Методы и средства прогнозирования осложнений после операций на предстательной железе на основе гибридных нечетких и нейросетевых технологий тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Руцкой, Роман Викторович

• Руцкой, Роман Викторович
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Руцкой, Роман Викторович

Оглавление

Введение

1 Технологии нечеткой логики принятия решений и нейронных сетей для прогнозирования результатов хирургического лечения урологических больных

1.1 Прогнозирование исходов хирургического лечения предстательной железы

1.2 Анализ видов послеоперационных осложнений при хирургическом лечении предстательной железы

1.3 Прогнозирование в медицине, и в частности, в области урологии

1.4 Методы диагностики заболеваний и прогнозирования результатов терапии

1.4.1 Методики, основанные на применении аппарата нейронных сетей

1.4.2 Формализация экспертных оценок с помощью алгоритмов нечеткого логического вывода

1.4.3 Генетические алгоритмы как средство настройки нечетких систем

1.4.4 Особенности применения нечетких нейронных сетей

1.5 Цели и задачи исследования

2 Синтез признакового пространства и функций принадлежности для системы прогнозирования результатов хирургического лечения предстательной железы

2.1 Формирование исходного набора информативных признаков

2.2 Исследование значимости факторов при прогнозировании различных классов послеоперационных осложнений

2.3 Метод формирования функций принадлежности по группам информативных признаков

2.4 Метод принятия решений в группированном признаковом пространстве

»идш 11ЧУ

эидная система принятия решений для прогнозирования результап яческого лечения предстательной железы

уктура гибридной решающей системы

год синтеза агрегаторов второго уровня подсистемы нечеткого логическс

¡тод редукции нечетких коэффициентов уверенности с использовани мой нейронной сети

Заключение

Список сокращений и условных обозначений Список литературы

121

Введение диссертации (часть автореферата) на тему «Методы и средства прогнозирования осложнений после операций на предстательной железе на основе гибридных нечетких и нейросетевых технологий»

Введение

Актуальность работы. Актуальность проблемы хирургического лечения предстательной железы определяется все возрастающим объемом пациентов, которым показан этот вид лечения, и значительным числом осложнений в послеоперационный период, которые часто приводят к инвалидизации и даже к летальным исходам.

На сегодняшний день имеется возможность широкого выбора схем оперативного вмешательства, но практически все из них могут привести к различным послеоперационным осложнениям, как в ранние, так и в поздние сроки после такого типа лечения. Такие осложнения, как уретриты, эпидидимоорхиты и др., требуют длительного консервативного лечения; другие -стриктура уретры, стеноз шейки мочевого пузыря - полностью нивелируют эффект операции и требуют повторного хирургического вмешательства. В связи с этим перед врачом возникает необходимость выбора наиболее рационального метода лечения применительно к конкретному пациенту. Принятие такого серьезного решения, определяющего дальнейшую тактику лечения, не может быть продуктом индивидуального, основанного на внешних впечатлениях мнения, пусть даже очень квалифицированного специалиста, поскольку характер принятого решения определяет собой результат последующих действий, которые не всегда приводят к благоприятному исходу. В этих условиях проблема выбора наиболее оптимального метода лечения приобретает особое значение. Точное знание степени риска предполагаемого и показанного оперативного вмешательства способствует принятию правильного в тактическом плане решения.

Степень разработанности темы исследования. В последнее время, с развитием компьютерных технологий предпринимаются попытки внедрения программированного прогнозирования в медицинскую практику. Все больше ученых в последнее время приходят к выводу, что обычные математические

модели и алгоритмы не могут быть применены к медицинским задачам из-за низкой степени надежности и эффективности.

На данный момент в урологии практически нет общепризнанных прогностических систем, позволяющих с высокой степенью достоверности принимать правильное решение в лечебной тактике при различных заболеваниях предстательной железы (ПЖ). Сложность прогнозирования в данной ситуации обусловлена тем, что значительная часть информации представляет собой субъективные экспертные оценки врача, основанные на его знаниях и опыте лечения урологических больных. Для моделирования и отражения подобной информации в прогнозирующих системах целесообразно использовать теорию нечеткой логики, как способ наиболее естественного описания характера человеческого мышления и хода его рассуждений. Для качественного решения соответствующей прогностической задачи при составлении решающих правил в качестве информативных признаков используются разнотипные данные, получаемые в результате биохимических анализов, инструментальных исследований и других диагностических методов.

Анализ существующих подходов к решению выбранной в работе задачи показал, что раздельное использование таких мощных инструментариев, как нейронные сети и нечеткая логика не позволяет должным образом объединить экспертные знания и экспериментальные данные для решения рассматриваемой задачи прогнозирования послеоперационных осложнений урологических больных. С учетом сказанного возникает необходимость разработки способа объединения технологий нечеткой логики и нейронных сетей в гибридную систему для повышения качества прогнозирования результатов хирургического лечения ПЖ, что позволит снизить вероятность возникновения побочных неблагоприятных эффектов и повысить качество оказания терапевтических услуг.

Работа выполнена в соответствии с федеральной целевой программой «Предупреждение и борьба с социально значимыми заболеваниями (2007-2011 годы)» и в соответствии с научным направлением Юго-Западного

государственного университета «Медико-экологические информационные технологии».

Объект исследования. Пациенты, нуждающиеся в оперативном лечении урологических заболеваний.

Предмет исследования. Методы, модели и алгоритмы прогнозирования послеоперационных осложнений при заболеваниях предстательной железы.

Цель работы. Разработка гибридных математических моделей и интеллектуальной системы поддержки принятия решений, основывающихся на комбинированном использовании нечетких и нейросетевых технологий, обеспечивающих повышение качества оказания медицинской помощи пациентам с заболеваниями предстательной железы.

Для достижения поставленной цели необходимо решить следующие задачи:

- изучить значимость факторов риска послеоперационных осложнений при хирургическом лечении предстательной железы;

- разработать метод построения функций принадлежности, позволяющих оценить влияние факторов риска на исход хирургического лечения предстательной железы, основанный на экспертных знаниях врача-уролога и статистических исследованиях в предметной области;

- построить структуру гибридной решающей системы и разработать методы и алгоритмы синтеза ее функциональных модулей;

разработать интегрированный программный пакет, реализующий применение предложенных технологий для интеллектуальной системы поддержки принятия решений врача-уролога;

- провести апробацию предложенных технологий прогнозирования на репрезентативных контрольных выборках.

Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- метод построения функций принадлежности, основанный на экспертных знаниях врача-уролога и статистических исследованиях в предметной области, позволяющий посредством дифференциальной фуззификации информативных

признаков в выделенных поддиапазонах определять диагностические коэффициенты для процедуры Вальда;

- метод принятия решений, основанный на решающих правилах процедуры Вальда, анализирующих матрицу диагностических коэффициентов, полученных на основе функций принадлежности, построенных в поддиапазонах информативных признаков, позволяющий построить нечеткие решающие правила для оценки риска осложнений после операций на предстательной железе;

- метод формирования агрегаторов нечеткой решающей системы, отличающийся алгоритмом выбора нечетких операций и алгоритмом выбора последовательности их выполнения, позволяющий осуществить расчет коэффициентов уверенности в принадлежности объекта к каждому из классов;

- структура гибридной решающей сети для интеллектуальной системы поддержки принятия решений врача-уролога, отличающаяся использованием многоуровневых агрегаторов, позволяющая прогнозировать исход хирургического лечения предстательной железы в структурированном пространстве информативных признаков.

Теоретическая и практическая значимость работы состоит в том, что предложены структура гибридной нейросетевой модели и методы реализации ее функциональных узлов, позволяющие осуществить интеллектуальную поддержку принятия решений при определении схемы оперативного вмешательства при хирургическом лечении урологических заболеваний.

На основании полученных технологий в среде МаИаЬ 7.10 разработан программный пакет для построения модели гибридной нейросетевой системы прогнозирования послеоперационных осложнений при хирургическом лечении ПЖ, позволяющий в интерактивном режиме выполнять синтез и обучение нейросетевых структур, построение нечетких логических заключений путем подбора вида и параметров функций принадлежности с возможностью визуального контроля гибридной структуры на каждом из этапов ее построения.

Применение предложенных в диссертации разработок позволяет увеличить эффективность прогнозирования результатов хирургического лечения ПЖ и повысить качество оказания медицинской помощи урологическим больным.

Практическое значение работы определяется возможностью применения результатов исследования при построении интеллектуальной системы поддержки принятия решений врача-уролога.

Предложенные в работе методы и алгоритмы апробированы в клинической практике больницы скорой медицинской помощи №1 г. Курска и используется в учебном процессе кафедры биомедицинской инженерии Юго-Западного государственного университета при обучении студентов специальности 200401 Биотехнические и медицинские аппараты и системы.

Методы исследования. Для решения поставленных задач использовались методы управления в биотехнических системах, системного анализа, моделирования, теории синтеза сложных информационных систем, теории алгоритмов, теории нечётких множеств, прикладной математической статистики, экспертного оценивания. При разработке диагностической системы в качестве инструментария использовалась среда Matlab 7.10 (R2010a) со встроенными пакетами NNTool, Fuzzy Logic Toolbox и Genetic Algorithm.

Положения, выносимые на защиту. 1. Метод формирования пространства информативных признаков для классификатора риска хирургического лечения урологических заболеваний, основанный на формализации эмпирических экспертных оценок врача-уролога, процедуре Вальда и ранжировании факторов риска. 2. Метод принятия решений, основанный на решающих правилах процедуры Вальда, позволяющий определить групповые коэффициенты уверенности по классам риска оперативного лечения предстательной железы. 3. Структура гибридной системы, позволяющая повысить, в среднем, на 10% показатели качества принятия решений по оценки риска хирургического лечения предстательной железы.

Личный вклад автора. В диссертации приведены результаты исследований, выполненных лично автором или при его непосредственном участии.

Степень достоверности и апробация результатов. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость концепциям нечеткой логики принятия решений и нейросетевого моделирования, а так же аналогичным результатам, полученным другими исследователями. Методы и алгоритмы прогнозирования риска оперативного вмешательства построены на теории нечеткого моделирования принятия решений и согласуются с ранее опубликованными экспериментальными данными по теме диссертации.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 9 Международных, Всероссийских и региональных конференциях и симпозиумах: «Теоретические и прикладные вопросы науки и образования» (Тамбов-2013); «Проблемы информатики в образовании, управлении, экономике и технике» (Пенза - 2013); «Инновационные медицинские технологии» (Москва - 2013); «\Узс1юс1те райппе^шо - 2013» (Рггету51 - 2013); «Медико-экологические информационные технологии» (Курск- 2011, 2013); «Интегративные процессы в науке - 2010» (Курск-2010); «Интеграционные проекты в медицинской и педагогической практике» (Курск-2010); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск -2011, 2012, 2013, 2014).

Публикации. По материалам диссертации опубликовано 14 печатных работ, из них 4 статьи в рецензируемых научных журналах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 133 отечественных и 24 зарубежных наименований. Работа изложена на 138 листах машинописного текста, содержит 40 рисунков и 20 таблиц.

1 Технологии нечеткой логики принятия решений и нейронных сетей для прогнозирования результатов хирургического лечения урологических

больных

1.1 Прогнозирование исходов хирургического лечения предстательной

железы

Заболевания простаты являются наиболее частым урологическим заболеванием среди мужчин пожилого и старческого возраста. Их удельный вес у мужского населения в возрасте 40-49 лет достигает 11,3 %, старше 50 лет около 50 % [10, 34]. У мужчин старше 80 лет заболевания простаты встречается более чем в 90 % случаев [10, 31, 33, 34].

В настоящее время предложено множество методов лечения данной патологии, основными из которых остаются хирургические. Выбор оптимального метода оперативного лечения для каждого больного остается до сих пор неразрешенной проблемой, о чем свидетельствует множество появившихся в последнее время сообщений. Несмотря на разнообразие этих методов, успехи анестезиологии, клинической фармакологии, уровень послеоперационных осложнений очень велик и достигает, по данным разных авторов, от 6,2 до 43% наблюдений [33, 34, 50, 80].

Послеоперационная летальность в настоящее время также остается высокой и колеблется от 0,3 до 15%. При анализе больничной летальности, среди всех мужчин умерших от урологической патологии, от заболеваний предстательной железы умерли более 33 % больных [34].

Указанные данные свидетельствуют о том, что лечение доброкачественной гиперплазии предстательной железы представляет собой не только серьезную медицинскую, но и большую социальную проблему.

На исходы хирургического лечения больных с доброкачественной гиперплазией предстательной железы влияют сочетания многочисленных факторов, характеризующих предоперационное состояние больного.

Можно выделить основные группы факторов риска, влияющих на послеоперационные исходы: нарушения уродинамики; методы хирургического лечения; интраоперационные факторы (величина кровопотери, длительность операции, квалификация хирурга и др.); сопутствующая урологическая патология; интеркуррентные заболевания.

Чтобы прогнозировать возможные исходы хирургического лечения ПЖ необходимо рассматривать все имеющиеся данные о состоянии больного в совокупности, что представляет, несмотря на компьютеризацию медицины, зачастую трудноразрешимую задачу.

1.2 Анализ видов послеоперационных осложнений при хирургическом

лечении предстательной железы

Необходимо подробно остановиться на наиболее часто встречающихся послеоперационных осложнениях при хирургическом лечении ПЖ. Существуют разные, зачастую противоречивые, данные о частоте встречаемости отдельных осложнений [33, 34, 80].

По данным Tan L.B., Chaing С.Р. [155], выполнивших 364 чрезпузырные аденомэктомии и 342 трансуретральных резекций ПЖ, были получены следующие данные по послеоперационным осложнениям: после чреспузырной аденомэктомии раневая инфекция развилась в 6,8%, недержание мочи - в 1,92%, стриктура уретры - в 4,12%, импотенция — в 0,27%, эпидицимоорхиты - в 4,3% случаев, послеоперационная летальность составила 0,27%; после трансуретральной резекции (ТУР) ПЖ летальность составила 0,6%, недержание

мочи было отмечено в 3,2%, стриктура уретры - в 2,6%, импотенция - в 0,3%, ТУР-синдром - в 0,6 % случаях.

Martinez Bengoechea (1991) приводит следующие данные после открытой аденомэктомии: инфекционные осложнения возникли в 21,01%, стриктура уретры

- в 1,79%, стеноз шейки мочевого пузыря - в 2,24%, недержание мочи - в 2,69%. Для сравнения, данные Bardo Toscano(1990) после ТУР ДГПЖ: стриктура уретры

- в 2.91%,недержание мочи - в 1,94%, а инфекционные осложнения - в 5,82% случаях.

Анализируя эти и другие данные, можно сделать вывод, что инфекционные осложнения и недержание мочи чаще встречается после открытых операций, а стриктура уретры и стеноз шейки мочевого пузыря - после трансуретральных резекций ПЖ. Общий процент осложнений является приблизительно одинаковым для этих операций.

Сведения по послеоперационной летальности после хирургического лечения ПЖ противоречивы. По данным Fiedler U, Rost A, Von Versen L.H. [142] нет различий в послеоперационной летальности между ТУР и открытым вмешательством. Andersen T.F. (1990), анализируя исходы 38067 операций по поводу доброкачественной гиперплазии предстательной железы (ДГПЖ), выполненных в Дании за 10,5 лет, получил данные, по которым уровень летальности после ТУР ДГПЖ существенно выше, чем после открытой аденомэктомии [10, 80].

Таким образом, вопрос о преобладании тех или иных осложнений, в зависимости от вида выполняемых операций недостаточно изучен. Также требуют изучения факторы риска, преобладающие при тех или иных осложнениях.

1.3 Прогнозирование в медицине, и в частности, в области урологии

Вопросам прогнозирования в медицине уделяется повышенное внимание, так как это позволяет предвидеть развитие ситуации у каждого пациента и позволяет на ранних этапах предпринять соответствующие меры.

Предвидение явлений в медицине является наиболее актуальной научно-практической задачей профессиональной врачебной деятельности. Постоянное совершенствование известных и создание новых методов диагностики и прогнозирования позволяет улучшать качество медицинского обслуживания населения. Медицинское прогнозирование сформировалось на богатом многовековом опыте и составляет одну из важнейших сторон профессиональной деятельности врача. К началу 20 века в развитии прогнозирования сформировалась задача выявления иерархии значимости факторов риска, что стало приближать медицину к точным наукам [101].

A.M. Петров разработал модель постановки индивидуального прогноза у больных злокачественными опухолями яичников на основании клинико-математической оценки исследованных пациентов [87].

Е.К. Абрамов (1994) разработал прогностическую систему на основе математических методов (регрессионный анализ), позволяющую выбирать ту или иную лечебную тактику при остром деструктивном холецистите и пришел к выводам: мультивариантный анализ уменьшает число идентифицированных факторов риска, имеющих независимое значение для предсказания летальности; оценка каждого фактора согласно его дискриминантной функции является более комплексной, чем просто наличия неблагоприятного фактора и тем самым повышает чувствительность и специфичность в предсказании летальности [87].

А .Я. Коровин с соавторами (1988) разработал систему индивидуального прогнозирования раневых осложнений при остром аппендиците [33]. Математическая обработка и анализ данных проводились с помощью

математических методов вариационной статистики и максимума правдоподобия по критериям Стьюдента и Пирсона [1, 2].

Все эти методы затронули и урологию, как одну из областей медицины. H.H. Поповкин (1997) разработал математические алгоритмы, с помощью которых возможно определение состава мочевых камней и диагностика форм нефролитиаза [80]. Им же разработаны компьютерная экспертная консультативно-справочная система выбора оптимальных консервативных методов профилактики камнеобразования в почках; математические модели и алгоритмы для выбора оптимального лечения больных с раком почки; математические методы прогнозирования эффективности консервативного лечения больных аденомой предстательной железы [80].

Н.Т. Березуцким (1997) разработана логическая модель отбора и ведения больных с симптоматикой в области мочевыводящих путей, предложен автоматизированный подход к процедуре тестирования состояния пациентов, компьютерный мониторинг непосредственных и отдаленных результатов лечения ДГПЖ [10].

К.Н. Комаров (1991) применил индивидуальное компьютерное прогнозирование для предвидения и дальнейшей профилактики ранних послеоперационных осложнений при хирургическом лечении ДГПЖ [99].

В.Ф. Ковельский [50] изучал факторы риска и прогноза исходов операций у пожилых урологических больных с ХПН. Были отобраны факторы, способные влиять на возникновение осложнений, они были подвергнуты дисперсионному многофакторному корреляционному анализу по специальной программе на ЭВМ.

Несмотря на большой вклад различных математических моделей в развитие прогнозирования в медицине, многие ученые признают не очень высокую их достоверность и специфичность, в связи с тем, что большинство задач прогнозирования в медицине являются «сильно нелинейными», и не могут решаться с достаточно высоким уровнем точности обычными математическими методами (регрессионный анализ, дискриминантный метод и др.). Поэтому на лидирующие позиции в медицине, в последнее время, начали выходить

нейросетевые технологии, ранее с успехом применявшиеся в других областях науки.

1.4 Методы диагностики заболеваний и прогнозирования результатов

терапии

1.4.1 Методики, основанные на применении аппарата нейронных сетей

Искусственные нейронные сети (ИНС) представляют собой перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач в различных областях науки и техники. Способность ИНС к моделированию нелинейных процессов, работе с зашумленными данными и адаптивность дают возможности применять нейронные сети для решения широкого класса научных задач. Приложения нейронных сетей охватывают самые разнообразные области: распознавание образов, обработка зашумленных данных, ассоциативный поиск, классификация, оптимизация, прогноз, диагностика, обработка сигналов, абстрагирование, управление процессами, сегментация данных, сжатие информации, моделирование сложных процессов, машинное зрение, распознавание речи.

ИНС являются вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. [94]. В настоящее время существует множество различных конфигураций нейронных сетей с различными принципами функционирования, которые предназначены для решения самых разных задач. В качестве примера рассмотрим многослойную полносвязную нейронную сеть прямого распространения, структурная схема которой представлена на рисунке 1.1. Такая нейронная сеть широко используется для решения задач по классификации объектов, каждый из которых описан вектором информативных признаков. Полносвязной нейронной сетью называется

многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми нейронами предыдущего слоя, а в случае первого слоя — со всеми входами нейронной сети. Прямое распространение сигнала означает, что такая нейронная сеть не содержит обратных связей.

входы

Слой № 1

Слой № 2 Выходы

Математическая модель нейрона N

X,

(/+!)

С*)

Выход А'-го нейрона слоя / +• I рассчитывается как взвешенная сумма всех его входов со слоя /« к которой применена функция активации, нормализующая выходной сигнал

входы нейронов слоя /+1 являются выходами нейронов слоя /

Рисунок 1.1 - Структурная схема многослойной полносвязной нейронной сети прямого распространения сигнала

Полносвязные нейронные сети могут быть со скрытыми нейронами и без них. В первом случае входной сигнал подается не на все нейроны и/или выходной сигнал снимается не со всех нейронов. Во втором случае входной сигнал подается на все нейроны и/или снимается со всех нейронов. Одним из видов полносвязных нейронных сетей является сеть Хопфилда [116].

В настоящее время ИНС используются во многих областях, но для того, чтобы их можно было бы применять там, где риску подвергаются человеческие жизни или значительные материальные ресурсы, должны быть решены важные вопросы, касающиеся надежности их работы. Поэтому высока актуальность обеспечения надежности работы ИНС, под которой понимается уровень допустимых ошибок при принятии решений. Поэтому при решении таких задач нейронные сети должны выступать не в качестве единственных средств, а в качестве дополнительных, предупреждающих особые ситуации или берущих на

себя управление, когда проблема не решается стандартным образом и какие-либо задержки могут привести к катастрофе.

При решении диагностических задач в медицине важное место имеет сравнение качества диагностики, полученное посредством ИНС, и качество диагностики традиционных методов, например, когда диагностику ведет врач. К сожалению, в медицинской литературе отсутствует статистика ошибок диагностических заключений по многим нозологиям, с которыми можно сравнивать качества диагностики ИНС. Поэтому при разработке новых средств ИНС приходится сравнивать их качества диагностики с аналогичными системами искусственного интеллекта, зарекомендовавшими себя на рынке медицинских услуг или находящимися в открытом доступе. В качестве примера приведем статистику диагностики инфаркт миокарда. Врач правильно диагностирует его у 88% больных и ошибочно ставит этот диагноз в 29% случаев. ИНС, используемая в аналогичных целях (1990 год, В. Бакст, Калифорнийский университет), продемонстрировала точность 92% и дала только 4% случаев сигналов ложной тревоги, ошибочно подтверждая направление пациентов без инфаркта в кардиологическое отделение.

Применение нейросетевых компьютерных программ в медицине началось только в начале 90-х годов за рубежом, а в нашей стране во второй половине 90-х.

