INTELLIGENT DATA ANALYSIS IN BIOMEDICAL RESEARCH: ARTIFICIAL NEURAL NETWORKS

Cover Page

Cite item

Full Text

Abstract

Substantial amounts of biomedical data are being accumulated every year. Large datasets are accumulated in specialized repositories, electronic document management systems, medical information systems, and other repositories. Classical statistical analysis does not always provide opportunities for analysis of these large datasets; therefore, intelligent data analysis (IDA) is becoming more popular in biomedical research. This paper is an introduction to artificial neural networks - one of the most popular methods of IDA. An artificial neural network is an attempt to build a mathematical analog of the brain and mathematically simulate the transmission of a nerve impulse between neurons. We present an example of the application of artificial neural networks in medical research using SPSS and Statistica software packages. The article describes a medical research question, an example of a dataset and a guide on construction and training of an artificial neural network as well as interpretation of the results.

About the authors

A. N. Narkevich

Voino-Yasenetsky Krasnoyarsk State Medical University

Email: narkevichart@gmail.com
доктор медицинских наук, зав. лабораторией медицинской кибернетики и управления в здравоохранении, зав. кафедрой медицинской кибернетики и информатики, декан медико-психолого-фар-мацевтического факультета Красноярск

K. A. Vinogradov

Voino-Yasenetsky Krasnoyarsk State Medical University

Красноярск

K. M. Paraskevopulo

Voino-Yasenetsky Krasnoyarsk State Medical University

Красноярск

A. M. Grjibovski

Northern State Medical University; West Kazakhstan Marat Ospanov Medical University; Al-Farabi Kazakh National University; M. K. Ammosov North-Eastern Federal University

Архангельск; г. Актобе, Казахстан; г. Алматы, Казахстан; г. Якутск

References

  1. Алексеева О. В., Россиев Д. А., Ильенкова Н. А. Применение искусственных нейронных сетей в дифференциальной диагностике рецидивирующего бронхита у детей // Сибирское медицинское обозрение. 2010. Т. 66, № 6. С. 75-79
  2. Богданова Ю. А., Зарипова Г. Р., Катаев В. А., Галимов О. В. Современные модели экспертных медицинских систем в прогнозировании операционного риска при наиболее распространенных интраабдоминальных вмешательствах (обзор) // Медицинский альманах. 2017. Т. 46, № 1. С. 9-12
  3. Выучейская М. В., Крайнова И. Н., Грибанов А. В. Нейросетевые технологии в диагностике заболеваний (обзор) // Журнал медико-биологических исследований. 2018. Т. 6, № 3. С. 284-294
  4. Горожанцев Ю. Н., