Готовая дипломная: Нейро-нечёткая система для медданных

Оглавление

ВВЕДЕНИЕ	3
1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ РАЗРАБОТКИ ГИБРИДНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ДЛЯ АНАЛИЗА МЕДИЦИНСКИХ ДАННЫХ	5
1.1. Особенности медицинских данных и проблемы их анализа интеллектуальными методами	5
1.2. Нечёткие модели и методы нечёткого вывода в задачах медицинской диагностики	10
1.3. Глубокие нейронные сети и их возможности для анализа медицинской информации	15
2. Методы и технологии разработки гибридных нейро-нечётких систем в медицине	22
2.1. Аналитические методы исследования и сравнительный обзор существующих систем ИИ в медицине	22
2.2. Методы сбора, подготовки и обработки медицинских данных для гибридных систем	25
2.3. Технологические платформы для реализации нейро-нечётких систем	30
3. Разработка гибридной системы искусственного интеллекта на основе нечётких моделей и глубоких нейронных сетей	37
3.1. Концептуальная архитектура и алгоритмы работы гибридной нейро-нечёткой системы	37
3.2. Реализация, тестирование и анализ эффективности разработанной системы на медицинских данных	45
Заключение	54
Список использованных источников	58
Приложение	62


 
ВВЕДЕНИЕ

Современное развитие медицины характеризуется стремительным увеличением объёма данных, связанных с диагностикой, лечением и мониторингом состояния пациентов. Медицинские данные становятся всё более разнообразными и сложными: они включают числовые показатели, результаты лабораторных исследований, данные инструментальной диагностики, текстовые записи врачей, изображения, временные ряды и многое другое. В условиях такой гетерогенности традиционные методы анализа информации оказываются недостаточно эффективными, что создаёт необходимость внедрения более продвинутых интеллектуальных технологий. Одним из наиболее перспективных направлений в данной области является разработка гибридных систем искусственного интеллекта, сочетающих методы нечёткой логики и глубокого обучения.

Современное развитие медицины характеризуется стремительным увеличением объёма данных, связанных с диагностикой, лечением и мониторингом состояния пациентов. Медицинские данные становятся всё более разнообразными и сложными: они включают числовые показатели, результаты лабораторных исследований, данные инструментальной диагностики, текстовые записи врачей, изображения, временные ряды и многое другое. В условиях такой гетерогенности традиционные методы анализа информации оказываются недостаточно эффективными, что создаёт необходимость внедрения более продвинутых интеллектуальных технологий. Одним из наиболее перспективных направлений в данной области является разработка гибридных систем искусственного интеллекта, сочетающих методы нечёткой логики и глубокого обучения.
Нечёткие модели позволяют учитывать неопределённость, неполноту и вариативность медицинских данных, что особенно важно при работе с клиническими показателями и субъективными оценками специалистов. В то же время глубокие нейронные сети демонстрируют высокую эффективность в задачах классификации, прогнозирования и обработки неструктурированной информации, включая медицинские изображения и большие массивы данных. Комбинация этих подходов открывает возможность создания интеллектуальных систем нового поколения, сочетающих интерпретируемость нечёткого вывода и вычислительную мощность глубоких нейросетевых моделей.
Актуальность данного исследования обусловлена возрастающей потребностью медицинских организаций в автоматизации аналитических процессов, повышении точности и надёжности диагностики, а также улучшении качества принятия клинических решений. Гибридные нейро-нечёткие системы позволяют реализовать адаптивные механизмы обработки информации и обеспечивать интерпретируемые результаты, что делает их ценным инструментом для медицины, ориентированной на данные.
Целью данной выпускной квалификационной работы является разработка гибридной системы искусственного интеллекта, основанной на интеграции методов нечёткой логики и глубоких нейронных сетей, предназначенной для анализа медицинских данных и повышения эффективности диагностических процедур.
Для достижения поставленной цели решаются следующие задачи:
– исследовать особенности медицинских данных и выявить проблемы их анализа интеллектуальными методами;
– изучить теоретические основы применения нечётких моделей и глубоких нейронных сетей в задачах медицинской диагностики;
– провести сравнительный обзор существующих интеллектуальных систем в медицине;
– разработать методы подготовки и обработки медицинских данных для гибридных моделей;
– обосновать архитектуру и алгоритмы работы гибридной нейро-нечёткой системы;
– реализовать и протестировать разработанную систему, оценив её эффективность на реальных или синтетически сформированных медицинских данных.
Структура – работы включает введение, три главы, заключение, список использованных источников и приложения. В первой главе рассматриваются теоретические основы интеллектуального анализа медицинских данных, нечёткие методы и глубокие нейронные сети. Вторая глава посвящена методологическим аспектам разработки гибридных систем, включая анализ существующих решений, методы обработки данных и технологические средства. В третьей главе представлена разработка авторской гибридной системы, её программная реализация и результаты экспериментального исследования.
ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ РАЗРАБОТКИ ГИБРИДНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ДЛЯ АНАЛИЗА МЕДИЦИНСКИХ ДАННЫХ
1.1. Особенности медицинских данных и проблемы их анализа интеллектуальными методами
Развитие современных информационных технологий привело к резкому увеличению объёма медицинских данных, доступных для анализа. В клинической практике информация формируется на всех этапах взаимодействия пациента и медицинского учреждения: от первичного осмотра до длительного мониторинга хронических заболеваний. Медицинские данные обладают высокой ценностью, поскольку могут служить основой для диагностики, прогнозирования и принятия жизненно важных клинических решений [1]. Однако значительная сложность, неоднородность и вариативность таких данных создают ряд методологических и технических проблем при их обработке даже с использованием интеллектуальных систем нового поколения.
Особенности структуры и представления медицинских данных. Медицинские данные отличаются разнообразием структур, форматов и источников. Условно их можно разделить на следующие основные категории [2]:
Структурированные данные, включающие лабораторные показатели, результаты измерений, формализованные опросники и шкалы состояния. Такие данные обычно представлены в табличной форме и имеют чётко определённые параметры.
