - 70 с.

61. Осовский С. Нейронные сети для обработки информации /Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.

62. Пивник А.В., Подберезин М.М., Кременецкая A.M. Клинико -гематологическая характеристика анемий// Гематология и трансфузиология. 2000. Том 45. №2. С 3-7.

63. Подвальный Е.С. Модели индивидуального прогнозирования иклассификации состояний в системах компьютерного мониторинга. Воронеж: Изд-во ВГТУ, 1998.- 127 с.

64. Позднякова О.И. Разработка автоматизированной поликлинической системы диагностики сердечно сосудистых заболеваний : Дис. канд. техн. наук: Курск, 1996. - 105 с.

65. Позднякова О.И., Романов А.Ю., Кретушева Т.А., Кореневская Е.Н. Автоматизированная сетевая система поддержки принятия решений в типовых лечебно-профилактических учреждениях//Труды юбилейной научной конференции " 50-летия победы". КГТУ. 1995.

66. Попечителев Е.П., Кореневский Н.А. Электрофизиологическая и фотометрическая медицинская техника. Теория и проектирование. В 4-х частях: Учебное пособие/Под ред. Е.П. Попечителева. Курский государственный технический университет Курск. 1999. - 425 с.

67. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 287 с.

68. Построение экспертных систем: Пер. с англ./ Под ред. Ф.Хейса-Рота, Д. Уотермана, Д Лената. М.: Мир, 1987. - 412 с.

69. Прикладная статистика: классификация и снижение размерности/ Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. - 315 с.

70. Прикладная статистика. Основы эконометрики: Учебник для вузов: В 2 т. 2-е изд., испр.-T.l: Айвазян С.А., Мхитрян B.C. Теория вероятностей и прикладная статистика. М.: ЮНИТИ-ДАНА, 2001. 656 с.

71. Прикладная статистика. Основы эконометрики: Учебник для вузов: В 2 т. 2-е изд., испр.-Т.2: Айвазян С.А. Основы эконометрики. М.: ЮНИТИ-ДАНА,2001.432 с.

72. Распознавание образов и медицинская диагностика/ Под ред. Ю.И. Неймарка, гл. ред. физ.-мат. литературы издательства "Наука", М., 1972. -328 с.

73. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского.-М.: Горячая линия Телеком, 2004. - 452с.

74. Савенкова И.В. Разработка автоматизированной поликлинической системы диагностики заболеваний желудочно-кишечного тракта: Дисс. канд. техн. наук: Курск, 1997.-93 с.

75. Самсонов В.В. Эксперимент по реализации ЭС Консультант-2 методом трансляции базы знаний из глубинного представления в поверхностное// Технология разработки экспертных систем. Кишинев, 1987. - С. 116 - 120.

76. Саркисов Д.С. Очерки истории общей патологии. М.: Медиц. 1993. - 511 с.

77. Статические и динамические экспертные системы: учебное пособие/ Э.В. Попов и др. М.: Финансы и статистика, 1996. - 320 с.

78. Справочник по функциональной диагностике в педиатрии/ Под ред. Ю.Е. Вальтищева, Н.С. Кисляк. М., Медицина, 1979. 624 с.

79. Танака К. Итоги рассмотрения факторов неопределенности и неясности в инженерном искусстве// в кн.: Нечеткие множества и теория возможностей. Последние постижения: Пер. с англ. / Под ред. P.P. Ягеря М.: Радио и связь, 1986.-408 с.

80. Теория управления и биосистемы. Анализ сохранительных свойств // Новосельцев В.Н., гл. ред. физ.-мат. Лит. Изд-ва Наука, М.: 1978. 320 с.

81. Теория автоматического управления / Под ред. А.А. Воронова. -М.: Высшая школа, 1986. 367 с.

82. Терехина А.Ю. Анализ данных методами многомерного шкалирования.-М.: Наука, 1986. -215 с.

83. Титов B.C., Ширабакина Т.А. Основы теории управления. Линейные системы автоматического регулирования: Учебное пособие / Курский государственный технический университет, 1997. 71с.

84. Турмян В.Е. Теория вероятностей и математическая статистика. М.: Высшая шк. 1988.-479 с.

85. Тьюки Д. Анализ результатов наблюдений. Разведочный анализ. М.: Мир, 1981.-562 с.

86. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере/ Под ред. В.Э. Фигурнова. 3-е изд., перераб. и доп. М., 2003. - 544 с.

87. Уиллоби М. Детская гематология: Пер. с англ.-М.: Медицина, 1981. 672 с.

88. Уотерман Р.Д., Ленат Д., Хейсе Рот Ф. Построение экспертных систем: Пер.с англ. - М.: Мир, 1987. - 165 с.

89. Устинов А.Г., Бочков В.Б., Савенкова И.В. Принятие решений в универсальной интерактивной системе ТАИС // Материалы и упрочняющие технологии 98: Сборник публикаций VI Российской научно - технической конференции. КурскГТУ, Курск. 1998. - С. 212-214.

90. Фомин А.А., Тарловский Г.Р. Статистическая теория распознавания образов. М.: Радио и связь, 1986.

91. Хансен Г., Хансен Д. Базы данных: разработка и управление: Пер. с англ.-М.: ЗАО «Издательство БИНОМ». 1999. 704 с.

92. Экспертные системы. Принципы работы и примеры: Пер. с англ./ А.Брукинг, Д.Джонс, Ф.Кокс и др; Под ред. Р.Фройсата. М.: Радио и связь, 1987.-352 с.

93. Элти Кумбс Дж. Экспертные системы: концепции и примеры: Пер. с англ. М.: Финансы и статистика, 1987. - 251 с.

94. Addison G. М., Beamish М. R. Hales С. N. et al. An immunoradiometric assay for ferritin in the serum of normal subjects and patients with iron deficiency and iron overload. — Journal of Clinical Pathology, 1972. 25, 326-329.

95. Andrews J., Fairley A., Barker R. Total dose infusion of iron-dextrin in the elderly. — Scottish Medical Journal, 1976, 12, 208—215.

96. Bezwoda W. R., Bothwell T. H„ Torrance J. D. et al. The relationship between marrow iron stores, plasma ferritin concentration and iron absorption. — Scandinavian Journal of Hematology, 1979, 22, 113—120.

97. Ballas S. K. Normal serum iron and elevated total iron-binding capacity in iron-deficiency states. — American Journal of Clinical Pathology 1979, 71 401—403.

98. Bandler W., Kohout L.J. Probabilistic versus fuzzy production rules in expert systems // Int.J. Man-Machine studies.-1985.- Vol. 22.- P.347 -353.

99. Beutler E., Fairbanks V. F. The effects of iron deficiency. — In: Iron in biochemistry and medicine, vol. II/Eds. A. Yacobs, M. Worwood Academic Press London, 1980,393—425.

100. Buchanan B.G. and Shortliff E.H. Rule Expert Systems- The MYCIN Experiments of the Stanford Neuristic Programming Project.- Addison-Wesley.-1984.

101. Levine M. Automated diferentials: Geometric Data's "HEAMATRAK". Amer. Y. Med. Tech, 40, 1974, 464 p.

102. Negoita, C.N.: Expert System and Fuzzy Systems. The Benjamin / Cammings Publishing Co., Menlo Park, CA, 1985.