ПРИМЕНЕНИЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ДИАГНОСТИРОВАНИЯ СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ

Болезни сердечно-сосудистой системы остаются одной из главных причин смертности населения. По данным Всемирной организации здравоохранения ежегодно от болезней сердечно-сосудистых заболеваний (ССЗ) умирает 17.5 млн. человек по всему миру. При этом 85% смертей является результатом сердечного приступа или инсульта. [1]

Снизить риск возникновения ССЗ или замедлить развитие болезни можно за счет влияния на образа жизни человека и связанные с ним факторы риска, представленные в таблице 1.

Таблица 1.

Факторы риска человека

Но стоит учитывать, что до конца еще не известна степень влияния факторов друг на друга и на конечный результат, в связи с чем можно говорить о нелинейности решаемой задачи. В таких случаях можно применить искусственные нейронные сети, которые позволяют решать нелинейные задачи.

Искусственные нейронные сети представляют собой устройства параллельных вычислений, состоящие из множества взаимодействующих простых процессов, искусственными нейронами. Каждый нейрон подобной сети имеет дело только с сигналами, которые он получает, и сигналами, которые он передает дальше. Объединенные в достаточно большую сеть, такие локально простые процессоры вместе способны выполнять довольно сложные задачи [2].

Значения по установленным факторам риска и являются входными параметрами для искусственной нейронной сети. В качестве выходных параметров предлагается использовать наличие какого-либо из наиболее тяжелых ССЗ после операции, и возможен ли летальный исход от них. А также будет ли какое-либо ССЗ наблюдаться у пациента. Еще предлагается рассматривать варианты появления и других заболеваний таких как рак и диабет.

Кемеровский научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний предоставил данные анкетирования 1000 человек. Имеются данные по 150 различным показателям до операции, а также её исходом. Но стоит учитывать, что в них так же включены ID пациента, больницы, которые будут только мешать обучению и работе сети или код страны, расшифровать который не получиться. Поэтому перед началом работы следует провести обработку выборки и исключить некоторые параметры.

В работе применялся персептрон с 1 скрытым слоем и сигмоидной функцией активации. Исследуя результаты обучения с сигмоидой, было заметно, что для некоторых выходных значений сеть не может настроиться. После повторного анализа выборки, получено что большая часть данных (около 700 записей) содержит информацию о полностью здоровых людях, некоторые заболевания встречались только у 8 опрашиваемых, а некоторые у 36, стоит напомнить, что выборка состоит из данных 1000 пациентов. Так как сеть учится на предоставленных ей данных, а большая часть содержит информацию о здоровых людях, и заболевания встречаются крайне редко, необходимо уменьшить долю здоровых в ней. Этот фактор стоит учитывать при формировании выборки для обучения сети. Если какое-то заболевание будет встречаться редко, сеть просто не будет знать, что с ним делать, по причине того, что оно редко встречалось при обучении. Поэтому выборка была сокращена не только по количеству данных, с 998 записей до 272. При повторных попытках обучения процент ошибки снизился до 60%, при наличии большего количества записей можно добиться и более точного результата.

При выборе обучающей выборки важно учитывать не только параметры, которые в неё включены, но и их значение. Часто недостаточная разнообразность значений может быть причиной плохой обучаемости сети.

Список литературы:

1. Официальная статистика // Федеральная служба государственной статистики URL: https://www.gks.ru/folder/10705 (дата обращения: 14.01.2020).
2. Каллан Р. Основные концепции нейронных сетей. - Москва: Издательский дом "Вильямс", 2001.
3. Нуфтиева А.И. , Ешманова А.К., Соколов А.Д., Рыспекова Ш.О. Ранняя диагностика сердечно-сосудистых заболеваний на догоспитальном этапе // Вестник КазНМУ. - 2016. - №4. - С. 59-63.
4. Тарасова С.А. Прогнозирование в клинической медицине // Инновации в науке. - 2014. - №30-2. - С. 57-61.