С.Е. Головенкин с соавторами (1999) применили компьютерные нейронные сети для прогнозирования летального исхода у больных инфарктом миокарда, для прогнозирования рецидива инфаркта миокарда (ИМ). Исследования были выполнены на 1700 больных с инфарктом миокарда, рецидив ИМ был отмечен у 159, летальный исход - в 271 случаях. Нейросетевой программой летальный исход был предсказан в 85,7 % случаев, рецидив инфаркта миокарда - в 75% случаев.

К.Г. Ноздрачев, Д. А. Россиев (1997) использовали нейросети для диагностики ишемической болезни сердца (ИБС) на основании факторов риска и параметров возраста и пола обследуемых лиц. В результате были идентифицированы наиболее значимые факторы риска и стало возможным с

высокой точностью диагностировать ИБС по факторам риска с помощью нейронных сетей [84].

Заключение диссертации по теме «Приборы, системы и изделия медицинского назначения», Руцкой, Роман Викторович

119 Заключение

Предлагаемая работа посвящена разработке гибридных моделей прогнозирования результатов хирургического лечения ПЖ, что позволит предупредить возникновение осложнений различной степени тяжести, оценить необходимость проведения предварительной терапии и повысить качество оказания медицинских услуг урологическим больным.

В работе получены следующие основные результаты.

Посредством исследования значимости факторов риска послеоперационных осложнений предстательной железы сформировано и структурировано пространство информативных признаков, используемых во врачебной практике для прогноза результатов хирургического лечения предстательной железы.

Разработан метод построения функций принадлежности, позволяющий посредством дифференциальной фуззификации информативных признаках в выделенных поддиапазонах определять диагностические коэффициенты для процедуры Вальда и агрегировать экспертные знания врача-уролога и результаты статистических исследований в предметной области.

Построена гибридная решающая система с двухуровневой системой агрегаторов, позволяющая осуществлять прогнозирование рисков послеоперационных осложнений при хирургическом лечении предстательной железы, включающая:

- метод принятия решений, основанный на решающих правилах процедуры Вальда, анализирующих матрицу диагностических коэффициентов, позволяющий построить нечеткие решающие правила для оценки риска хирургического лечения предстательной железы;

- алгоритм формирования агрегаторов второго уровня, основанный на применении генетических процедур, позволяющий выполнять автоматический выбор нечетких операций в агрегаторе и последовательность их выполнения;

- метод редукции нечетких коэффициентов уверенности в модели нечеткого логического вывода с помощью обучаемой нейронной сети, позволяющий повысить качество прогнозирования.

Разработано программное обеспечение, осуществляющее интерактивное моделирование гибридной решающей системы с отображением этапов моделирования, а также построение функций принадлежности по каждому из признаков объекта классификации в выбранных поддиапазонах их изменения, и формирование комбинированных функций принадлежности для корректного описания нечетких множеств.

Выполнена апробация разработанных методов и средств прогнозирования с использованием контрольной выборки, полученной по результатам анализа историй болезней пациентов урологического отделения больницы скорой медицинской помощи №1 г. Курска. При использовании гибридных технологий прогнозирования значение диагностической эффективности составило 0.92, что значительно выше показателей методов прогнозирования, основанных либо на технологиях обучаемых нейронных сетей, либо на технологиях нечеткого логического вывода.

Список литературы диссертационного исследования кандидат наук Руцкой, Роман Викторович, 2014 год

Список литературы

1. Автоматизированная система поддержки принятия решений врача-уролога по прогнозированию и профилактике мочекаменной болезни / А.Г. Коцарь, С.П. Серегин, JI.B. Стародубцева и др. - Курск: Изд-во Курск, гос. с.-х. ак., 2011.-86 с.

2. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. В 2 т. Т. 2. Основы эконометрики / С.А. Айвазян. - 2-е изд., испр. - М.: ЮНИТИ-ДАНА, 2001. - 432 с.

3. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика [Текст]/ С.А. Айвазян, B.C. Мхитрян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 656 с.

4. Анохин, П.К. Очерки по физиологии функциональных систем / П.К. Анохин. - М.: Медицина, 1975. - 446с.

5. Антипов, Д.В. Неотложная аденомэктомия: сборник научных трудов НИИ Урологии МЗ РСФСР / Д.В. Антипов, Н.П.. Ненашева. - М., 1987.- С.47-52.

6. Байдык, Т.Н. Нейронные сети и задачи искусственного интеллекта / Т.Н. Байдык.- Киев: Наукова думка, 2001. - 263с.

7. Барский, А.Б. Логические нейронные сети для систем управления и принятия решений / А.Б. Барский // Нейрокомпьютеры: разработка и применение. -2005. -№ 6. - С 17-26.

8. Барский, А.Б. Нейронные сети: распознавание, обучение, принятие решений / А.Б. Барский. - М.: Финансы и статистика, 2004. - 286 с.

9. Батыршин, И.З. Методы представления и обработки нечеткой информации в интеллектуальных системах / И.З. Батыршин // Новости искусственного интеллекта. - 1996. - №2. - С.9-65.

10. Березуцкий, Н.Т. Разработка моделей и алгоритмов диагностики и рационального выбора лечения ДГПЖ: автореф. дис. ... канд. мед. наук.-Воронеж, 1997.- 18 с.

11. Берштейн, JI.C. Нечеткие модели принятия решений: дедукция, индукция, аналогия / J1.C. Берштейн, A.B. Боженюк. - Таганрог: Изд-во ТРТУ, 2001.- 110 с.

12. Бешелев, С. Д., Математико-статистические методы экспертных оценок / С.Д. Бешелев, Ф.Г. Гурович. М.: Статистика, 1980. - 263 с.

13. Боровиков, В. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов / В. Боровиков. - 2-е изд. - СПб.: Питер, 2003. -688 с.

14. Боровиков, В.П. Прогнозирование в системе Statistica в среде Windows / В.П. Боровиков, И.Г. Ивченко. - М: Финансы и статистика, 1999. - 381 с.

15. Боровиков, В.П., STATISTICA - Статистический анализ и обработка данных в среде Windows / В.П. Боровиков, И.П. Боровиков. - М.: Филин, 1997. -608 с.

16. Бохуа, H.A. Экспертные системы: опыт проектирования / H.A. Бохуа, В.А. Геловани, О.В. Ковригин. - М., 1990. - 218 с.

17. Булыгин, В.В. Представление неточных и слабовыраженных данных в инструментальных медицинских экспертных системах / В.В. Булыгин // Актуальные проблемы медицины. - М., 1993. - С. 105-109.

18. Бутко, С.Н. Метод построения экспертной системы для выбора терапии / С.Н. Бутко // Труды ВНИИ приклад, автомат, систем. - М., 1990. - С.3-5.

19. Быховский, M.JI. Кибернетические системы в медицине / M.JT. Быховский, A.A. Вишневский. - М.: Наука, 1971. - 312 с.

20. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский и др. -X.: Основа, 1997.-419 с.

21. Воронцов, И.М. Здоровье. Опыт разработки и обоснование применения автоматизированных систем для мониторинга и скринирующей диагностики нарушений здоровья / И.М. Воронцов, В.В. Шаповалов, Ю.М. Шерстюк. - СПб.: ООО «ИПК «Коста», 2006. - 432 с.

22. Гаврилов, И.Л. Нечеткие сетевые модели для решения задач принятия решений при социально гигиеническом мониторинге состояния здоровья населения / H.A. Кореневский, И.Л. Гаврилов, H.A. Коптева, В.Е. Устименко, A.C. Самофалов, М.Т. Шехине. // Экология и жизнь: сборник статей XIV Международной научно-практической конференции. - Пенза: АНОО Приволжский дом знаний, 2008. - С. 57-59.

