реферат. Реферат Ф.В.В.. Системы поддержки принятия решений в здравоохранении
 Скачать 117.5 Kb.
|
|
ОБРАЗОВАТЕЛЬНЫЙ ЦЕНТР ФГБУ «НМИЦ РК» Минздрава России Кафедра общественного здоровья, управления в здравоохранении и экспертизы временной нетрудоспособности Реферат На тему : Системы поддержки принятия решений в здравоохранении. Выполнил: Форостянов Виталий Витальевич Москва 2022 год Системы поддержки принятия врачебных решений (СППВР), наравне с телемедициной и электронными медицинскими картами (ЭМК), являются одним из ключевых секторов развитии цифрового здравоохранения. Уже сейчас тема СППВР является одной из самых популярных в СМИ, блогосфере и социальных сетях по направлению медицины. Постоянно появляются новости о создании различными компаниями, стартапами и научно-исследовательскими объединениями новых разработок в области поддержки принятия врачебных решений, в том числе с использованием машинного обучения и других технологий искусственного интеллекта. Россия в этом смысле еще, конечно, не отстала беспросветно, но все же пока скорее раскачивается. «Долго запрягаем, потом быстро едем» касается у нас похоже всего чего угодно, и цифровое здравоохранение пока не блещет исключением. Но тем не менее, те отечественные решения и команды, которые работают по этой теме, уже сейчас предлагаю вполне конкретные продукты и сервисы. Все основные продукты объединены в 3 укрупненные группы: Помощь в лечении, включая подбор и контроль терапии Помощь в мониторинге пациентов, в том числе в удаленном режиме Анализ данных носимых устройств и оборудования с целью поддержки принятия решений Краткое описание решений по этим группам представлено в таблицах ниже. Лечение
Мониторинг пациентов
Носимые устройства и оборудование
Нерешенные проблемы создания СППР для медицины При попытке создания СППР для медицины мы сталкиваемся с целым рядом принципиальных концептуальных барьеров. Первый концептуальный барьер связан с колоссальным объемом накопленных медицинских знаний. Второй концептуальный барьер связан с постоянным обновлением медицинских знаний и технологий. Третий концептуальный барьер связан с самими клиническими данными, наличием подготовленных источников данных, наличием больших клинических данных (data set, Big Data). По утверждению Microsoft от 30% до 40% мировых цифровых данных в настоящее время составляют медицинские данные. Ожидается дальнейший рост этих данных, вызванный падением цен на секвенирование генома человека, частичное секвенирование уже стоит порядка $100. Будет бурно развиваться геномика и интернет вещей (IoT), которые будут порождать огромные массивы данных. Четвертый концептуальный барьер связан с недостаточной формализацией и стандартизацией данных. На Западе этим вопросам уже длительное время уделяется достаточное внимание. Созданы тезаурусы и онтологии (LOING, SNOMED и др.), позволяющие размечать и кодировать медицинские данные, предлагаются стандарты для формализации медицинских документов (HL7 CDA, OpenEHR). В России с этими вопросами все обстоит значительно хуже. Каждая МИС имеет собственную организацию данных, интероперабельность между различными МИС не достигнута. Практически невозможно передать формализованную электронную медицинскую карту из одной системы в другую. Пятый концептуальный барьер является когнитивным. Он связан с недостаточным обоснованием и пониманием метода получения рекомендуемого машиной решения. Существует большое количество диаграмм, демонстрирующих рост сложности моделей применяемых для машинного принятия решений. Сложность нарастает от линейных моделей, моделей основанных на правилах, регрессионных моделей до моделей основанных на глубоком обучении нейронных сетей и композиций различных моделей (from white box to black box по терминологии авторов). Возможные подходы к решению проблем построения СППР в медицине Попытки преодоления принципиальных барьеров в создании систем поддержки принятия врачебных решений привели к развитию ряда подходов. Системы поддержки принятия решений в медицине 161 Перейдем к описанию различных подходов к построению СППР в медицине. Первый из этих подходов заключается в предоставлении врачу релевантных информационных источников, помогающих ему самостоятельно принять решение. Система, собственно, ничего врачу не рекомендует в виде готового решения, а предлагает вместо этого ознакомиться с информационными источниками и получить в них ответы на свои вопросы. В качестве примера подобного подхода приведем систему UpToDate. Первый подход основывается на явных знаниях. Второй подход заключается в использовании