Автоматизация диагностики патологии центральной нервной системы у детей раннего возраста

• Автор: Швайкова, Ирина Николаевна
• Шифр специальности: 05.11.17
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Новосибирск
• Количество страниц: 186 с. : ил.

Список обозначений
Сокращения
ГЛАВА 1 ИССЛЕДОВАНИЕ ОСОБЕННОСТЕЙ ДИАГНОСТИКИ
ПАТОЛОГИИ ЦНС У ДЕТЕЙ РАННЕГО ВОЗРАСТА
1.1. Вводные замечания
1.2. Диагностика как процесс постановки диагноза
1.3. Группы входных данных
1.1.1. Данные анамнеза
1.3.1. Клинические данные
1.3.2. Данные диагностических исследований (параклинические данные)
1.3.3. Особенности исходных данных о пациенте
1.4. Структура неврологического диагноза
1.5. Особенности диагностики с точки зрения сбора, обработки и анализа
данных
1.6. Специфика процесса диагностики
1.7. Четырехэтапный алгоритм диагностики
1.8. Результаты и выводы по главе
ГЛАВА 2 ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ДИАГНОСТИКИ
2.1. Вводные замечания
2.2. Обзор систем диагностики, применяющих ИАД
2.2.1. Экспертные системы
2.2.2. Нейронные сети для задач диагностики
2.3. Обзор программных систем, реализующих алгоритмы и методы ИАД
2.4. Вопросы выбора методов ИАД для решения задачи диагностики
2.5. Анализ особенности применения методов ИАД
2.5.1. Деревья решений
2.5.2. Методы экспертного анализа
2.5.3. Статистические методы

2.5.4. Метод самоорганизации моделей: метод группового учета аргументов
2.5.5. Визуальное моделирование
2.5.6. Вариантное (вариативное) моделирование
2.6. Результаты и выводы по главе
ГЛАВА 3 ИСПОЛЬЗОВАНИЕ ИАД В ПРОЦЕССЕ РАЗРАБОТКИ МОДЕЛЬНОГО И АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ ЗАДАЧИ ДИАГНОСТИКИ
3.1. Вводные замечания
3.2. Технология разработки модельного обеспечения с применением ИАД
3.3. Разработка алгоритмов сбора данных
3.3.1. Анамнестические данные
3.3.2. Данные результатов осмотра невропатолога и результатов исследований
3.4. Шкала интегральной оценки патологии
3.5. Формирование множества диагностических признаков и создание вектор-моделей с использованием методов экспертного оценивания, деревьев решений и МГУ А
3.5.1. Обоснование необходимости введения ДП
3.5.2. Формирование моделей и алгоритмов расчета значений ДП с применением методов экспертного оценивания и деревьев решений
3.5.3. Применение метода группового учета аргументов для создания моделей и алгоритмов расчета ДП
3.5.4. Особенности организации вектор-моделей ДП
3.6. Организация моделетеки и вопросы выбора модели для формирования
различных вектор-моделей
3.7. Визуальные диагностические образы
3.8. Разработка моделей и алгоритмов этапа анализа данных и формирования диагноза
3.9. Результаты и выводы по главе
ГЛАВА 4 ПРИМЕНЕНИЕ РАЗРАБОТАННОГО МОДЕЛЬНОГО И АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ ДЛЯ ДИАГНОСТИКИ ПАТОЛОГИИ ЦНС
4.1. Вводные замечания
4.2. Параметризация и сбор данных

4.3. Применение разработанного модельного и алгоритмического обеспечения на этапе обработки
4.4. Особенности формирования диагноза
4.5. Результаты и выводы по главе
ГЛАВА 5 ОПИСАНИЕ РАЗРАБОТАННОЙ СИСТЕМЫ
АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ ПАТОЛОГИИ ЦНС
5.1. Вводные замечания
5.2. Программно-аппаратный комплекс
5.3. Система автоматизированной диагностики врача-невролога
5.3.1. Общие характеристики системы
5.3.2. Структура системы
5.3.3. Функции, выполняемые системой
5.4. Использование разработанных методик в практической неврологии
5.4.1. Исследование особенностей влияния различных этиологических
факторов на ЦНС ребенка
5.4.2. Исследование и описание особенностей течения патологии ЦНС
5.4.3. Решение задач прогнозирования
5.5. Результаты и выводы по главе
Заключение
Список литературы
Приложения

Нейронносетевые пакеты. Это широкий класс разнообразных систем, представляющих собой иерархические сетевые структуры, в узлах которых находятся искусственные нейроны. Сети тренируются на примерах и во многих случаях дают хорошие результаты предсказаний. Основным недостатком нейронных сетей являются трудности в интерпретации результатов. Тренированная нейронная сеть представляет собой "умный черный ящик", работу которого невозможно понять и контролировать. Примеры нейронно-сетевых пакетов: BrainMaker (CSS, США), NeuroShell (Ward Systems Group, США), OWL (Hyperlogic, США).
Довольно много систем используют метод, основанный на применении деревьев решений. Он применяется только для решения задач классификации, что является его серьезным ограничением. Результатом работы метода является иерархическая древовидная структура классификационных правил типа "ЕСЛИ ..., ТО...". Достоинством метода является естественная способность классификации на множество классов. Самыми известными являются С5.0 (RuleQuest, Австралия), Clementine (Integral Solutions, Великобритания), SIPINA (University of Lyon, Франция). Из доступных в России можно назвать IDIS (Information Discovery, США).
Метод группового учета аргументов (из продающихся в России систем) реализован в системах NeuroShell (Ward Systems Group), PolyAnalyst (Мегапьютер Интеллидженс). Из отечественных разработчиков МГУ А реализован в пакетах Applied Programs (разработчик HnO"TsentrProgramSystem" г.Тверь).
Коммерческие программные средства ИАД, несмотря на все их разнообразие, представляют собой дорогостоящие универсальные математические инструменты. Эксперт, использующий такой продукт, имеет дело лишь с указанием на применяемый математический метод (например, метод главных компонентов) и самым общим описанием входных/выходных данных и рабочих параметров. Сами алгоритмы остаются недоступными. Таким образом, эксперт, по существу, работает с некоторым «черным