- •Розділ 1. Основні поняття медичної інформатики. Комп’ютер у діяльності майбутнього лікаря
- •1.1. Основні поняття медичної інформатики
- •Інформація та її визначення
- •Носії повідомлень
- •Визначення кількості інформації
- •Представлення інформації в комп’ютері
- •Системи числення
- •Десяткова система числення
- •Двійкова (бінарна) система числення
- •Переведення числової інформації з десяткової системи числення в двійкову
- •Кодування нечислової інформації
- •Логічні елементи в комп’ютері
- •Предмет та об’єкт медичної інформатики
- •Медична інформація та її види
- •Інформація, дані, знання
- •Типи медичних знань.
- •Інформаційний медичний документ
- •Опис даних: якісні, порядкові та кількісні дані. Шкали вимірювання
- •Якісні дані. Шкала класифікації (номінальна).
- •Порядкові дані. Шкала порядку.
- •Кількісні дані. Шкала інтервалів і шкала відношень.
- •Медичні дані
- •Питання для самоконтролю
- •1.2. Передача інформації. Мережеві технології. Основи телемедицини Передача інформації, схема передачі інформації
- •Основні поняття комп’ютерних мереж
- •Комунікаційне обладнання
- •Комунікаційне програмне забезпечення
- •Класифікація комп’ютерних мереж
- •Локальні мережі
- •Глобальні мережі
- •Глобальна мережа Internet та її можливості
- •Виникнення глобальної мережі Internet.
- •Протоколи мережі Internet.
- •Ідентифікація комп’ютерів в мережі. Адресація в Internet.
- •Основні послуги Internet.
- •Робота з електронною поштою
- •Поштові адреси та структура електронного листа.
- •Робота з гіпертекстовими сторінками World Wide Web.
- •Пошук в Internet
- •Робота з файлами засобами ftp-сервера
- •Загальні алгоритми пошуку інформації в Internet .
- •Основи телемедицини
- •Технології, що застосовуються у телемедицині
- •Будова телемедичних систем. Засоби передачі інформації в телемедицині
- •Функції телемедичних центрів
- •Стандарти, які застосовуються в телемедицині.
- •Стандарт Health Level 7
- •Проблеми телемедицини
- •Питання для самоконтролю
- •1.3. Комп’ютерні дані: типи даних, обробка та управління. Основні концепції баз даних
- •Класифікація баз даних
- •Основні типи моделей даних
- •Ієрархічна модель даних.
- •Модель даних типу мережа.
- •Реляційна модель даних.
- •Класифікація сучасних систем керування базами даних
- •Мовні засоби систем керування базами даних
- •Майбутнє субд
- •Питання для самоконтролю
- •Розділ 2. Медичні дані. Методологія обробки та аналізу інформації.
- •2.1. Кодування та класифікація. Історія класифікації і кодування
- •Поняття класифікації
- •Двоосьова icpc .
- •Поняття кодування
- •Проблеми класифікації та кодування
- •Класифікаційні системи
- •Системи класифікації в Україні
- •Питання для самоконтролю
- •2.2. Аналіз біосигналів. Методи обробки біосигналів. Візуалізація медико-біологічних даних. Обробка та аналіз медичних зображень. Біосигнали та їх обробка.
- •Реєстрація, трансформація та класифікація сигналів
- •Біосигнали і нестаціонарні сигнали.
- •Типи сигналів.
- •Приклади застосування аналізу біосигналів
- •Поняття медичного зображення.
- •Формування медичних зображень
- •Медичне зображення як об’єкт медичної інформатики.
- •Методи отримання медичних зображень
- •Обробка медичних зображень.
- •Основні принципи обробки зображень.
- •Попередня обробка.
- •Зміна контрастності зображення.
- •Затемнення і видимість деталей зображення
- •Зменшення шуму.
- •Квантування рівня сірого
- •Відновлення зображень
- •Покращення зображень
- •Методика виявлення краю або контуру
- •Сегментація.
- •Стиснення зображення
- •Перетворення зображення
- •Повне перетворення
- •Розрахунок параметрів.
