Математическое и программное обеспечение прогнозирования выживаемости пациентов на основе нечеткой нейронной сети

• Автор: Стрункин, Дмитрий Юрьевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Казань
• Количество страниц: 119 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ЕЛАВА 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ
1.1. Понятие «выживаемости»
1.2. Особенности медицинских выборок данных
1.2.1. Цензурированность данных
1.2.2. Разнотипность данных
1.2.3. Нечеткость данных
1.3. Математические методы прогнозирования выживаемости пациентов
1.3.1. Методы прогнозирования выживаемости пациента на основе общегрупповой выживаемости
1.3.2. Методы прогнозирования выживаемости пациентов на основе индивидуальных показателей здоровья
1.4. Постановка задачи
Выводы
ЕЛАВА 2. ОПРЕДЕЛЕНИЕ ПОКАЗАТЕЛЕЙ ПАЦИЕНТА, ЗНАЧИМО ВЛИЯЮЩИХ НА ВРЕМЯ ВЫЖИВАНИЯ
2.1. Постановка задачи определения значимых показателей пациента
2.2. Методы корреляционного анализа
2.2.1. Корреляция между двумя дихотомическими переменными
2.2.2. Корреляция между дихотомической и порядковой переменными
2.2.3. Корреляция между дихотомической и интервальной переменными
2.2.4. Корреляция между порядковой и интервальной переменными
2.2.5. Корреляция между двумя порядковыми переменными
2.2.6. Корреляция между двумя интервальными переменными
2.2.7. Анализ корреляционных методов
2.3. Методы экспертного оценивания
2.3.1. Методы коллективной работы

2.3.2. Методы получения индивидуального мнения
2.3.3. Анализ методов экспертного оценивания
2.4. Алгоритм отбора значимых показателей пациента
Выводы
ГЛАВА 3. РАЗРАБОТКА АРХИТЕКТУРЫ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ И АЛГОРИТМА ЕЕ ОБУЧЕНИЯ
3.1. Разработка модели представления знаний и схемы нечеткого логического вывода
3.1.1. Требования к модели представления знаний и схеме нечеткого логического вывода
3.1.2. Структура модели
3.1.3. Алгоритм нечеткого логического вывода
3.1.4. Выбор вида функций принадлежности
3.2. Разработка структуры нечеткой нейронной сети
3.2.1. Определение параметров и слоев нечеткой нейронной сети
3.2.2. Пример архитектуры нечеткой нейронной сети и схема ее работы
3.3. Разработка алгоритма обучения нечеткой нейронной сети
3.3.1. Анализ существующих подходов к обучению нечеткой нейронной сети
3.3.2. Требования к алгоритму обучения
3.3.3. Разработка вида хромосомы и функции приспособленности
3.3.4. Разработка модифицированных генетических операторов
3.3.5. Общая схема работы генетического алгоритма обучения нечеткой нейронной сети
Выводы
ГЛАВА 4. ОПИСАНИЕ ПРОГРАММНОГО КОМПЛЕКСА
«ВЫЖИВАЕМОСТЬ» И ПРИМЕР ЕГО ИСПОЛЬЗОВАНИЯ
4.1. Описание разработанного программного комплекса
4.1.1. Модуль отбора значимых показателей

4.1.2. Модуль построения и обучения нечеткой нейросетевой модели
выживаемости
4.1.3. Модуль расчета выживаемости пациента на основании
индивидуальных значений показателей здоровья
4.2. Разработка модели прогнозирования выживаемости онкопациентов с
диагнозом "Рак почки"
4.2.1. Постановка задачи
4.2.2. Исходная база данных электронных историй болезни
4.2.3. Описание разработанной модели
4.2.4. Проверка адекватности полученной модели
Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ!

Анализ источников показывает, что искусственные нейронные сети могут с успехом применяться при решении задач прогнозирования выживаемости и обладают следующими достоинствами:
1. требуют минимальной предварительной работы человека-эксперта;
2. способны автоматически приобретать знания;
3 . могут учитывать большое количество входных параметров;
4. показывают высокую точность прогнозирования даже при частично отсутствующих входных данных.
Однако искусственные нейронные сети обладают и рядом существенных недостатков:
1. обученная искусственная нейронная сеть представляется пользователю «черным ящиком», то есть знания, заключенные в ней не могут быть интерпретированы в понятной человеку форме, что снижает доверие к результатам ее работы;
2. искусственные нейронные сети не позволяют учитывать нечеткость, свойственную медицинским данным;
3. после получения обученной сетью конкретного решения невозможно численно оценить, насколько точным является это решение.
Деревья решений
Деревья принятия решений обычно используются для решения задач классификации данных или, иначе говоря, для задачи аппроксимации заданной булевой функции. Ситуация, в которой стоит применять деревья принятия решений, обычно выглядит так: есть много случаев, каждый из которых описывается некоторым конечным набором дискретных атрибутов, и в каждом из случаев дано значение некоторой (неизвестной) булевой функции, зависящей от этих атрибутов. Задача — создать достаточно экономичную конструкцию, которая бы описывала эту функцию и позволяла классифицировать новые,