BIOIMPEDANCE SPECTROSCOPY IN CLASSIFIERS OF THE FUNCTIONAL STATE OF HUMAN ORGANS AND SYSTEMS BASED ON HYBRID ARTIFICIAL INTELLIGENCE TECHNOLOGIES

Abstract

Цель исследования - развитие методов спектроскопии биоимпеданса и разработка на их основе объективных и реально доступных методов и средств дифференциальной диагностики заболеваний поджелудочной железы. Методы. Разработан метод формирования дескрипторов, основанный на результатах биоимпедансной спектроскопии. Результаты импедансной спектроскопии представляются в виде четырех амплитудно-фазочастотных характеристик биоимпеданса, полученных в четырех квазиортогональных отведениях. Это позволяет сформировать четыре квазиортогональных пространства информативных признаков, предназначенных для гибридного классификатора дифференциальной диагностики заболеваний поджелудочной железы. На основе этого метода разработан гибридный классификатор, дифференцирующий панкреатит и рак поджелудочной железы. Гибридный классификатор содержит пять макрослоев, первый из которых выполнен на основе вероятностных нейронных сетей, а четыре – на основе нечеткого логического вывода. Представлена структура устройства, позволяющая обеспечить формирование пространства информативных признаков для гибридного классификатора заболеваний поджелудочной железы. Результаты. Экспериментальные исследования программного обеспечения и клинические испытаниям системы поддержки принятия врачебных решений, построенной на основе предложенной структурно-функциональной организации гибридной нейронной сети, показали, что по диагностической чувствительности и диагностической специфичности предложенные технические решения достигают показателей качества классификации, сопоставимые с известными, что показывает целесообразность практического использования разработанных методов дифференциальной диагностики заболеваний поджелудочной железы. Заключение. Использование многочастотного зондирования в нейросетевых классификаторах медицинского риска позволяет построить системы поддержки принятия клинических решений для диагностики социально-значимых заболеваний, а также дает возможность повысить показатели качества классификации и расширить функциональные возможности интеллектуальные системы принятия врачебных решений The purpose of the study is the development of bioimpedance spectroscopy methods and the development on their basis of objective and realistically accessible methods and tools for the differential diagnosis of pancreatic diseases. Methods. A method for the formation of descriptors based on the results of bioimpedance spectroscopy has been developed. The results of impedance spectroscopy are presented as four amplitude-phoso-frequency characteristics of bioimpedance obtained in four quasi-orthogonal leads. This makes it possible to form four quasi-orthogonal spaces of informative features intended for a hybrid classifier for the differential diagnosis of pancreatic diseases. Based on this method, a hybrid classifier has been developed that differentiates pancreatitis and pancreatic cancer. The hybrid classifier contains five macrolayers, the first of which is based on probabilistic neural networks, and four are based on fuzzy inference. The structure of the device is presented, which makes it possible to provide the formation of a space of informative features for a hybrid classifier of pancreatic diseases. Results. Experimental software studies and clinical trials of a medical decision support system built on the basis of the proposed structural and functional organization of a hybrid neural network have shown that, in terms of diagnostic sensitivity and diagnostic specificity, the proposed technical solutions achieve classification quality indicators comparable to those known, which shows the feasibility of practical use. developed methods for the differential diagnosis of pancreatic diseases. Conclusion. The use of multi-frequency sensing in neural network classifiers of medical risk makes it possible to build clinical decision support systems for diagnosing socially significant diseases, and also makes it possible to improve classification quality indicators and expand the functionality of intelligent medical decision-making systems