- •Інтерпретація зображень.
- •Проблеми обробки та аналізу зображень
- •Проблема візуалізації зображень.
- •Двовимірні томографічні зображення.
- •Тривимірне об’ємне зображення.
- •Способи двовимірної візуалізації.
- •Способи дійсної три вимірної візуалізації.
- •Застосування тривимірної візуалізації.
- •Сучасні тенденції обробки зображень
- •Обробка двовимірних та тривимірних медичних зображень. Обробка двовимірних медичних зображень
- •Обробка тривимірних медичних зображень
- •Питання для самоконтролю
- •2.4. Методи біостатистики. Сучасна технологія аналізу даних
- •Планування дослідження.
- •Підготовка даних до аналізу
- •Попередній аналіз даних
- •Вибір і реалізація методу аналізу
- •Закони розподілу дискретних випадкових величин Біноміальний розподіл (розподіл Бернуллі)
- •Розподіл Пуассона
- •Закони розподілу неперервних випадкових величин Нормальний закон розподілу (Гауса)
- •Розподіл
- •Розподіл Ст’юдента (Госсета)
- •Емпіричні закони розподілу випадкових величин
- •Оцінка параметрів розподілу та перевірка гіпотез Загальні поняття
- •Етапи перевірки гіпотез
- •Критерії перевірки гіпотез
- •Стійкість критеріїв
- •Послідовність операцій при виборі критерію
- •Постановка задачі
- •Визначення додаткових умов вибору критерію
- •Вибір конкретного критерію
- •Вимоги до вибірок
- •Критерій (критерій Пірсона)
- •Кореляційний аналіз
- •Регресійний аналіз
- •Тестові завдання для самоконтролю
- •Розділ 3. Медичні знання та прийняття рішень в медицині
- •3.1. Формалізація та алгоритмізація медичних задач. Основні поняття
- •Алгоритми та їх властивості.
- •Способи подання алгоритмів
- •Типи алгоритмів та їх структурні схеми Лінійні алгоритми
- •Циклічні алгоритми
- •Цикл-поки
- •Цикл-до
- •Питання для самоконтролю
- •3.2. Формальна логіка у вирішенні медико-біологічних задач. Основи логіки висловлень
- •Поняття висловлення
- •Множина значень висловлення
- •Алфавіт логіки висловлень
- •Логічні операції та таблиці істинності. Бінарні і унарні операції
- •Операція заперечення.
- •Операція кон’юнкції
- •Операція диз’юнкції
- •Операція імплікації
- •Операція еквівалентності
- •Діаграми Вена
- •Властивості логічних операцій
- •Основні логічні функції.
- •Логічна функція якщо
- •Способи подання логічних функцій
- •Питання для самоконтролю
- •3.3. Методи підтримки прийняття рішень. Стратегії отримання медичних знань Типи діагностичних і прогностичних технологій
- •Види лікарської логіки.
- •Детерміністична логіка
- •Табличні методи
- •Машинні технології
- •Логіка фазових інтервалів
- •Фазовий простір станів
- •Застосування ймовірнісної логіки в діагностиці
- •Основи теорії ймовірнісної діагностики
- •Розробка систем ймовірнісної діагностики
- •Приклад застосування систем ймовірнісної діагностики
- •Метод послідовного статистичного аналізу Вальда
- •Визначення й архітектура систем знань
- •Людина і комп’ютер
- •Експертні системи в медицині
- •Штучний інтелект.
- •Історія ес
- •Розробка експертних систем
- •База знань
- •Формальні моделі зображення знань
- •Продукційні моделі
- •Семантичні моделі
- •Модель типу фрейм
- •Характеристики експертних систем
- •Приклади застосування експертних систем
- •Тенденції розвитку систем знань
- •Питання для самоконтролю
- •3.4. Клінічні системи підтримки прийняття рішень. Засоби прогнозування. Моделювання медико-біологічних процесів . Поняття системи
- •Властивості систем
- •Структура систем
- •Загальна теорія систем. Системний підхід
- •Поняття моделі. Типи моделей
- •Типи моделей
- •Математична модель. Історія
- •Ступені складності математичної моделі
- •Ступені адекватності
- •Математичне моделювання
- •Етапи математичного моделювання
- •Обмеження і переваги методу математичного моделювання
- •Приклади математичних моделей.