клинических путей (clinical pathways), в русской терминологии часто называемых технологическими картами. Клинические пути представляют собой прескриптивные модели стандартных процедур здравоохранения, которые должны быть предприняты для конкретной популяции пациентов. Примеры клинических путей (также известных как случаи— cases) описывают фактический диагностическо-терапевтический цикл индивидуального пациента. Но даже в случае использования клинических путей процесс принятия клинических решений имеет высокую сложность. Так как актуальные медицинские знания, используемые в процессе принятия решений, могут быть частично получены из опубликованных исследований и широко распространенных медицинских руководств (с различными уровнями доказательности), общепризнанно, что процесс принятия решений находится под сильным влиянием опыта и знаний вовлеченных в принятие решений медиков-экспертов . Клинические пути широко применяются на Западе и, пока, не нашли широкого применения в России. Роль клинических путей в России в настоящее время играют стандарты и рекомендации Минздрава, следование которым предполагается сделать обязательным. Второй подход основывается на явных знаниях. Третий подход заключается в разработке большого числа частных узкопрофильных СППР. SkyChain уже сейчас предлагает 5 обученных нейросетей для анализа диагностических изображений и продолжает обучать новые нейросети. Цель обучения НС - диагностика рака легких, печени, молочных желез, меланомы. Количество частных постановок задач и их решений настолько велико, что практически не позволяет их каталогизировать и иметь общий источник информации о них. Частные решения надо отыскивать в различных информационных и поисковых системах (PubMed, Scopus, WoS, Google Scholar). Третий подход основывается на явных знаниях и размеченных массивах данных. Четвертый подход, претендующий на глобальность, заключается в построении когнитивной системы, способной к самообучению и усвоению знаний непосредственно из текстовых неформализованных источников. В качестве примера подобной системы приведем систему IBM Watson. Доклады XVII Международной конференции Data Analytics and Management in Data Intensive Domains, DAMDID/RCDL’2015, посвященные этой системе, показали довольно скромные результаты когнитивного подхода в проблеме построения СППР в медицине. Для поддержки решений в частной сфере нескольких онкологических нозологий потребовалось длительное обучение системы коллективом экспертов. Надежды на то, что система способна сама «усвоить» медицинские знания и затем позволит их эффективно практически применять, не оправдываются. Система имеет проблемы с интеграцией данных, с недостаточным покрытием предметной области, со стоимостью решений, предлагаемых пользователям. Четвертый подход основан на явных знаниях. Все выше рассмотренные подходы не лишены недостатков, требуют привлечения экспертов, требуют регулярного обновления своих баз знаний, и фактически являются частными. Пятый подход, также претендующий на глобальность, заключается в построении СППР на основе прецедентного подхода. В основе подхода лежит ярко выраженный прецедентный характер принятия решений в медицине. Предлагается формировать банки больших клинических данных, находить в БКД случаи - прецеденты похожие на текущий, и рекомендовать лечебно-диагностические мероприятия на основе найденных прецедентов. Пятый подход основывается на неявных эмпирических знаниях. СППР, основанная на явных знаниях Во-первых, любая СППР основывается на знаниях, они должны быть заложены в систему. Знания могут быть явные и неявные. Явные могут быть представлены в виде технологических карт (ТК), клинических руководств и рекомендаций (КР), специальной медицинской литературы, научных публикаций и т.п. Без экспертов в предметной области формализовывать в системе явные знания ИТ-специалистам весьма проблематично. Часто эти знания можно формализовать в виде некоторых правил вывода «если — то». Именно такую формализацию предлагают сейчас клинические рекомендации Минздрава. Объем медицинских знаний колоссален. Поэтому, поневоле надо будет ограничиваться в формализации, охватив лишь посильный объем знаний. Явные знания могут ссылаться на свои источники, в которых приводится достаточная аргументация, могут основываться на подходах доказательной медицины. Подход на явных знаниях может быть более точным и тонким, он может оперировать большим количеством знаний (фактов, событий), чем прецедентный. В любом случае, в обоих подходах потребуется предварительная нормализация, генерализация и формализация знаний и данных. Без этого обойтись нельзя, и для этого потребуются эксперты предметной области. Во-вторых, даже, если мы справились с проблемой закладывания фундамента знаний для СППР, то далее возникнет проблема диссонанса с пользователями (врачами). Система на явных знаниях и правилах вывода будет требовать от пользователя дополнительной информации, чтобы иметь возможность сделать свои выводы. Академик Г.