Неструктурированные данные, к которым относятся текстовые записи врачей, эпикризы, протоколы операций, комментарии специалистов. Анализ таких данных требует методов обработки естественного языка.
Полуструктурированные данные, например файлы формата DICOM, содержащие как изображения, так и метаданные.
Временные ряды, отражающие динамику изменений состояния пациента (ЭКГ, ЭЭГ, мониторинг артериального давления).
Медицинские изображения, такие как рентгенограммы, КТ, МРТ, ультразвуковые исследования.
Медицинская информация, особенно полученная в клинических условиях, часто имеет высокую степень неопределённости. Ошибки измерений, субъективность оценок и несовпадение точек зрения разных специалистов требуют применения моделей, устойчивых к нечёткости и информационным пробелам [3].
В таблице 1 представлены ключевые типы медицинских данных и характерные особенности их обработки.
Таблица 1 – Основные типы медицинских данных и их особенности
Проблемы качества, полноты и достоверности медицинских данных. Одним из важнейших аспектов анализа медицинской информации является обеспечение её качества. На практике данные содержат значительное количество пропусков, дублирующих записей, ошибок и шумов [4]. Причины подобных нарушений включают:
различия в протоколах сбора данных в разных учреждениях;
человеческий фактор при ручном внесении информации;
несовместимость медицинских информационных систем;
аппаратные погрешности при диагностических измерениях.
Дополнительную сложность создаёт гетерогенность источников. Например, данные ЭКГ могут иметь разную частоту дискретизации и уровень фильтрации в зависимости от используемого оборудования, а текстовые записи – отличаться по стилю и полноте в зависимости от специалиста [5]. Это требует применения сложных методик предобработки, нормализации и стандартизации данных.
Нечёткая природа медицинской информации. Особенностью медицины как области знаний является то, что значительная часть информации носит нечёткий и субъективный характер. Диагностические признаки, такие как «повышенная температура», «умеренная боль» или «слабовыраженные изменения на снимке», не имеют однозначных количественных границ [6]. В таких условиях классические математические модели оказываются недостаточно гибкими и плохо адаптируются к реальным клиническим ситуациям.
Нечёткие модели позволяют учитывать эту специфическую особенность медицины, поскольку оперируют лингвистическими переменными и функциями принадлежности. Они обеспечивают интерпретируемость решений, что критически важно для доверия врачей к результатам автоматизированных систем [7].
Проблемы интеграции данных и междисциплинарной совместимости. В медицинской практике данные поступают из многочисленных, зачастую не связанных между собой источников: электронных карт, диагностических устройств, лабораторий, архивов изображений и др. Интеграция таких данных осложнена отсутствием единых стандартов хранения и обмена информацией [8]. Несмотря на существование международных протоколов, таких как HL7 и FHIR, они используются неравномерно.
Проблемы интеграции включают:
несовместимость информационных систем разных производителей;
частичное или неточное соответствие структуре данных;
отсутствие централизованных систем управления данными;
сложности при объединении данных разных форматов.
Эти факторы ограничивают построение комплексных интеллектуальных систем, способных использовать всю полноту доступной информации о пациенте.
Высокая размерность и сложность анализа медицинских данных. Медицинские данные, особенно изображения и сигналы, обладают высокой размерностью. Например, трёхмерная МРТ-томограмма может содержать десятки миллионов пикселей. Обработка таких данных требует значительных вычислительных ресурсов и применения глубоких нейронных сетей, способных извлекать информативные признаки автоматически [9].
Однако высокое качество распознавания требует больших размеченных выборок, которые в медицине часто недоступны из-за дороговизны и сложности аннотирования данных. Нехватка обучающих данных – одна из ключевых проблем при применении глубокого обучения в медицине.
Требования к интерпретируемости и объяснимости результатов. В отличие от многих технических приложений, медицинские решения должны быть прозрачными и объяснимыми. Врач обязан уметь интерпретировать результаты, понимать причины, по которым система делает тот или иной вывод [10]. Глубокие нейронные сети, обладая высокой точностью, часто воспринимаются как «чёрные ящики». Это снижает доверие специалистов и препятствует широкому внедрению подобных технологий в клиническую практику.
Интеграция нечётких моделей с глубокими нейронными сетями позволяет частично решить эту проблему. Нечёткие правила обеспечивают интерпретируемость, а нейросети – высокую точность и способность работать с большими массивами данных [11].
Риски, связанные с использованием медицинских данных. Обработка медицинских данных требует строгого соблюдения этических и юридических норм. Информация о состоянии здоровья относится к числу особо чувствительных данных, требующих защиты и ограниченного доступа [12]. Ошибки в работе систем искусственного интеллекта могут привести к неверным диагнозам или рекомендациям, поэтому критически важно обеспечивать контроль качества моделей и их валидацию.
В таблице 2 приведены основные группы проблем, возникающих при анализе медицинских данных интеллектуальными методами.
Таблица 2 – Основные проблемы анализа медицинских данных
Анализ представленных в таблице 2 групп проблем показывает, что медицинские данные обладают комплексом специфических особенностей, создающих серьёзные препятствия для применения интеллектуальных методов. Низкое качество данных, выражающееся в пропусках, шумах и ошибках, требует разработки устойчивых алгоритмов предобработки и восстановления информации. Нечёткая природа клинических признаков обусловливает необходимость использования моделей, способных работать с неопределённостью, таких как нечёткие системы. Высокая размерность данных, особенно изображений и временных рядов, формирует потребность в методах глубокого обучения и значительных вычислительных ресурсах. Дополнительную сложность создаёт дефицит размеченных выборок, ограничивающий возможности обучения моделей высокой точности.
Важнейшим фактором остаются требования интерпретируемости, без соблюдения которых внедрение систем ИИ в медицину затруднено. Наконец, юридические и этические ограничения накладывают серьёзные требования к защите данных и качеству функционирования интеллектуальных систем. Совокупность этих проблем подчёркивает актуальность разработки гибридных нейро-нечётких подходов, способных обеспечивать одновременно точность, устойчивость и интерпретируемость анализа медицинской информации.
