Использование нейронных сетей (искусственного интеллекта) в диагностике заболеваний мелких домашних животных Актуальность темы. В современных реалиях большое внимание справедливо уделяется повышению качества оказания ветеринарных услуг. В контексте этих изменений особую значимость приобретает внедрение в работу новых подходов наравне с традиционной работой ветеринарного врача. Уже сегодня во многих клиниках активно применяются компьютерные технологии для оптимизации работы персонала. В частности, практически повсеместно используются специальные программы, осуществляющие автоматическое заполнение баз данных пациентов, тем самым значительно ускоряя процесс ведения документооборота. В связи с этим, а также с тем, что системы искусственного интеллекта (ИИ) довольно успешно показали себя в медицине человека, появляется необходимость рассмотреть возможности использования различных систем ИИ и в ветеринарной медицине. Особенно с учетом таких особенностей ее развития на современном этапе, как недостаток специалистов узкого профиля, большое разнообразие видов животных и присущих им заболеваний. Обзор литературы. Искусственный интеллект. Нейронные сети. Искусственный интеллект- это направление науки, в рамках которого решаются задачи программного моделирования интеллектуальной деятельности людей. К числу основных задач применения ИИ относят моделирование различных ситуаций и оценку больших объемов цифровой информации с целью проведения дальнейшего ее анализа. Выделяют следующие виды ИИ: машинный интеллект, включающий в себя моделирование результатов интеллектуальной деятельности человека и искусственный разум, включающий в себя моделирование биологических систем. На основе последних выводов ученых, одними из наиболее перспективными в сфере прикладного использования ИИ являются нейронные сети. Идея создания искусственных нейронных сетей (ИНС) основана на стремлении воссоздать простейшую модель нервной системы живых организмов. Нейрон – это возбудимая клетка, которая соединяясь с себе подобными при помощи синапсов, способна формировать биологические нейронные цепи, которые, как нам известно, способны хорошо обучаться и делать выводы о своих ошибках. Именно это свойство биологических нейронных сетей поспособствовало началу исследований в области создания концепции «искусственного нейрона», применяемой в искусственных нейронных сетях. По своей сути, искусственный нейрон является математической функцией, которая преобразовывает несколько входных сигналов в один выходной, также назначая для каждого входного свой вес, обоснованный значимостью для исследователя того или иного параметра. Подобно своим естественным предшественникам, искусственные нейроны объединяются в сети, формируя программу, способную, предварительно обучившись, решать чрезвычайно сложные и важные для человека задачи. В настоящее время выделяют следующие основные виды нейронных сетей: классические однослойные, многослойные ИНС, а также ИНС с обратной связью. В классической однослойной нейронной сети входные сигналы сразу передаются на выходной слой, который обрабатывает сигнал и сразу же выдает ответ. Такие ИНС используются для выполнения простых задач или в качестве учебного материала. Многослойные ИНС, в отличие от однослойных, характеризуются наличием скрытых слоев, расположенных между входным и выходным слоями. Такое строение, напоминающее принцип функционирования конвейера, позволяет значительно расширить возможности ИНС, разбив работу сети на несколько определенных этапов. Отдельно выделяют ИНС с обратной связью. Их отличает то, что сигнал может двигаться не только в одном направлении, но и возвращаться на предыдущие уровни, образуя эффект «кратковременной памяти». Это позволяет ИНС исследовать и анализировать динамику изменения входных факторов (например, скорость прогрессирования патологического процесса). Выбор вида нейронной сети определяется в зависимости от поставленных задач. Машинное обучение - это процесс машинного анализа большого объема статистических данных для создания алгоритмов, впоследствии используемых для необходимых пользователю прогнозов. На практике, процесс обучения ИНС сводится к подбору весов для всех вводных сигналов. В обучении ИНС существует два подхода: обучение с учителем и самообучение. Обучение с учителем предполагает ручное обучение ИНС с использованием заранее подготовленных и проверенных задач. В качестве примера такого обучения может быть рассмотрена серия рентгеновских снимков с заранее известными заключениями. Недостатком обучения с учителем можно считать зависимость результата от квалификации человека-эксперта, а также узкие параметры диапазона входных значений, обусловленные ограниченностью времени и тем, что в работе мы должны будем использовать только те входные значения (или близкие к ним), которые были использованы в процессе обучения. Поэтому еще одним очень существенным моментом считается вариативность и репрезентативность обучающей выборки. Обучающая выборка – набор входных сигналов, используемый для обучения ИНС. Самообучение нейронной сети обычно применяется для выполнения таких задач, которые по какой-то причине не имеют заранее известного ответа. Такая ситуация встречается достаточно часто, особенно при работе с большими объемами информации. В этом случае, важно учитывать все входные данные. Например, использовать при постановке возможного диагноза не несколько параметров, а всю информацию, содержащуюся в медицинской карте пациента. Если же объем данных представляется нам слишком большим, то перед отбором конкретных входных параметров, необходимо убедится в том, что исключение остальных не влияет на точность работы ИНС. По окончанию обучения ИНС принято проверять корректность функционирования сети на выборке, отличной от обучающей – тестовой. После теста ИНС считают готовой к работе. Перспективы использования ИНС в ветеринарной медицине мелких домашних животных Единственной значимой проблемой использования ИНС в ряде областей человеческой деятельности (в том числе, ветеринарии) является недостаток проверенных и точных баз данных. Обзор использования нейронных сети в медицине человека. Каждый день врачи получают множество вводных данных о болезни человека, рентгеновские снимки, результаты электрокардиограмм, эндоскопий, результаты анализов и т.