И. Назаренко, выступая на конференции ОНИТ РАН (2018), заявил, что на большинство уместных вопросов врачи или не отвечают (не вносят в компьютер!), или делают это крайне неохотно под административным давлением. Одно из возможных паллиативных решений, которое с очевидностью напрашивается, это динамически запрашивать требуемые для работы СППР факты, в контексте медицинских документов (дневники, осмотры, ТК), где потребуется эти факты просто выделить, пометить их, как актуализированные. Применение подходов искусственного интеллекта при анализе изображений в радиологии Интерпретация РС, в свою очередь, делается врачом-рентгенологом на основе визуального анализа изображений. Однако РС является сложноструктуриру-емым изображением, сегментация и классификация которого требует высокой классификации врача, так как из-за особенностей субъективного зрительного восприятия теряется информативность РС. Поэтому актуальна задача использования искусственного интеллекта в анализе и интерпретации изображений РС. Однако, существующие методы и алгоритмы обработки изображений имеют ряд существенных недостатков с точки зрения работы с РС. Во-первых, известные решения не учитывают тот факт, что РС может состоять не только из одиночного изображения, но и естественным образом коррелированных между собой съемок, сделанных как в процессе серии снимков при моноэнергетической рентгенограмме при исследовании биообъекта в динамическом режиме, так и при исследовании биологического объекта в статическом режиме при мультиэнергетической рентгенограмме. Во-вторых, основанные на общих принципах обработки изображений, алгоритмы оказываются слишком медленными для решения задач обработки изображений в реальном времени, т.е. в режиме поступления информации. Наконец, кроме всего прочего существующие решения не всегда дают удовлетворительный (качественный) результат, поэтому необходимы новые решения, с использованием, в том числе и комбинирования, существующих методов. Все это обусловливает необходимость разработки новых методов анализа и классификации РС в цифровых медицинских диагностических системах. Учитывая изложенное, представляется актуальным разработка и исследование новых методов и алгоритмов классификации изображений РС и их сегментов в условиях априорной неопределенности координат патологических образований и относительных уровней яркости объекта на фоне пространственно -неоднородного изображения. Актуально также разработка новых методов предварительной обработки изображений РС, позволяющих минимизировать ошибки классификации, связанные с работой синтезируемых классификаторов. Степень разработанности темы исследования. Широкое распространение компьютерной техники и информационных технологий создало условия для увеличения объема автоматизированной обработки рентгеновских изображений. В области построения систем интеллектуальной поддержки принятия диагностических решений принято использовать: концепции построения автоматизированных медицинских информационных систем (МИС), теоретические принципы создания медицинских экспертных систем (МЭС), модели представления знаний, нейронные сети и нечеткий логический вывод (А.О. Недосекин, Г.С. Поспелов, А.А. Дородницын, И.Ю. Каширин, Н.А. Кореневский, М.Л. Минский, М.А. Айзерман, Н. Нильсон, В.М. Глушков, А.В. Шеер, Р. Риченс, Р. Симмонс, С. А. Юдицкий, Д. Дюбуа, А. Прад, Г.Н. Калянов). В последнее время уделяется большое внимание развитию гибридных технологий построения интеллектуальных систем, функционирующих в условиях неопределенности и реализующих комплексное использование различных методов искусственного интеллекта, позволяющих сформировать новую методологию построения таких систем. Однако во многих случаях они не обеспечивают получение соответствующих требованиям решений ввиду малообоснованного выбора параметров моделирования, при этом нахождение адекватных решений из-за необходимости многократного выполнения реализаций используемых методов, алгоритмов и моделей, с целью выбора наиболее оптимальных параметров, сопровождается большими временными и материальными затратами. Особое место в общей проблеме интеллектуальной поддержки принятия решений занимает