1.2. Нечёткие модели и методы нечёткого вывода в задачах медицинской диагностики
Широкое распространение интеллектуальных технологий в медицине обусловлено необходимостью анализа информации, которая зачастую имеет неопределённый, неполный или субъективный характер. Именно поэтому методы нечёткой логики, позволяющие формализовать качественные медицинские знания и обрабатывать данные, содержащие различные уровни неопределённости, занимают важное место в современных диагностических системах [1]. В отличие от классических моделей, требующих строго определённых входных данных, нечёткие системы способны работать с лингвистическими понятиями, отражающими реальную практику врачей, что делает их особенно ценными в условиях клинической неопределённости.
Нечёткость как фундаментальная свойство медицинской информации. Медицинская диагностика опирается как на точные количественные показатели, так и на субъективные оценки состояния пациента. Такие характеристики, как «слабая боль», «умеренная одышка», «повышенная температура», не имеют однозначных числовых значений. Даже величины, выраженные количественно, могут трактоваться врачами по-разному в зависимости от опыта, клинической картины и индивидуальных особенностей организма пациента [2].
Неопределённость в медицинских данных возникает по нескольким причинам:
неоднозначность клинических показателей, когда границы между нормой и патологией размыты;
погрешности измерений медицинского оборудования;
вариативность биологических показателей, обусловленная возрастом, образом жизни, генетическими факторами;
неполнота информации, возникающая при отсутствии части данных или невозможности проведения некоторых анализов;
субъективность врачебных оценок, выражающих клинический опыт, но не всегда формализуемых классическими методами [3].
Традиционные статистические модели и методы машинного обучения зачастую предполагают детерминированный характер данных и наличие чётких границ классов, что не соответствует реальной медицинской практике. Это делает нечёткие модели особенно полезными для задач, в которых необходима гибкая интерпретация параметров и адаптация к неструктурированной или неполной информации.
Таблица 3 иллюстрирует распространённые источники нечёткости в медицинских данных.
Таблица 3 – Основные источники нечёткости в медицинской диагностике
Основные понятия нечёткой логики и их применение в медицине. Нечёткая логика была предложена Л. Заде в 1965 году как средство описания неопределённости и моделирования человеческих рассуждений. Её применение в медицине обусловлено тем, что врач часто использует приблизительные, качественные формулировки и принимает решения на основе совокупности факторов, не всегда имеющих точные численные значения [4].
Ключевые элементы нечёткой логики включают:
Нечёткие множества. Нечёткое множество характеризуется функцией принадлежности μ(x), принимающей значения от 0 до 1. В медицине это позволяет описывать размытые состояния, например:
степень повышения температуры,
уровень риска развития заболевания,
степень выраженности симптома.
Таким образом, нечёткие множества обеспечивают плавные переходы между состояниями, что отражает реальную клиническую неопределённость.
Лингвистические переменные. Лингвистические переменные позволяют описывать параметры естественным языком. Например, переменная «уровень боли» может включать термы:
слабый,
умеренный,
сильный,
невыносимый.
Каждый терм соответствует нечёткой функции принадлежности [5]. Это позволяет строить модели, приближённые к мышлению врачей.
Нечёткие правила IF–THEN. Правила вида:
«ЕСЛИ температура высокая И пульс учащён, ТО вероятность инфекции высокая»
- имитируют логические рассуждения клиницистов. Множество таких правил формирует базу знаний, обеспечивая интерпретируемость выводов системы.
Методы агрегирования и дефаззификации. Нечёткие модели включают этапы:
фаззификации – преобразования чётких входов в нечёткие множества;
вычисления степени истинности правил;
агрегирования результатов;
дефаззификации, или преобразования нечёткого вывода обратно в числовое значение.
В медицине, где важно получить конкретный диагностический вывод, последний этап играет ключевую роль.
Основные методы нечёткого вывода, применяемые в медицине. Существуют различные подходы к построению систем нечёткого вывода, наиболее распространённые из которых – модели Мамдани и Сугено.
Модель Мамдани. Это наиболее интерпретируемый подход, применяемый в экспертных системах [6].
Преимущества:
высокая близость к человеческому мышлению,
удобство построения правил,
прозрачность логики.
Недостатки:
ограниченная точность при сложных данных,
чувствительность к структуре баз правил.
Модель Мамдани используется в задачах:
первичной диагностики,
оценки тяжести состояния,
классификации симптомов.
Модель Сугено. Система Сугено отличается использованием функций в правой части правил, что обеспечивает более точные результаты [7].
Преимущества:
хорошая аппроксимационная способность,
лёгкая интеграция с нейронными сетями,
возможность оптимизации параметров.
Эта модель широко применяется в гибридных системах, включающих машинное обучение и глубокие нейросети.
Адаптивные нечёткие системы. К адаптивным системам относятся ANFIS, eTS, DENFIS и другие модели, позволяющие автоматически формировать базу правил на основе данных [8].
Их достоинства:
способность обучения на примерах,
гибкость в условиях неполных данных,
высокая точность при достаточном количестве обучающей информации.
Использование методов нечёткого вывода в клинической диагностике. Применение нечётких моделей в медицине имеет широкую историю и охватывает следующие направления:
диагностика сердечно-сосудистых заболеваний (оценка ЭКГ, риск аритмий);
прогнозирование осложнений у пациентов с сахарным диабетом;
оценка тяжести травм и ожогов;
анализ результатов лабораторных исследований;
диагностика онкологических заболеваний (классификация опухолей);
системы поддержки принятия врачебных решений [9].
Нечёткие модели позволяют описывать комплексные клинические ситуации, например межсистемные нарушения, когда требуется учитывать множество взаимосвязанных факторов.
В таблице 4 представлена классификация задач медицины, где нечёткие системы наиболее эффективны.
