Помощь в написании студенческих работ
Антистрессовый сервис

Интеллектуальная поддержка процесса диагностики хронических диффузных поражений печени на основе многомерного статистического и сетевого моделирования

Диссертация: Интеллектуальная поддержка процесса диагностики хронических диффузных поражений печени на основе многомерного статистического и сетевого моделирования
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Пункционная биопсия, имеющая в настоящее время статус «золотого стандарта» диагностики патологических процессов в печени, в силу так называемых «ошибок попадания» может давать ложное представление о характере изменений в органе. Кроме того, всегда сохраняется риск развития тяжелых осложнений этой инвазивной диагностической процедуры. Поэтому чрезвычайно актуально применение альтернативных… Читать ещё >

Интеллектуальная поддержка процесса диагностики хронических диффузных поражений печени на основе многомерного статистического и сетевого моделирования (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. АНАЛИЗ ПУТЕЙ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ДИАГНОСТИКИ ХРОНИЧЕСКИХ ДИФФУЗНЫХ ПОРАЖЕНИЙ ПЕЧЕНИ
    • 1. 1. Обзор современного состояния проблемы хронических заболеваний печени
    • 1. 2. Характеристика информативности методов диагностики хронических диффузных поражений печени
    • 1. 3. Применение экспертных систем в обеспечении процесса диагностики
    • 1. 4. Цель и задачи исследования
  • 2. АНАЛИЗ КЛИНИЧЕСКИХ ПРИЗНАКОВ И МОДЕЛИРОВАНИЕ ПРОЦЕССА УПРАВЛЕНИЯ ПОСТАНОВКОЙ ДИАГНОЗА ХДПП
    • 2. 1. Анализ клинических признаков хронических диффузных поражений печени
    • 2. 2. Моделирования процесса управления постановкой диагноза заболеваний печени на основе сетей Петри
  • Выводы второй главы
  • 3. ОЦЕНКА ЭФФЕКТИВНОСТИ И РЕАЛИЗАЦИЯ МЕТОДОВ МНОГОВАРИАНТНОГО МОДЕЛИРОВАНИЯ ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ХРОНИЧЕСКИХ ЗАБОЛЕВАНИЙ ПЕЧЕНИ
    • 3. 1. Статистическое моделирование диагностики заболеваний печени
    • 3. 2. Оценка состояния больных хроническими заболеваниями печени на основе «дерева» решений
    • 3. 3. Разработка модели постановки диагноза хронических поражений печени на базе многослойного персептрона
  • Выводы третьей главы
  • 4. РЕАЛИЗАЦИЯ ЭКСПЕРНОЙ СИСТЕМЫ ИНТЕЛЛЕКТУАЛИЗАЦИИ ПРОЦЕССА ДИАГНОСТИКИ ХДПП

Актуальность темы

Хронические диффузные поражения печени (ХДПП) являются одним из наиболее актуальных разделов внутренней патологии. В связи с широким распространением наркомании, алкоголизма и различных форм инфекционного гепатита, ввиду гепатотоксичного химического загрязнения окружающей среды и продуктов питания отмечается повышение удельного веса диффузных заболеваний данной системы среди общей заболеваемости населения во многих странах мира. По данным ВОЗ, за последние 20 лет смертность от заболеваний печени возросла в 2 раза. ХДПП занимают первое место среди различных причин утраты трудоспособности у больных с заболеваниями желудочно-кишечного тракта [124].

Таким образом, медицинская проблема ХДПП обретает медико-социальную значимость, определяемую широкой распространенностью заболеваний данной группы, тяжестью течения, ранней инвалидизацией и высокой летальностью.

К числу наиболее распространенных хронических диффузных заболеваний печени относят хронические вирусные гепатиты, цирроз и жировую дегенерацию печени.

Пункционная биопсия, имеющая в настоящее время статус «золотого стандарта» диагностики патологических процессов в печени, в силу так называемых «ошибок попадания» может давать ложное представление о характере изменений в органе. Кроме того, всегда сохраняется риск развития тяжелых осложнений этой инвазивной диагностической процедуры. Поэтому чрезвычайно актуально применение альтернативных, неинвазивных методов оценки тяжести процесса. Также актуально раннее выявление заболеваний, приводящих к фиброзу и циррозу печени — в частности, хронического гепатита С, что также является важным для своевременной терапии.

