Искусственные нейронные сети - это моделирование человеческого мозга по простейшему определению, а строительными блоками являются нейроны. В человеческом мозге около 100 миллиардов нейронов. Каждый нейрон имеет точку соединения между 1 000 и 100 000. В человеческом мозге информация хранится таким образом, чтобы быть распределенной, и мы можем извлекать более одной части этой информации при необходимости из нашей памяти параллельно. Мы не ошибаемся, когда говорим, что человеческий мозг состоит из тысяч очень, очень мощных параллельных процессоров. В многослойных искусственных нейронных сетях также есть нейроны, расположенные аналогично человеческому мозгу.

Каждый нейрон соединен с другими нейронами с определенными коэффициентами. Во время обучения информация распределяется по этим точкам соединения так, чтобы сеть обучалась.

Рисунок 1 - Архитектура искусственной нейронной сети

Как показано на рисунке 1, нейронная сеть состоит из трех слоев: входного слоя, промежуточного слоя и выходного слоя. Синие прямоугольники, показанные здесь, представляют нейроны, а стрелки представляют точки соединения. Набор данных, подготовленный для обучения на входном слое, показывается сети. Сеть присваивает веса событий, которые она изучает, точкам соединения в промежуточном слое [1]. Не каждая точка должна быть значением, и некоторые точки могут быть нулевыми. Пороговое значение добавляется между слоями, чтобы нулевые значения в точках соединения не становились нулевыми.

► Хранение информации во всей сети: Информация, как и в традиционном программировании, хранится во всей сети, а не в базе данных. Исчезновение нескольких фрагментов информации в одном месте не мешает работе сети.

► Способность работать с неполными знаниями: После обучения ИНС данные могут выдавать выходные данные даже при неполной информации. Потеря производительности здесь зависит от важности отсутствующей информации.

► Наличие отказоустойчивости: Повреждение одной или нескольких ячеек ИНС не мешает ей генерировать выходные данные. Эта особенность делает сети отказоустойчивыми.

► Наличие распределенной памяти: Для того чтобы ИНС могла обучаться, необходимо определить примеры и обучить сеть согласно желаемому выходу, показывая эти примеры сети [2]. Успех сети прямо пропорционален выбранным экземплярам, и если событие не может быть показано сети во всех его аспектах, сеть может производить ложные выходные данные.

► Постепенная деградация: Сеть со временем замедляется и подвергается относительной деградации. Проблема сети не разрушается сразу.

► Способность к машинному обучению: Искусственные нейронные сети изучают события и принимают решения, комментируя похожие события.

► Возможность параллельной обработки: Искусственные нейронные сети имеют численную силу, которая может выполнять более одной задачи одновременно.

► Аппаратная зависимость: Искусственные нейронные сети требуют процессоров с параллельной processing мощностью, в соответствии со своей структурой. По этой причине реализация оборудования является зависимой.

► Необъяснимое поведение сети: Это самая важная проблема ИНС. Когда ИНС производит пробное решение, она не дает подсказки, почему и как. Это снижает доверие к сети.

► Определение правильной структуры сети: Не существует конкретного правила для определения структуры искусственных нейронных сетей. Подходящая структура сети достигается через опыт и пробные ошибки.

► Сложность показа проблемы сети: ИНС могут работать с числовой информацией. Проблемы должны быть переведены в числовые значения перед представлением ИНС. Механизм отображения, определенный здесь, будет напрямую влиять на производительность сети. Это зависит от способностей пользователя.

► Продолжительность работы сети неизвестна: Сеть сводится к определенному значению ошибки на выборочных средних, что означает, что обучение завершено. Это значение не дает нам оптимальных результатов.