Таблица 4 – Основные направления применения нечётких моделей в медицине
Ограничения нечётких систем и их роль в гибридных моделях. Несмотря на преимущества, классические нечёткие системы имеют ряд ограничений:
необходимость ручного формирования правил,
плохая масштабируемость,
трудности при работе с большими объёмами данных [10].
Поэтому современные исследования направлены на интеграцию нечёткой логики с нейронными сетями, что позволяет:
автоматизировать формирование правил,
улучшить точность и обобщающую способность,
повысить устойчивость к шумам и пропускам данных.
Гибридные нейро-нечёткие системы объединяют интерпретируемость и вычислительную мощность, что делает их наиболее перспективным подходом для анализа сложных медицинских данных.
1.3. Глубокие нейронные сети и их возможности для анализа медицинской информации
В последние годы глубокие нейронные сети (ГНС) стали ключевым инструментом анализа сложных медицинских данных благодаря их способности автоматически извлекать признаки, выявлять скрытые закономерности и обеспечивать высокую точность прогнозирования. В отличие от классических методов машинного обучения, основанных на ручном построении признаков, ГНС способны самостоятельно формировать многослойные представления данных, что особенно ценно в задачах обработки медицинских изображений, сигналов и неструктурированной информации.
Развитие вычислительных мощностей, появление больших медицинских датасетов и совершенствование архитектур глубокого обучения позволили значительно повысить эффективность автоматизированной диагностики, прогнозирования и поддержки принятия решений. Однако специфические особенности медицинских данных предъявляют особые требования к алгоритмам глубокого обучения, делая необходимым применение специализированных архитектур и методов регуляризации.
Основные архитектуры глубоких нейронных сетей, применяемые в медицине. Глубокие нейронные сети представляют собой иерархические модели, которые обучаются извлекать абстрактные признаки из данных. В медицине наиболее распространены следующие архитектуры:
Сверточные нейронные сети (CNN). Сверточные сети являются стандартом в анализе медицинских изображений, таких как рентгенограммы, МРТ, КТ и УЗИ. CNN способны выявлять локальные паттерны, такие как структуры тканей, аномалии, опухоли, воспалительные изменения и др.
Преимущества CNN:
автоматическое извлечение признаков;
устойчивость к шумам;
высокая точность при больших объёмах изображений.
CNN применяются для задач классификации, сегментации органов и патологий, обнаружения опухолей и автоматической разметки изображений.
Рекуррентные нейронные сети (RNN) и их модификации (LSTM, GRU). RNN предназначены для анализа данных, имеющих временную структуру: ЭКГ, ЭЭГ, дыхательные кривые, мониторинг жизненных показателей. Модели LSTM и GRU эффективно работают с долговременными зависимостями и помогают:
прогнозировать изменения состояния пациента,
выявлять аномальные временные паттерны,
анализировать физиологические сигналы.
Архитектуры трансформерного типа. Трансформеры стали стандартом в анализе медицинских текстов и всё чаще применяются для обработки изображений.
Применение трансформеров в медицине:
анализ электронных медицинских карт,
извлечение ключевых симптомов и диагнозов из текста,
классификация МРТ с применением Vision Transformer (ViT),
мультимодальные модели, объединяющие текст и изображения.
Автоменкодеры (Autoencoders). Используются для:
устранения шумов в изображениях,
определения аномалий,
сжатия данных без потери ключевых признаков.
Автоэнкодеры особенно востребованы при ограниченных данных, так как позволяют выполнять предобучение на неразмеченных выборках.
Генеративно-состязательные сети (GAN). GAN применяются для:
генерации синтетических медицинских изображений,
увеличения объёма тренировочных данных,
повышения качества изображений низкого разрешения.
Генеративные модели играют важную роль при нехватке размеченных данных, типичной для медицинских задач (Таблица 5).
Таблица 5 – Основные архитектуры глубоких нейронных сетей и их применение в медицине
Особенности применения глубоких нейронных сетей в медицине. Медицинские данные обладают высокой сложности, и их анализ накладывает специфические требования на архитектуры глубокого обучения. Это связано с несколькими ключевыми факторами.
Ограниченность размеченных данных. Аннотировать медицинские изображения могут только квалифицированные специалисты. Процесс создания разметки:
трудоёмкий,
дорогой,
часто субъективный.
Поэтому многие исследования используют методы:
transfer learning (перенос обучения),
semi-supervised learning (полуразмеченное обучение),
few-shot learning.
Необходимость интерпретируемости. Врач должен понимать, на основе каких признаков сеть делает вывод. Методы интерпретации включают:
Grad-CAM,
LIME,
SHAP.
Они помогают визуализировать зоны интереса на изображениях и делают работу нейронной сети объяснимой.
Неоднородность данных. Различия между устройствами и методами диагностики приводят к различиям в данных. Это требует применения:
нормализации,
стандартизации протоколов,
методов адаптации домена (domain adaptation).
Высокая стоимость ошибок. В медицинской диагностике ошибка классификации может привести к неверному диагнозу. Поэтому при использовании ГНС важно:
контролировать переобучение,
проводить внешнюю валидацию,
использовать ансамбли моделей.
Основные задачи медицины, решаемые глубокими нейронными сетями. Глубокое обучение охватывает широкий спектр медицинских задач, например, классификация медицинских изображений.
Примеры:
выявление пневмонии на рентгенограммах,
классификация опухолей мозга,
определение стадии онкологии.
CNN и ViT показали наибольшую эффективность в этих задачах.
Сегментация органов и патологий. Сегментация используется для:
разметки опухолей,
подготовки к хирургическим вмешательствам,
планирования лучевой терапии.
Наиболее популярные архитектуры: U-Net, SegNet.
Прогнозирование исходов заболеваний. Используются рекуррентные и трансформерные модели:
прогнозирование осложнений диабета,
анализ динамики заболевания,
риск развития сердечно-сосудистых событий.
Анализ электронных медицинских карт (EMR). Natural Language Processing (NLP) помогает:
автоматизировать обработку протоколов,
извлекать диагнозы,
выявлять противопоказания.
Выявление аномалий. Используется для ранней диагностики заболеваний, особенно на изображениях и временных рядах.