Хронические гепатиты включают широкий спектр нозологически самостоятельных диффузных воспалительных заболеваний печени различной этиологии. В ряде случаев некоторые заболевания печени на определенном этапе их развития имеют ряд общих клинических и морфологических признаков, свойственных гепатитам, что требует проведения дифференциальной диагностики между ними.

Ранняя диагностика позволяет своевременно начать лечение и замедлить прогрессирование поражения печени. Большое число параметров, по которым производится оценка состояния больного, требует учета всех факторов и обоснованного подхода к диагностике, что представляет сложную задачу для врача — клинициста. При этом действия врача основываются на априорной, вероятностной оценке симптомов патологий с одной стороны и детерминированном подходе к постановке диагноза с другой. Скудность клинических проявлений, их схожесть с различными другими патологическими состояниями, значительно затрудняет диагностический процесс. Данное обстоятельство делает крайне сложным прогнозирование исхода заболевания без привлечения математических методов.

В связи с этим неоспоримо большое значение приобретает всестороннее усовершенствование методов поддержки принятия решений постановки диагноза заболеваний печени.

Использование автоматизированной системы для поддержки принятия решения на основе алгоритмов, использующих формальные методы математического анализа медицинских данных, позволит в значительной степени освободить врача от рутинной деятельности, обеспечивая возможность более глубокого анализа клинической информации.

Таким образом, актуальность темы заключается в необходимости разработки методов интеллектуальной поддержки процесса диагностики ХДГТГТ с применением методов искусственного интеллекта и математического моделирования, что способствует повышению эффективности принимаемых решений.

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

Цель и задачи исследования

Целью диссертационной работы является разработка моделей и алгоритмов, повышающих эффективность процесса принятия решений при диагностике хронических диффузных поражений печени на основе многовариантного моделирования с последующим внедрением результатов исследования в клиническую практику.

Для достижения поставленной цели необходимо решить следующие задачи: провести статистический анализ и сформировать исходную матрицу классификационных признаков хронических заболеваний печени, представленную клиническими симптомами, результатами лабораторных и УЗИ — исследованийразработать математическую модель процесса принятия решений при планировании диагностического процесса заболеваний печени на основе сетей Петрисформировать классификационные модели на основе экспертного оценивания и статистических методов распознавания образов для оценки состояния больных с хроническими заболеваниями печениразработать алгоритм отнесения состояния пациента к одному из классов заболеваний печени на основе метода «деревьев решений" — реализовать систему поддержки принятий решений постановки диагноза хронических заболеваний печени на основе нейросетевого моделированиясоздать и внедрить автоматизированную экспертную систему интеллектуализации процесса диагностики диффузных поражений печени в клиническую практику.

Методы исследования. Для достижения поставленных задач в работе были использованы методы системного анализа, распознавания образов, экспертного оценивания, прикладной статистики, имитационного моделирования, «деревьев решений», а также методы искусственного интеллекта и ней-росетевого моделирования.

Научная новизна. В работе получены следующие основные результаты, характеризующиеся научной новизной: методика интеллектуальной поддержки принятия решения при диагностике хронических гепатитов, жировой дегенерации и циррозов печени, основанная на формализованном описании данных клинических, лабораторных и УЗИ — исследованийфункциональная модель системы диагностики заболеваний печени на основе сети Петри, отличающаяся способностью формировать план диагностических мероприятий путем имитации для повышения эффективности принимаемых решенийметодика оценки состояния больных с хроническими диффузными поражениями печени на основе статистических критериев, позволяющая учитывать индивидуальные особенности больныхалгоритм оценки состояния пациентов с заболеваниями печени на основе метода «деревьев решений», позволяющий определить значимость входных переменных и снизить размерность признакового пространстванейросетевые модели постановки диагноза заболеваний печени, обеспечивающие информационную поддержку принимаемых лечащим врачом решений с проведением количественной оценки влияния различных диагностических показателей на выходной сигнал сетиавтоматизированная система интеллектуальной поддержки диагностики хронических диффузных поражений печени, реализующая интеграцию методов, моделей и алгоритмов рационального принятия решений.

