Обучаемые многослойные нейронные сети или многослойные перцептроны были описаны Ф. Розенблаттом в начале 60-х годов в качестве статистической модели функционирования мозга [1] . Модели сетей с топологией направленных графов, рассматриваются как универсальные, однородные динамические нелинейные преобразователи многомерной информации. По своему происхождению и принципу преобразования входной информации подобные модели сетей могут быть применены для формирования нелинейных законов управления нелинейными динамическими объектами. Именно так рассматриваются архитектура и алгоритмы обучения (настройки) многослойных нейросетей.
Искусственные нейронные сети (ИНС), образуемые ассоциацией искусственных нейронов, являются упрощенной аналогией биологических нервных сетей. При этом степень упрощения обусловлена несравнимыми уровнями связности нейронов и их числом. Нервная система человека имеет порядка 1011 нейронов, объединенных в сеть с примерно 1015 передающими связями. В биологических нервных системах каждый нейрон обладает множеством качеств и функций, среди которых уникальной функцией является прием, обработка и передача электрохимических сигналов по нервным волокнам, образующим коммуникационную систему мозга.
Искусственные нейросети отличаются своей архитектурой: структурой связей между нейронами (рис. 1), числом слоев, функцией активации нейронов, алгоритмом обучения. С этой точки зрения среди известных ИНС можно выделить статические, динамические сети и fuzzy-структуры, одно- или многослойные сети [2]. Различия вычислительных процессов в сетях частично обусловлены способом взаимосвязи нейронов, поэтому выделяют следующие виды сетей:
• сети прямого распространения (feedforward) – сигнал по сети проходит только в одном направлении: от входа к выходу;
• сети с обратными связями (feedforward /feedback);
• сети с боковыми обратными связями (laterally connected);
• гибридные сети.
В целом по структуре связей ИНС могут быть сгруппированы в два класса: 1) сети прямого распространения – без обратных связей в структуре и 2) рекуррентные сети – с обратными связями. В первом классе сетей наиболее известными и используемыми являются многослойные нейронные сети, где искусственные нейроны расположены слоями.
Рис. 1. Структуры распространенных ИНС: а – однослойная сеть; б – многослойная сеть (перцептрон); в – сети с «боковыми соединениями»; г – сети Кохонена; д – сети Хопфилда; е – АРТ-сети
Связь между слоями – однонаправленная и в общем случае выход каждого нейрона связан со всеми входами нейронов последующего слоя. Такие сети являются статическими, так как выход зависит от заданного множества на входе и не зависит от предыдущих состояний сети и отсутствуют обратные связи и динамические элементы. В отличие от статических сетей прямого распространения сети второго класса (рекуррентные) являются динамическими, так как из-за обратных связей состояние сети в каждый момент времени зависит от предшествующего состояния. Задачи, для решения которых используются ИНС, можно разделить на четыре категории:
А – распознавание и классификация (кластерный анализ; например, классификация электрокардиограмм, клеток крови распознавание символьной информации и речи, и других видов информации;
В – обработка изображений: видео-, аэрофотосъемки и текстовых.
C – системы идентификации и управления;
D – обработка сигналов, в частности, апроксимация функций в задачах моделирования.
При выборе архитектуры сети обычно анализируется и опробуется несколько конфигураций с различным количеством элементов. При этом основным показателем является объем обучающего множества и обобщающая способность сети. Выбор структуры нейронной сети, применяемой при диагностике и прогнозировании, предполагает выбор архитектуры (способа связи между нейронами), алгоритма обучения, определения количества входов, выходов, слоев нейронной сети, функции активации и т.п.
Все задачи, решаемые пользователем, с позиций нейроинформационных технологий можно условно классифицировать на две группы.
Рис. 2. Классификация НКТ по аппаратно-программному принципу
Первая группа задач имеет известный и определенный набор условий, на основании которого необходимо получить четкий, недвусмысленный ответ по известному и определенному алгоритму. Для решения этих задач можно использовать традиционные компьютерные программы.
Вторая группа задач не учитывает реально имеющиеся условия, от которых зависит ответ, а можно лишь выделить приблизительный набор наиболее важных условий, а алгоритм нахождения ответа не может быть точно формализован. Эти задачи требуют применения нейросетевых технологий.
Для полного представления возможных применений нейросетевых компьютерных технологий (НКТ) в медицине была разработана определенная классификация. НКТ были поделены на два класса: с аппаратным решением и со специализированным программным обеспечением. В клиническую практику ЛПУ[3–4] активно внедряются системы:
– диагностические, которые ставят предварительный диагноз,
– прогностические, которые оценивают состояние пациента и дают вероятностные прогнозы, например, о периоде восстановления функций определенной системы организма,
– лечебные, осуществляют мониторинг состояния больного и на основе его результатов автоматически проводятся физиотерапевтические мероприятия (введение лекарственных средств),
– классификационные, в основном используются при лабораторном анализе (рентгенография).
Поэтому можно классифицировать НКТ [5] относительно решаемых задач (рис. 2).
Заключение
Особое значение НКТ имеют для анализа изображений, биохимический показателей, различных сигналов, т.к. это позволит значительно повысить качество медицинского обслуживания.