- •1. Гемодинаміка судинного русла
- •2. Модель зміни концентрації лікарського препарату в крові пацієнта
- •3. Моделювання росту популяцій
- •57. Випадкові відхилення 58. Випадкові відхилення
- •4. Математична модель «хижак – жертва»
- •5. Моделювання клітинного росту
- •6. Математичне моделювання в імунології.
- •7. Моделювання епідемічних процесів
- •Питання для самоконтролю
- •3.5. Доказова медицина Доказова медицина. Принципи доказової медицини
- •Визначення доказовості
- •Аспекти доказової медицини
- •Умови ефективного функціонування доказової медицини
- •Алгоритм дій
- •Мета-аналіз
- •Види мета-аналізу
- •Переваги мета-аналізу
- •Проблеми мета-аналізу
- •Кокранівські бази даних
- •Принципи Кокранівського Співробітництва
- •Проблемні групи зі створення систематичних оглядів
- •Кокранівські робочі групи з методології оглядів
- •Кокранівські спеціалізовані групи
- •Кокранівські центри
- •Кокранівська мережа споживачів
- •Кокранівська електронна бібліотека
- •Кокранівська база даних систематичних оглядів
- •Кокранівський реєстр контрольованих випробувань
- •Прийняття оптимальних рішень в охороні здоров’я
- •Тенденції розвитку Кокранівського Співробітництва
- •Стислий довідник з доказової медицини
- •Принципи створення довідника
- •І. Систематичні огляди як джерело доказів.
- •Іі. Рандомізовані контрольовані випробування як джерела доказів
- •Особливості викладу матеріалу
- •Питання для самоконтролю
- •Розділ 4. Системи, направлені на пацієнтів, та інституційні інформаційні системи в охороні здоров’я
- •4.1. Типи інформаційних систем в галузі охорони здоров’я. Госпітальні інформаційні системи та їх розвиток. Вимоги до інформації
- •Основні аспекти інформатизації медичної діяльності
- •Загальна технологічна схема діагностично-лікувального процесу.
- •Етапи створення і основні характеристики міс
- •Класифікація медичних інформаційних систем
- •Медичні інформаційні системи базового рівня
- •Інформаційно довідкові системи.
- •Консультативно-діагностичні системи.
- •Арм лікаря.
- •Автоматизоване робоче місце лікаря діагноста
- •Медичні інформаційні системи рівня лікувально-профілактичного закладу
- •Інформаційні системи консультативних центрів.
- •Скрінінгові системи.
- •Інформаційні системи лікувально-профілактичної установи Особливості організації інформаційного середовища лікувально профілактичної установи
- •Основні типи даних
- •Інформаційні системи поліклінічного обслуговування.
- •Міс територіального і державного рівня
- •Інформаційне забезпечення міс
- •Госпітальні інформаційні системи
- •Архітектура гіс.
- •Автоматизовані робочі місця головного лікаря та його замісників.
- •Регістратура
- •Електронна медична карта (емк)
- •Стаціонар
- •Лабораторні дослідження.
- •Операційна
- •Облік лікарських засобів.
- •Питання для самоконтролю
- •4.2. Електронна медична картка. Ведення медичної документації за допомогою персонального комп’ютера.
- •Концепція побудови електронних медичних карток
- •Ступінь захисту інформації про пацієнтів
- •Система медичного документообігу закладів охорони здоров’я
- •Структура системи
- •Етапи документообігу
- •Питання для самоконтролю
- •4.3. Інформаційні ресурси системи охорони здоров’я
- •4.4. Етичні та правові принципи в системі охорони здоров’я Захист медичної інформації
- •Медична інформаційна система як об’єкт захисту
- •Проблеми організації захисту лікарської таємниці
- •Загрози інформації, що містить лікарську таємницю.