23. Гайдышев, И.П. Анализ и обработка данных: специальный справочник / И.П. Гайдышев. - СПб.: Питер, 2001. - 752 с.

24. Генкин, Я.Я. Новая информационная технология анализа медицинских данных / Я.Я. Генкин. - СПб: Политехника, 1999. - 191с.

25. Гладков, Л.А. Генетические алгоритмы / Л.А. Гладков, В.В. Курейчик, В.М. Курейчик. - М.: ФИЗМАТЛИТ, 2006. - 320 с.

26. Глухов, A.A. Статистика в медицинских исследованиях / A.A. Глухов, A.M. Земсков, H.A. Степанян, A.A. Андреев, А.Н. Рог, Э.В. Савенюк, И.Н. Химина, В.А. Куташов. - Воронеж: Изд-во «Водолей», 2005. - 158 с.

27. Годионова, Т.А. Применение методов обработки нечеткой информации в автоматизированных системах медицинской диагностики / Т.А. Годионова // Компьютеризация в медицине. - Воронеж, 1993. - С. 19-27.

28. Головко, В.А. Нейронные сети: обучение, организация и применение / В.А. Головко. - М.: Радиотехника, 2001. - 256 с.

29. Горбань, А.Н. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кардин и др.; отв. ред. Е.А. Новиков, РАН, Сиб. отд., Институт выч. Моделирования. - Новосибирск: Наука, 1998. - 548 с.

30. Горбань, А.Н. Обучение нейронных сетей / А.Н. Горбань. - М.: Изд. СССР-США СП «ParaGraph», 1990. - 160с.

31. Гориловский, Л.М. Определение степени риска оперативного лечения урологических больных пожилого и старческого возраста / Л.М. Гориловский // Урология и нефрология. - 1981. - №1. - С. 32-35.

32. Данилов, А. Компьютерный практикум по курсу "Теория управления". Simulink-моделирование в среде Matlab / А. Данилов. - М.: МГУИЭ, 2002. - 128 с.

33. Долженков, С.Д. Методы и алгоритмы прогнозирования, профилактики, и лечения послеоперационных осложнений у больных доброкачественной гиперплазией предстательной железы : дис. ... канд. мед. наук : 05.13.01 : защищена 27.12.06 / Долженков Сергей Дмитриевич. - Тула, 2006. -136 с.

34. Долженков, С.Д. Прогнозирование послеоперационных осложнений у урологических больных на основе комбинированных правил нечеткого вывода / С.Д. Долженков, C.B. Харьков, В.Н. Шевякин // Биомедицинская радиоэлектроника. - 2012. - №4. - С. 36-42.

35. Дуброва, Т.А. Статистические методы прогнозирования: учебное пособие для вузов / Т.А. Дуброва. - М.: ЮНИТИ-ДАНА, 2003. - 206 с.

36. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт. - М.: Мир, 1978. - 510с.

37. Дьяконов, В.П. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики / В.П. Дьяконов, В.В. Круглов; Серия «Библиотека профессионала». - М.: Солон-Пресс, 2006. - 456 с.

38. Дьяконов, В.П. Simulink 4. Специальный справочник / В.П. Дьяконов. - СПб.: Питер, 2001. - 528 с.

39. Дюбуа, Д. Теория возможностей. Приложения к представлению знаний в информатике / Д. Дюбуа; пер. с фр. Д. Дюбуа, А. Прад. - М.: Радио и связь, 1990.-288 с.

40. Дюк, В. Информационные технологии в медико-биологических исследованиях / В. Дюк, В. Эммануэль. - СПб: Питер, 2003. - 528с.

41. Елисеева, H.H. Общая теория статистики: учебник / H.H. Елисеева, М.М. Юзбашев; под ред. И.И. Елисеевой. - 4-е изд., перераб. и доп. - М.: Финансы и статистика, 2003. - 480с.

42. Жилин, B.B. Гибридный способ классификации биосигналов на основе технологий нечеткой логики принятия решений и нейронных сетей / В.В. Жилин, С.А. Филист, В.А. Аль-Муаалеми // Биомедицинская радиоэлектроника. -2009. - №5. - С. 77-82.

43. Жилин, В.В. Способ моделирования нечетких нейронных сетей / В.В. Жилин, С.А. Филист, О.В. Шаталова и др. // Медико-экологические информационные технологии: X Междунар. науч.-техн. конф. - Курск, 2007. - С. 224-228.

44. Зеленин, Ю.Г. Методы и алгоритмы интеллектуальной поддержки принятия решений при выборе тактики лечения в условиях неоднородной и неполной априорной информации / Ю.Г. Зеленин, A.B. Крюков, A.B. Фролов, М.В. Фролов // Компьютеризация в медицине: межвуз. сб. науч. тр. под ред. В.Н. Фролова. - Воронеж, 1995. - С. 105-111.

45. Иванков, Ю.А. Синтез нечетких решающих правил для прогнозирования и ранней диагностики заболеваний вызываемых состоянием окружающей среды с учетом индивидуальных особенностей организма / H.A. Кореневский, Ю.А. Иванков, Е.А. Яковлева, H.H. Савченко // Системный анализ и управление в биомедицинских системах. - 2007. - Т.6, №2. - С. 395-401.

46. Казин, Э.М. Автоматизированные системы в комплексной оценке состояния здоровья и адаптационных возможностей человека / Э.М. Казин, А.Д. Рифтин, А.И. Федоров, В.А. Панферов, Ю.П. Шорин // Физиология человека. -1990. -Т. 16, №3. - С. 97-110.

47. Каллан, Р. Основные концепции нейронных сетей: [пер. с англ.] / Р. Каллан. - М.: Издательский дом «Вильяме», 2001. - 335 с.

48. Кобринский, Б.А. Логика и интуиция специалиста в медицинских системах искусственного интеллекта / Б.А. Кобринский // Научная сессия МИФИ - 2000: сб. науч. тр. - М., 2000. - Т.З. - С.64-65.

49. Кобринский, Б.А. Нечеткая логика в анализе образных представлений в медицинских системах искусственного интеллекта / Б.А. Кобринский // Сб.

докл. Междунар. конф. по мягким вычислениям и измерениям. - СПб, 1998. - Т.1.

- С. 233-235.

50. Ковельский, В.Ф. Факторы риска и прогноза исходов операций у пожилых урологических больных с ХПН // Урология и нефрология. - 1984. - № 5.

- С. 47-51.

51. Коптева, H.A. Прогнозирование и ранняя диагностика заболеваний сельскохозяйственных рабочих на основе нечеткой логики принятия решений / H.A. Кореневский, H.A. Коптева, P.A. Крупчатников // Вестник Воронежского государственного технического университета. - 2008. - Т. 4, №7. - С.86-89.

52. Кореневский, H.A. Проектирование нечетких систем принятия решений, обучаемых по структуре данных / H.A. Кореневский // Мехатроника, автоматизация, управление. - 2005. - №9. - С. 47-53.

53. Кореневский, H.A. Геометрический подход к синтезу нечетких решающих правил для решения задач прогнозирования и медицинской диагностики / H.A. Кореневский, С.А. Филист, А.Г. Устинов, Е.Б. Рябкова // Биомедицинская радиоэлектроника. - 2012. - №4. - С. 20-26.

54. Кореневский, H.A. Синтез нечетких сетевых моделей, обучаемых по структуре данных для медицинских экспертных систем / H.A. Кореневский, P.A. Крупчатников, С.А. Горбатенко // Медицинская техника. - 2008. - №2. - С. 18-24.

55. Кореневский, H.A. Метод классификации функционального состояния человека и оценка уровня его составляющих на основе гибридных нечетких моделей / H.A. Кореневский, О.И. Филатова, A.A. Бурмака, В.И. Серебровский // Биотехносфера. - 2012. - №1 (19). - С. 37-40.

