Сверточная нейронная сеть для моделей классификаторов медицинского риска с синергетическими каналами

Цель исследования заключается в повышении качества прогнозирования сердечно-сосудистых рисков путем использования синергетических каналов, формируемых посредством сверточных нейронных сетей.

Методы. Для прогнозирования функционального состояния живых систем предложено дополнить факторы риска сердечно-сосудистых заболеваний виртуальными факторами, учитывающие влияние реальных факторов риска друг на друга. Разработан метод построения сверточной нейронной сети, предназначенной для анализа и классификации изображений, построенных по результатам моделирования синергетических каналов, отличающийся использованием минимальной размерности сверточных фильтров и способов доопределения исходных изображений.

Результаты. Для апробации предложенных метода и модели классификатора была сформирована экспериментальная группа из пациентов с тремя градациями риска ишемической болезни сердца (ИБС) и построен классификатор риска ИБС на основе сверточной нейронной сети по трем градациям. В качестве сопутствующего заболевания, которое может стимулировать синергетический эффект, в данной модели использована вибрационная болезнь, а фактором внешней среды, способствующим синергетическому эффекту, принято электромагнитное поле. В качестве еще двух сегментов факторов риска выбраны традиционные факторы риска ИБС и дескрипторы, определенные на основе электрокардиографических исследований. Учитывая, что в качестве объекта исследования выбраны машинисты локомотивных бригад, в качестве пятого сегмента факторов риска, приводящих к появлению и развитию ИБС, взяты факторы риска, связанные с их профессиональной деятельностью.

Заключение. В ходе экспериментального оценивания и в результате математического моделирования было показано, что при использовании всех факторов риска уверенность в правильном прогнозе ИБС превышает величину 0,8 по всем группам наблюдения и по всем показателям качества классификации. Показатели качества прогнозирования выше, чем у известной системы прогнозирования SCORE, в среднем на 14%.

1. Прогностические факторы развития сердечно-сосудистых осложнений во время аномальной жары 2010 г. (кагорное наблюдательное исследование) / М. Д. Смирнова, Т. В. Фофанова, Ф. Т. Агеев [и др.] // Кардиологический вестник. 2016. № 11(1). С. 4351.

2. Гибридные нечеткие модели для прогнозирования возникновения и осложнений артериальной гипертензии с учетом энергетических характеристик биоактивных точек / М. А. Ефремов, С. А. Филист, О. В. Шаталова [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2018. Т. 8, № 4 (29). С. 104-119.

3. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков / С. А. Филист, А. Г. Курочкин, В. В. Жилин [и др.] // Прикаспийский журнал: управление и высокие технологии. Научно-технический журнал. 2015. № 3 (31). C. 85-95.

4. Филист С. А., Томакова Р. А., Зар До Яа Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4 (43), ч. 2. С. 44-50.

5. Филист С. А., Шаталова О. В., Ефремов М. А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка и применение. 2014. № 6. С. 35-39.

6. Нейросетевые модули с виртуальными потоками для классификации и прогнозирования функционального состояния сложных систем / А. В. Киселев, Т. В. Петрова, С. В. Дегтярев [и др.] // Известия Юго-Западного государственного университета. 2018. Т. 22, № 4. С. 123-134.

7. Прогнозирование и оценка степени тяжести ишемии сердца на основе гибридных нечётких моделей / И. А. Комлев, О. В. Шаталова, С. В. Дегтярев, А. В. Серебровский // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 1 (30). С. 133-145.

8. Модель формирования функциональных систем с учетом менеджмента адаптационного потенциала / С. А. Филист, А. Н. Шуткин, Е. С. Шкатова, С. В. Дегтярев, Д. Ю. Савинов // Биотехносфера. 2018. № 1 (55). С. 32-37.

9. Диагностика патологий по данным видеоэндоскопии с использованием ансамбля сверточных нейронных сетей / С. В. Аксенов, К. А. Костин, А. В. Иванова, J. Liang, А. В. Замятин // Современные технологии в медицине. 2018. № 10 (2). С. 7-19. https://doi.Org/10.17691/stm2018.10.2.01.

10. Nibali A., He Z., Wollersheim D. Pulmonary nodule classification with deep residual networks // Int J Comput Assist Radiol Surg. 2017. N 12(10). Р. 1799-1808. https://doi.org/10.1007/s11548-017-1605-6.

11. Tajbakhsh N., Gurudu S. R., Liang J. Automatic polyp detection in colonoscopy videos using an ensemble of convolutional neural networks // IEEE 12th International Symposium on Biomedical Imaging (ISBI), 2015. https://doi.org/10.1109/isbi.2015.7163821.

12. LeCun Y., Kavukcuoglu K., Farabet C. Convolutional networks and applications in vision // Proceedings of 2010 IEEE International Symposium on Circuits and Systems, 2010. https://doi.org/10.1109/iscas.2010.5537907.

13. Созыкин А. В. Обзор методов обучения глубоких нейронных сетей // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. 2017. Т. 6, № 3. С. 28-59. https://doi.org/10.14529/cmse170303.

14. Бредихин А. И. Алгоритмы обучения сверточных нейронных сетей // Вестник Югорского государственного университета. 2019. Вып. 1 (52). С. 41-54.

15. Хронические неинфекционные заболевания: эффекты сочетанного влияния факторов риска / О. С. Кобякова, И. А. Деев, Е. С. Куликов, Е. А. Старовойтова, Р. Д. Малых, М. А. Балаганская, Т. А. Загромова // Профилактическая медицина. 2019. № 22(2). С. 45-50.

16. Li K., Husing A., Kaaks R. Lifestyle risk factors and residual life expectancy at age 40: a German cohort study // BMC Medicine. 2014. N 12(1). https://doi.org/10.1186/1741- 7015-12-59.

17. Белый О. В., Баринова Л. Д., Абрамов А. М. Проблемы электромагнитной безопасности на транспорте // Транспорт Российской Федерации. 2018. № 2 (75). C. 71-73.

18. Модели латентных предикторов в интеллектуальных системах прогнозирования состояния живых систем / А. В. Киселев, О. В. Шаталова, З. У. Протасова, С. А. Филист, Н. С. Стадниченко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. № 10(1). С. 114-133.

19. Dudchenko A., Ganzinger M., Kopanitsa G. Machine Learning Algorithms in Cardiology Domain: A Systematic Review // The Open Bioinformatics Journal. 2020. N 13. Р. 25-40. https://doi.org/10.2174/1875036202013010025.