проблема ранней диагностики социально-значимых заболеваний. В последние годы множество научных групп по всему миру занимаются задачей разработки новых и модификации существующих компьютерных методов ранней диагностики онкологических заболеваний на основе анализа медицинских изображениях и видеоданных. Основные усилия исследователей направлены на улучшение процесса детектирования патологий путем расширения признакового пространства для выделенных областей интереса (ROI), предположительно, являющихся патологиями, повышения точности расчета значений признаков областей интереса, а также применения наиболее современных и эффективных моделей классификации патологий, свойственных определенным заболеваниям. Снижение смертности от онкологических заболеваний (ОЗ) достигается путем совершенствования методов ранней диагностики (Семиглазов В.Ф., 2013 г.), наиболее эффективным из которых является скрининг ОЗ. Известны системы ав томатизированного обнаружения (CAD), разработанные для повышения качества скрининга рака молочной железы (МЖ). В США CAD была одобрена в 1998 году (Rao et al., 2010). Тем не менее, дебаты по поводу эффективности CAD в рамках скрининга, продолжаются, так как в настоящее время нет рандомизированных исследований, определяющих влияние CAD на смертность от рака МЖ. В процессе исследования таких систем не было установлено улучшения диагностики инва-зивного рака МЖ. Однако увеличилась частота обнаружения DSIS - протокового рака in situ. При этом возросло число случаев гипердиагностики, потребовавших дополнительных исследований и их финансирования. Таким образом, системы CAD ставят проблему подтверждения своей эффективности на основе доказательной медицины, одним из решений которой является мета-анализ. В мировой практике для автоматизированной обработки изображений используют методы распознавания, основанные на идее Виолы - Джонса, технологии бустинга и нейросетевых моделях классификаторов (технологии Bagging и Boosting используют множества базовых классификаторов с последующей агрегацией их решений, направленной на снижение ошибок первого и второго рода). В настоящее время получили широкое распространение так называемые гибридные технологии, позволяющие объединять в одном классификаторе технологии обучаемых классификаторов и технологии мягких вычислений. Наиболее успешно задачу распознавания решают с помощью нейросетевых моделей. Разработке методов и алгоритмов идентификации и классификации образов посвящены работы АН. Галушкина, АН. Горбаня, Т. Кохонена, Ф. Уоссер-мена, Дж. Хопфилда. Однако в виду отсутствия единой методологии решения прикладных задач классификации изображений с помощью искусственных нейронных сетей (ИНС), целесообразно применительно к каждой конкретной задаче выбирать не только их архитектуру, но и метод формирования пространства информативных признаков и метод обучения ИНС. Существует два подхода использования ИНС для интерпретации РС. Первый подход заключается в выделении дескрипторов из изображения или его сегмента, а затем построения классифицирующей модели на основе полученных де- скрипторов: обучаемого или не обучаемого классификатора. Второй подход предполагает применение классификатора непосредственно к данным изображения или области интереса. Первый подход можно назвать попиксельной классификацией. Это значит, что классификация осуществляется путем отнесения каждого пикселя изображения к определенному классу (сегменту). Как правило, это бинарная классификация, в результате которой на выходе классификатора получаем бинарное изображение или «тепловую карту» с исходным растром (Hayat Mohameda, Mai S. Ma-broukb, Amr Sharawy). В большинстве современных исследовательских работ для осуществления одного из ключевых этапов компьютерной диагностики, связанного с классификацией предполагаемых патологий, используются сверточные нейронные сети (СНС), как одни из наиболее эффективных моделей распознавания образов сложных объектов на изображении. Однако сложность применения данной модели заключается в отсутствии формализованного подхода к построению архитектуры СНС. В существующих исследовательских работах до сих пор остаются практически не рассмотренными вопросы выбора наиболее эффективных параметров архитектуры СНС, которые в значительной степени могут оказывать влияние на точность классификации патологий и качество работы системы диагностики в целом. Как и в случае с многослойными ИНС прямого распространения, при проектировании архитектуры СНС увеличение количества слоев и связей внутри сети дает возможность строить более сложные модели, позволяющие