Практическая значимость и результаты внедрения. В результате проведенного исследования разработана и научно обоснована методика дифференциальной диагностики хронических диффузных поражений печени, проведена оценка основных клинических и инструментальных показателей, позволяющая повысить эффективность диагностики хронических гепатитов минимальной, умеренной и высокой степени активности, стеатоза, стеатогепатита и цирроза печени в стадиях компенсации, субкомпенсации и декомпенсации.

Результаты исследований в виде информационного и программного обеспечения автоматизированной системы сбора, обработки и анализа медицинской информации апробированы в гастроэнтерологическом отделении городской клинической больницы скорой медицинской помощи № 10.

Материалы диссертации внедрены в учебный процесс кафедры «Системный анализ и управление в медицинских системах» Воронежского государственного технического университета.

Апробация работы. Основные положения и научные результаты диссертационного исследования докладывались и обсуждались на следующих конференциях, совещаниях и семинарах: Всероссийской конференции «Интеллектуализация управления в социальных и экономических системах» (Воронеж, 2006, 2007), Всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 2006, 2007), научно-методических семинарах кафедры системного анализа и управления в медицинских системах Воронежского государственного технического университета (Воронеж, 20 042 007).

Публикации. По теме диссертации опубликовано 9 научных работ, в том числе 1 — в издании, рекомендованном ВАК РФ.

В работах, опубликованных в соавторстве и приведенных в конце автореферата, соискателем проведен анализ методов диагностики хронических заболеваний печени [2]- проанализированы и сформированы клинические, лабораторные и УЗИ — признаки хронических гепатитов минимальной, умеренной и высокой степени активности, стеатоза, стеатогепатита, а также циррозов печени в стадиях компенсации, субкомпенсации и декомпенсации [5]- приведен алгоритм имитационного моделирования процесса диагностики заболеваний печени на основе сетей Петри [4]- разработаны прогностические модели оценки состояния больных ХДПП с применением методов многомерного статистического анализа данных и «деревьев решений» [1,6, 9]- представлена структура нейронной сети для моделирования процесса диагностики заболеваний печени [8]- описана реализация алгоритма формирования информационной системы поддержки принятия решений [3,7].

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 139 наименований, приложения. Основная часть работы изложена на 125 страницах, содержит 29 рисунков, 8 таблиц.

9. Результаты исследования в виде специального программного обеспечения внедрены в клиническую практику гастроэнтерологического отделения ГКБ СМП № 10.

ЗАКЛЮЧЕНИЕ

.

В результате проведенного исследования по разработке ителлектуаль-ной поддержки процесса диагностики хронических диффузных поражений печени на основе методов многомерного статистического и сетевого моделирования были получены следующие результаты.

1. Проведен системный анализ путей повышения эффективности управления диагностикой хронических гепатитов, жировой дегенерации и циррозов печени различной степени тяжести на основе методов поддержки принятия решений.

2. Выделены наиболее информативные факторы из множества динамически изменяющихся параметров состояния пациента, используемые для построения прогностических моделей постановки диагноза ХДПП.

3. Реализована функциональная модель на основе сети Петри, позволяющая повысить эффективность принятия решений по управлению процессом диагностики заболеваний печени.

4. Предложена классификация пациентов по различным диагностическим показателям для определения класса заболеваний и сформированы математические модели на основе дискриминантного анализа.

5. Разработан алгоритм оценки состояния пациентов с ХДПП на основе метода «деревьев решений», позволяющий оценить значимость входных переменных и снизить размерность признакового пространства.

6. Реализована нейросетевая модель постановки диагноза хронических поражений печени на базе многослойного персептрона. В результате анализа возможных вариантов сокращения признакового простанства и повышения эффективности работы модели предложено экспертное оценивание при отборе наблюдений для реализации входной матрицы признаков.

7. По результатам сравнения интерполяционных качеств разработанных моделей наиболее достоверными показали себя математические функции, полученные методом дискриминантного анализа.

8. На основании реализованных моделей и алгоритмов разработана автоматизированная экспертная система интеллектуализации процесса диагностики хронических диффузных поражений печени.

