Нейросетевая система диагностики вирусного гепатита тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Артюхин, Василий Валерьевич

• Артюхин, Василий Валерьевич
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Артюхин, Василий Валерьевич

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ФОРМАЛИЗОВАННЫХ МЕТОДОВ ДИАГНОСТИКИ ВИРУСНОГО ГЕПАТИТА

1.1 Анализ лабораторных методов диагностики вирусного гепатита.

1.2 Анализ способов понижения размерности исходных данных.

1.3 Анализ способов заполнения пропусков в исходных данных.

1.4 Анализ статистических методов диагностики.

1.5 Анализ возможности использования нечеткой логики для диагностики вирусного гепатита.

1.6. Анализ нейросетевых методов диагностики.

Выводы к главе 1.

ГЛАВА 2. ИССЛЕДОВАНИЕ СТАТИСТИЧЕСКИХ И НЕЙРОСЕТЕВЫХ МЕТОДОВ ДИАГНОСТИКИ ВИРУСНОГО ГЕПАТИТА.

2.1 Постановка задачи.

2.2 Исследование статистических методов.

2.2.1 Проверка медицинских анализов на соответствие нормальному закону распределения.

2.2.2 Выбор лабораторных показателей.

2.2.2.1 Исследование гистограмм распределения анализов больных и здоровых для выбора информативных признаков.

2.2.2.2 Исследование применения критерия Манна-Уитни для выбора информативных признаков.

2.2.2.3 Исследование применения корреляционного анализа для выбора информативных признаков.

2.2.2.4 Исследование применения алгоритма box-counting для выбора информативных признаков.

2.2.2.5 Сравнение статистических методов выбора анализов.

2.3 Реализация способа заполнения пропусков.

2.4 Диагностика вирусного гепатита с помощью дискриминантного анализа.

2.5 Исследование нейронных сетей для диагностики вирусного гепатита.

2.5.1 Исследование персептрона.

2.5.1.1 Разработка математической модели нейронной сети.

2.5.1.2 Экспериментальные исследования.

2.5.2 Исследование многослойного персептрона для диагностики вирусного гепатита.

2.5.2.1 Разработка модели нейронной сети.

2.5.2.2 Экспериментальные исследования.

2.5.3 Исследование радиально-базисных нейронных сетей.

2.5.3.1 Разработка модели нейронной сети.

2.5.3.2 Экспериментальные исследования.

2.5.4 Исследование LVQ-сетей для диагностики вирусного гепатита.

2.5.4.1 Разработка модели нейронной сети.

2.5.4.2 Экспериментальные исследования.

Выводы к главе 2.

ГЛАВА 3. РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ «НЕЙРОДИАГНОСТ» ДЛЯ ДИАГНОСТИКИ ВИРУСНОГО ГЕПАТИТА.

3.1 Разработка алгоритма обучения многослойного персептрона, реализованного в экспертной системе.

3.1.1 Разработка модели нейронной сети.

3.1.2 Экспериментальные исследования.

3.2 Разработка нейросетевой экспертной системы.

3.3 Возможности экспертной системы.

3.4 Экспериментальное исследование экспертной системы.

Выводы к главе 3.

Введение диссертации (часть автореферата) на тему «Нейросетевая система диагностики вирусного гепатита»

В настоящее время решающую роль в снижении стоимости медицинского обслуживания при сохранении его качества и повышении эффективности играют информационные технологии.

Последнее десятилетие ознаменовано ростом интереса к нейросетевым методам обработки информации. Расширяются сферы применения нейросистем. Актуальные задачи практической медицины являются идеальным полем для использования нейросетевых технологий, и именно в этой области наблюдается наиболее яркий практический успех нейроинформационных методов.

Наибольший интерес для практического здравоохранения представляют системы диагностики и дифференциальной диагностики заболеваний. При этом для принятия решений могут использоваться самые разнообразные данные: анамнез, клинический осмотр (создаются экспертные системы диагностики, ограничивающиеся только этим набором), результаты лабораторных тестов и сложных функциональных методов. Список областей медицины, в которых начали применяться новые технологии, чрезвычайно обширен и продолжает расти.

Вирусный гепатит широко распространён в человеческом обществе. По оценкам различных авторов [1; 2] число инфицированных вирусом составляет 200 - 300 млн. человек, что составляет 3 - 4,5 % населения земного шара.

