ПРИМЕНЕНИЕ КЛАСТЕРНОГО АНАЛИЗА ДЛЯ НАУКОМЕТРИЧЕСКОГО ИССЛЕДОВАНИЯ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И МАШИННОГО ОБУЧЕНИЯ В КАРДИОМЕТРИИ

APPLICATION OF CLUSTER ANALYSIS FOR A PREMISED STUDY OF ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING METHODS IN CARDIOMETRY

Konstantin Kamyshev

Student, Southern Federal University,

Russia, Rostov-on-Don

Viktor Kureichik

Doctor of Technical Sciences, Professor, Southern Federal University,

Russia, Rostov-on-Don

АННОТАЦИЯ

В данной статье приводятся результаты кластерного анализа данных по научным тематикам связанным с применением искусственного интеллекта и машинного обучения в кардиометрии. Показано что, применение технологий искусственного интеллекта выполняет обеспечение исполнения стратегии развития информационного общества в РФ на 2017-2030 гг. Детально рассмотрены кластеры классификаторов машинного обучения и медицинской информатики.

ABSTRACT

This article provides the results of a cluster analysis of data on scientific topics related to the use of artificial intelligence and machine learning in cardiometry. It is shown that the use of artificial intelligence technologies ensures the implementation of the development strategy of the information society in the Russian Federation for 2017-2030. Closers of machine learning and medical computer science classifiers are examined in detail.

Ключевые слова:  искусственный интеллект, кардиометрия,  кластерный анализ,  машинное обучение,  наукометрия.

Keywords: artificial intelligence, cardiometry, cluster analysis, machine learning, scientometry.

Статья актуальна в связи с широким на сегодняшний день применением искусственного интеллекта и машинного обучения в различных сферах науки. Новизна и принципиальное отличие статьи заключаются во вперыве проведенном кластерном анализе тематики кардиометрии в искусственном интеллекте и машинном обучении. Данные, полученные в статье, позволят практически оценить значимость и актуальность использования  технологий искусственного интеллекта в кардиометрии.

Искусственный интеллект (ИИ) - термин, подразумевающий использование информационных технологий для моделирования интеллектуального поведения с минимальным вмешательством человека. Понятие ИИ начало применяться с изобретения роботов. Сам термин проистекает из чешского слова Robota, что означает биосинтетическая машина, используемая для  принудительного труда.

ИИ, описанный как наука и инженерия изготовления интеллектуальных машин, официально родился в 1956 году. На сегодняшний день этот термин применим к широкому кругу предметов в медицине, таких как робототехника, медицинская диагностика, медицинская статистика и биология человека.

ИИ и машинное обучение в кардиологии, которая находится в центре внимания данной статьи, имеет два основных направления: виртуальные технологии ИИ и физические технологии ИИ.

Виртуальное направление ИИ включает в себя подходы к информатике в плане управления информацией и машинном обучении для контроля кардиологических и кардиометрических систем, а также систем управления здравоохранением в целом. Они включают в себя электронные медицинские карты, данные кардиологических исследований, а также активное руководство врачей в решениях о лечении сердечнососудистых заболеваний.

Физическое направление ИИ лучше всего представлено роботами, используемыми для оказания помощи пациентам с сердечнососудистыми заболеваниями или, например, лечащему кардиохирургу. В этом плане стоит отметить технологии создания и применения нанороботов. Это новая и уникальная система доставки лекарств. Также стоит отметить робототехнические и бионические системы обеспечения и поддержки кардиостимуляции.

Социальные и этические сложности виртуальных и физических технологий ИИ требуют дальнейшего многостороннего изучения.

Пытаясь спрогнозировать дальнейшее развитие и применение технологий искусственного интеллекта, в том числе и машинного обучения в кардиометрии, можно достаточно обоснованно утверждать, что данные технологии являются одними из тех, которые вносят вклад в обеспечение исполнения" стратегии развития информационного общества в РФ на 2017-2030 гг." - указ президента РФ №203 от 9мая 2017г.

Так например, применение технологий реализует выполнение программ и положений данного указа в пунктах 3(в),4(е,л),11,13…26,29(а),36(ж),38(а),41(а,ж,и).

Используя научную методологию для анализа кардиометрии и искусственного интеллекта целесообразно применение наукометрического подхода. Наукометрия проводит исследование научного знания количественными методами. Одним из современных методов наукометрии является кластерный анализ. Как правило его статистические процедуры многомерны. Они выполняют сбор данных, которые содержат сведения о выборке объектов. Далее по алгоритмам кластерного анализа такие выборки упорядочиваются, и их объекты формируются в однородные группы. Для кластерного анализа научных тем, связанных с кардиометрией и искусственным интеллектом, были взяты научные статьи библиографическо-реферативной базы данных SCOPUS, предоставленные одним из крупнейших научных издательских домов мира, компании Elsevier(группа корпораций RELX Group). Для проведения кластерного анализа выбранных статей использовалась компьютерная программа SciMAT - Science Mapping Analysis Tool(Рис.1).