56. Кореневский, H.A. Интерактивный метод классификации в задачах медицинской диагшностики / H.A. Кореневский, С.В. Дегтярев, С.П. Серегин, A.B. Новиков // Медицинская техника. - 2013. - №4. - С. 1-3.

57. Кореневский, H.A. Принципы построения системы принятия решений для врача специалиста на этапе диагностики / H.A. Кореневский, С.М. Яцун, И.В. Савенкова // Труды Курского государственного технического университета. - Курск, 1997. - С. 87-90.

58. Кореневский, H.A. Проектирование медико-технологических информационных систем: монография / H.A. Кореневский, Н.Д. Тутов, Л.П. Лазурина; Курск.гос.техн.ун-т. - Курск, 2001. - 194 с.

59. Кореневский, H.A. Проектирование нечетких решающих сетей настраиваемых по структуре данных для задач медицинской диагностики / H.A. Кореневский // Системный анализ и управление в медицинских системах. - 2005. - Т.4, №1. - С. 15-38.

60. Кореневский, H.A. Проектирование систем поддержки принятия решений с нечеткой сетевой базой знаний для оценки и управления экологической обстановкой и состоянием здоровья человека: монография / H.A. Кореневский, P.A. Крупчатников. - Старый Оскол: ТНТ, 2009. - 416 с.

61. Кореневский, H.A. Проектирование систем принятия решений на нечетких сетевых моделях в задачах медицинской диагностики и прогнозирования / H.A. Кореневский // Телекоммуникации. 2006. - № 6. - С. 25-31.

62. Коротких, В.Ф. Синтез логических решающих правил в задачах медицинской диагностики / В.Ф. Коротких, H.A. Кореневский // Медико-экологические информационные технологии - 99: Вторая между нар. науч.-техн. конф. - Курск, 1999. - С. 36-38.

63. Круглов, В.В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода / В.В. Круглов, М.И. Дли. - М.: Физматлит, 2002. - 310 с.

64. Круглов, В.В. Искусственные нейронные сети. Теория и практика. / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком, 2001. - 382 с.

65. Круглов, В.В. Нечеткая логика и искусственные нейронные сети / В .В. Круглов, М.И. Дли, Р.Ю. Голунов. - М.: Физматлит, 2001. - 224 с.

66. Крупчатников, P.A. Синтез нечетких сетевых моделей, обучаемых по структуре данных для медицинских экспертных систем / P.A. Крупчатников, H.A. Кореневский, С.А. Горбатенко // Медицинская техника. - Март-апрель 2008. - С. 18-24.

67. Курейчик, В.М. Генетические алгоритмы / В.М. Курейчик // Перспективные информационные технологии и интеллектуальные системы. -2000. -№ 1. - С. 18-22.

68. Ларичев, О.И. Выявление экспертных знаний / О.И. Ларичев, А.И. Мечитов и др. - М.: Наука, 1989. - 418 с.

69. Лбов, Г.С. Методы обработки разнотипных экспериментальных данных / Г.С. Лбов. - Новосибирск: Наука,1981. - 287 с.

70. Леоненков, A.B. Нечеткое моделирование в среде MATLAB и fuzzy TECH / A.B. Леоненков. - СПб.: БХВ-Петербург, 2005. - 736 с.

71. Лисенков, А.Н. Математические методы планирования многофакторных медико-биологических экспериментов / А.Н. Лисенков. - М.: Медицина, 1979. - 344 с.

72. Лукашевич, И.П. Проблема получения и передачи медицинских знаний / И.П. Лукашевич, А.Л.Сыркин // Компьютерная хроника. - 1994. - №8-9. -С. 39-43.

73. Малахов, М.А. Применение систем нечеткой логики и генетических алгоритмов в медицине / М.А. Малахов // Медико-экологические информационные технологии: IX Между нар. науч.-техн. конф. - Курск, 2006. - С. 119-121.

74. Медведев, B.C. Нейронные сети. Matlab 6 / B.C. Медведев, В.Г. Потемкин. - М.: Диалог-МИФИ, 2000. - 496 с.

75. Медик, В.А. Медицинская статистика в медицине: учеб. пособие / В.А. Медик, М.С. Токмачев. - М.: Финансы и статистика, 2007. - 800 с.

76. Мелихов, А.Н. Расплывчатые ситуационные модели принятия решений: учеб. пособие / А.Н. Мелихов, Л.С. Берштейн, С.Я. Коровин. - Таганрог: ТРТИ, 1986.-211 с.

77. Мешковский, Д.В. Использование нечетких моделей для прогнозирования послеоперационных осложнений у урологических больных / Д.В. Мешковский, С.П. Серегин, С.Д. Долженков и др. // Медицинская техника. -Март-апрель 2008. - С. 8-11.

78. Минаев, Ю.Н. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе / Ю.Н. Минаев, О.Ю. Филимонова, JI. Бенамеур. - М.: Горячая линия - Телеком, 2003. - 205 с.

79. Минаков, Э.В. Использование медицинских экспертных знаний для автоматизированного выбора лечения в условиях профилактических обследований / Э.В. Минаков, Ю.А. Соболев // Компьютеризация в медицине: Межвуз. сб. науч. тр. под ред. В.Н. Фролова. - Воронеж, 1990. - С. 76-81.

80. Мирошников, В.М. Важнейшие проблемы урологии / В.М. Мирошников. - М.: Медпресс, 2004. - 240 с.

81. Наместников, А. М. Эффективность генетических алгоритмов для задач автоматизированного проектирования / А.М. Наместников, Н.Г. Ярушкина // Известия РАН. Теория и системы управления. - 2002. - №2. - С. 127-133.

82. Нейлор, К. Как построить свою экспертную систему / К. Нейлор. -М.: Энергоатомиздат, 1991. - 286 с.

83. Новосельцев, В.И. Теоретические основы системного организма / В.И. Новосельцев, Б.В. Тарасов, В.К. Голиков, Б.Е. Демина. - М.: Майор, 2006. - 592 с.

84. Ноздрачев, К.Г. Значимость факторов риска при нейросетевой диагностике ишемической болезни сердца / К.Г. Ноздрачев, Д.А. Россиев // Нейроинформатика и ее приложения: материалы 5-го Всероссийского семинара. -Красноярск, 1997. - С. 131-132.

85. Омельченко, В.П. Практикум по медицинской информатике / В.П. Омельченко, А.А. Демидова; серия учебники, учебные пособия. - Ростов на Дону: Феникс, 2001. - 304 с.

86. Осовский, С. Нейронные сети для обработки информации / С. Осовский; пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. -344 с.

87. Петров, С.Б. Современные методы диагностики и лечения больных доброкачественной гиперплазии предстательной железы: методическое пособие / С.Б. Петров, Н.С. Левковский. - СПб., 1998. - С. 39.

88. Попечителев, Е.П. Методы медико-биологических исследований. Системные аспекты: учеб. пособие / Е.П. Попечителев. - Житомир, 1997. - 186 с.

89. Попов, Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ / Э.В. Попов. - М.: Наука, 1987. - 287 с.

90. Поспелов, Д.А. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. - М.: Наука, 1986. - 312 с.

91. Потемкин, В.Г. Система инженерных и научных расчетов MatLab 5.x : в 2-х т. / В.Г. Потемкин. - М.: Диалог-МИФИ, 1999. - 366 с.(т.1), 304 с.(т.2).

92. Применение нечетких информационных технологий для прогнозирования и диагностики мочекаменной болезни / JI.B. Стародубцева, С.Д. Долженков, А.Г. Коцарь, В.В. Серебровский. - Курск: Изд-во Курск, гос. с.-х. ак., 2012. - 83 с.