Показать весь текст

Список литературы

  1. С.А., Бежаева З. И., Староверов О-В. Классификация многомерных наблюдений. М.: Статистика, 1974. — 240 с.
  2. С.А., Буштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Классификация и снижение размерностей. М.: Финансы и статистика, 1989. — 607 с.
  3. С.А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Основы моделирования и первичная обработка данных. Справочное издание. М.: Финансы и статистика, 1983.-472 с.
  4. В.В., Шнейдеров B.C. Обработка медико-биологических данных на ЭВМ. Л.: Медицина, 1984. — 160 с.
  5. С.В. и др. Прикладной статистический анализ данных. Теория. Компьютерная обработка. Области применения. В 2-х томах. М.: ПРИОР, 2002. — 688 с.
  6. Т. Введение в многомерный статистический анализ. -М.: Физматгиз, 1963. 500 с.
  7. О .Я. Хронические гепатиты.— К.: Блиц-Информ, 1999.—208 с.
  8. P.M. Прогнозирование состояния на грани нормы и патологии. М.: Медицина, 1979. — 157 с.
  9. Ю.Л. и др. Вопросы статистической теории распознавания/Под ред. Б. В. Барского. М.: Советское радио, 1967.-400с.
  10. С.Д., Гурович Ф. Г. Математико-статистические методы экспертных оценок. -М.: Статистика, 1980.-263 с.
  11. Р., Хан А. Дифференциальный диагноз при абдоминальном ультразвуковом исследовании. Витебск: Белмедкнига, 1997. 253 с.
  12. П., Доксам К. Математическая статистика. М.: Финансы и статистика, 1983. Вып. 1.-278 е.- Вып. 2.-254 с.
  13. Болезни печени и желчевыводящих путей: Руководство для врачей / Под ред. В. Т. Ивашкина. М. ООО «Издат. дом „М-Вести“, 2002. — с. 416.
  14. Боровиков В.П. Statistica для студентов и инженеров. М.: КомпьютерПресс, 2001. — 301 с.
  15. И.Н., Гончарик И. И., Демидчик Е. П., Сакович М. Н. Справочник по гастоэнтерологии. Минск, 1997.
  16. Г. И. Клиническая гастроэнтерология. Киев, 1979.
  17. Э.М., Мучник Ч. Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983. — 464 с.
  18. Ван дер Варден Б. Л. Математическая статистика. М.: Изд-во иностр. лит., 1960.-302 с.
  19. В.Н., Червоненкис А. Я. Теория распознавания образов. -М.: Наука, 1974.-487 с.
  20. В.И., Ильясов Б. Г., Валеев С. В., Жернавков С. В. Интеллектуальные системы управления с использованием нейронных сетей. Учебное пособие. Уфа: УГАТУ, 1997. — 92 с.
  21. Н.С., Панов В. М. „Имитационное моделирование сложных систем“ М.: Практика, 1998.
  22. Е.С. Теория вероятностей. М.: Высш. шк., 1999. — 576 с.
  23. К., Дейн Р., Грун Ф и др. Распознавание образов: состояние и перспективы. М.: Радио и связь, 1985. — 104 с.
  24. Л.К. Об исследовании многопризнаковых биологических систем // Применение математических методов в биологии. Т. III. Л.: ЛГУ, 1964. С. 9−12.
  25. И.П. Анализ и обработка данных: специальный справочник. СПб.: Питер, 2001. — 752 с.
  26. Я.Я. Новая информационная технология анализа медицинских данных. СПб: Политехника, 1999. — 191 с.
  27. B.C. Теория вероятностей и математическая статистика. -М.: Высш. шк., 1972.-368 с.
  28. .В. Курс теории вероятностей: Учебник. М.: Наука, 1988.-380 с.
  29. А.Н. Обучение нейронных сетей. М.: Изд. СССР-США СП „ParaGraph“, 1990.- 160 с.
  30. А.Н. Нейроинформатика и ее приложения // Открытые системы. 1998а. № 4.
  31. А.Н. Функции многих переменных и нейронные сети // Соросовский образовательный журнал. 19 986. № 12. С. 105−112.
  32. А.Н., Дунин-Барковский B.JL, Кирдин А. Н. и др. Нейроинформатика. Новосибирск: Наука. Сибирское предприятие РАН, 1998. -296 с.
  33. Горелик A. JL, Гуревич И. Б., Скрипкин В. А. Современное состояние проблемы распознавания. М.: Радио и связь, 1985. — 160 с.