Рисунок 1. Наборы статей по научным темам, связанным с кардиометрией и искусственным интеллектом при обработке их данных в программе SciMAT

SciMAT позволяет проводить кластерный анализ научных данных за многолетний период. На основе имеющихся в SCOPUS данных из статей для наукометрического анализа были выбраны три временных периода с 2013г по 2018г, с 2019г по 2020г и с 2021г по 2022г(Рис.2). Для этих периодов выборка статей производилась по ранжированию убывания их максимальной цитируемости. Размер выборки – свыше 1700 статей.

Рисунок 2. Разделений статей по временным периодам

В эти периоды кардиометрия, машинное обучение, искусственный интеллект и связанные с ними темы освещались в наиболее развитых странах мира учеными, инженерами и различными авторами по-разному в количественном и качественном соотношениях. Различны уровни «плотности» и «центральности» научных тем. Что видно далее из диаграммы (Рис.3), полученной в результате проведения процедуры кластерного анализа.

Рисунок 3. Данные кластеров научных тем, связанных с кардиометрией и искусственным интеллектом в период с 2021г по 2022г.

Рассмотрим некоторые из кластеров, интересующих нас предметно.

Рисунок 4. Кластер классификаторов машинного обучения (MACHINE-LEARNING-CLASSIFIERS), связанный с кардиометрией и искусственным интеллектом в период с 2021г по 2022г.

Как видно из рисунка 4, кластер классификаторов машинного обучения (MACHINE-LEARNING-CLASSIFIERS), связан с кластерами электрокардиографии (ELECTROCARDIOGRAPHY), с ЭКГ-наборами данных (ECG-DATASET) и клинической системы поддержки и принятия решений (CLINICAL-DECISION-SUPPORT-SYSTEM).  

Также можно отметить, что эти тематики обладают высокими показателями «плотности» и «центральности» - это «Мэйнстрим» и «Надпредметные темы».

Рисунок 5. Кластер медицинской информатики (MEDICAL-INFORMATICS), связанный с кардиометрией и искусственным интеллектом в период с 2021г по 2022г.

Из рис.5 видно, что кластер медицинской информатики (MEDICAL-INFORMATICS), связанный с кардиометрией и искусственным интеллектом, является центральным звеном таких тематик как: клинические исследования (CLINICAL), первичный прогноз(EARLY-PREDICTION), отделения интенсивной терапии(INTENSIVE-CARE-UNIT), сепсис(SEPSIS), наборы данных (DATASET) , диагностика на основе модели(MODEL-BASED-DIAGNOSIS) и тенсорная факторизация(TENSOR-FACTORIZATION).

Список литературы:

1. 1. Dabhi V.K., Jambukia S.H., Prajapati H.B. Classification of ECG signals using machine learning techniques: A survey // Conference Proceeding - 2015 International Conference on Advances in Computer Engineering and Applications, ICACEA 2015, С. 714-721.
2. Jiang F., Jiang, Y., Zhi H., Dong Y. Artificial intelligence in healthcare: Past, present and future. //  Stroke and Vascular Neurology, 2017. — С. 230-243.
3. Kahramanli H., Allahverdi N. // Design of a hybrid system for the diabetes and heart diseases, 2008. Т.1-2. № 35. С. 82-89.
4. Kalluri H.K., Sajja T.K. A deep learning method for prediction of cardiovascular disease using convolutional neural network // Revue d'Intelligence Artificielle, 2020. Т.34. № 5. С. 601-606.
5. Lin H., Liu M.,Kuo Y. A health informatics transformation model based on intelligent cloud computing exemplified by type 2 diabetes mellitus with related cardiovascular diseases // Computer Methods and Programs in Biomedicine, 2020. Т.191.
6. Morgan R., Vaessen Ch. From Leonardo to da Vinci: the history of robot-assisted surgery in urology // BJU Int, 2011. № 108(11). С. 1708-1713.
7. Tajbakhsh N., Shin J.Y., Gurudu S.R., Hurst R.T Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning // Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning, 2016. Т.5. № 35. С. 1299-1312.
8. Вятченин Д. А. Нечёткие методы автоматической классификации // Минск: Технопринт, 2004. — 219 с.
9. Хайдуков Д. С. Применение кластерного анализа в государственном управлении // Философия математики: актуальные проблемы. — М.: МАКС Пресс, 2009. — 287 с.
10. Долгодворова Е. В. Кластерный анализ: базовые концепции и алгоритмы Вопросы науки и образования. 2018.
11. Кузнецов Д.Ю. Трошина Т.Л. Кластерный анализ и его применение. Ярославский педагогический вестник. 2006.
12. Бардина Н.Ю., Федюшин Н.А. Сегментация потребителей с помощью кластерного анализа. Новый университет. Серия «Экономика и право». 2015.