В свете возрастающего интереса к нейросетевым технологиям появляется все большее число проектов, в основе которых применяется данный подход. Такие проекты, как правило, обусловлены большими размерностями и объемами обрабатываемых данных.
В настоящее время существует множество инструментальных средств для работы с нейронными сетями, которые традиционно включают генерацию начальной структуры сети, ее оптимизацию, обучение, тестирование и применение. Этот инструментарий можно разделить на три группы.
1. Надстройки для программ прикладных вычислений.
- Matlab_Neural_Network – набор нейросетевых расширений для пакета прикладных вычислений Matlab.
- Statistica_Neural_Networks – набор нейросетевых расширений для пакета прикладной статистики Statistica.
- Excel_Neural_Package – набор библиотек и скриптов для электронных таблиц Excel, реализуют некоторые возможности нейросетевой обработки данных.
2. Универсальные нейросетевые пакеты.
- NeuroSolutions – нейропакет предназначен для моделирования широкого круга искусственных нейронных сетей.
- NeuroPro – менеджер обучаемых искусственных нейронных сетей.
- NeuralWorks – нейропакет, в котором основной упор сделан на применение стандартных нейронных парадигм и алгоритмов обучения.
3. Специализированные.
- Neuroshell Trader – одна из наиболее известных программ создания нейронных сетей для анализа рынков.
- Глаз – используется для обработки аэрокосмической информации.
К недостаткам программных средств первой группы можно отнести: высокую стоимость самой среды, богатую функциями, которые очень маловероятно понадобятся при работе с нейронной сетью; необходимость приобретения самой надстройки; для взаимодействия с пользователем используется интерфейс среды, который не всегда удобно использовать для работы с нейронными сетями.
Пакеты второй группы имеют более специализированный интерфейс, но, как и первые, стоят немалых денег, имеют слишком много функций и сложны для освоения.
Основным недостатком программных средств третьей группы является то, что они предназначены для решения только конкретного класса задач или только для решения конкретной задачи. Причем зачастую методы решения данных задач заложены разработчиком и модификаций не допускают.
Существуют также разработки отдельных авторов, распространяемые бесплатно, но каждая из них имеет один или несколько из нижеперечисленных недостатков: неудобный интерфейс; сильно урезанная функциональность; нестабильность в работе; невозможность модификации заложенных алгоритмов.
В связи с этим Пермской научной школой искусственного интеллекта (www.PermAi.ru) уже более десяти лет разрабатываются версии программы «Нейросимулятор». Предыдущие версии этой программы [13-15; 18-21] были ориентированы преимущественно для применения в учебном процессе и не годились для выполнения крупных промышленных проектов. В 2012 г. появилась новая версия программы «Нейросимулятор-4». Была повышена скорость процесса обучения за счет значительной переработки внутренней структуры, оптимизации алгоритмов обучения и введения поддержки многопроцессорных систем. Помимо алгоритма обратного распространения ошибки, были добавлены следующие алгоритмы обучения: упругого распространения, быстрого распространения, сопряженных градиентов, генетический, Левенберга – Марквардта. Реализована процедура функциональной предобработки множества примеров предметной области, усиливающая линейную корреляционную зависимость между входными и выходными параметрами. В новой версии реализован специальный конструктор. На основе заданных параметров предметной области конструктор задаёт все необходимые преобразования входных данных и результатов вычислений. На основании этих же данных о предметной области конструктор генерирует удобный интерфейс для практического использования обученной нейронной сети. Процедуры обнаружения конфликтных примеров и посторонних выбросов в статистической информации позволяют успешно применять «Нейросимулятор» в областях, считавшихся ранее не пригодными или плохо пригодными для статистического моделирования.
Ранее «Нейросимулятор» был применен в задачах нейросетеого моделирования в промышленности [1; 6; 23; 25; 27; 30; 31; 33], экономике и бизнесе [23-25; 27; 30; 37], политологии и социологии [30; 33; 42], криминалистике [5; 11; 23; 25; 30; 34-36; 39-40], спорте [38], экологии и энергосбережении [1; 2; 23; 26; 29], педагогике [12; 16; 17; 22; 32; 41], в исторической науке [7-9], туризме [24] и др.
В настоящее время делаются попытки его применения в медицине, в частности – для разработки системы диагностики сердечно-сосудистых заболеваний [3; 4; 10; 25; 28]. На вход персептрона с сигмоидными активационными функциями подается информация о пациенте, а с выхода снимается диагноз заболевания, как показано на схеме (рис. 1). Входные параметры 
характеризуют паспортные данные и жалобы пациента, анамнез его заболевания и жизни, данные объективного исследования, всего 67 параметров. Выходные параметры 
кодируют диагнозы заболеваний сердечно-сосудистой системы: ишемическая болезнь сердца (ИБС) и ее клинические формы: инфаркт миокарда, стенокардия стабильная, стенокардия нестабильная, острая левожелудочковая недостаточность, хроническая сердечная недостаточность. Таким образом, нейронная сеть персептронного типа содержит 
входных нейронов и 
выходных нейронов.