  34. А.Л., Скрипкин В. А. Методы распознавания. М.: Высш. шк., 1984.-219 с.
  35. У. Лекции по теории образов. М.: Мир. Т. 1. Синтез образов. 1979. — 384 е.- Т. 2. Анализ образов. 1981. — 448 е.- Т. 3. Регулярные структуры. 1983. — 432 с.
  36. П.Я., Яковенко А. В. Клиническая гастроэнтерология. -М.:МИА, 2001.-е. 693.
  37. Е.В. Вычислительные методы анализа и распознавания патологических процессов. Л.: Медицина, 1978. — 296 с.
  38. К. Введение в системы баз данных. Киев: Диалектика, 1998.-784 с.
  39. A.M. Обработка статистических данных методом главных компонент. М.: Финансы и статистика, 1978. — 135 с.
  40. Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1978.-510 с.
  41. Дюк В. Обработка данных на ПК в примерах. СПб.: Питер, 1997.-240 с.
  42. ., Оделл П. Кластерный анализ. М.: Статистика, 1977.128 с.
  43. И.И., Юзбашев М. М. Общая теория статистики. М.: Финансы и статистика, 1995. — 368 с.
  44. Л.И., Рукавишников В. О. Группировка, корреляция, распознавание образов. М.: Статистика, 1977. — 144 с.
  45. И.С. Методы, алгоритмы, программы многомерного статистического анализа. М.: Финансы и статистика, 1986.
  46. М. Иерархический кластер-анализ и соответствия. М.: Финансы и статистика, 1988. — 342 с.
  47. Н.Г. Методы распознавания и их применение. М.: Сов. радио, 1972.-308 с.
  48. Л. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня. М.: Знание, 1974. С. 5−49.
  49. Л. Статистическое оценивание. М.: Статистика, 1976. — 598 с.
  50. Г. А. Лучевая и ультразвуковая диагностика заболеваний печени и желчных путей. М.: Медицина, 1988. 240 с
  51. А.Г. Самообучающиеся системы распознавания и автоматического управления. Киев: Техника, 1969. — 392 с.
  52. А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Техника, 1975. — 311 с.
  53. А.Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987. — 118 с.
  54. Г. Г., Вилявин М. Ю., Никитаев Н.С.Компьютерная томография печени и желчных путей.
  55. М., Стьюарт А. Теория распределений. М.: Наука, 1966.-566 с.
  56. М., Стьюарт А. Статистические выводы и связи. М .: Наука, 1973.-899 с.
  57. Ким Дж.О., Мьюллер Ч. У, Клекка У. Р. и др. Факторный, дискри-минантный и кластерный анализ. -М.: Финансы и статистика, 1989. 215 с.
  58. Классификация и кластер / Под ред. Дж. Вэн-Райзина. М.: Мир, 1980.-390 с.
  59. А.Н. Избранные труды: Математика и механика. -М.: Наука, 1985. С. 136−138.
  60. П.П. Математические модели теории распознавания образов // Компьютер и задачи выбора. -М.: Наука, 1989. С. 89−119.
  61. Ф.И. Диагностика и лечение внутренних болезней. Том 3.-Москва, 1992.
  62. Г. Математические методы статистики. М.: Мир, 1975.-648 с.
  63. С. Теория информации и статистика. М.: Наука, 1967.-408 с.
  64. Г. И., Белолапотко Е. А., Сидоренко Г. В. Оценка состояния портального кровообращения у больных циррозом печени по данным дуплексного сканирования / Визуализация в клинике. Декабрь. — 1994. -С. 33−38.
  65. С.Н., Чуйсенко А. В., Бабич П. И. Статистические методы в медико-биологических исследованиях с использованием Excel. М.: Изд-во „Морион Лтд“, 2000. — 320 с.
  66. О.И., Мечитов А. И., Мошкович Е. М., Фуремс Е. М. Выявление экспертных знаний (процедуры и реализации). М.: Наука, 1989. -128 с.
  67. Г. С. Методы обработки разнотипных экспериментальных данных. Новосибирск: Наука, 1981. — 157 с.
  68. Э. Проверка статистических гипотез. М.: Наука, 1964.498 с.
  69. А.Н. Математические методы планирования многофакторных медико-биологических экспериментов. М.: Медицина, 1979. — 344 с.
  70. .Г. Экспертная информация. Методы получения и анализа. -М.: Радио и связь, 1982. 184 с.