оперировать более сложными образами. Для обеспечения информационной поддержки при синтезе автономных интеллектуальных агентов (АИА), предназначенных для классификации изображений РС, необходима база данных (БД) РС с различными патологиями и их сочетания. Однако отдельное ЛПУ не имеет возможности создать такую БД, а доступные БД РС, как правило, университетские, имеют различные концептуальные модели и форматы данных, что затрудняет совместное использование их РС в едином информационном центре. В связи с этим возникает необходимость создания полноценной радиологической информационной системы (РИС), оснащённой современным 1Т-совместным оборудованием кабинетов радиологии. РИС медицинской организации (МО) должна интерпретироваться в региональные телекоммуникационные системы цифровой радиологии (РТСЦР) и региональные МИС. Развитие РИС способствует созданию распределённых баз данных РС, что позволяет создать Единое диагностическое информационное пространство (ЕДИП), обеспечивающее создание информационной диагностической системы любого масштаба, создания единой структурированной базы знаний (БЗ) для научных исследований и обучения, эффективное управление системой здравоохранения, в том числе человеческими и материальными ресурсами. Проведённый анализ современных исследований в области цифровой медицины позволяет сформировать фундаментальную научную проблему, на решение которой направлено данное исследование: развитие методологии синтеза систем искусственного интеллекта с гетерогенными интеллектуальными агентами, позволяющих повысить достоверность интерпретации изображений в лучевой диагностике и тем самым повысить качество диагностики онкологических заболеваний. Совокупное использование различных методов классификации изображений и их сегментов, нашедших своё воплощение в автономных интеллектуальных агентах, а также использование различных методов агрегации их решений, в том числе и с использованием интернета, даёт возможность создавать качественно новые МИС, позволяющие решать более широкий круг задач интерпретации изображений РС и диагностики социально значимых заболеваний, обеспечивая эффективность прилагаемых решений в условиях неполноты и неопределённости исходных данных. Цель работы состоит в разработке концептуальных моделей, методов и алгоритмов построения систем поддержки принятия решений в лучевой диагностике, позволяющих повысить качество диагностики социально-значимых заболеваний. Для достижения поставленной цели в работе решаются следующие задачи: - разработка концептуальных моделей региональных медицинских информационных систем с интегрированными автоматизированными рабочими местами врача-рентгенолога и базами данных с облачной инфраструктурой, позволяющими осуществлять мета-анализа результатов лучевой диагностики; - развитие методологии построения систем искусственного интеллекта, основанной на парадигме сегментарной классификации растровых полутоновых изображений и предназначенной для интеллектуальной поддержки принятия решений при медицинской диагностике по результатам анализа рентгеновских снимков; - разработка методов построения гетерогенных автономных интеллектуальных агентов, осуществляющих попиксельную и сегментарную классификации растровых полутоновых изображений, предназначенных для интеллектуальной поддержки принятия решений при медицинской диагностике по результатам анализа рентгеновских снимков; - развитие методологии свёрточных нейронных сетей с интегрированными гетерогенными автономными интеллектуальными агентами, предназначенных для классификации растровых полутоновых рентгеновских изображений; - разработка экспериментальных образцов автоматизированных рабочих мест врача-рентгенолога, позволяющих классифицировать рентгеновские снимки и осуществлять интеллектуальную поддержку принятия решений при диагностике социально значимых заболеваний и их клиническая апробация; - разработка концептуальных моделей защиты информации в базах данных радиологических информационных систем, обеспечивающих конфиденциальность данных и их доступность при построении компьютерных диагностических систем и алгоритмов мета-анализа их диагностической эффективности; - экспериментальные исследования образцов региональных медицинских систем с интегрированными автоматизированными рабочими местами врача-рентгенолога и базами данных по лучевой диагностике с облачной инфраструктурой и клиническая апробация результатов исследования. Объект исследования - медицинские информационные системы с гетерогенными автономными интеллектуальными агентами, для компьютерной диагностики заболеваний на основе анализа медицинских изображений и видеоданных. Предмет исследования - методология синтеза интеллектуальных систем поддержки принятия решений для врача-рентгенолога. Научная новизна результатов работы. В рамках диссертационной работы были получены следующие основные результаты, обладающие научной новизной. 