К.С. Мышенков1, Некула Хаддад2
1,2 МГТУ им. Н.Э. Баумана (Москва, Россия)
Постановка проблемы. В области медицины диагностика заболеваний - трудная задача, зависящая от тщательного анализа множества клинических и патологических данных пациента медицинскими экспертами, что является сложным процессом. Благодаря развитию машинного обучения и информационных технологий, исследователи и практикующие врачи в значительной степени заинтересованы в разработке автоматизированных систем раннего прогнозирования заболеваний, которые являются полезными, эффективными и высокоточными для профилактической диагностики. Это позволит минимизировать риски осложнений, улучшить качество лечения и избежать возможной госпитализации.
Цель. Рассмотреть задачу прогнозирования и ранней диагностики неврологических заболеваний с помощью методов машинного обучения.
Результаты. Поставлена задача классификации признаков для диагностирования болезни Паркинсона. Проведен анализ научной литературы [1] - [28] по использованию различных методов машинного обучения для прогнозирования неврологических заболеваний. На основании анализа научных материалов для решения задачи выбран метод градиентного бустинга и проанализированы признаки оценки двигательных нарушений в исследованиях болезни Паркинсона для 85 человек – информация о нажатии клавиш испытуемыми: Скорость печати, Результат смены постукивания пальцами, Результат нажатия одной клавиши. Приведены полученные результаты и рассчитано влияние каждого признака на качество классификации.
Практическая значимость. Исследования показали, что наилучший результат при диагностировании болезни Паркинсона получен при использовании таких признаков как: Результат смены постукивания пальцами и Результат нажатия одной клавиши, а Скорость печати оказался наихудшим. Полученные результаты представляют интерес для специалистов, занимающихся прогнозированием неврологических заболеваний, и студентов ВУЗов.
Мышенков К.С., Некула Хаддад. Использование методов машинного обучения для прогнозирования неврологических заболеваний // Динамика сложных систем. 2022. Т. 16. № 1. С. 66−74. DOI: 10.18127/j19997493-202201-07
- Groves P. The big data revolution in healthcare: Accelerating value and innovation. McKinsey Quarterly. 2016.
- Chen M. Big data: a survey. Mobile Networks and Applications. 2014. № 2. P. 171–209.
- Jiang F. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology. 2017. № 4. P. 230–243.
- Jenni A.M. Machine learning in medicine: a practical introduction. BMC Medical Research Methodology. 2019. № 1. P. 1–18.
- Sonawane J.S. Prediction of heart disease using multilayer perceptron neural network. International conference on information communication and embedded systems (ICICES2014). 2014. P. 1–6.
- Keto J. Cardiovascular disease risk factors in relation to smoking behaviour and history: a population-based cohort study. Open Hear. 2016. № 2. P. e000358.
- Jahmunah V. Automated detection of schizophrenia using nonlinear signal processing methods. Artif. Intell. Med. 2019. P. 101698.
- Ortega-Zamorano F. Layer Multiplexing FPGA Implementation for Deep Back-Propagation Learning. Integr. Comput. Aided Eng. 2017. № 2. P. 171–185.
- Raghavendra U. Artificial Intelligence Techniques for Automated Diagnosis of Neurological Disorders. European Neurology. 2019. № 1–3. P. 41–64.
- Islam J. Brain mri analysis for alzheimer’s disease diagnosis using an ensemble system of deep convolutional neural networks. Brain Informatics. 2018. № 2. P. 1–14.
- Fontana R. Early hippocampal hyperexcitability in ps2a pp mice: role of mutant ps2 and app. Neurobiol Aging. 2017. P. 64–76.
- Mahmud M. Processing and analysis of multichannel extracellular neuronal signals: State-of-the-art and challenges. Front Neurosci. 2016. P. 248.
- Hirtz D. How common are the «common» neurologic disorders? Neurology. 2007. № 5. P. 326–337.
- Robin Harris J. Protein Aggregation and Fibrillogenesis in Cerebral and Systemic Amyloid Disease. 2012. P. 389.
- Braak H. Invited Article: Nervous system pathology in sporadic Parkinson disease. Neurology. 2008. № 20. P. 1916–1925.
- Harshvardhan T. Early Prediction of Parkinson Disease Using Machine Learning and Deep Learning Approaches. EasyChair Preprint. 2021. № 4889.
- Geeta R. Handbook of Research on Disease Prediction through Data Analytics and Machine Learning. Manipal University Jaipur. 2020. № 1. P. 191–194.
- Thube S., Rajeswari K. Analysis of Different Data Mining Tools using Classification, Clustering and Association Rule Mining. International Journal of Computer Applications. 2014. № 8. P. 35–39.
- Usha R. D. Survey on Data Mining Tools and Techniques in Medical Field. International Journal of Advanced Networking & Applications. 2017. P. 51–54.
- Krishnapriya S., Kalita D. Prediction of Heart Disease using Data Mining Techniques. Indian Journal of Science and Technology. 2016. № 39. P. 1–5.
- Raudys S. Statistical and Neural Classifiers: An Integrated Approach to Design. Springer. 2001.
- Summers M. J. Deep machine learning application to the detection of preclinical neurodegenerative diseases of aging. Scientific Journal on Digital Cultures. 2017. № 2. P. 9–24.
- Ho T. K. Random decision forests perceptron training. ICDAR’95: Proceedings of the Third International Conference on Document Analysis and Recognition. 1995. P. 278–282.
- Torsten H. RandomForest4Life: a random forest for predicting ALS disease progression. Amyotroph Lateral Scler Frontotemporal Degener. 2014. № 5–6. P. 444–452.
- Debjani P. Predictive Systems: Role of Feature Selection in Prediction of Heart Disease. Journal of Physics Conference Series. 2019. № 1–6. P. 012074.
- Sindhanaiselvan K. Forecasting Chronic Disease using Gradient Boosting Algorithm. International Journal of Engineering and Advanced Technology. 2019. P. 1066–1070.
- Mathivanan G. An Ensemble Basedheart Disease Predictionusing Gradient Boosting Decision Tree. Turkish Journal of Computer and Mathematics Education. 2021. № 10. P. 3648–3660.
- Giancardo L. Computer keyboard interaction as an indicator of early Parkinson's disease. Scientific Reports 6. 2016. № 1. P. 1–10.
- Всемирная организация здоровья. Всемирная организация здравоохранения, 27 февраля 2017 г. [По состоянию на 12 декабря 2018 г.]. Доступно по адресу: https://www.who.int/mediacentre/news/releases/2007/pr04/e/