- •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
Розпізнавання образів у програмі емуляції нейронної мережі «numbers»
Поставимо перед собою задачу навчити нейронну мережу розпізнавати зображення цифр. Нехай у нас є матриця 5х7 кліток. Зафарбовуючи відповідні клітини можна сформувати зображення деяких найпростіших об’єктів рис.7. Для реалізації цієї задачі була створена 4-х шарова нейронна мережа, топологія якої зображена на рис.80 (35 вхідних і 10 вихідних елементів).
Р ис. 89. Матриця для розпізнання цифр. Рис. 90. Топологія мережи.
Для вивчення роботи нейронної мережі необхідно «запустити» програму numbers.exe, у якій реалізована емуляції такої нейронної мережі. Інтерфейс програми приведений на рисунку 9.
Для рішення поставленої задачі необхідно виконати наступні дії:
у правому вікні програми вибрати цифру, що буде розпізнаватися (необхідно, щоб прапорець «Включить предсказание» був знятий);
у лівому вікні використовуючи маніпулятор «миша», натискаючи при русі ліву клавішу необхідно намалювати цифру, що розпізнається.
Після введення цифри і натискання кнопки «Записать», у нижньому вікні програми з’явиться оцифрована інформація, що подається на вхід і вихід мережі для її навчання.
Надалі необхідно повторити дії декілька раз, тобто намалювати цифру в 2-3 варіантах для поліпшення якості розпізнавання. Наступний етап включає навчання мережі на заданій множині. Для цього включається кнопка «Научить сеть».
Р ис. 91.. Інтерфейс програми “Numbers“.
Після навчання програма виводить інформацію про помилку навчання. Якщо після припинення процесу навчання помилка залишається значної (0,2 і більш), мережа навчається заново. Після навчання мережі вона готова до розпізнавання образів, при цьому повинний бути включений прапорець «Включить предсказание». Зображуючи цифри в лівому вікні програми (при цьому в правому вікні виводиться пророкування) необхідно домогтися не менш як 90% правильного розпізнавання образів, що вводяться (цифр). Після того, як навчання мережі завершене можна перевірити якість її роботи на окремій тестовій множині.
Класифікація даних на прикладі аналізу «ірисів фішера»
Розглянемо методику класифікації даних на прикладі аналізу «Ірисів Фішера».
Є дані вимірів для 150 екземплярів ірисів, у рівних частинах (по 50 штук) приналежних до трьох видів (iris setosa, iris versicolor, iris virginica). Для кожного екземпляра іриса відомі 4 величини: довжина чашолистка (Sepal Length), ширина чашолистка (Sepal Width), довжина пелюстка (Petal Length), ширина пелюстка (Petal Width). Вхідний файл складається з 150 рядків (по 50 для кожного сорту). П’ята змінна – цільова, позначає клас (вид) і для різних видів приймає наступні значення: 1 – setosa, 2 – versicolor, 3 – virginica. Такий спосіб кодування пов’язаний із припущенням Фішера, що versicolor – це гібрид setosa і virginica (дані знаходяться у файлі IrisTrain.dbf, IrisTest.dbf).
Для проведення класифікації отриманих даних необхідно вирішити наступні задачі:
Побудувати нейронну мережу типу «багатошаровий персептрон», що включає в себе 1 схований шар, навчити її на навчальній множині прикладів, перевірити правильність пророкування на цій множині, перевірити правильність пророкування на тестовій множині прикладів, порівняти результати прогнозування на цих множинах. Зробити висновок.
Побудувати нейронну мережу типу «багатошаровий персептрон», що включає в себе 2 схованих шари, навчити її на навчальній множині прикладів, перевірити правильність пророкування на цій множині, перевірити правильність пророкування на тестовій множині прикладів, порівняти результати прогнозування на цих множинах. Зробити висновок.
Порівняти результати пророкувань нейромережевих моделей що включають 1 і 2 схованих шари. Зробити висновок.