к., которые надо проанализировать, чтобы поставить диагноз. Это достаточно сложная работа. Из-за количества материала, который нужно обработать, многие пациенты узнают свой диагноз с задержкой. Есть вполне обоснованная надежда, что в ближайшем будущем эти работы смогут выполнять нейронные сети, многому они уже научились. Так же нейронная сеть может обратить внимание на определенные данные, не замеченные человеком, и тем самым направить врача на более точные выводы. Нейронные сети особенно эффективны в задачах, где необходимы обобщения данных с целью поиска закономерностей. Машинная обработка данных эффективно себя показывает при поиске раковых опухолей на снимках, диагностике заболеваний в области кардиологии, дерматологии, пульмонологии, неврологии, гастроэнтерологии, психологии и других заболеваний на основе анализов, анамнеза больного и других данных. Для выявления меланомы на ранних стадиях, при динамическом наблюдении, используют ультрафиолетовую фотографию в определенном УФ-диапазоне. Для выявления вновь появившихся новообразований используется сравнение фотографий одного и того же участка тела с использованием компьютерного алгоритма. Снимки могут быть сделаны с 10 и более кратным увеличением. Так как важным фактором в лечении опухолей является выявлении заболевания на ранней стадии, необходим инструмент, который помнит каждое новообразование, умеет анализировать его изменения и находить признаки малигнизации. При болезни сердца для определения диагноза классическим методом является ЭКГ с последующей расшифровкой медиком. К сожалению, не всегда по полученной записи ЭКГ можно определить заболевание. В особенности это относится к аритмии — довольно опасному заболеванию, при котором нарушается частота сердечных сокращений и их регулярность. Чтобы зафиксировать такое состояние, люди иногда сутками ходят с электродами для записи ЭКГ — и все равно в некоторых случаях аритмия остается невыявленной, что опасно и печально. Сейчас нейронную сеть можно обучить на сотне тысяч записей ЭКГ и общего состояния больного, что повышает точность диагностики болезней сердца. Нейронные сети так же можно использовать для определения закономерностей среди огромного объема данных, при выявлении новых антибиотиков. Известно, что антибиотики начинают работать все хуже. Это происходит из-за того, что бактерии становятся устойчивы к антибиотикам. Когда бактерий становится очень много, они быстро размножаются и мутируют. После приема антибиотиков, особенно не по правилам, без соблюдения рекомендаций и назначений врача, есть ненулевая вероятность, что какая-нибудь бактерия, обладающая некоторой мутацией, выживет и даст начало огромному количеству бактерий, которые тоже буду выживать после приема антибиотика. Выжившая сильная бактерия даст начало целой колонии резистентных бактерий, которым не страшен антибиотик. С каждым разом новые виды антибиотиков становится искать все сложнее и сложнее; низко висящих плодов становится все меньше, приходится рассматривать все больше веществ. Как это часто бывает, в случае, где нужно проанализировать гигантские объемы информации, биологам помогают методы программирования. Примером такого антибиотика является Галицин – антибиотик широкого спектра действия. Диагностика и лечение онкологических заболеваний, а также разработка новых медикаментозных средств несомненно представляют собой важнейшую область применения нейросетевых технологий. Однако в последнее время среди исследователей и врачей растет осознание того факта, что будущие успехи должны быть тесно связаны с изучением молекулярных и генетических причин развития заболеваний. Нейросети активно применяются в анализе геномных последовательностей ДНК, в частности для распознавания промоторов - участков, предшествующих генам и связываемых с белком РНК-полимераза, который инициирует транскрипцию. Их используют для дифференциации кодирующих и некодирующих участков ДНК (экзонов и интронов) и предсказания структуры белков. География исследовательских групп, применяющих нейросети для разработки медицинских приложений, очень широка. Усовершенствуется диагностика рака молочной железы. В Китае сотрудники Института атомной энергии обучили нейросеть отличать больных с легкими и тяжелыми заболеваниями эпителия пищевода от тех, кто страдает раком пищевода, на основе элементного анализа ногтей. В России в НИИЯФ МГУ нейросети применяются для анализа заболеваний органов слуха. В Австралии Джордж Христос использовал теорию нейронных сетей для построения первой гипотезы о причинах загадочного синдрома внезапной смерти новорожденных. Нейросеть для мелких домашних животных. Ветеринария часто отставала в новшествах от медицины человека, многое, что сейчас используется в ветеринарии, основано на успехах в лечении человека. Полезность нейронных сетей в ветеринарии становится более очевидной, поскольку ветеринару важна точность поставленных диагнозов, эффективность лечения и автоматизация работы. Первые нейронные сети в лечении домашних животных использовались для анализа изображений рентгенограмм грудной клетки, фотографий МРТ и УЗИ собак и кошек. На основе данных получаемых с ошейника 2500 тестируемых собак при помощи нейронных сетей было выявлено 7 специфических моделей поведения животных. Получилось классифицировать различные виды поведения, такие как питье воды, облизывание, ласкание, царапание и обнюхивание. При помощи таких же ошейников проводится анализ действий собак поисково-спасательных операциях. На основе мазков крови птиц нейронные сети могут с высокой точостью выявляют возбудители птичьей малярии. С использованием подобного алгоритма обработки изображений нейронная сеть способна вычислить с высокой точностью процент ретикулоцитов в крови.