- •Проблеми впровадження комплексних систем захисту.
- •Вимоги до моделі процесів інформаційної безпеки.
- •Формування моделі інформаційної безпеки.
- •Питання для самоконтролю
- •Додатки Нейронні мережі.
- •Основні поняття
- •Моделі нейронних мереж Багатошаровий персептрон
- •Ймовірнісна нейронна мережа в задачах класифікації.
- •Узагальнено-регресійна нейронна мережа в задачах регресії
- •Карти Кохонена, що самоорганізуються
- •Лінійна мережа
- •Алгоритм побудови нейронних мереж Оцінка адекватності нейромережевих моделей
- •Методика побудови нейронної мережі в пакеті neuropro 0.25.
- •Розпізнавання образів у програмі емуляції нейронної мережі «numbers»
- •Класифікація даних на прикладі аналізу «ірисів фішера»
- •Поняття про приборно – комп’ютерні системи.
- •Коротка історична довідка.
- •Класифікація медичних приборно-комп’ютерних систем
- •Класифікація за функціональними можливостями
- •Класифікація за призначенням
- •Основні принципи побудови мпкс Структура мпкс.
- •Медичне забезпечення
- •Апаратне забезпечення мпк Деякі елементи обчислювальної техніки
- •Програмне забезпечення мпкс.
- •1. Підготовки дослідження.
- •2. Проведення дослідження.
- •3. Перегляду і редагування записів.
- •4. Обчислювального аналізу.
- •5. Оформлення висновку.
- •6. Роботи з архівом.
- •Системи для проведення функціональної діагностики. Системи для дослідження функцій кровообігу.
- •Комп’ютерна електрокардіографія
- •Комп’ютерна реографія.
- •Системи для дослідження органів дихання.
- •Системи для дослідження головного мозку
- •Комп’ютерна електроенцефалограма
- •Системи для ультразвукових досліджень
- •Комп’ютерна ехотомографія
- •Інші типи спеціалізованих систем
- •Методи обробки й аналізу медичних зображень.
- •Мпкс для рентгенівських досліджень
- •Мпкс для магнітно-резонансних досліджень.
- •Мпкс для радіонуклідних досліджень(рнд).
- •Багатофункціональні системи
- •Системи для проведення моніторингу
- •Специфіка моніторингових систем
- •Електрокардіографічний моніторинг
- •Системи управління лікувальним процесом.
- •Системи інтенсивної терапії.
- •Системи оберненого біологічного зв’язку.
- •Системи протезування та штучні органи.
- •Перспективи розвитку мпкс
- •Питання для самоконтролю
Лінійна мережа
Відповідно до загальноприйнятого принципу – якщо більш складна модель не дає кращих результатів, чим більш проста, то з них слід віддати перевагу другій. У термінах апроксимації відображень найпростішою моделлю буде лінійна, у якій підгоночна функція визначається гіперплощиною. У задачі класифікації гіперплощина розміщується таким чином, щоб вона розділяла собою два класи (лінійна дискриминантная функція); у задачі регрессії гіперплощина повинна проходити через задані точки. Лінійна модель звичайно записується за допомогою матриці Nx і вектора зсуву розміру N.
Лінійна мережа є гарною точкою відліку для оцінки якості побудованих нейронних мереж. Може виявитися так, що задачу, що вважалася дуже складною, можна успішно вирішити не тільки нейронною мережею, але і простим лінійним методом. Якщо ж у задачі не так багато навчальних даних, то, імовірно, просто немає підстав використовувати більш складні моделі.
Алгоритм побудови нейронних мереж Оцінка адекватності нейромережевих моделей
При побудові нейромережевих моделей дуже важливим є питання оцінки їхньої якості. Для якісної моделі потрібне мінімальне значення помилки моделі.
Як міра помилки в моделях регресії може розглядатися стандартна середньоквадратична помилка, коефіцієнт множинної кореляції, доля природної дисперсії прогнозованої ознаки, що не дістала пояснення в рамках моделі.