Використовуючи аналіз значимості вхідних сигналів мережі, визначити значення показників значимості. На основі цього аналізу виділити найбільш значимі ознаки. Побудувати нейронну мережу типу «багатошаровий персептрон» на основі тільки цих найбільш значимих ознак, що включає в себе 2 схованих шари, навчити її на навчальній множині прикладів, перевірити правильність пророкування на цій множині, перевірити правильність пророкування на тестовій множині прикладів, порівняти результати прогнозування нейромережевих моделей, отриманих у пунктах 1, 2 і 4. Зробити висновки.
Для побудови і подальшого аналізу отримані дані випадковим образом розбиваються на дві множини:
1) навчальна – множина на який провадиться побудова моделі і оцінка долі правильно класифікованих прикладів (дані знаходяться у файлі «IrisTrain.dbf» і включають 85 випадків);
2) тестова – множина на який провадиться тільки тестування моделі і дається оцінка її якості на основі нових прикладів (дані знаходяться у файлі «IrisTest.dbf» і включають 85 випадків).
Алгоритм проведення досліджень включає наступні етапи:
1. Завантажити програму NeuroPro 0.25
2. Створити новий нейропроект. Для цього необхідно натиснути кнопку в меню «Створити». Після створення нейропроекта в нього можна вставляти нейронные мережі.
3. Підключити файл даних із навчальними прикладами до нейропроекту. Для цього необхідно натиснути кнопку «Открыть файл данных» у вікні нейропроекта і вибрати ім’я необхідного файлу даних (у даному випадку «IrisTrain.dbf»).
4. Для побудови нейромережвої моделі, що включає в себе 1 схований шар натиснути кнопку «Нова мережа» і вибрати поля SLength, SWidth, PLength, Petal Width у якості вхідних змінних нейромережвої моделі, а поле Flower – як вхідну змінну (рис. 78). Далі вибрати «Число слоев нейронов» рівне 1 і деяке число нейронів у схованому шарі (як це показано на малюнку). По закінченні натиснути кнопку «Создать».
Рис. 92. Вікна створення нейронної мережі
5. Для навчання отриманої моделі вибрати пункт «Нейросеть/Обучение».
6. Переглянути результат навчання – пункт «Нейросеть/Тестирование» на навчальній множині даних, записати значення долі правильно і неправильно класифікованих випадків.
7. Для оцінки якості прогнозування отриманої моделі завантажити тестову множину даних (для цього необхідно натиснути кнопку «Відкрити файл даних» у вікні нейропроекта і вибрати ім’я необхідного файлу даних – «IrisTest.dbf»), а потім переглянути результат тестування – пункт «Нейросеть/Тестирование» на тестовій множині даних, записати значення долі правильно і неправильно класифікованих випадків.
8. Порівняти результати пророкування цієї нейромережвої моделі на навчальному і тестовому множинах. Зробити висновок.
9. Для побудови, навчання і тестування нейронної мережі типу «багатошаровий персептрон», що включає в себе 2 схованих шари виконати пункти 3 – 8 (при побудові моделі, у пункті 4 вибрати «Число шарів нейронів» рівне 2).
10. Порівняти результати прогнозування нейромережвої моделі, що включає 1 і 2 схованих шари між собою на навчальному і тестовому множинах. Зробити висновок.
11. Для спрощення нейронної мережі відібрати найбільш значимі вхідні змінні, для чого необхідно підключити файл даних із навчальними прикладами до нейропроекту (див. пункт 3) і вибрати пункт «Нейросеть/начимость» вхідних сигналів мережі.
12. Вибрати найбільш значимі змінні за результатами визначення значимості і побудувати нейронну мережу типу «багатошаровий персептрон», що включає в себе 2 схованих шари, використовуючи в якості вхідних змінних тільки найбільш значимі. Для побудови, навчання і тестування нейронної мережі типу «багатошаровий персептрон», що включає в себе 2 схованих шари виконати пункти 3 – 8.
13. Порівняти результати прогнозування нейромережвої моделі, що включає 1 і 2 схованих шари, побудованої на усіх вхідних змінних із результатами прогнозування по найбільш значимим змінним. Зробити висновок.