93. Ротштейн, А.П. Медицинская диагностика на нечеткой логике / А.П. Ротштейн. - Винница: Континент—ПРИМ, 1996. - 132 с.

94. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, JI. Рутковский; пер. с польск. И.Д. Рудинского. - М.: Горячая линия - Телеком, 2004. - 452 с.

95. Рябкова, Е.Б. Метод синтеза нечетких решающих правил по информации о геометрической структуре многомерных данных / H.A. Кореневский, Е.Б. Рябкова // Вестник Воронежского государственного технического университета. - 2011. - Т.7, №8. - С. 128-137.

96. Рябкова, Е.Б. Синтез нечетких решающих правил для медицинских экспертных систем с сетевой базой знаний: коллективная монография / H.A. Кореневский, Е.Б. Рябкова, С.А. Горбатенко, Е.А. Нечаева. - Краснодар, 2010. -С.166-187.

97. Самсонов, В.А. Поражение почек, мочевых путей и пограничных тканей при аденоме предстательной железы (по данным аутопсии) / В.А. Самсонов // Урология и нефрология. - 1985. - №5. - С. 36-39.

98. Свещинский, M.J1. Роль электрограических исследований в прогнозе послеоперационных осложнений у больных аденомой предстательной железы / M.JI. Свещинский // Урология и нефрология. - 1986. - №2. - С. 48-50.

99. Сергиенко, Н.Ф. Ошибки, опасности и осложнения при трансуретральной резекции гиперплазии предстательной железы / Н.Ф. Сергиенко, К.Е. Романов, JI.B. Шаплыгин, А.И. Бегаев // Урология и нефрология.

- 2000. - № 6. - С. 29-34.

100. Серегин, С.П. Современные информационные технологии в урологии: монография / С.П. Серегин, С.Д. Долженков, А.Г. Коцарь, A.B. Новиков, H.A. Кореневский. - Курск: ОАО «ИПП «Курск»», 2009. - 364 с.

101. Сидельников, Ю.В. Теория и организация экспертного прогнозирования / Ю.В. Сидельников. - М.: ИМЭМО АН СССР, 1990 - 196 с.

102. Соломаха, A.A. Современные тенденции прогнозирования в медицине / A.A. Соломаха, A.B. Костюнин, В.Г. Щетинин // Нейроинформатика и ее приложения: материалы 8-йго Всероссийского семинара. - Красноярск, 2000. -С.162-163.

103. Суровцев, И.С. Нейронные сети / И.С. Суровцев, В.И. Клюкин, Р.П. Пивоварова. - Воронеж: ВГУ, 1994. - 224 с.

104. Танака, К. Итоги рассмотрения факторов неопределенности и неясности в инженерном искусстве. В кн. Нечеткие множества и теория возможностей. Последние достижения / К. Танака; пер. с англ.; под ред. P.P. Ягеря. - М.: Радио и связь, 1986. - 408с.

105. Таран, Т.А. Формализация рассуждений на основе аргументации при принятии решений в конфликтных ситуациях / Т.А. Таран // НТИ. - Сер. 2. - 1998.

- №9. - С.23-33.

106. Таусенд, К. Проектирование и программная реализация экспертных систем на персональных ЭВМ / К. Таусенд, Д. Фохт. - М.: Финансы и статистика, 1990. - 346с.

107. Тененёв, В.А. Гибридный генетический алгоритм с дополнительным обучением лидера / В.А. Тененёв, Н.Б. Паклин // Интеллектуальные системы в производстве. - Ижевск, 2003. - № 2. - С. 181-206.

108. Тэрано, Г. Прикладные нечеткие системы / Г. Тэрано, К. Асаи, М. Сугэно. - М.: Мир, 1993. - 368 с.

109. Уотерман, Р.Д. Построение экспертных систем / Д. Уотерман, Д. Ленат, Ф. Хейсе-рот.; пер. с англ. - М.: Мир, 1987. - 521с.

110. Усков, A.A. Интеллектуальные системы управления на основе методов нечеткой логики / A.A. Усков, В.В. Круглов. - Смоленск: Смоленская городская типография, 2003. - 177 с.

111. Усков, A.A. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика / A.A. Усков, A.B. Кузьмин. -М.: Горячая линия - Телеком, 2004. - 144 с.

112. Устинов, А.Г. Автоматизированные медико-технологические системы: монография в 3-х частях / А.Г. Устинов, В.А. Ситарчук, H.A. Кореневский; под ред. А.Г. Устинова; КурскГТУ. - Курск, 1995. - 390 с.

113. Федулова, A.M. Метод синтеза нечетких решающих правил для медицинской диагностики / A.M. Федулова // Медико-экологические информационные технологии: IX Междунар. науч.-техн. конф. - Курск, 2006. - С. 143-144.

114. Филист, С.А. Метод разработки модуля нечеткого управления на основе алгоритма генетического типа / С.А. Филист, К.В. Жилина // Медико-экологические информационные технологии-2005: VIII Международная научно-техническая конференция. - Курск, 2005. - С. 132-136.

115. Хадарцев, A.A. Информационные технологии в медицине: монография / A.A. Яшин, В.М. Еськов, Н.М. Агарков, Б.А. Кобришский, М.В. Фролов, A.M. Чухраев, В.А. Хромушин, С.Н. Гонтарев, Л.И. Каменев, Б.Г. Валентинов, Д.И. Агаркова; науч. ред. A.A. Хадарцева. - Тула, 2006. - 272 с.

116. Хайкин, С. Нейронные сети: полный курс: [пер. с. англ.] / С. Хайкин. - М.: ООО «И.Д. Вильяме», 2006. - 1104 с.

117. Харьков, C.B. Интегральная оценка состояния здоровья с использованием нечеткого логического вывода / C.B. Харьков // Медицинские приборы и технологии: Международный сборник научных статей. - Вып.4. - Тула: Изд-во ТулГУ, 2011. - С. 255-258

118. Харьков, C.B. Метод прогнозирования послеоперационных осложнений урологических больных / C.B. Харьков // Информационные и управленческие технологии в медицине и экологии: материалы V Всероссийской научно-технической конференции. - Пенза: Приволжский дом знаний, 2011. - С. 136-138.

119. Харьков, C.B. Нечеткий прогноз возникновения послеоперационных осложнений у урологических больных / С.Д. Долженков, C.B. Харьков, Т.Н. Говорухина, С.Н. Кореневская // Межвузовский сборник научных трудов. -Воронеж: Изд-во ВГТУ, 2011. - С. 54-60.

120. Харьков, C.B. Оценка послеоперационного состояния урологических больных на основе нечетких моделей / C.B. Харьков // Медицинские приборы и технологии: Международный сборник научных статей. - Вып.4. - Тула: Изд-во ТулГУ, 2011.-С. 258-260.

121. Харьков, C.B. Прогнозирование послеоперационных осложнений в урологии на основе нечетких математических моделей / C.B. Харьков, A.B. Шашков, С.Д. Долженков, С.Н. Кореневская // Интегративные процессы в науке -2011: материалы международной научно-практической конференции. - М., 2011. -С. 30-32

122. Харьков, C.B. Прогнозирование послеоперационных осложнений на основе правил нечеткого вывода Е. Шортлифа / C.B. Харьков, A.B. Шашков, С.Н. Кореневская // Молодежь и XXI век: материалы III международной молодежной конференции; Юго-Зап. гос. ун-т. - Курск, 2011. - Ч.З - С. 174-176.

123. Шабад, А.Д. О зависимости результатов аденомэктомии от длительности и объема стационарного обследования / А.Д. Шабад, Ю.Н. Букаев, Д.М. Мошиашвили, В.А. Кобяшов // Урология и нефрология.- 1987.- №1.- С.34-39.