Гепатит В - глобально распространённая опасная вирусная инфекция. Ежегодно в мире регистрируется около 50 млн. больных только острой инфекцией вирусного гепатита В. Из них до 600 тыс. умирает. Из числа последних около 100 тыс. человек погибает от редких, особо тяжелых фулминантных форм инфекции, смертность от которых достигает 70 - 90 %.

Вирусный гепатит В (ВГВ) отличается исключительно высокой инфекционностью. Заражение гепатитом В возможно при инокуляции очень малых объёмов крови от больного: 0,1 - 0,5 мкл. Следовательно, даже визуально неразличимые следы зараженной крови могут оказаться причиной инфекции. Одновременно с высокой инфекционностью ВГВ причиной частой передачи возбудителя является также высокая устойчивость вируса и вирусной ДНК в условиях окружающей среды и в известных режимах дезинфекции.

По общей численности и распространённости больных хроническим гепатитом В в России до сих пор нет надёжных данных [1], так как регистрация и государственный учёт этих больных по стране не налажены. На примере Санкт-Петербурга, где регистрация больных хроническими вирусными гепатитами ведется с 1970 г., численность хронических больных постоянно растёт.

Гепатит С (ГС), подобно гепатиту В (ГВ), имеет повсеместное, но не равномерное, распространение. По данным Национальных служб здоровья, ежегодно в США регистрируется от 150 до 175 тыс. новых случаев гепатита С, в Западной Европе - 170 тыс., в Японии - более 350 тыс. заболеваний.

Частота обнаружения маркеров вирусного гепатита С (ВГС) среди доноров крови в странах Северной Европы составляет 0,01-0,2 %, в Южной Европе— 0,5-1,2 %, в Японии— 3-6 %, 10-20 % в странах Африканского континента, в России - 1-5 % (более высокий процент в районах Сибири и Дальнего Востока), в Прибалтике - 1-3%; в бывших республиках Средней Азии и Молдове - 5-12% [2].

Таким образом, вместе с ВИЧ-инфекцией гепатит В и С в настоящее время - одна из самых широко распространённых и опасных вирусных инфекций, вызывающих повсеместную тревогу за здоровье населения, сокращение средней продолжительности жизни людей во всём мире [1; 2].

Важной проблемой службы переливания крови является невозможность ранней диагностики вирусного гепатита. Решение этой задачи мотивируется тенденцией значительного распространения гемотрансмиссивных заболеваний (заболеваний, передающихся при переливании донорской крови). В связи с постоянной трансформацией вирусов гепатита не представляется возможным выработать чёткие критерии диагностики этого заболевания [3]. По этой причине совершенствование методов лабораторной диагностики нередко задерживается.

Наиболее эффективным методом определения вирусного гепатита признана клиническая лабораторная диагностика. Существует два основных метода: иммуноферментный анализ (ИФА) и полимеразно-цепная реакция (ПЦР). ИФА выявляет антитела инфекции, а ПЦР исследует ее антигенную структуру. Однако они являются дорогостоящими методами. Поэтому необходимо использовать менее дорогостоящие и более доступные методы диагностики.

В предлагаемом подходе вирусный гепатит будет диагностироваться по результатам общего, биохимического и иммунологического анализов крови. Врач, просматривая результаты анализов, не может сразу поставить точный диагноз, так как необходимо выявить скрытые взаимосвязи между лабораторными показателями и гепатитом. Для этого необходимо применять формальные методы. В медицине достаточно популярны статистические методы. Однако их применение в рассматриваемой области имеет объективные ограничения из-за нечёткой трактовки моделей нормы, адаптации и патологии. В этой связи последние годы характеризуются широким применением нейросетевых технологий в медицинской практике [5; 6]. Следует указать, что нередко диагностическая эффективность прогнозных моделей варьирует в пределах 70 - 85%, что является недостаточным. [7].

В работах [8; 9] рассматривается применение нейронных сетей для диагностики вирусного гепатита. При анализе данных работ выявлены проблемы в использовании нейронных сетей: выбор наиболее информативных признаков для диагностики, определение оптимальной архитектуры нейронной сети, отсутствие автоматизированных систем для определения вирусного гепатита.