  71. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991.-342 с.
  72. Манд ель И. Д. Кластерный анализ. М.: Финансы и статистика, 1988.- 176 с.
  73. Т.А., Родионов О. В. Методы лабораторной и инструментальной диагностики хронических диффузных поражений печени // Интеллектуализация управления в социальных и экономических системах: тр. Всерос. конф. Воронеж, 2006. С. 260 261.
  74. М., Пейперт С. Персептроны. М.: Мир, 1971. — 252 с.
  75. В.В. Ультразвуковая диагностика (практическое руководство). Допплерография. Видар: М., 1999.
  76. Моделирование дискретных параллельных процессов управления с помощью сетей Петри / В. Б. Васильев, В. В. Кузьмук, Г. Майер, С. Фенч // Электронное моделирование. 1986. Т.8. № 2.
  77. Ю. Вводный курс теории вероятностей и математической статистики. М.: Наука, 1968. — 448 с.
  78. Н. Д. Искусственный интеллект. Методы поиска решений.- М.: Мир, 1973.-298 с.
  79. А.И. Прикладная теория измерений // Прикладной многомерный статистический анализ. -М.: Наука, 1978. С. 68−138.
  80. Г. Общее руководство по радиологии. NICER. М.: РА „Спас“, 1996. 1330 с.
  81. С.Д. Болезни печени. Москва, 1984.
  82. И.И. Некоторые модели оценки и оптимизации информационных систем: математический аппарат моделирования // НТИ. 1981. Сер. 2. № 3. С. 10−16.
  83. Популярная медицинская энциклопедия / Под ред. Б. В. Петровского. М.: Советская энциклопедия, 1988. — 513 с.
  84. О.В., Мешкова Т. А. Применение метода имитационного моделирования в автоматизированных системах управления процессом диагностики // Интеллектуализация информационных систем: тр. Всерос. конф. Воронеж, 2006. Ч. 1. С. 164 165.
  85. О.В., Мешкова Т. А. Разработка модели диагностики хронических диффузных поражений печени на основе модифицированных сетей Петри // Управление процессами диагностики и лечения: межвуз. сб. науч. тр. Воронеж: ВГТУ, 2006. С. 127 130.
  86. О.В., Мешкова Т. А. Анализ диагностической ценности клинических признаков хронических диффузных поражений печени // Интеллектуализация управления в социальных и экономических системах: тр. Всерос. конф. Воронеж, 2007. С. 244 245.
  87. О.В., Мешкова Т. А. Применение статистических методов распознавания образов для повышения эффективности диагностики заболеваний печени // Интеллектуальные информационные системы: тр. Всерос. конф. Воронеж, 2007. С. 189 190.
  88. О.В., Мешкова Т. А. Реализация прогностической модели постановки диагноза хронических диффузных поражений печени на основе метода „деревьев решений“ // Интеллектуальные информационные системы: тр. Всерос. конф. Воронеж, 2007. С. 172 173.
  89. О.В., Мешкова Т. А. Разработка модели постановки диагноза хронических диффузных поражений печени на базе многослойного персептрона // Управление процессами диагностики и лечения: межвуз. сб. науч. тр. Воронеж: ВГТУ, 2007. С. 64−67.
  90. О.В., Мешкова Т. А. Математическое моделирование и алгоритмизация процесса диагностики хронических диффузных поражений печени // Вестник Воронеж, гос. техн. ун-та. 2007. Т.З. № 7. С. 14−18.
  91. Г. С. О сравнении различных методов автоматической классификации // Автоматика и телемеханика. 1975. № 9. С. 145−148.
  92. Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. М.: Мир, 1965.-480 с.
  93. В.О. Экспертные системы интеллектуальные помощники специалистов. — СПб: Санкт-Петербургская организация общества „Знания“ России, 1992. — 196 с.
  94. Дж. Автоматическая обработка, хранение и поиск информации. -М.: Сов. радио, 1973. 168 с.
  95. Ю.В. Теория и организация экспертного прогнозирования. М.: ИМЭМО АН СССР, 1990. — 196 с.
