МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

федеральное государственное автономное образовательное учреждение высшего образования

«САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

АЭРОКОСМИЧЕСКОГО ПРИБОРОСТРОЕНИЯ»

Кафедра 41

ПРЕПОДАВАТЕЛЬ

к.т.н., доцент				А. В. Яковлев
должность, уч. степень, звание		подпись, дата		инициалы, фамилия

ОТЧЕТ О ПРАКТИЧЕСКОЙ РАБОТЕ № 3

Понятие научно-технической информации и стандарты ее описания

по курсу:

ОРГАНИЗАЦИЯ НАУЧНЫХ ИССЛЕДОВАНИЙ

СТУДЕНТКА ГР. №		Z0411		09.04.25		М. В. Карелина
	номер группы			подпись, дата		инициалы, фамилия

Номер студенческого билета: 2020/3477

Санкт-Петербург

2025

М. В. Карелина*

студент

* Санкт-Петербургский государственный университет аэрокосмического приборостроения

ПРЕДЛОЖЕНИЯ ПО РЕШЕНИЮ ПОСТАВЛЕНОЙ В НИР ЗАДАЧИ НА ОСНОВЕ АНАЛИЗА РЕЦЕНЗИРУЕМЫХ ИСТОЧНИКОВ

Введение

Актуальность проводимого научного исследования обусловлена необходимостью разработки высокоточных, объективных и интерпретируемых инструментов диагностики деменции с применением технологий искусственного интеллекта (ИИ) и машинного обучения (МО). Современные подходы к диагностике деменции, включая болезнь Альцгеймера и другие формы нейродегенеративных заболеваний, во многом зависят от субъективной оценки клиницистов и анализа ограниченных наборов данных, таких как когнитивные тесты или биомаркеры спинномозговой жидкости. Это особенно критично при необходимости раннего выявления деменции, когда своевременное вмешательство может значительно замедлить прогрессирование заболевания и улучшить качество жизни пациентов. В связи с этим применение технологий ИИ, способных анализировать сложные мультимодальные данные (нейровизуализация, генетическая информация, цифровые биомаркеры, клинические записи и поведенческие паттерны), приобретает всё большую значимость. Такие технологии позволяют не только повысить точность диагностики, но и выявить новые факторы риска, предсказать траектории прогрессирования заболевания и разработать персонализированные стратегии лечения.

1 Описание поставленной задачи, которую необходимо решить при выполнении нир

Наименование НИР: «Диагностика деменции посредством технологий глубокого машинного обучения».

Персональная задача: изучение использования различного набора методик тестирования и их обработки при помощи технологий глубокого машинного обучения для диагностики деменции.

2 Перечень ключевых слов, релевантных поставленной задаче

Keywords: dementia, Alzheimer's disease, deep machine learning, neural networks, diagnostics, biomarkers, artificial intelligence, multimodal data, neurological diseases, omics, genetics, neuroimaging, digital biomarkers, bioinformatics.

Ключевые слова: деменция, болезнь Альцгеймера, глубокое машинное обучение, нейросети, диагностика, биомаркеры, искусственный интеллект, мультимодальные данные, неврологические заболевания, омики, генетика, нейровизуализация, цифровые биомаркеры, биоинформатика.

3 Построение карт связей для источников, собранных с использованием менеджера библиографии Zotero

В этом разделе описывается методика создания и анализа карт научных связей с применением специализированного программного обеспечения. Первоначально данные собираются и систематизируются в библиографическом менеджере Zotero, что способствует их структуризации и упрощает дальнейшую обработку. Основным инструментом для анализа является программа VOSviewer, предназначенная для обработки и визуализации больших объемов научной литературы. Она помогает выявить скрытые связи между исследованиями и создать карты научных знаний. Процесс начинается с экспорта данных в текстовом формате, включающем необходимую библиографическую информацию. Затем эти данные загружаются в VOSviewer, где они анализируются согласно задачам исследования.

3.1 Карта связей терминов и ее анализ

Карта совстречаемости терминов, реализованная в программе VOSviewer, представляет собой инструмент для анализа и визуализации взаимосвязей между ключевыми понятиями в наборе научных текстов. Этот метод позволяет исследователям выявить основные темы и концепции, определить их взаимосвязи и сгруппировать их в тематические кластеры.

На карте каждый термин отображается в виде узла (круга), размер которого зависит от частоты его упоминания в анализируемых публикациях. Чем больше узел, тем значимее данный термин в контексте исследования. Линии между узлами показывают степень связности терминов, которая определяется частотой их совместного использования в текстах. Это помогает выявить, какие понятия часто встречаются вместе и формируют общие тематические направления. Результат построения карты связей представлен на рисунке 1.

Рисунок 1 - Карта связей терминов из менеджера библиографии

Визуально карта связей делится на несколько крупных кластеров, представляющих различные направления исследований деменции и связанных с ней технологий искусственного интеллекта и машинного обучения.

Первый кластер строится вокруг понятий, связанных с применением методов машинного обучения и глубокого обучения для анализа данных, таких как machine learning, deep learning, и neural networks. Этот кластер включает термины, относящиеся к обработке больших объемов данных, например, multi-omics integration, что указывает на использование мультиомических подходов для выявления скрытых закономерностей в данных о деменции.

Второй кластер фокусируется на генетических аспектах заболевания, включая термины genetic risk, SNP, и pleiotropy, что подчеркивает важность генетических факторов в понимании причинно-следственных связей между различными признаками и риском развития деменции.

Третий кластер объединяет термины, связанные с биомаркерами и диагностикой, такие как biomarker, neuroimaging, и MRI, что отражает усилия по разработке новых методов ранней диагностики и прогнозирования прогрессирования заболевания.

Четвертый кластер сосредоточен на клинических аспектах деменции, включая термины cognitive impairment, risk factor, и clinical records, что указывает на изучение модифицируемых факторов риска и их влияния на течение болезни.

Проведя анализ карты видно, что ключевые области исследований включают интеграцию данных из различных источников, использование передовых методов моделирования для выявления причинных механизмов, а также разработку персонализированных подходов к лечению и профилактике деменции.