В последнее время нейронные сети становятся все более и более популярны благодаря своему сходству, пусть и очень приблизительному, с человеческим мозгом. Нейрокомпьютерные технологии имеют широкий круг прикладных задач, в том числе в медицине, сельском хозяйстве, сейсмических и геофизических исследованиях и многих других областях. В 1999 году в Вашингтоне состоялась международная конференция International Joint Conference on Neural Networks, на которой были представлены последние достижения в области нейрокомпьютерной техники. Сотрудниками нейросетевой лаборатории кафедры ИТ были просмотрены статьи с этой конференции. Группой студентов нашего вуза был сделан технический перевод серии статей. По переводам некоторых из них, посвященных использованию нейронных сетей в медицине, был сделан представленный ниже обзор.
        В одной из статей (Gnadt W., Manolakis D., Feleppa E., Lizzi F., Liu T. and Lee P. Classification of prostate tissue using neural networks // International Joint Conference on Neural Networks Washington, DC - July 10-16, 1999 (Jcnn0114)) представлено развитие метода, позволяющего отличать злокачественные ткани простаты от доброкачественных. Метод основан на спектральном анализе ультразвукового радиочастотного (RF) эхо-сигнала. Отдельные тестированные структуры нейросети включали: два варианта радиальных функций базиса (RBF и PNN), многослойные персептроны, использующие методы Quickprop, и LVQ (алгоритм квантизации обучающего вектора). Эти алгоритмы сравнивались с некоторыми традиционными статистическими методами. В результате лучшие показатели обнаружил алгоритм LVQ.
        В следующей статье (Zhen Zhang and Hong Zhang. Development of a neural network derived index for early detection of prostate canser // International Joint Conference on Neural Networks Washington, DC - July 10-16, 1999 (Jcnn0279)) рассматривается производный от нейросети нелинейный алгоритм классификации образцов, служащий для раннего обнаружения рака простаты. В качестве входных значений алгоритм берет возраст пациента и результаты тестов по трем серологическим маркерам, и выдает однозначный индекс, указывающий на вероятность того, что у пациента рак простаты (ProstAsure Индекс или PI). PI алгоритм был получен с помощью нейросетей, которые основаны на методе эмпирической минимизации риска (ERM). Алгоритм показал тот же уровень чувствительности, что и существующие методы, однако его ложно-положительный уровень оказался значительно ниже.
        Цель следующего изучения (Georgia D. Tourassi, Carey E. Floyd Jr. and Joseph Y. Lo. A constraint satisfaction neural network for medical diagnosis // International Joint Conference on Neural Networks Washington, DC - July 10-16, 1999 (Jcnn0261)) состояла в том, чтобы исследовать, как можно использовать для задач медицинской диагностики ограниченные нейросети (Constraint Satisfaction Neural Network). Метод CSNN был развит и оценен для предсказания результатов биопсии по маммографическим данным пациента. Авторы пришли к выводу, что CSNN - перспективная сеть для медицинских диагностических проблем и может решать их так же хорошо, как и другие методы искусственного интеллекта. В отличие от сетей обратного распространения, CSNN могут применяться одновременно к восстановлению не только правильной диагностики, но также и любых других отсутствующих компонент данного клинического случая. В дополнение, CSNN могут использоваться для анализа клинических баз данных нахождением прототипов пациентов, которые связаны с определенным состоянием болезни.
        В той же области работали авторы следующей статьи (Tъlio C. S. Santos-Andru and Antonio C. Roque da Silva. A Neural Network Made of a Kohonen’s SOM Coupled to a MLP Trained Via Backpropagation for the Diagnosis of Malignant Breast Cancer from Digital Mammograms // International Joint Conference on Neural Networks Washington, DC - July 10-16, 1999 (Jcnn0363)). Они разработали систему, основанную на искусственных нейросетях, служащую для диагностики злокачественного рака груди с помощью цифровых маммограмм. Система получает маммограмму в качестве входных данных и выдает один из трех возможных вариантов ответа: подозрение на злокачественную опухоль груди, подозрение на доброкачественную опухоль груди или отсутствие подозрений на рак груди. Новшество этой работы – использование искусственных нейросетей на всех этапах процесса диагностики, от сегментации изображения до классификации. Другой важный аспект - то, что система была реализована на Pentium PC, системе, легко доступной всюду. Эти особенности делают систему доступной большинству медицинских центров и клиник, особенно в менее развитых странах мира.
        Следующая работа (Peter Lada, Micheal E. Brier and Jacek M. Zurada. Therapeutic Drug Dosing Prediction Using Adaptive Models and Artificial Neural Networks // International Joint Conference on Neural Networks Washington, DC - July 10-16, 1999 (Jcnn0597)) сфокусирована на развитии фармакокинетических моделей для предсказания плазменных концентраций лекарственного средства. Модели, в большинстве основанные на искусственных нейросетях, вычисляют оцененные концентрации гепарина для пациентов. Исследования показали, что увеличиваемая сложность модели приводит к более высокому качеству оценки, но лучше использовать более простую модель в случаях, где доступны только несколько измерений. Таким образом, нейросети - полезное средство для фармакокинетического исследования, и использование преимуществ двух различных структур ведет к предложению новой, гибридной, модели с улучшенным качеством оценки.
        Главная цель в следующей статье (Navone H.D., Cook D., Downs T. and Chen D. Boosting Naive-Bayes classifiers to predict outcomes for hip prostheses // International Joint Conference on Neural Networks Washington, DC - July 10-16, 1999 (Jcnn0100)) – развить классифицирующую систему, способную к предсказанию успеха или неудачи протезирования бедра на основе данных от ранних рентгенографических наблюдений. Здесь исследуется достижение метода Naive-Bayes, соединенного с Boosting, на данных о протезах бедра, имеющих пробелы в значениях. Техника Boosting является методом объединения обучающих систем для представления смешанной системы с лучшим достижением из всех отдельных. Boosting процессом значительно понижаются возможность ложной тревоги и вероятность ложного определения (особенно последнего).
        Можно утверждать, что проведенная конференция показала высокий интерес к использованию и развитию нейросетевых технологий, в том числе для медицинских и биологических исследований. Материалы переводов используются в работе нейросетевой лаборатории кафедры ИТ.