  96. Д.С. Программное обеспечение прикладной статистики. Обзор состояния. Тенденции развития. М.: Финансы и статист., 1988.-240 с.
  97. Н.В., Дунин-Барковский И.В. Курс теории вероятностей и математической статистики для технических приложений. Изд. 2-е, испр. и доп. М.: Наука, 1965. — 511 с.
  98. Справочник по типовым программам моделирования / Под ред. А. Г. Ивахненко Киев: Техника, 1980. — 184 с.
  99. Справочник по прикладной статистике. В 2-х т. / Под ред. Э. Ллойда, У. Ледермана, Ю. Н. Тюрина. М.: Финансы и статистика, 1989. Т. 1. -510 с.- 1990. Т. 2.-526 с.
  100. К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. М.: Финансы и статистика, 1990.-346 с.
  101. Ту Дж, Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978.-410 с.
  102. Дж. Анализ результатов наблюдений. Разведочный анализ.-М.: Мир, 1981.-693 с.
  103. Ю.Н., Макаров А. А. Анализ данных на компьютере. М.: Финансы и статистика, 1995. — 384 с.
  104. П. Искусственный интеллект. М.: Мир, 1980. — 520 с.
  105. Ф. Нейрокомпьютерная техника. М.: Мир, 1992.184 с.
  106. Д. Руководство по экспертным системам. М.: Мир, 1980.-384 с.
  107. В.Ю. Математическая статистика для биологов и медиков. -М.: Изд-во АН СССР, 1963. 323 с.
  108. В.Ю. Дискриминантный анализ и его применение в биологической систематике и медицинской диагностике // Применение математических методов в биологии. Вып. 3. Л.: 1964. С. 67−87.
  109. .С., Брусиловский П. М., Розенберг Г. С. О методах математического моделирования сложных систем // Системные исследования. Ежегодник. -М.: Наука, 1982. С. 65−79.
  110. Л., Оуэне А., Уолш М. Искусственный интеллект и эволюционное моделирование. М.: Мир, 1969. — 230 с.
  111. Я.А., Тарловский Г. Р. Статистическая теория распознавания образов. М.: Радио и связь, 1986. — 264 с.
  112. Фу К. Структурные методы в распознавании образов. М.: Мир, 1977.-320 с.
  113. А. Математическая статистика с техническими приложениями. М.: Изд. иностр. лит., 1956. — 664 с.
  114. Хан Г., Шапиро С. Статистические модели в инженерных задачах. М.: Мир, 1969. — 396 с.
  115. Э. Искусственный интеллект. М.: Мир, 1978. — 558 с.
  116. Я.З. Адаптация и обучение в автоматических системах. -М.: Наука, 1968.-399 с.
  117. О.Ю., Гажонова В. Е., Иванников И. О. и др. Возможности импульсной допплерографии при ультразвуковом исследовании пациентов с хроническими диффузными заболеваниями печени: 3-й съезд РАСУЗД в медицине. М., 1999. С. 109−110.
  118. Шерлок Ш, Дули Дж. Заболевания печени и желчных путей: Практ. рук.: Пер. с англ. / Под ред. З. Т. Апросиной, Н. А. Мухина. М: Гэотар Медицина, 1999.-е. 864.
  119. Д., Кумбс М. Экспертные системы: концепции и примеры.- М.: Финансы и статистика, 1987. 191 с.
  120. A.M., Яглом И. М. Вероятность и информация. М.: Наука, 1973.-512 с.
  121. Alpem М.В., Rubin J.M., Williams D.M. et al. Porta hepatis: duplex DopplerUS with angiographic correlation, Radiology, 1987- 162:53.
  122. Barbara L. The value of Doppler US in the study of hepatic hemodynamics. Consensus conference, J. Hepatol., 1990- 10: 353−355.
  123. Bisceglie A.M. Hepatitis С and hepatocellular carcinoma // Hepatolo-gy. V.26. 1997. № 3. P. 534−538.
  124. Bishop C. Neural Networks for Pattern Recognition. Oxford: University Press, 1995.-432 p.
  125. Breiman L., Friedman J.H., Olshen R.A., Stone C.J. Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software, 1984. — 358 p.
  126. Efroimson M.A. Multiple regression analysis // Mathematical Methods for Digital Computers. 1960. V. 1. P. 191−203.
  127. Gower J.C., Ross G.J. Minimum spanning trees and single linkage cluster analysis //Appl. Stat. 1969. V. 18. № 1. P. 54−64.