У моделях класифікації як міра помилки може бути обрана доля випадків правильно класифікованих моделлю.
У зв’язку з високими потенційними можливостями навчання нейромережевих моделей важливу роль при оцінці адекватності моделі грають питання «перенавчання» моделі. У зв’язку з цим розглянемо процес побудови моделі докладніше.
Отже, потрібно, щоб на підставі кінцевого набору параметрів X, названих навчальною множиною, була побудована модель Mod деякого об’єкта Obj. Процес одержання Mod з наявних уривчастих експериментальних відомостей про систему Obj може розглядатися, як навчання моделі поведінці Obj відповідно до заданого критерію, настільки близько, наскільки це можливо. Алгоритмічно, навчання означає підстроювання внутрішніх параметрів моделі (ваг сінаптичних зв’язків у випадку нейронної мережі) з метою мінімізації помилки моделі, що описує деяким чином відхилення поведінки моделі від системи – E = |Obj – Mod|.
Прямий вимір зазначеної помилки моделі на практиці не можливий, оскільки функція Obj при довільних значеннях аргументу не відома. Однак можливе одержання її оцінки: , де підсумовування проводиться по навчальній множині X. При використанні бази даних спостережень за системою, для навчання може приділятися деяка її частина, названа в цьому випадку навчальною вибіркою. Для навчальних прикладів X відгуки системи Obj відомі. Таким чином, EX – помилка навчання для моделі.
У додатках користувача звичайно цікавлять властивості моделі, що можуть бути передбачені. При цьому головним є питання, яким буде відгук системи на новий вплив, приклад якого відсутній у базі даних спостережень – N. Невідома помилка, що допускається моделлю Mod на даних, що не використовувалися при навчанні, називається помилкою узагальнення моделі EN.
Основною метою при побудові інформаційної моделі є зменшення саме помилки узагальнення, оскільки мала помилка навчання гарантує адекватність моделі лише в заздалегідь обраних точках (а в них значення відгуку системи відомі і без усякої моделі). Проводячи аналогії з навчанням у біології, можна сказати, що мала помилка навчання відповідає прямому запам’ятовуванню навчальної інформації, а мала помилка узагальнення – формуванню понять і навичок, що дозволяють поширити отриманий з навчання досвід на нові умови. Останнє значно більш цінне при проектуванні нейромережевих систем, тому що для безпосереднього запам’ятовування інформації краще пристосовані інші, не нейронні пристрої комп’ютерної пам’яті.
Важливо відзначити, що мала помилка навчання не гарантує малу помилку узагальнення. Класичним прикладом є побудова моделі функції (апроксимація функції) по декількох заданих точках поліномом високого порядку. Значення полінома (моделі) при досить високому його ступені є точними у навчальних точках, тобто помилка навчання дорівнює нулеві. Однак значення в проміжних точках можуть значно відрізнятися від апроксимуючої функції, отже помилка узагальнення такої моделі може бути неприйнятно великою.
Оскільки істинне значення помилки узагальнення не доступно, на практиці використовується її оцінка. Для її одержання аналізується частина прикладів з наявної бази даних, для яких відомі відгуки системи, але які не використовувалися при навчанні. Ця вибірка прикладів називається тестовою вибіркою. Помилка узагальнення оцінюється, як відхилення моделі на множині прикладів з тестової вибірки.
Оцінка помилки узагальнення є принциповим моментом при побудові моделі. На перший погляд може показатися, що свідоме не використання частини прикладів при навчанні може тільки погіршити підсумкову модель. Однак без етапу тестування єдиною оцінкою якості моделі буде лише помилка навчання, що, як уже відзначалося, мало пов’язано з здібностями моделі, які можуть бути передбачені. У професійних дослідженнях можуть використовуватися кілька незалежних тестових вибірок, етапи навчання і тестування повторюються багаторазово з варіацією початкового розподілу ваг нейромережи, її топології і параметрів навчання. Остаточний вибір «найкращої» нейромережі робиться з урахуванням наявного обсягу і якості даних, специфіки задачі, з метою мінімізації ризику великої помилки узагальнення при експлуатації моделі.