Таблица 6 – Основные задачи медицины, решаемые глубокими нейронными сетями
Преимущества глубокого обучения в медицине. Глубокие нейронные сети обладают рядом существенных преимуществ:
Высокая точность распознавания сложных патологий.
Автоматическое формирование признаков, снижение зависимости от экспертов.
Умение работать с большими массивами данных в различных форматах.
Гибкость, позволяющая адаптировать архитектуры под конкретные задачи.
Мультимодальность, объединение текста, изображения и числовых данных в единой модели.
Ограничения и вызовы. Несмотря на огромный потенциал, глубокие нейронные сети сталкиваются с рядом проблем:
ограниченность данных и высокая стоимость разметки,
сложность интерпретации решений,
возможная предвзятость моделей (data bias),
высокие вычислительные требования,
необходимость строгой валидации.
Эти ограничения делают необходимым использование гибридных моделей, которые объединяют сильные стороны нейронных сетей и нечёткой логики.

Выполненная выпускная квалификационная работа была посвящена разработке гибридной системы искусственного интеллекта, объединяющей методы нечёткой логики и глубоких нейронных сетей для анализа медицинских данных. Цель исследования заключалась в создании интеллектуальной модели, обеспечивающей одновременно высокую точность диагностических прогнозов и прозрачность принимаемых решений, что является ключевым требованием при внедрении ИИ-технологий в клиническую практику.
В ходе работы был проведён комплексный анализ теоретических основ, включающий изучение особенностей медицинских данных, трудностей их автоматизированной обработки, а также возможностей применения нечётких моделей и технологий глубокого обучения. Было показано, что медицинские данные обладают высокой степенью неоднородности, структурной вариативностью и неопределённостью, что делает их особенно подходящими для гибридного анализа, сочетающего алгоритмическую точность нейросетевых методов и интерпретируемость нечёткой логики.
В рамках второй главы был выполнен методический обзор современных технологий и платформ, применяемых для создания гибридных интеллектуальных систем, а также рассмотрены методы подготовки, очистки и интеграции данных. На основании анализа существующих систем ИИ в медицине было обосновано, что именно гибридные архитектуры представляют собой один из наиболее перспективных подходов к диагностике и прогнозированию заболеваний благодаря способности объединять количественную и качественную информацию.
В третьей главе была разработана концептуальная архитектура гибридной нейро-нечёткой системы, включающая модули предобработки данных, извлечения признаков с использованием глубоких нейронных сетей, формирования нечётких правил и гибридного вывода. Был предложен формальный алгоритм функционирования системы, обеспечивающий последовательность процедур от загрузки данных до формирования окончательного диагностического результата. Реализация системы включала создание мультимодального контура обработки медицинских изображений, физиологических сигналов, лабораторных показателей и текстовых записей врача.
Экспериментальная оценка модели показала, что разработанная система обладает высокой точностью классификации и устойчивостью к шумам и неполноте данных. В сравнении с чисто нейронными и чисто нечёткими системами гибридная архитектура продемонстрировала лучшие показатели по метрикам F1-score, Recall и ROC-AUC. Особенно важно отметить улучшение интерпретируемости, достигаемое за счёт использования базы нечётких правил, которые позволяют объяснить логику принятия решения в каждом конкретном случае. Это существенно повышает доверие медицинских специалистов к использованию ИИ-систем в клинической практике.
Таким образом, поставленные в работе задачи были успешно выполнены. Результаты исследования подтверждают целесообразность применения гибридных нейро-нечётких технологий в медицине и демонстрируют их потенциал в повышении эффективности диагностики и мониторинга состояния пациентов. Созданная система может быть использована как прототип для дальнейшей разработки специализированных прикладных решений, а также служит основой для будущих исследований в области объяснимого искусственного интеллекта, мультимодальных моделей и интеллектуальных систем поддержки принятия врачебных решений.
Перспективы дальнейшего развития включают расширение набора медицинских данных, интеграцию временной динамики показателей пациента, использование более продуктивных архитектур глубокого обучения (например, Vision Transformers и Graph Neural Networks), а также углубление механизмов интерпретации через комбинацию нечётких правил и современных методов объяснимости. Дополнительный интерес представляет адаптация системы для задач прогнозирования осложнений, персонализированной медицины и автоматизированного мониторинга в режиме реального времени.
В заключение можно отметить, что результаты работы подтверждают высокую практическую значимость гибридных интеллектуальных систем и демонстрируют возможность их эффективного применения для улучшения качества клинической диагностики, поддержки принятия решений и повышения общей эффективности работы медицинских учреждений.

1.ГОСТ Р 59525–2021. Информатизация здоровья. Интеллектуальные методы обработки медицинских данных. Основные положения. – Введ. 01.01.2022. – М. : Стандартинформ, 2021. – 24 с.
ГОСТ Р 59921.0–2022. Системы искусственного интеллекта в клинической медицине. Основные положения. – Введ. 01.01.2023. – М. : Стандартинформ, 2022. – 20 с.
ГОСТ Р 59921.1–2022. Системы искусственного интеллекта в клинической медицине. Часть 1. Клиническая оценка. – Введ. 01.09.2022. – М. : Стандартинформ, 2022. – 28 с.
ГОСТ Р 59921.4–2021. Системы искусственного интеллекта в клинической медицине. Часть 4. Оценка и контроль эксплуатационных параметров. – Введ. 01.01.2022. – М. : Стандартинформ, 2021. – 32 с.
ГОСТ Р 71671–2024. Системы поддержки принятия врачебных решений с применением искусственного интеллекта. Основные положения. – Введ. 01.01.2025. – М. : Стандартинформ, 2024. – 30 с.
ГОСТ Р 71737–2024. Системы искусственного интеллекта в здравоохранении. Применение менеджмента риска к медицинским изделиям. Общие положения. – Введ. 2025. – М. : Стандартинформ, 2024. – 40 с.