1. Архитектура радиологических информационных систем регионального уровня с возможностью интеграции медицинских организаций других профилей, отличающаяся многоуровневой иерархической модульной структурой, нижний уровень которой - цифровое радиологическое диагностическое оборудование, далее уровень отделения радиологии, аккумулирующий диагностическую информацию со всего диагностического оборудования, установленного в отделении радиологии, далее следует уровень РИС всей МО и на верхнем уровне - региональную РИС, интегрированную в региональную МИС, позволяющая повышать от уровня к уровню размерность признакового пространства, участвующего в формировании модели состояния пациента и, как следствие, обеспечивающая повышение точности постановки диагноза. 2. Метод классификации изображений рентгеновских снимков и его сегментов, отличающийся комплектом гетерогенных автономных интеллектуальных агентов, позволяющий выделять на изображении сегменты, относящиеся к области интереса, и выделять в области интереса сегменты, принадлежащие к классу «патология», включающий: - многослойный морфологический оператор, отличающийся использованием множества структурообразующих элементов в комплекте с кортежем морфологических операторов, при этом один из них увеличивает яркость пикселя в структурообразующем элементе, а другой - уменьшает яркость пикселя, а окончательная яркость пикселя устанавливается посредством использования третьего морфологического оператора, позволяющий управлять показателями однородно- сти сегментов изображения с нечеткими и неопределенными показателями однородности без априорной информации о морфологии сегментов изображения; - алгоритм сегментации изображений рентгеновского снимка, отличающийся тем, что каждому вновь полученному сегменту присваивается статус сегмента-потомка или материнского сегмента, в зависимости от которого формируется его уникальный код, определяющий его место в иерархии сегментов изображения; - алгоритм модификации границ сегмента путем оптимизации критерия однородности у сегментов-потомков одного материнского сегмента, отличающийся итерационным процессом инкрементирования или декрементирования горизонтальных и вертикальных координат границ смежных сегментов-потомков таким образом, чтобы оптимизировать критерии однородности в сегментах с новыми границами, позволяющий снизить количество материнских сегментов изображения и тем самым повысить скорость обработки изображения; - двухступенчатый алгоритм классификации патологических образований на рентгенограмме, включающий блок предварительной обработки, блок сегментации, блок идентификации области интереса и блок классификации области интереса, отличающийся тем, что в качестве классификатора первой ступени используется обучаемый классификатор «область интереса» и «не область интереса», а в качестве классификатора второй ступени - обучаемый классификатор «патология» и «нет патологии», а для повышения качества работы классификатора первой ступени предварительная обработка исходного изображения осуществляется морфологическими операторами, адаптируемыми к методу сегментации изображения; - классификатор сегментов изображений рентгенограмм, отличающийся гетерогенными автономными агентами формирования дескрипторов по показателям текстуры классифицируемого сегмента. 3. Метод классификации рентгеновских снимков, основанный на двухаль-тернативной классификации пикселей полутонового изображения, отличающаяся использованием каскада параллельных «слабых» классификаторов с последующей агрегацией их решений на конечной ступени классификации, и использова- нием в качестве информативных признаков для «слабых» классификаторов оконных спектров, получаемых в окнах, дислокацию которых определяют координаты классифицируемого пикселя, позволяющий дифференцировать морфологические образования, относящиеся к различным заболеваниям, включающий: - модель адаптивного фильтра, отличающуюся последовательностью масочных операторов, выполняющих пошаговую трансформацию оконного преобразования Уолша, позволяющую посредством выбора кортежа масочных операторов и его модификации синтезировать «сильные» и «слабые» классификаторы различных морфологических образований на изображении рентгеновского снимка; - структуру