Врачи-эксперты на основе данных опроса, осмотра пациента, анализа лабораторных и инструментальных методов исследований выставляли в баллах степень своей уверенности в том или ином диагнозе, используя 100-балльную шкалу. Всего было заполнено и обработано 669 анкет, каждая из которых составляла пример, характеризующий предметную область.
Рис. 1. Принципиальная схема нейросетевой диагностической медицинской системы.
Согласно общепринятой технологии проектирования нейронных сетей [25] всё множество примеров разбивалось на обучающее 
, тестирующее 
и подтверждающее 
в соотношении: 70% : 20% : 10%. Обучение нейронной сети производилось различными методами: методом обратного распространения ошибки, методом упругого обратного распространения, методом Левенберга–Марквардта и др. Оптимизация структуры нейронной сети – выбор оптимального количества скрытых нейронов и активационных функций, проводилась вручную, а также с применением генетических алгоритмов.
Результаты проверки работы нейросетевой диагностической системы на подтверждающем множестве примеров представлены графически на рис. 2 и 3 в виде сопоставления фактического диагноза, поставленного врачами-экспертами, и диагноза, полученного в результате вычислений нейронной сети. Для обеспечения качества изображения на рисунках приведены только по 20 тестовых примеров и только для двух заболеваний. Значения среднеквадратичной погрешности 
, подсчитанные при диагностике каждого заболевания, на подтверждающем множестве , приведены в таблице 1.
Рис. 2. Сопоставление диагнозов врача и нейросети заболевания «Ишемическая болезнь сердца».
Рис. 3. Сопоставление диагнозов врача и нейросети заболевания «Стенокардия нестабильная».
Таблица 1 – Погрешности постановки диагнозов
|
Диагноз |
Погрешность |
|
Инфаркт миокарда |
0,9 |
|
Ишемическая болезнь сердца |
1,3 |
|
Хроническая сердечная недостаточность |
1,7 |
|
Стенокардия нестабильная |
13,4 |
|
Острая левожелудочковая недостаточность |
28,6 |
|
Стенокардия стабильная |
31,2 |
от 0,9% (инфаркт миокарда) до 31,2% (стенокардия стабильная).
Прежде всего, полученная математическая модель была использована для определения значимости ее входных параметров, оцененной путем поочередного удаления входных нейронов и наблюдения за ошибкой тестирования [18].
Рис. 4. Значимость параметров и симптомов при постановке диагноза «Инфаркт миокарда».
Рис. 5. Значимость параметров и симптомов при постановке диагноза «Хроническая сердечная недостаточность».
Как видно из гистограмм рис. 4 и 5, на которых построены нормированные от 0 до 1 ошибки тестирования сети для каждого удаленного параметра (симптома), для постановки разных диагнозов наибольшее значение имеют разные характеристики-симптомы пациентов. При постановке диагноза «Инфаркт миокарда» следует в первую очередь обращать внимание на повышение активности ферментов, дислокацию сегмента ST и наличие патологического зубца Q. При постановке диагноза «Хроническая сердечная недостаточность» очень большое значение имеет возраст пациента, а затем уже наличие гипертонической болезни, фракция выброса и др.
Отметим, что выявленные здесь с помощью нейросетевой модели знания в большинстве своем не являются новостью для опытных врачей-диагностов и поэтому не имеют практического значения. Но они лишний раз подтверждают адекватность разработанной нами нейросетевой модели и моделируемой предметной области, а также работоспособность нейросетевого алгоритма вычисления значимости входных параметров.
Как показали дальнейшие вычислительные эксперименты, выполненные над системой, нейронные сети, лежащие в ее основе, извлекли знания о предметной области, в том числе и такие, которые медицинской науке неизвестны. В результате компьютерных экспериментов были обнаружены факты, не согласующиеся со сложившейся в современной медицине практикой давать одни и те же рекомендации всем без исключения кардиологическим больным: соблюдать гипохолестериновую диету, отказаться от «вредных привычек», ограничить употребление кофе, спиртных напитков, похудеть, ограничить умственную и физическую нагрузку и т.д. Эксперименты показали, что эти рекомендации действительно полезны, но только не для всех, а для большинства кардиологических больных. Выявить нетипичных пациентов, для которых указанные рекомендации не только не полезны, но и могут причинить вред, позволяет нейросетевая диагностическая система.
Таким образом, программа «Нейросимулятор» позволила создать полезный для медицинской науки программный инструментарий, выявить с помощью него медицинские знания, представляющие практический интерес, и сделать шаг в направлении решения актуальной задачи персонификации медицинского обслуживания населения.
Рецензенты:
Шварц Константин Григорьевич, доктор физико-математических наук, доцент, профессор кафедры прикладной математики и информатики, Пермский государственный национальный исследовательский университет, г. Пермь.
Ясницкий Леонид Нахимович, доктор технических наук, профессор, заведующий кафедрой прикладной информатики, Пермский государственный гуманитарно-педагогический университет, г. Пермь.