Гепатит, являясь опасным заболеванием, требует особого отношения в диагностике и лечении, однако наличие большого количества нозологий создает определенные сложности. Важным аспектом определения нозологической формы гепатита является совмещение входных и выходных данных в начале исследования с целью формирования зависимостей, для решения схожих задач отлично подходят алгоритмы нейронных сетей, которые обучаются на реальных примерах. Применение нейронных сетей в медицине, которые имеют возможность поиска скрытых зависимостей обучаясь опытом врачей, позволяет облегчить труд, служа в роли советника. Однако открытым остается вопрос подбора наиболее эффективной топологии и методики обучения для выбранной задачи. В данной работе обосновывается необходимость задействования алгоритмов нейронных сетей для решения задачи определения нозологической формы гепатита. Проводится анализ и подбор входных факторов, характеризующих клиническое состояние больного, выходных факторов, характеризующих конкретную нозологическую форму гепатита, обосновываются преимущества построения топологии нейронной сети под конкретную задачу. Описывается алгоритм обучения и формирования нейронной сети, его использование, а также приводится сравнение каскадной нейронной сети с другими в разрезе рассматриваемой задачи. В завершении проводится описание созданной системы определения нозологической формы гепатита с применением нейронной сети каскадной корреляции, а также описывается клиническая эффективность рассматриваемого подхода.
An important aspect of determining the nosological form of hepatitis is the combination of input data at the beginning of the study. The use of neural networks in medicine, which have the ability to search for hidden dependencies by learning from the experience of doctors, makes it easier to work in the role of advisor. However, the question of selecting the most effective topology for a specific task remains open. This paper substantiates the need to use neural network algorithms to solve the problem of determining the nosological form of hepatitis. The analysis and selection of input factors characterizing the clinical condition of the patient, and output factors characterizing the specific nosological form of hepatitis, neural network. The algorithm, its use is described, and a cascade neural network is compared with others in the context of the problem under consideration. At the end, a description is made of the established system for determining the nosological form of hepatitis using a cascade correlation neural network, and also describes the clinical efficacy
The authors declare that there are no conflicts of interest present.