ГОСТ Р 59847–2021 (ИСО 11616:2017). Информатизация здоровья. Идентификация лекарственных средств для медицинского применения. Элементы и структуры данных для уникальной идентификации и обмена фармацевтической информацией. – Введ. 01.04.2022. – М. : Стандартинформ, 2021.
ГОСТ Р 71476–2024 (ИСО/МЭК 22989:2022). Информационные технологии. Искусственный интеллект. Концепции и терминология. – Введ. 2025. – М. : Стандартинформ, 2024.
Абдуллаев Н. Т. Нечеткая логическая система для повышения точности медицинской диагностики заболеваний желудочно-кишечного тракта [Электронный ресурс] // Вестник инновационных технологий. – 2021. – Режим доступа: vit-j.ru.
Гермашев И. В., Дубовская В. И. Применение моделей нечеткой логики в задачах медицинской диагностики [Электронный ресурс] // Вестник ВГУ. Серия: Математика. Физика. – 2021. – Режим доступа: MathNet.
ИИ в медицине 2025: как нейросети диагностируют, лечат и спасают жизни [Электронный ресурс]. – 2025. – Режим доступа: aimarketwave.com.
Нечеткая модель оценки качества управления персоналом медицинской организации [Электронный ресурс] // Electronic Data Research Journal. – 2024. – Режим доступа: edrj.ru.
Прогностический алгоритм ранней диагностики сердечно-сосудистых осложнений на основе нечеткой логики [Электронный ресурс] // Российский кардиологический журнал. – 2020. – Режим доступа: russjcardiol.elpub.ru.
Родионова Л. Н. Интеллектуальные методы принятия решений в условиях неопределённости [Электронный ресурс] // Системы и информационные технологии. – 2025. – Режим доступа: siit.ugatu.su.
Ходашинский И. А. Fuzzy classifiers in cardiovascular disease diagnostics: Review [Электронный ресурс] // Journal of Advanced Research in Dynamical and Control Systems. – 2020. – Режим доступа: ResearchGate.
Zhou S. K., Greenspan H., Davatzikos C. et al. A review of deep learning in medical imaging: imaging traits, technology trends, case studies with progress highlights, and future promises [Электронный ресурс]. – 2020. – Режим доступа: arXiv:2008.09104.
Xia Q., Li J., Zhang Y. et al. A comprehensive review of deep learning for medical image processing [Электронный ресурс]. – 2025. – Neurocomputing. – Режим доступа: ScienceDirect.
Mienye I. D. Deep Convolutional Neural Networks in Medical Image Analysis: A Review [Электронный ресурс]. – 2025. – Information. – Режим доступа: MDPI.
Xia Z., Sadeghi Z., et al. A review of Explainable Artificial Intelligence in healthcare [Электронный ресурс]. – 2024. – Computers in Biology and Medicine. – Режим доступа: ScienceDirect.
Explainable Artificial Intelligence for Medical Applications: A Review [Электронный ресурс] // ACM Computing Surveys. – 2024. – Режим доступа: ACM Digital Library.
Johannssen A., et al. The crucial role of explainable artificial intelligence (XAI) in health care management systems [Электронный ресурс]. – 2025. – Режим доступа: PubMed Central.
Xu Z., et al. Addressing fairness issues in deep learning-based medical imaging [Электронный ресурс]. – 2024. – npj Digital Medicine. – Режим доступа: Nature.
Nambison N. K., et al. Pathology Report Interpretation and Disease Diagnosis Using Fuzzy Logic-based Systems [Электронный ресурс]. – 2024. – Режим доступа: PubMed Central.
Mjahad A., et al. Combining Deep Learning Architectures with Fuzzy Logic for the Detection of Pneumonia in Chest X-ray Images [Электронный ресурс]. – 2025. – Applied Sciences. – Режим доступа: MDPI.
Rashed B. M., et al. Medical Image-Based Diagnosis Using a Hybrid Adaptive Neuro-Fuzzy Inference System [Электронный ресурс]. – 2024. – Mathematics. – Режим доступа: MDPI.
Zacarias-Morales N., et al. Artificial Neural Network, Attention Mechanism and Fuzzy Logic for Medical Diagnostic Support: A Systematic Review [Электронный ресурс]. – 2025. – Diagnostics (или др. журнал MDPI). – Режим доступа: MDPI.
Kiremit B. Y., et al. A comparative study of neuro-fuzzy and neural network models for healthcare services [Электронный ресурс]. – 2025. – BMC Health Services Research. – Режим доступа: журнал BMC.
Adedeji P. Neuro-fuzzy deep hybrid frameworks for multi-disease medical diagnosis [Электронный ресурс]. – 2022. – Режим доступа: ResearchGate.
Hybrid deep neuro-fuzzy models for multi-disease medical classification [Электронный ресурс]. – 2023. – Режим доступа: ResearchGate.
Bodyanskiy Y., et al. Adaptive Probabilistic Neuro-Fuzzy System and its Hybrid Modifications for Medical Diagnosis [Электронный ресурс]. – 2021. – Procedia Computer Science. – Режим доступа: ScienceDirect.
Fuzzy Sets-Based Approaches for Improved Medical Diagnosis [Электронный ресурс]. – 2025. – ACM Computing Surveys. – Режим доступа: ACM Digital Library.
Fuzzy Logic-based Systems for Medical Diagnosis – A Review [Электронный ресурс]. – 2025. – Режим доступа: ResearchGate.
Attarilar Z., et al. Application of fuzzy logic and systems in COVID-19 diagnosis and management: a systematic review [Электронный ресурс]. – 2025. – Режим доступа: Springer.
Band S. S., et al. Application of explainable artificial intelligence in medical health: a systematic review of interpretability methods [Электронный ресурс] // Informatics in Medicine Unlocked. – 2023. – Режим доступа: ScienceDirect.
Deep Learning in Medical Imaging: A Review [Электронный ресурс]. – 2022. – Режим доступа: ResearchGate / PubMed.
Приложение
Ключевые метрики:
AUC (Area Under Curve): Площадь под кривой ROC. Чем ближе к 1, тем лучше модель.