Цель работы — разработка нейронных сетей, позволяющих распознавать клинико-лабораторную характеристику вирусного гепатита как для отдельных случаев, так и с целью массового обследования без привлечения дорогостоящих методов диагностики вирусного гепатита, создание системы для диагностики вирусного гепатита.

Для достижения поставленной цели решаются следующие задачи:

1) сбор и статистическая обработка исходных данных, выбор информативных параметров;

2) исследование архитектур сетей с целью выбора рациональной структуры;

3) разработка экспертной системы диагностики вирусного гепатита;

4) тестирование разработанной системы в Пензенской областной клинической больнице им. Н. Н. Бурденко.

Методы исследования. При решении поставленных задач использовались методы статистического анализа и теория нейронных сетей.

Научная новизна:

1. Предложен способ понижения размерности исходных данных, основанный на анализе корреляционной связи между входными векторами и выходами сети в обучающей выборке, позволивший использовать сокращенный набор лабораторных показателей для диагностики вирусного гепатита.

2. Предложен способ заполнения пропусков в данных, основанный на бутстреп-методе, дающий возможность учесть характер и особенности распределения анализов больных и здоровых людей.

3. Исследованы следующие архитектуры нейронных сетей для диагностики вирусного гепатита: персептрон, многослойный персептрон, радиально-базисная нейронная сеть, сеть LVQ и выбрана архитектура сети для диагностики вирусного гепатита.

4. Предложен и исследован двухшаговый вариант алгоритма градиентного спуска обучения радиально-базисной сети (RBF), отличающийся от известных алгоритмов способом задания центров и вычисляемым коэффициентом скорости обучения весов сети, позволивший исключить неформальный и трудоемкий процесс подбора коэффициента скорости обучения и повысить точность данных сетей для диагностики вирусного гепатита.

Практическая ценность состоит в создании нейросетевой экспертной системы диагностики вирусного гепатита, которая может помочь врачу-хирургу сократить затраты и время на исследования и повысить достоверность результата.

На защиту выносятся:

1) способ понижения размерности исходных данных;

2) способ заполнения пропусков в данных;

3) сравнение статистических и нейросетевых методов диагностики вирусного гепатита;

4) способ задания центров нейронов и вычисляемый коэффициент скорости обучения весов радиально-базисной сети;

5) программная реализация нейронной сети для диагностики вирусного гепатита.

Достоверность научных и практических результатов: обучение и тестирование проводилось на реальных данных больных гепатитом и донорах отделения переливания крови Пензенской областной клинической больницы им. Н. Н. Бурденко. При тестировании достоверность результата составила 90,91 % для многослойного персептрона и 90,21% для радиально-базисной нейронной сети.

Реализация работы н внедрение результатов.

Получено свидетельство об официальной регистрации программы для ЭВМ № 2006612147 «Нейродиагност. Экспертная система диагностики вирусного гепатита», выданное Федеральной службой по интеллектуальной собственности, патентам и товарным знакам, зарегистрированное в Реестре программ для ЭВМ 20.06.2006 г.

Получено удостоверение на рационализаторское предложение № 280 «Способ диагностики гепатита у хирургических больных», выданное Соломахе А. А. и Артюхину В. В. БРИЗом Пензенской областной клинической больницы им. Н. Н. Бурденко и медицинским факультетом Пензенского государственного университета.

Основные результаты и положения диссертационной работы внедрены в работу отделения переливания крови Пензенской областной клинической больницы им. Н. Н. Бурденко, г. Пенза; МЛПУС «Городская больница № 1 им. Н. А. Семашко», г. Ростов-на-Дону.

Основные результаты, изложенные в диссертационной работе, использованы в НИР, проводимой в рамках гранта «Нейросетевая диагностика вирусного гепатита у хирургических больных» за № А04-3.16-625 для поддержки научно-исследовательской работы аспирантов вузов Федерального агентства по образованию.

Основные результаты диссертационной работы, использованы в НИР, осуществляемой в рамках тематического плана научно-исследовательских работ Пензенского государственного педагогического университета, проводимых по заданию Федерального агентства по образованию в 2006 г.