двухальтернативного классификатора пикселя полутонового изображения, состоящую из каскада параллельных «слабых» классификаторов и агрегатор их решений на конечной ступени классификации, позволяющую дифференцировать на изображениях рентгеновских снимков различные морфологические образования; - алгоритмическое и программное обеспечение для классификации изображений на рентгеновских снимках, экспериментальная апробация которого на контрольных выборках при классификации рентгеновских снимков молочной железы по классам «нет области интереса» - «есть область интереса» показала диагностическую эффективность не ниже 90%, а по классам сегментов «норма» - «патология» - не ниже 91%, при дифференциальной диагностике на рентгеновских снимках сегментов классов «пневмония» и «онкология» показала качество классификации по критерию M не ниже 15%, а по критерию в - не ниже 50 единиц; а диагностическая чувствительности по классам онкология-пневмония составила не менее 0,8; при диагностической специфичности - не менее 0,75. 4. Метод автоматической классификации рентгеновских изображений с использованием масок прозрачности, предусматривающий формирование рентгеновского цифрового изображения в виде матрицы оптических плотностей объекта, получение глубинных слоев изображения путем обработки исходного цифрового изображения локальными фильтрами, уникальными для каждого слоя, сни- жение размерности изображений в глубинных слоях посредством технологии пу-линга (субдискретизаии), формирование пространства информативных признаков для обучаемой полносвязной нейронной сети из субдискретизированных глубинных слоев, и классификацию полученного вектора информативных признаков посредством полносвязной нейронной сети, отличающийся тем, что входное цифровое изображение дополняется маской прозрачности, полученной путем предварительной сегментации изображения рентгеновского снимка, а классифицируемый вектор признаков формируется не по всем пикселям изображения, а только по тем пикселям, которые не маскированы маской прозрачности, а локальные фильтры реализуются в виде тождественных операторов с различными масштабными масками, которые формируют глубинные слои посредством индексации масштаба маски фильтра, которая преобразует пиксели исходного изображения в мегапиксели - множество пикселей исходного изображения, попавших в границы маски фильтра. 5. Алгоритм четырехэтапного пулинга, отличающийся тем, что на первом этапе каждый мегапиксель глубинного слоя изображения представляется в виде двух векторов, получаемых посредством двух дифференциальных операторов адаптированных к горизонтальному и вертикальному направлениям, результаты дифференцирования сравниваются с порогом, в результате чего формируются компоненты вектора информативных признаков, на втором этапе на маске прозрачности выбирается классифицируемый сегмент и из полученных двух трехмерных тензоров удаляются векторы, мегапиксели которых не принадлежат классифицируемому сегменту; на третьем этапе из четырех смежных векторов каждого мегапикселя формируется вектор информативных признаков для «слабого» классификатора, а в качестве «слабых» классификаторов используются однослойные персептроны; на четвертом этапе каждый «слабый» классификатор каждого глубинного слоя определяет степень принадлежности данного мегапикселя к заданному классу. 6. Интернет-технология, предназначенная для мета-анализа эффективности классификаторов рентгеновских снимков, отличающаяся автономными интеллек- туальными агентами-интерьерами, позволяющими формировать распределённые эксклюзивные коллекции рентгеновских снимков предназначенных для обучения классификаторов сегментов рентгеновских снимков, а также формировать распределённые базы знаний с коллекциями классификаторов сегментов изображений рентгеновских снимков и показателями качества классификации на контрольных выборках из эксклюзивных коллекций распределённой базы данных. Достоверность научных положений, теоретических выводов и практических результатов работы подтверждается: - корректным использованием математического аппарата, соответствием результатов вычислительных экспериментов, выполненных в диссертации, положениям и выводам качественного характера; - использованием разработанных методов, алгоритмов и моделей для решения реальных прикладных задач цифровой медицины; - практической реализацией региональных медицинских систем и отдельных их элементов, подтвержденной патентами на изобретения и полезные модели; - длительной клинической апробацией МИС различного уровня и их отдельных модулей в медицинской практике. |