Побудова нейронної мережі (після вибору вхідних перемінних) складається з наступних кроків:
1. Вибір початкової конфігурації мережі.
Проведення експериментів із різними конфігураціями мереж. Для кожної конфігурації проводитися кілька експериментів, щоб не одержати помилковий результат через те, що процес навчання потрапив у локальний мінімум. Якщо в черговому експерименті спостерігається недонавчання (мережа не видає результат прийнятної якості), необхідно додати додаткові нейрони в проміжний шар. Якщо це не допомагає, спробувати додати новий проміжний шар. Якщо має місце перенавчання (контрольна помилка стала зростати), необхідно видалити кілька схованих елементів.
2. Добір даних
Для одержання якісних результатів навчальна, контрольна і тестова множини повинні бути репрезентативними (представницькими) з погляду суті задачі (більш того, ці множини повинні бути репрезентативними кожна окремо). Якщо навчальні дані не репрезентативні, то модель, як мінімум, буде не дуже гарною, а в гіршому випадку – непридатною.
3. Навчання мережі
Навчання мережі краще розглянути на прикладі багатошарового персептрона. Рівнем активації елемента називається зважена сума його входів із доданим до неї граничним значенням. Таким чином, рівень активації являє собою просту лінійну функцію входів. Ця активація потім перетвориться за допомогою сигмовидної (що має S-образну форму) кривої.
Комбінація лінійної функції декількох змінних і скалярної сигмовидної функції приводить до характерного профілю «сигмовидного схилу», що видає елемент першого проміжного шару мережі. При зміні ваг і порогів змінюється і поверхня відгуку. При цьому може змінюватися як орієнтація всієї поверхні, так і крутість схилу. Більшим значенням ваг відповідає більш крутий схил. Якщо збільшити усі ваги в два рази, то орієнтація не зміниться, а нахил буде більш крутим.
У багатошаровій мережі подібні функції відгуку комбінуються одна з одною за допомогою побудови їхніх лінійних комбінацій і застосування нелінійних функций активации. Перед початком навчання мережі вагам і порогам випадковим образом присвоюються невеликі по величині початкові значення. Тим самим відгуки окремих елементів мережі мають малий нахил і орієнтовані хаотично – фактично вони не зв’язані один з одним. У міру того, як відбувається навчання, поверхні відгуку елементів мережі повертаються і зміщуються у потрібне положення, а значення ваг збільшуються, оскільки вони повинні моделювати окремі ділянки цільової поверхні відгуку.
У задачах класифікації вихідний елемент повинен видавати сильний сигнал у випадку, якщо дане спостереження належить до класу, що нас цікавить, і слабкий – у протилежному випадку. Інакше кажучи, цей елемент повинний прагнути змоделювати функцію, рівну одиниці в тій області простору об’єктів, де розташовуються об’єкти з потрібного класу, і рівну нулеві поза цією областю. Така конструкція відома як дискримінантня функція в задачах розпізнавання. «Ідеальна» дискримінантна функція повинна мати плоску структуру, так щоб точки відповідної поверхні розташовувалися або на нульовому рівні.
Якщо мережа не містить схованих елементів, то на виході вона може моделювати тільки одинарний «сигмовідний схил»: точки, що знаходяться по одну його сторону, розташовуються низько, по іншу – високо. При цьому завжди буде існувати область між ними (на схилі), де висота приймає проміжні значення, але в міру збільшення ваги ця область буде звужуватися.
Теоретично, для моделювання будь-якої задачі досить багатошарового персептрона с двома проміжними шарами (цей результат відомий як теорема Колмогорова). При цьому може виявитися і так, що для рішення деякої конкретної задачі більш простою і зручною буде мережа зі ще більшим числом шарів. Однак, для рішення більшості практичних задач досить всього одного проміжного шару, два шари застосовуються як резерв в особливих випадках, а мережі з трьома шарами практично не застосовуються.