Апробация работы: Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах:

Первой международной дистанционной научно-практической конференции

Новые технологии в медицине» (Санкт-Петербург, 2004); XI, XIII, XIV всероссийских семинарах «Нейроинформатика и её приложения»

Красноярск, 2003, 2005, 2006); III, IV, V, VI всероссийских научнотехнических конференциях «Проблемы информатики в образовании, управлении, экономике и технике» (Пенза, 2003-2006); III Всероссийской научно-практической конференции «Экология и ресурсо- и энергосберегающие технологии на предприятиях народного хозяйства»

Пенза, 2003); Всероссийском постоянно действующем научно-техническом семинаре «Экологическая безопасность регионов России и риск от техногенных аварий и катастроф» (Пенза, 2003); 2-й Всероссийской научной конференции «Проектирование научных и инженерных приложений в среде

MATLAB» (Москва, ИПУ РАН, 2004); XIV научных чтениях памяти

10 академика Н. Н. Бурденко «Актуальные вопросы современной клинической медицины» (Пенза, 2004); VI, VII международных научно-технических конференциях «Новые информационные технологии и системы» (Пенза, 2004, 2006); XI межрегиональной научно-практической конференции молодых учёных и соискателей «Актуальные вопросы диагностики, лечения и реабилитации больных» (Пенза, 2004); V, VI всероссийских научно-практических конференциях «Окружающая природная среда и экологическое образование и воспитание» (Пенза, 2005-2006); 2 Workshop of Russian Section of IEEE Computational Intelligence Society (Москва, ИПУ им. В. А. Трапезникова, 2005); XVIII Всероссийской научно-технической конференции студентов, молодых учёных и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 2005); VIII Всероссийской научно-технической конференции «Нейроинформатика-2006» (Москва, 2006).

Публикации: По теме диссертации опубликовано 27 работ, в том числе 2 статьи в реферируемых журналах.

Структура и объём работы: Диссертационная работа состоит из введения, 3-х глав, заключения, приложений и списка литературы из 80 наименований.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Артюхин, Василий Валерьевич

ОБЩИЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

1. Проведен анализ лабораторных методов диагностики вирусного гепатита, показавший целесообразность применения формализованных методов диагностики без использования дорогостоящих методов лабораторного обследования и с сокращенным набором лабораторных анализов.

2. Предложен способ понижения размерности исходных данных, основанный на анализе корреляционной связи между входными векторами и выходами сети в обучающей выборке, позволивший использовать сокращенный набор анализов для диагностики вирусного гепатита.

3. Для заполнения пропусков в исходных данных предложен способ, основанный на бутстреп-методе, позволяющий в отличие от известных способов учесть характер и особенности распределения лабораторных показателей больных и здоровых людей.

4. Проведено сравнение статистических и нейросетевых методов диагностики вирусного гепатита. Достоверность дискриминантного анализа составила 86,5%, тогда как достоверность нейросетевых методов варьировалась от 90,21% до 90,91%. Доказана эффективность применения нейросетевого подхода для диагностики вирусного гепатита.

5. Предложен и исследован двухшаговый вариант алгоритма градиентного спуска обучения радиально-базисной сети, отличающийся от известных алгоритмов способом задания центров и вычисляемым коэффициентом скорости обучения весов сети, позволивший исключить неформальный и трудоемкий процесс подбора коэффициента скорости обучения и повысить точность этих сетей для диагностики вирусного гепатита до 90,21%.

6. Исследованы следующие архитектуры нейронных сетей, ориентированных на диагностику вирусного гепатита: персептрон, многослойный персептрон, радиально-базисная нейронная сеть, сеть LVQ, лучший результат диагностики вирусного гепатита показали многослойный персептрон и радиально-базисная нейронная сеть. Достоверность составила 90,91 и 90,21% соответственно. Так как многослойный персептрон и радиально-базисная нейронная сеть обладают и преимуществами, и недостатками, для реализации в экспертной системе будут использованы обе сети.

7. Реализована экспертная система, способствующая принятию решения врачом-экспертом, выполняющая функции обучения нейронных сетей и компьютерной диагностики вирусного гепатита с помощью многослойного персептрона и радиально-базисной нейронной сети и позволяющая на сокращенном наборе анализов проводить диагностику с достоверностью 91,61%.

Список литературы диссертационного исследования кандидат технических наук Артюхин, Василий Валерьевич, 2007 год

1. Аммосов, А. Д. Гепатит В. Издание 2. Переработанное и дополненное. / А. Д. Аммосов. Кольцове: ЗАО «Вектор-Бест», 2005. — 128 с.