124. Шарапов, Р.В. Один из подходов к организации экспертно-справочной системы в медицине / Р.В. Шарапов // Нейроинформатика и ее приложения: материалы 8-го Всероссийского семинара. - Красноярск, 2000. - С. 189-190.

125. Шаталова, О.В. Нейронные сети на основе нечеткой адаптирующейся иерархической структуры при наличии данных с пробелами / О.В. Шаталова, М.А. Ефремов, С. А. Филист // Медико-экологические информационные технологии: IX Междунар. науч.-техн. конф. - Курск, 2006. - С. 87-93.

126. Шварц, Ю.Г. Проблемы разработки медицинских экспертных систем / Ю.Г. Шварц, O.JI. Долинина, Р.Н. Каримов // Здравоохранение Российской федерации. - 1994. - №1. - С. 7-9.

127. Шевченко, Ю.Л. Прогнозирование в кардиохирургии / Ю.Л. Шевченко, Н.Н. Шихвердиев, А.В. Оточкин. - СПб: Питер Паблишинг, 1998. - 208 с.

128. Штовба, С.Д. Проектирование нечетких систем средствами MATLAB / С.Д. Штовба. - М.: Горячая Линия - Телеком, 2007. - 288 с.

129. Ярушкина, Н.Г. Нечеткие гибридные системы. Теория и практика / Н.Г. Ярушкина. - М.: Физматлит, 2007. - 208 с.

130. Ярушкина, Н.Г. Нечеткие нейронные сети с генетической настройкой / Н.Г. Ярушкина // Нейроинформатика-2005: лекция научной школы. - М.:МИФИ, 2005. -214 с.

131. Ярушкина, Н.Г. Нечеткие нейронные сети. Новости искусственного интеллекта / Н.Г. Ярушкина. - М.: МЭИ (ТУ), кафедра прикладной информатики, 2001. - № 2-3 (01). - С.47-51.

132. Ярушкина, Н.Г. Основы теории нечетких и гибридных систем: учебное пособие / Н.Г. Ярушкина. - М.: Финансы и статистика, 2004. - 320 с.

133. Яхъяева, Г.Э. Нечеткие множества и нейронные сети: учебное пособие / Г.Э. Яхъяева. - М.: Интернет-университет информационных технологий; БИНОМ, Лаборатория знаний, 2006. - 316 с.

134. Battiti, R. First and second order methods for learning: Between steepest descent and Newton's method / R. Battiti // Neural Computation. - 1992. - Vol. 4, No. 2. -P. 141-166.

135. Blough, D.K. A comparison of artificial neural networks and statistical analyses / D.K. Blough, K.K. Anderson // Technical Reports; Pacific North. N.Lab. Richmond. - Washington, 1994. - P. 94.

136. Capocelli, R. Fussy sets and decision theory / R. Capocelli, A. De Luca // Information and control. - 1973. - Vol. 23, No. 3. - P. 446-473.

137. Caudill, M. Understanding Neural Networks / M. Caudill, C. Butler // Computer Explorations. - Cambridge MA: the MTT Press, 1992. - Vol. 1 and 2. -143 p.

138. Charalambous, C. Conjugate gradient algorithm for efficient training of artificial neural networks / C. Charalambous // IEEE Proceedings. - 1992. - Vol. 139, No. 3. - P. 301-310.

139. Christakis, N.A. Extent and determinants of error is doctors' prognose in terminally ill patients: prospect cohort study / N.A. Christakis, E.B. Lamont // British Medical J. - 2000. - Vol. 320. - P.469-473.

140. Cordon, O. A General study on genetic fuzzy systems / O. Cordon, F. Herrera // Genetic Algorithms in engineering and computer science. - 1995. - P. 3357.

141. Engelbrecht, A.P. Determining the significance input parameters using sensitivity analysis / A.P. Engelbrecht, I. Cloete, J.M. Zurada // Proceeding of International Workshop on Artificial Neural Network. - Malaga-Terromolinos, 2001. -P. 382-388.

142. Fiedler, V. Comparative statistic of complications in open prostatectomy and transurethral resection / V. Fiedler, A. Rost, L.H. von Versen // Urol. A. - 1999. -Vol. 18(3). - P. 127-132.

143. Gil, D. Artificial neural networks for diagnoses of dysfunctions in urology / D. Gil, M. Johnsson, A. Soriano, D. Ruiz // International conference on health informatics. - 2008. - P. 191-196.

144. Hagan, M.T. Training feedforward networks with the Marquardt algorithm / M.T. Hagan, M. Menha // IEEE Transactions on Neural Networks. - 1994. - Vol. 5, No. 6. - P. 989-993.

145. Hay kin, S. Neural Networks: A Comprehensive Foundation / S. Hay kin. -New York: New York Prentice Hall Press, 1998. - 470 p.

146. Herrera, F. Tackling real-coded genetic algorithms: operators and tools for the behaviour analysis / F. Herrera, M. Lozano, J.L. Verdegay // Artificial Intelligence Review. - 1998. - Vol. 12, No. 4. - P. 265-319.

147. Korenevskii, N.A. Synthesis of the Combined Fuzzy Rules for Medical Applications with Using Tools of Exploration Analysis / N. A. Korenevskii, Ionescu Florin, A.A. Kuzmin, R.T. Al-Kasasbeh // 3 interdisciplinary approaches in fractal analysis IAFA 2009: Proceedings cscs-17, 17 th international conference on control systems and computer science. - 26-29 May, 2009. - P. 71-78.

148. Korenevskii, N.A. Using fuzzu logic for prediction of occurrence, aggravation and pre-nosological diagnostics of osteochondrosis of a backbone's lumbar region / N.A. Korenevskii, Ionescu Florin, A.A. Kuzmin, Riad Taha Al-Kasasbeh // Computational Intelligence (CI 2009): Proceedings of the IASTED International Conference. - Honolulu, Hawaii, USA, August 17-19, 2009 - P. 190-194.

149. Kosko, B. Fuzzy systems as universal approximators / B. Kosko // IEEE Transactions on Computers. - November 1994. - Vol. 43, No. 11. - P. 1329-1333.

150. Laurene, F. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. - Prentice Hall, 1994. - 382 p.

151. Lotan, Y. Management of ureteral calculi: A cost comparison and decisionmaking analysis. Advanced technology. Clinically proven / Y. Lotan, T. Matthew, C.G. Gettman et al. - Dallas, Taxas: The University of Texas Southwestern Medical Center; 2002. - 406 p.

152. Naguib, R.N.G. Prognostic neuroclassification of prostate cancer patients / R.N.G. Naguib, F.C. Hamdy // Proc. IEEE Internat. Conf. Eng. Med. Biol. Soc. -Chicago, 1997. - P. 1003-1006.

153. Remzi, D. Artificial neural networks in urology / D. Remzi // European Urology. - 2004. - P. 33-38.

154. Shyn, C.K. Memory and neural network based expert system / C.K. Shyn, M.S. Park // Expert systems with applications. - 1999. - Vol.16. - P. 145-155.

155. Tewari, A. Novel staging tool for localized prostate cancer. A pilot study using genetic adaptive neural networks / A. Tewari, P. Narayan // J. Urol. - 1998. - Vol. 160(2). - P. 430-436.

156. Zadeh, L.A. Advances in Fuzzy Mathematics and Engineering Fuzzy Sets and Fuzzy information-Granulation Theory / L.A. Zadeh. - Beijing Normal University Press, 2005. - ISBN 7-303-05324-7.

157. Zadeh, L.A. Discussion: Probability theory and fuzzy logic are complementary rather than competitive / L.A. Zadeh // Technometrics. - 1995. - Vol. 37, No. 3. - P. 271-276.