Наука об искусственных нейронных сетях, которая шагнула в мир в середине 20-го века, быстро развивается. В наше время мы изучили преимущества искусственных нейронных сетей и проблемы, с которыми сталкиваются в процессе их использования. Не следует забывать, что недостатки сетей ИНС, которые являются развивающейся научной отраслью, устраняются один за другим, а их преимущества увеличиваются с каждым днем. Это означает, что искусственные нейронные сети станут неотъемлемой частью нашей жизни, приобретая все большее значение.

В области пульмонологии КНС используется для дифференциальной диагностики интерстициальных заболеваний легких, острой тромбоэмболии легочной артерии. Л. С. Макарова и Е. Г. Семерякова представили результаты дифференциальной диагностики бронхиальной астмы с использованием двух методов: нейронных сетей и дискриминантного анализа. В этом исследовании модель, созданная с использованием дискриминантного анализа, показала хорошие результаты [3]. Диагностика пациентов на основе многослойного перцептрона дала неудовлетворительные результаты. Авторы связывают это с отсутствием шаблонов и примеров в обучении. О. В. Алексеева и соавторы предложили метод дифференциальной диагностики рецидивирующей бронхолегочной патологии у детей с использованием нейросетевого анализа. Тестирование нейросетевых систем, разработанных авторами, показало очень высокий уровень прогностической способности - 95% и 92%.

Нейросетевые технологии также использовались для диагностики заболеваний желудочно-кишечного тракта. Р. Маклин, Дж. Демпси, С. Казмерчак и другие использовали технологию нейронных сетей для дифференциальной диагностики заболеваний печени в своей исследовательской работе. П. И. Миронов и соавторы исследовали потенциал КНС в прогнозировании развития абдоминального сепсиса у пациентов с тяжелым острым панкреатитом. В исследовании использовалась трехслойная сеть обучения с использованием алгоритма обработки на основе ошибок на основе данных 100 пациентов, и когда ее чувствительность составила 63,3%, специфичность КНС показала высокий индекс - 88,2% [4]. Это показывает, что используемая нейросетевая модель позволяет пациентам с высокой точностью прогнозировать развитие абдоминального сепсиса, попадающего в эту категорию.

Существует ряд исследований, посвященных анализу возможности использования КНС для диагностики заболеваний позвоночника и костной системы. П.Н. Афонин и соавторы использовали технологию нейронных сетей для прогнозирования прямых и долгосрочных исходов лечения пациентов со спинальным гематогенным остеомиелитом. В обоих случаях сети структурированы в виде перцептрона. Алгоритм генетического отбора входных признаков использовался в процессе построения КНС. 5 показателей были выбраны в качестве исходных параметров сети для прогнозирования исхода лечения спинального остеомиелита, и 18 показателей были выбраны для прогнозирования тяжести ухудшения жизненных показателей в долгосрочной перспективе. Точность прогноза достигла 92,3% для периода прямой выписки (на момент выписки из больницы) и 90,6% для долгосрочного периода (1 год после окончания лечения). А. Ефимов и соавторы предложили нейросетевой алгоритм для описания состояния пациентов по стадиям остеопороза с точностью 95,2%.

В неврологии СНТ используется для диагностики и классификации нейродегенеративных заболеваний, таких как болезнь Альцгеймера, Паркинсона, Хантингтона. Д. Манцарис и др. предложили метод оценки когнитивных нарушений при болезни Альцгеймера на основе анализа ЭЭГ с использованием КНС в сочетании с генетическим алгоритмом. Ф. Берт и др. использовали различные архитектуры КНС для диагностики типа деменции у пациентов. В этом исследовании были выделены 6 типов деменции: умеренное когнитивное нарушение психической деятельности, болезнь Альцгеймера, фронтотемпоральная деменция, когнитивные нарушения сосудистой системы, сосуществование болезни Альцгеймера с сосудистыми когнитивными нарушениями и фронтотемпоральная деменция с сосудистыми когнитивными нарушениями [5]. Модель с лучшей прогностической способностью оказалась потенциальной нейронной сетью, состоящей из слоев ввода (30 нейронов), скрытого (65 нейронов) и вывода (6 нейронов). Эта КНС позволила прогнозировать тип деменции у пациентов с точностью 97,25%.

