Компьютерная диагностика вероятностными методами и ее использование для дифференциальной диагностики механической и паренхиматозной желтух

• Автор: Жмудяк, Александра Леонидовна
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Барнаул
• Количество страниц: 204 с. : ил.

1.1 Обзор методов диагностики с использованием искусственного интеллекта

1.2 Медицинская диагностика желтух.

ГЛАВА 2 ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ РАЗРАБОТАННЫХ МЕТОДИК

2.1 Совмещение медицинского и математического подходов к диагностике заболеваний

2.1.1 О диагностике на основе моделирования

2.1.2 Использование условных вероятностей

2.1.3 Дополнение статистики и уточнение распределений

2.2 Использование многомерных распределений

2.3 Байесовский подход к диагностике с учетом взаимозависимости диагностических признаков и динамики заболеваний.

2.3.1 Использование формулы Байеса.

2.3.2 Учет динамики заболеваний при байесовском подходе

2.3.3 О совмещении методов диагностики.
2.4 Оценка результатов диагностики.
2.4.1 Уровень надежности и неопределенный диагноз
2.4.2 Устойчивость диагноза
2.4.3 Надежность постановки диагноза расчетными методами.
2.4.4 Критерий эффективности диагностики.
2.4.5 Влияние отдельного ДИ на диагноз.
2.5 Имитационные модели болезней и исследование на них теоретических вопросов.
ГЛАВА 3 БАЗА ДАННЫХ, ВЕРОЯТНОСТИ И ПЛОТНОСТИ ВЕРОЯТНОСТЕЙ ДИАГНОСТИЧЕСКИХ ПРИЗНАКОВ
3.1 Характеристика статистических данных.
3.1.1 Относительная частота механической и паренхиматозной желтух
3.1.2 Диагностические признаки.
3.2 Дискретные и непрерывные диагностические признаки, построение гистограмм.
3.2.1 Дискретные и непрерывные диагностические признаки
3.2.2 Особенности построения гистограмм непрерывных диагностических признаков
3.3 Построение искусственных распределений.
3.4 Построение многомерных распределений.
3.5 Особенности работы со статистической базой данных
3.6 Исследование взаимозависимости диагностических признаков
3.6.1 Независимые и зависимые диагностические признаки в формуле Байеса
3.6.2 Экспертная оценка зависимости признаков
3.6.3 Наборы ядра независимых признаков

ГЛАВА 4 МАРКЕРЫ ГЕПАТИТОВ И ИХ ИСПОЛЬЗОВАНИЕ ПРИ ДИАГНОСТИКЕ.
4.1 Общая схема диагностики на основе маркеров гепатитов
4.2 Использование сочетаний маркеров гепатитов
4.2.1 Вирусный гепатит А
4.2.2 Вирусный гепатит В.
4.2.3 Вирусный гепатит С.
4.3 Диагностика на основе динамики маркеров
4.3.1 Динамика маркеров и стадии болезни.
4.3.2 Хронология формирование хронологии, расстановка моментов стадий болезни
4.3.3 Общий алгоритм диагностики на основе динамики маркеров.
ГЛАВА 5 УЧЕТ ДИНАМИКИ ЗАБОЛЕВАНИЙ ПРИ ДИАГНОСТИКЕ
5.1 Методика учета динамики и взаимозависимость диагностических признаков .
5.2 Диагностика при многократном определении признака
5.3 Влияние лечения на динамику заболевания
ГЛАВА 6 ПРОГРАММА, РЕЗУЛЬТАТЫ И СРАВНЕНИЕ МЕТОДОВ ДИАГНОСТИКИ
6.1 Программная система
6.2 Использование уровня надежности и коэффициента эффективности для оценки качества диагностики
6.3 Серия экспериментов при различных приемах формирований распределений
6.4 Серия экспериментов при различных приемах формирования базы данных .
6.5 Серия экспериментов с использованием многомерных распределений
6.6 Серия экспериментов с учетом динамики заболеваний
6.7 Результаты байесовской диагностики с учетом динамики заболеваний
6.8 Сравнение результатов дифференциальных диагностик методами Байеса, дискриминантного анализа, классификационных деревьев и нейронных сетей
.
ЗАКЛЮЧЕНИЕ.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. Среди всех интересных свойств искусственных нейронных сетей особенно интересна их способность к обучению. Их обучение до такой степени напоминает процесс интеллектуального развития человеческой личности, что может показаться, что достигнуто глубокое понимание этого процесса. Возможности обучения искусственных нейронных сетей ограничены, и нужно решить много сложных задач. Цель обучения. Сеть обучается, чтобы для некоторого множества входов давать желаемое или, по крайней мере, сообразное с ним множество выходов. Каждое такое входное или выходное множество рассматривается как вектор. Обучение осуществляется путем последовательного предъявления входных векторов с одновременной подстройкой весов в соответствии с определенной процедурой. В процессе обучения веса сети постепенно становятся такими, чтобы каждый входной вектор вырабатывал выходной вектор. Обучение с учителем. Различают алгоритмы обучения с учителем и без учителя. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на некотором числе таких обучающих пар. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность ошибка с помощью обратной связи подается в сеть, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня. Обучение без учителя. Несмотря на многочисленные прикладные достижения, обучение с учителем критиковалось за свою биологическую неправдоподобность. Трудно вообразить обучающий механизм в мозге, который бы сравнивал желаемые и действительные значения выходов, выполняя коррекцию с помощью обратной связи. Обучение без учителя является намного более правдоподобной моделью обучения в биологической системе. Развитая Кохоненом и многими другими, она не нуждается в целевом векторе для выходов и, следовательно, не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы. Предъявление на вход вектора из данного класса даст определенный выходной вектор, но до обучения невозможно предсказать, какой выход будет производиться данным классом входных векторов. Байесовские сети, которые методически наиболее близки к нашим исследованиям, также могут быть использованы для медицинской диагностики. Байесовская сеть это вероятностная модель, представляющая собой множество переменных и их вероятностных зависимостей. Формально, байесовская сеть это направленный ациклический граф, вершины которого представляют переменные, а ребра кодируют условные зависимости между переменными. Вершины могут представлять переменные любых типов, быть взвешенными параметрами, скрытыми переменными или гипотезами. Существуют эффективные методы, которые используются для вычислений и обучения байесовских сетей. Байесовские сети, которые моделируют последовательности переменных, называют динамическими байесовскими сетями. Байесовские сети, в которых могут присутствовать как дискретные переменные, так и непрерывные, называются гибридными байесовскими сетями. В силу того, что байесовская сеть это полная модель для переменных и их отношений, она может быть использована для того, чтобы давать ответы на вероятностные вопросы. Например, сеть можно использовать для получения нового знания о состоянии подмножества переменных, наблюдая за другими переменными переменные свидетельства. Это процесс вычисления апостериорного распределения переменных по переменнымсвидетельствам называют вероятностным выводом.