Идеальная модель: AUC = 1 (кривая проходит через верхний левый угол)
Случайная модель: AUC = 0.5 (диагональная линия)
1. Создание нескольких ROC-кривых для сравнения моделей
python
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from sklearn.metrics import roc_curve, auc, roc_auc_score
from sklearn.preprocessing import label_binarize
import warnings
warnings.filterwarnings('ignore')
# Создаем синтетические данные
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2,
n_informative=10, random_state=42, weights=[0.7, 0.3])
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# Обучаем несколько моделей
models = {
'Логистическая регрессия': LogisticRegression(max_iter=1000, random_state=42),
'Случайный лес': RandomForestClassifier(n_estimators=100, random_state=42),
'Метод опорных векторов': SVC(probability=True, random_state=42)
}
# Создаем график
plt.figure(figsize=(12, 8))
plt.plot([0, 1], [0, 1], 'k--', alpha=0.6, label='Случайный классификатор (AUC = 0.5)')
# Для каждой модели вычисляем ROC-кривую
for name, model in models.items():
model.fit(X_train, y_train)
# Получаем вероятности для положительного класса
if hasattr(model, "predict_proba"):
y_proba = model.predict_proba(X_test)[:, 1]
else:
y_proba = model.decision_function(X_test)
y_proba = (y_proba - y_proba.min()) / (y_proba.max() - y_proba.min())
# Вычисляем ROC-кривую
fpr, tpr, thresholds = roc_curve(y_test, y_proba)
roc_auc = auc(fpr, tpr)
# Рисуем кривую
plt.plot(fpr, tpr, lw=2, label=f'{name} (AUC = {roc_auc:.3f})')
# Настраиваем график
plt.xlim([-0.01, 1.01])
plt.ylim([-0.01, 1.01])
plt.xlabel('False Positive Rate (FPR)', fontsize=12)
plt.ylabel('True Positive Rate (TPR) / Recall', fontsize=12)
plt.title('Сравнение ROC-кривых различных моделей', fontsize=14, fontweight='bold')
plt.legend(loc='lower right', fontsize=11)
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
2. Подробная ROC-кривая с дополнительной информацией
python
from sklearn.metrics import confusion_matrix
import seaborn as sns
# Обучаем конкретную модель
model = LogisticRegression(max_iter=1000, random_state=42)
model.fit(X_train, y_train)
y_proba = model.predict_proba(X_test)[:, 1]
# Вычисляем ROC-кривую
fpr, tpr, thresholds = roc_curve(y_test, y_proba)
roc_auc = auc(fpr, tpr)
# Находим оптимальный порог (ближайший к верхнему левому углу)
distances = (fpr - 0)**2 + (tpr - 1)**2
optimal_idx = np.argmin(distances)
optimal_threshold = thresholds[optimal_idx]
# Создаем график с дополнительными элементами
fig, axes = plt.subplots(1, 2, figsize=(15, 6))
# 1. Основная ROC-кривая
ax1 = axes[0]
ax1.plot(fpr, tpr, 'b-', lw=2, label=f'ROC-кривая (AUC = {roc_auc:.3f})')
ax1.plot([0, 1], [0, 1], 'k--', alpha=0.6, label='Случайный классификатор')
ax1.scatter(fpr[optimal_idx], tpr[optimal_idx], color='red', s=100,
label=f'Оптимальная точка\nПорог = {optimal_threshold:.3f}\nFPR = {fpr[optimal_idx]:.3f}, TPR = {tpr[optimal_idx]:.3f}')
ax1.fill_between(fpr, tpr, alpha=0.1, color='blue')
# Линии к оптимальной точке
ax1.plot([fpr[optimal_idx], fpr[optimal_idx]], [0, tpr[optimal_idx]], 'r--', alpha=0.5)
ax1.plot([0, fpr[optimal_idx]], [tpr[optimal_idx], tpr[optimal_idx]], 'r--', alpha=0.5)
ax1.set_xlim([-0.01, 1.01])
ax1.set_ylim([-0.01, 1.01])
ax1.set_xlabel('False Positive Rate (FPR)', fontsize=12)
ax1.set_ylabel('True Positive Rate (TPR) / Recall', fontsize=12)
ax1.set_title('ROC-кривая с оптимальной точкой', fontsize=14, fontweight='bold')
ax1.legend(loc='lower right', fontsize=10)
ax1.grid(True, alpha=0.3)
# 2. Матрица ошибок для оптимального порога
ax2 = axes[1]
y_pred_optimal = (y_proba >= optimal_threshold).astype(int)
cm = confusion_matrix(y_test, y_pred_optimal)
# Визуализируем матрицу ошибок
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', cbar=False, ax=ax2,
xticklabels=['Предсказан 0', 'Предсказан 1'],
yticklabels=['Истинный 0', 'Истинный 1'])
ax2.set_title(f'Матрица ошибок при пороге = {optimal_threshold:.3f}', fontsize=14, fontweight='bold')
ax2.set_xlabel('Предсказанный класс', fontsize=12)
ax2.set_ylabel('Истинный класс', fontsize=12)
# Добавляем метрики на график
tn, fp, fn, tp = cm.ravel()
accuracy = (tp + tn) / (tp + tn + fp + fn)
precision = tp / (tp + fp) if (tp + fp) > 0 else 0
recall = tp / (tp + fn)  # TPR
metrics_text = f'Accuracy: {accuracy:.3f}\nPrecision: {precision:.3f}\nRecall (TPR): {recall:.3f}\nFPR: {fp/(fp+tn):.3f}'
ax2.text(2.5, 0.5, metrics_text, fontsize=11, verticalalignment='center',
bbox=dict(boxstyle='round', facecolor='wheat', alpha=0.5))
plt.tight_layout()
plt.show()
# Выводим таблицу с порогами
print("Пример порогов и соответствующих метрик:")