2. Ястребова, О. Н. Гепатит С. Информационно-методическое пособие. Издание 2. Переработанное и дополненное / О. Н. Ястребова. -Кольцово: ЗАО «Вектор-Бест», 2005. — 36 с.

3. Калнберзс, В. К. Гемотрансфузия в современной хирургии / В. К. Калнберзс, М. В. Калнберза, Ю. В. Жукова // Проблемы гематологии и переливания крови. — 1999. №2. - С. 9 - 10.

4. Соринсон, С. Н. Вирусные гепатиты / С. Н. Соринсон. JL: Медицина, 1987. —264 с.

5. Горбань, А. Н. Нейронные сети на персональном компьютере / А. Н. Горбань, Д. А. Россиев. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. - 276 с.

6. Статистический и нейросетевой методы идентификации и прогнозирования в медицине / В. Б. Лифшиц, Т. И. Булдакова, С. И. Суятинов, С. В. Колентьев // Информационные технологии. -2004. -№3.- С. 60-63.

7. Щетинин, В. Г. Применение компьютерных «нейронных сетей» в клинической лабораторной диагностике / В. Г. Щетинин, А. А. Соломаха // Клиническая лабораторная диагностика.— 1998. — №10. — С. 21 -33.

8. Ozyilmaz, L. Artificial Neural Networks for Diagnosis of Hepatitis Disease / L. Ozyilmaz, T. Yildirim — Neural Networks, 2003. Proceedings of the International Joint Conference. July 20-24, 2003. — 2003. — V. 1. — P. 586-589. —ISBN 0-7803-7898-9.

9. Dragulescu, A. Prognosis and Diagnosis in Hepatitis С using Expert Systems and Statistical Analyses / A. Dragulescu, A. Albu, C. Gavriluta, S. Filip, K. Menyhardt. — SACI 2006. 3rd Romanian-Hungarian Join

10. Symposium on Applied Computational Intelligence. — Timisoara, Romania, May 25-26, 2006.

11. Ю.Техническое руководство американской ассоциации банков крови. Пер. с англ.: — Милан: Европейская школа трансфузионной медицины, 2000. — 1056 с.

12. Приказ Министерства Здравоохранения РФ от 21.10.2002 г. №322 «О применении в практике здравоохранения иммуноферментных тест-систем для выявления поверхностного антигена вируса гепатита В и антител к вирусу гепатита С в сыворотке крови человека».

13. Славин, М. Б. Методы системного анализа в медицинских исследованиях / М. Б. Славин. М.: Медицина, 1989.

14. Swingler, К. Applying Neural Networks. A practical Guide (перевод Ю. П. Маслобоева) // http://www.matlab.ru/neuralnetwork/

15. Дубров, А. М. Многомерные статистические методы: Учебник / А. М. Дубров, В. С. Мхитарян, J1. И. Трошин. — М.: Финансы и статистика, 1998. 352 с. - ISBN 5-279-01945-3

16. Айвазян, С. А. Прикладная статистика: Основы моделирования и первичная обработка данных / С. А. Айвазян, И. С. Енюков, JI. Д. Мешалкин. М.: Финансы и статистика, 1983. - 472 с.

17. Холлендер, М. Непараметрические методы статистики / М. Холлендер, Д. Вульф. М.: Финансы и статистика, 1983. — 518 с.

18. Ежов, А. А. Нейрокомпьютинг и его применения в экономике и бизнесе / А. А. Ежов, С. А. Шумский. — М., 1998. — 222 с.

19. Литтл, Р. Дж. А. Статистический анализ данных с пропусками /Р. Дж. А. Литтл, Д. Б. Рубин. — М.: Финансы и статистика, 1991. — 336 с.

20. Кобринский, Б. А. Принципы математико-статистического анализа данных медико-биологических исследований / Б. А. Кобринский //Российский вестник перинатологии и педиатрии. — 1996. — №4.1. С. 60-64.

21. Эфрон, Б. Нетрадиционные методы многомерного статистическогоанализа / Б. Эфрон. М.: Финансы и статистика, 1988. - 263 с. 23.Орлов, А. И. Прикладная статистика. Учебник. / А.И.Орлов.- М.: Издательство «Экзамен», 2004. - 656 с.

22. Факторный, дискриминантный и кластерный анализ: Пер. с англ. / Дж. Щ. Ким, Ч. У. Мыоллер, У. Р. Клекка и др.; Под ред. И.С. Енюкова. — М.: Финансы и статистика, 1989. —215 с.