Следует отметить, что нейронная сеть в виде многослойного перцептрона также показала хорошие результаты: точность прогнозирования типа деменции составила 95,60%. М. Кинтана и др. использовали КНС для классификации пациентов на группы: здоровые, умеренно когнитивно нарушенные и пациенты с болезнью Альцгеймера. В качестве классификатора использовался многослойный перцептрон, который включал 3 слоя: входной (12 нейронов), скрытый (4 нейрона) и выходной (1 нейрон). Сигмоида выбрана в качестве функции активации. Ошибка КНС обучалась с использованием алгоритма обратной связи. На первом этапе сеть обучалась на данных пациентов во всех трех группах. В результате было обнаружено, что перцептрон правильно классифицирует пациентов в 66,67% случаев. На втором этапе для обучения сети использовались данные здоровых пациентов и группы пациентов с умеренными когнитивными нарушениями. В результате сеть четко классифицировала пациентов в 98,33% случаев. На заключительном этапе сеть обучалась на основе данных группы здоровых пациентов и пациентов с болезнью Альцгеймера. В этом случае точность классификации достигла 100%.

А. Линс и др. использовали КНС для выбора параметров, которые могли бы прогнозировать развитие умеренных когнитивных нарушений и деменции у пожилых пациентов. Авторы предложили нейросетевую модель, использующую следующие параметры в качестве диагностических факторов: пол, возраст, уровень обучения, время обучения и баллы, полученные в течение тестового периода. Н. С. Резинченко работала над применением опыта использования КНС для диагностики синдрома дефицита внимания и гиперактивности. Двадцать пять детей в сети обучались с использованием данных психологических карт. Точность диагностики составила 70%. Автор приходит к выводу, что разработанная нейросетевая модель может быть использована для диагностики синдрома дефицита внимания и гиперактивности [6].

Н. С. Резинченко и С. Н. Шилов отметили, что увеличение размера обучающей выборки и то, что сеть давала более точную производительность после переобучения сети, и что СНТ давала точный прогноз в 89% случаев. Использование технологии нейронных сетей постепенно начало применяться в области психологии. Например, М. А. Беребин и С. В. Пашков изучали возможность использования КНС в прогнозе и дифференциальной диагностике нарушений психической адаптации среди сотрудников правоохранительных органов. В этой работе сеть организована как трехслойный перцептрон с сигмоидальными передаточными функциями нейронов. Первый слой сети состоял из 13 нейронов, второй (скрытый) - из 13 нейронов, а выходной слой из 2 нейронов, что соответствует количеству диагностических классов уровня психической адаптации. После обучения КНС была протестирована, и точность прогнозирования составила 100%. Е. В. Славутская и Л. А. Славутский предложили нейросетевой алгоритм для оценки гендерных различий в эмоционально-волевой и интеллектуальной сферах школьников 10-11 лет [7].

В этом исследовании авторы использовали двухслойную сеть с прямой передачей сигнала и обратным распространением ошибки. Полученные результаты показывают эффективность использования КНС, так как этот подход позволяет правильно идентифицировать наиболее важные психологические черты, определяющие гендерные различия испытуемых. Таким образом, наиболее подходящими типами структур КНС, предназначенных для решения медицинских диагностических и прогностических проблем, являются сигмоидальные функции активации и перцептрон, которые позволяют пациенту предоставлять информацию о входе и выходе при этом диагнозе. Алгоритмы перераспределения ошибок и генетические алгоритмы часто используются для обучения многослойных перцептронов в диагностике различных заболеваний. Следует отметить, что КНС может использоваться как математические модели рассматриваемой предметной области. Изменяя входные параметры нейросетевой модели и наблюдая за поведением выходных сигналов, вы можете изучать область, выявлять и проверять медицинские закономерности, полученные во время обучения КНС.