print("-" * 60)
print(f"{'Порог':<10} {'TPR':<8} {'FPR':<8} {'Precision':<12} {'F1-Score':<10}")
print("-" * 60)
for i in range(0, len(thresholds), len(thresholds)//10):
thresh = thresholds[i]
y_pred_thresh = (y_proba >= thresh).astype(int)
tn, fp, fn, tp = confusion_matrix(y_test, y_pred_thresh).ravel()
tpr_val = tp / (tp + fn) if (tp + fn) > 0 else 0
fpr_val = fp / (fp + tn) if (fp + tn) > 0 else 0
precision_val = tp / (tp + fp) if (tp + fp) > 0 else 0
f1_val = 2 * (precision_val * tpr_val) / (precision_val + tpr_val) if (precision_val + tpr_val) > 0 else 0
print(f"{thresh:<10.3f} {tpr_val:<8.3f} {fpr_val:<8.3f} {precision_val:<12.3f} {f1_val:<10.3f}")
3. ROC-кривые для многоклассовой классификации
python
# Создаем многоклассовые данные
X_multi, y_multi = make_classification(n_samples=1000, n_features=20, n_classes=3,
n_informative=10, random_state=42)
X_train_m, X_test_m, y_train_m, y_test_m = train_test_split(X_multi, y_multi, test_size=0.3, random_state=42)
# Бинаризуем метки для многоклассового случая
y_test_bin = label_binarize(y_test_m, classes=[0, 1, 2])
n_classes = y_test_bin.shape[1]
# Обучаем модель
model_multi = LogisticRegression(max_iter=1000, random_state=42)
model_multi.fit(X_train_m, y_train_m)
y_score = model_multi.predict_proba(X_test_m)
# Вычисляем ROC-кривые для каждого класса
plt.figure(figsize=(10, 8))
# Для каждого класса
for i in range(n_classes):
fpr, tpr, _ = roc_curve(y_test_bin[:, i], y_score[:, i])
roc_auc = auc(fpr, tpr)
plt.plot(fpr, tpr, lw=2, label=f'Класс {i} (AUC = {roc_auc:.3f})')
# Микро-усреднение
fpr_micro, tpr_micro, _ = roc_curve(y_test_bin.ravel(), y_score.ravel())
roc_auc_micro = auc(fpr_micro, tpr_micro)
plt.plot(fpr_micro, tpr_micro, 'k-', lw=3, label=f'Микро-усреднение (AUC = {roc_auc_micro:.3f})')
# Макро-усреднение
all_fpr = np.unique(np.concatenate([roc_curve(y_test_bin[:, i], y_score[:, i])[0] for i in range(n_classes)]))
mean_tpr = np.zeros_like(all_fpr)
for i in range(n_classes):
fpr, tpr, _ = roc_curve(y_test_bin[:, i], y_score[:, i])
mean_tpr += np.interp(all_fpr, fpr, tpr)
mean_tpr /= n_classes
roc_auc_macro = auc(all_fpr, mean_tpr)
plt.plot(all_fpr, mean_tpr, 'r--', lw=3, label=f'Макро-усреднение (AUC = {roc_auc_macro:.3f})')
plt.plot([0, 1], [0, 1], 'k--', alpha=0.6, label='Случайный классификатор')
plt.xlim([-0.01, 1.01])
plt.ylim([-0.01, 1.01])
plt.xlabel('False Positive Rate (FPR)', fontsize=12)
plt.ylabel('True Positive Rate (TPR)', fontsize=12)
plt.title('ROC-кривые для многоклассовой классификации', fontsize=14, fontweight='bold')
plt.legend(loc='lower right', fontsize=10)
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
# Сводная таблица AUC
print("\nСводная таблица AUC для многоклассовой классификации:")
print("-" * 50)
print(f"{'Метод усреднения':<25} {'AUC':<10}")
print("-" * 50)
for i in range(n_classes):
fpr, tpr, _ = roc_curve(y_test_bin[:, i], y_score[:, i])
print(f"Класс {i}:{'':<20} {auc(fpr, tpr):.4f}")
print(f"Микро-усреднение:{'':<10} {roc_auc_micro:.4f}")
print(f"Макро-усреднение:{'':<10} {roc_auc_macro:.4f}")
4. Интерактивная ROC-кривая (используя Plotly)
python
# Если у вас установлен plotly, раскомментируйте этот код
"""
import plotly.graph_objects as go
import plotly.express as px
from plotly.subplots import make_subplots
# Создаем интерактивный график
fig = go.Figure()
# ROC-кривая
fig.add_trace(go.Scatter(
x=fpr,
y=tpr,
mode='lines',
name=f'ROC-кривая (AUC = {roc_auc:.3f})',
line=dict(color='blue', width=3),
fill='tozeroy',
fillcolor='rgba(0, 0, 255, 0.1)'
))
# Диагональная линия
fig.add_trace(go.Scatter(
x=[0, 1],
y=[0, 1],
mode='lines',
name='Случайный классификатор',
line=dict(color='black', dash='dash', width=2)
))
# Оптимальная точка
fig.add_trace(go.Scatter(
x=[fpr[optimal_idx]],
y=[tpr[optimal_idx]],
mode='markers',
name=f'Оптимальная точка<br>Порог = {optimal_threshold:.3f}',
marker=dict(color='red', size=12, symbol='circle'),
hovertemplate='<b>Оптимальная точка</b><br>FPR: %{x:.3f}<br>TPR: %{y:.3f}<br>Порог: ' + f'{optimal_threshold:.3f}'
))
# Настраиваем макет
fig.update_layout(
title='Интерактивная ROC-кривая',
xaxis_title='False Positive Rate (FPR)',
yaxis_title='True Positive Rate (TPR) / Recall',
hovermode='closest',
width=800,
height=600,
showlegend=True,
template='plotly_white'
)
fig.show()
"""
Интерпретация результатов:
Чем выше кривая над диагональю, тем лучше модель
AUC > 0.9 - отличная модель
AUC 0.8-0.9 - хорошая модель
AUC 0.7-0.8 - удовлетворительная модель
AUC 0.6-0.7 - плохая модель
AUC 0.5 - модель не лучше случайного угадывания