23. Yuceer, С. A rotation, scaling and translation invariant pattern classification system / C. Yuceer, K. Oflazer // Pattern Recognition — 1993. — Vol. 26.1. P. 687-710.

24. Zaden, L. A. The concept of linguistic variable and its application to approximate reasoning. Part 1-3 / L. A. Zaden // Information Sciences. — 1975. —Pp. 199-249.

25. Нейроинформатика / A. H. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с.

26. Переверзев-Орлов, В. С. Советчик специалиста. Опыт разработки партнерской системы / В. С. Переверзев-Орлов. // М.: Наука, 1990. — 133 с.

27. Fu, Н.С. A fuzzy neural network for knowledge learning / H. C. Fu, J. J. Shann // Int. J. Neural Syst. — 1994. — V.5, № 1. — P. 13-22.

28. Масалович, А. И. От нейрона к нейрокомпьютеру / А. И. Масалович. // Журнал доктора Добба. — 1992. — №.1. — С. 20-24.

29. Stefanuk, V.L. Expert systems and its applications / V. L. Shtefanuk // The lectures of Union's workshop on the main problems of artificial intillegence and intellectual systems. Part 2, Minsk, 1990. — P. 36-55.

30. Горбань, A. H. Новая игрушка человечества / A. H. Горбань, В. И. Фриденберг. // МИР ПК. — 1993. — № 9.

31. Горбань, А. Н. Нейрокомпьютер или аналоговый ренессанс / А. Н. Горбань. // МИР ПК. — 1994. — № 10.

32. Rozenbojm, J. An expert clinical diagnosis system for the support of the primary consultation / J. Rozenbojm, E. Palladino, A. C. Azevedo. // Salud. Publica Мех. — 1993. — V.35, № 3. — P. 321-325.

33. Poli, R. A Neural Network Expert System for Diagnosing and Treating Hypertension / R. Poli, S. Cagnoni, R. Livi, et al. // Computer. — 1991. — №3. —P. 64-71.

34. Gindi, G. R. Neural network and conventional classifiers for fluorescence-guided laser angioplasty / G. R. Gindi, C. J. Darken, К. M. O'Brien, et al. // IEEE Trans. Biomed. Eng. — 1991. — V.38, № 3. — P. 246-252.

35. Allen, J. Development of a neural network screening aid for diagnosing lower limb peripheral vascular disease from photoelectric plethysmography pulse waveforms / J. Allen, A. Murray // Physiol. Meas. — 1993. — V.14, № 1. —P. 13-22.

36. Astion, M. L. Application of neural networks to the classification of giant cell arteritis / M. L. Astion, M. H. Wener, R. G. Thomas, G. G. Hunder, D.A. Bloch // Arthritis Reum. — 1994. — V.37, № 5. — P. 760-770.

37. Baxt, W. G. A neural network trained to identify the presence of myocardial infarction bases some decisions on clinical associations that differ from accepted clinical teaching / W. G. Baxt // Med. Decis. Making. — 1994. — V.14, №3. —P. 217-222.

38. Baxt, W. G. Complexity, chaos and human physiology: the justification for non-linear neural computational analysis / W. G. Baxt // Cancer Lett. — 1994. — V.77, № 2-3. — P. 85-93.

39. Baxt, W. G. Use of an artificial neural network for the diagnosis of myocardial infarction / W. G. Baxt // Ann. Intern. Med. — 1991. — V.l 15, № 11. — P. 843-848.

40. Guo, Z. Artificial neural networks in computer-assisted classification of heart sounds in patients with porcine bioprosthetic valves / Z. Guo, L.G. Durand, H.C. Lee, et al. // Med. Biol. Eng. Comput. — 1994. — V.32, № 3.1. P. 311-316.

41. Rinast, E. Neural network approach for computer-assisted interpretation of ultrasound images of the gallbladder / E. Rinast, R. binder, H.D. Weiss //Eur. J.Radiol. — 1993. —V. 17, №3. —P. 175-178.

42. Modai, I. Clinical decisions for psychiatric inpatients and their evaluation by a trained neural network /1. Modai, M. Stoler, N. Inbar-Saban, et al // Methods Inf. Med. — 1993. — V.32, № 5. — P. 396-399.