  128. Lindman H. R. Analysis of variance in complex experimental designs.- San Francisco: W. H. Free-man & Co., 1974.
  129. Loh W.-Y., Shih Y.-S. Split selection methods for classification trees 11 Stat. Sinica, 1997. V. 7. P. 815−840.
  130. Machine Learning, Neural and Statistical Classification / Ed. D. Mit-chie et al. Ellis Horwood, Chichester, UK, 1994. — 304 p.
  131. Murthy S. Automatic construction of decision trees from data: A Multi-disciplinary survey // Data Mining and Knowledge Discovery (Kluwer Academic Publishers, USA). 1998. V. 2. № 4. P. 345 389 p.
  132. Ohnishi K., Saito M., Sato S. Portal hemodynamics in idiopathic portal hypertension (Banti syndrome) comparison with chronic persistent hepatitis and normal subjects, Gastroent., 1987- 92:751−758.
  133. Quinlan J.R. C4.5: Programs for Machine learning. San Mateo: Morgan Kaufmann Publishers, 1993. — 302 p.
  134. Seitz K. Portale Hypertension. Sonographische Differential diagnostic Bd. 1. Weinheim: Edition Medizin, 1991.S. 163−196.
  135. Tryon R.C. Cluster Analysis. NY.: McGraw-Hill, 1939.
  136. Vittikh V.A. Engineering theories as a basis for integrating deep engineering knowledge // Artifical Intel, in Engin. 1997. V. LP. 25−30.
  137. Ward J.H. Hierarchical grouping to optimize an objective function // J. Amer. Statist. Assoc. 1963. V. 58. № 301. P. 236−244.
  138. Zoli M., Iervese Т., Merkel C. et al. Prognostic significance of portal hemodinamics in patients with compensated cirrhosis, J. Hepatol., 1993- 17:56−61.
  139. УТВЕРЖДАЮ» главный врач МУЗ «Городская клиническая больница скорой медигшш^шрмощи № 10"1. АЗАРЕНКО .2007 г. о передаче и принятии к внедрени10*риеэуяетатов НИР
  140. Вид внедряемых результатов:
  141. Предложена методика интеллектуальной поддержки принятия решения при диагностике хронических заболеваний печени, основанная на формализованном описании данных клинических, лабораторных и УЗИ исследований.
  142. Предложена функциональная модель системы диагностики ХДПП на основе сети Петри, формирующая план диагностических мероприятий путем имитации для повышения эффективности принимаемых решений.
  143. Предложена совокупность решающих правил для оценки состояния больных с хроническими диффузными поражениями печени на основе статистических критериев с учетом индивидуальных особенностей пациентов.
  144. Предложена автоматизированная система интеллектуальной поддержки процесса диагностики ХДПП, реализующая интеграцию методов, моделей и алгоритмов рационального принятия решений.
  145. Технический уровень НИР: Неохраноспособна.
  146. Настоящий акт не является основанием для финансовых расчетов.
  147. Зав. гастроэнтерологическим отделением ГКБ СМП № 101. Антоньева Т.П.
  148. Настоящий акт составлен в том, что на основании исследований, проведенных автором, получены следующие результаты:
  149. Предложена методика интеллектуальной поддержки принятия решения при диагностике хронических гепатитов, жировой дегенерации и циррозов печени, основанная на формализованном описании данных клинических, лабораторных и УЗИ исследований.
  150. Предложен алгоритм оценки состояния пациентов с ХДПП на основе метода «деревьев решений», позволяющий оценить значимость входных пере-^ менных и снизить размерность признакового пространства.
  151. Предложены нейросетевые модели постановки диагноза заболеваний печени, обеспечивающие информационную поддержку принимаемых лечащим врачом решений с проведением количественной оценки влияния различных диагностических показателей на выходной сигнал сети.
Заполнить форму текущей работой

Сессия? Спокойно!