ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В ОФТАЛЬМОЛОГИИ

Диагностика заболеваний и их последующее лечение является основной задачей любого врача. Среди десяток тысяч заболеваний, помноженных на сотни миллионов больных, почти каждый из которых имеет свои индивидуальные особенности даже в анатомическом строении тела, не говоря о возрастных, половых вариантах одной и той же болезни, сложно распознать то или иное заболевание. Поэтому и разделены врачи на несколько специальностей, в зависимости от исследуемой области. К сожалению, во многих местностях наблюдается нехватка таких «узких» специалистов, что приводит к большой нагрузке врача, выполняющего эти функции, к тому же он вследствие широкого спектра выполняемых функций может быть не слишком компетентен в некоторых вопросах данного направления медицины. Такая ситуация приводит к увеличению количества пациентов на одного врача, следовательно, уменьшению времени приема одного больного, а это может стать причиной неполного его обследования. В связи с этим необходимо оптимизировать ряд задач, выполняемых врачом. В таких случаях можно предложить применение искусственного интеллекта [1].

Одними из методов искусственного интеллекта являются нейронные сети. С помощью нейронных сетей можно разработать систему для диагностирования заболеваний.

Искусственная нейронная сеть – математическая модель, имитирующая работу мозга. Она представляет собой некую систему из связанных и взаимодействующих между собой процессоров. Процессор в ИНС исполняет роль нейрона, то есть обрабатывает получаемые сигналы и посылает результат другому процессору или выводит конечное решение на экран. Каждый процессор может получать множество сигналов из входных каналов, которые называются синапсами, но всегда выдает один сигнал через выходной канал – аксон [3].

Для каждого входного сигнала определяются веса, которые в дальнейшем умножаются на значения входных данных. Затем полученные значения суммируются, и сумма проходит через функцию активации (рисунок 1).

Рисунок 1. Структура нейрона

В предлагаемой системе, диагностирующей заболевания, входными данными для нейронной сети являются различные изображения сетчатки глаза, веса – это вероятность наличия того или иного заболевания при схожих данных на изображениях [4].

В зависимости от того, какие данные получили синапсы, и какая функция была выбрана, получится результат. Наиболее часто используются следующие функции:

• пороговая (рисунок 2);
• линейная (рисунок 3);
• логическая (рисунок 4);
• гиперболический тангенс (рисунок 5) [2].

При использовании пороговой функции результат выдается положительным, то есть равным 1, если сумма входных данных равна или превышает пороговое значение, и равным нулю – в противном случае (1). Недостатком является отсутствие гибкости. Это мешает при обучении системы.

                                                             (1)

Рисунок 2. Пороговая функция

Линейная функция является непрерывной и монотонно возрастающей. Выдает значения от -1 до 1 включительно (2). Недостатком можно назвать то, что данная функция обеспечивает невысокую точность.

                                                        (2)

Рисунок 3. Линейная функция

Логическая функция (сигмоидальная) – это непрерывная, монотонно возрастающая функция (3). Она не имеет таких недостатков, как предыдущие. В графике имеет форму S. Она позволяет усилить слабые сигналы и не насыщается от сильных. Другими словами, эта функция сглаживает полученные данные.

                                                                   (3)

Рисунок 4. Логическая функция

Главным отличием гиперболического тангенса от логической функции является то, что в результате можно получить отрицательные значения (4).

                                                                 (4)

Рисунок 5. Гиперболическая функция

Так как в используемой сети не нужны отрицательные значения, в качестве функции активации выбрана логическая функция.

Нейронная сеть может состоять из одного или нескольких слоев (рисунок 6).

Рисунок 6. Структура нейронной сети

Входной слой принимает входные сигналы и отправляет их на скрытый слой. Скрытый слой обрабатывает входные данные с помощью функции активации. Скрытых слоев может быть несколько.

Выходной слой обрабатывает результаты скрытых слоев и выводит на экран результат.

Основным преимуществом использования нейронных сетей является их обучаемость. Обучение может производиться двумя методами: обучение с учителем и обучение без учителя.

Обучение сети с учителем основывается на использовании обучающего множества входных и выходных (целевых) данных. Веса сети изменяются до тех пор, пока при одинаковых входных значениях отклонения значений выходных данных нейросети от целевых не будут минимальными.

При обучении нейронной сети без учителя обучающее множество состоит только из входных данных. Веса сети будут регулироваться таким образом, что на выходе будут получены одинаковые значения при схожих входных.

Предлагаемая для разработки система предполагает обучение модели с учителем, поскольку необходимо точно указывать на вид заболевания при обучении системы, иначе вероятность неверного распознавания повысится.

Таким образом, для оптимизации работы врача предлагается разработать программное обеспечение, диагностирующее заболевание по результатам медицинских снимков пациента. Работа ПО основана на принципе искусственных нейронных сетей.

Список литературы:

1. Луговская А.М. Искусственные нейронные сети в медицинской диагностике. В кн.: 54-я научная конференция аспирантов, магистрантов и студентов БГУИР, Минск, Республика Беларусь, 2018: материалы. Республика Беларусь: Белорусский государственный университет информатики и радиоэлектроники, 2018. С. 182-183.
2. Гафаров Ф.М Г12 Искусственные нейронные сети и приложения: учеб. пособие / Ф.М. Гафаров, А.Ф. Галимянов. – Казань: Изд-во Казан. ун-та, 2018. – 121 с.
3. Вакуленко С.А., Жихарева А.А. Практический курс по нейронным сетям – СПб: Университет ИТМО, 2018. – 71 с.
4. Демчинский А.М., Кондыбаева А.Б. Искусственный интеллект в офтальмологии: [Электронный ресурс]. URL: https://eyepress.ru/article.aspx/. (Дата обращения: 09.11.2021).