43. Ercal, F. Neural network diagnosis of malignant melanoma from color images / F. Ercal, A. Chawla, W. V. Stoeker, et al // IEEE Trans. Biomed. Eng. — 1994. — V.41, № 9. — P. 837-845.

44. Gross, G. W. Neural networks in radiologic diagnosis. II. Interpretation of neonatal chest radiographs / G. W. Gross, J. M. Boone, V. Greco-Hunt, et al // Invest. Radiol. — 1990. — V.25, № 9. — P. 1017-1023.

45. Floyd, С. E. Jr. Prediction of breast cancer malignancy using an artificial neural network / С. E. Jr. Floyd, J. Y. Lo, A. J. Yun, et al // Cancer. — 1994. — V.74, № 11. — P. 2944-2948.

46. Haykin, S. Neural networks, a comprehensive foundation. / S. Haykin. -N.Y.: Macmillan College Publishing Company. 1994.

47. Hornik, K. Multilayer feedforward networks are universal approximators. / K. Hornik, M. Stichcombe, H. White. // Neural Networks, 1989. Vol. 2. -Pp. 359-366.

48. Методика box-counting // http://iissvit.narod.ru/htm/vip28.htm

49. Хайкин, С. Нейронные сети: полный курс, 2-е издание: Пер. с англ. / С. Хайкин. М.: Издательский дом «Вильяме», 2006 — 1104 е.: ил. — ISBN 5-8459-0890-6 (рус.)

50. Duda, R. О. Pattern Classification and Scene Analysis. /R. О. Duda, P. E. Hart. New York: Wiley, 1973.

51. Fukunaga, K. Statistical Pattern Recognition, 2nd edition / K. Fukunaga. -New York: Academic Press, 1990.бЗ.Осовский, С. Нейронные сети для обработки информации: Пер. с польского И. Д. Рудинского. / С. Осовский М.: Финансы и статистика, 2004. - 344 с.

52. Hertz, J. Wstep do teorii obliczen neuronowych. Wyd II. / J. Hertz, A. Krogh, R. Palmer. Warszawa: WNT, 1995.

53. Barron, A. R. Approximation and estimation bounds for artificial neural networks. Machine learning / A. R. Barron. Vol. 14, 1994. - Pp. 115-133.66.0sowski, S. Sieci neuronowe w ujeciu algorytmicznym. / S. Osowski. -Warszawa: WNT, 1996.

54. Rosenblatt, F. Principle of neurodynamics. / F. Rosenblatt. -N.Y.: Spartan, 1992.

55. Weymaere, N. On the initialization and optimization of multilayer perseptron / N. Weymaere, J. P. Martens // IEEE Trans. Neural Networks, 1994.-Vol. 5.-Pp. 738-751.

56. Gill, P. Practical Optimization / P. Gill, W. Murray, M. Wright. N.Y.: Academic Press, 1981.

57. Widrow, B. Adaptive signal processing / B. Widrow, S. Stearns. N.Y.: Prentice Hall, 1985.

58. Marquardt, D. An algorithm for least squares estimation of nonlinear parameters. / D. Marquardt SIAM, 1963. - Pp. 431-442.

59. MacKay, D. J. C. Bayesian interpolation / D. J. C. MacKay //Neural Computation. 1912. Vol. 4. № 3. - P. 415-447.

60. Foresee, F. D. Gauss-Newton approximation to Bayesian regularization / F. D. Foresee, M. T. Hagan // Proceedings of the 1997 International Joint Conference on Neural Networks. 1997. P. 1930-1935.

61. Артюхин, В. В. Технология нейросетевого прогнозирования в абдоминальной хирургии / В. В. Артюхин, А. А. Соломаха // Вестник Новых Медицинских Технологий. Тула, 2003, Т. X, №1-2, С. 56.

62. Артюхин, В. В. Нейросетевой метод диагностики вирусного гепатита / В. В. Артюхин, А. А. Соломаха, В. И. Горбаченко //Нейрокомпьютеры: разработка, применение, 2005, № 7, С. 34-35.

63. Kohonen, Т. Self-Organization and Associative Memory. 2nd ed. / T. Kohonen. Berlin: Springer-Verlag, 1987.

64. Медведев, В. С. Нейронные сети MATLAB 6 /B.C. Медведев, В. Г. Потёмкин. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.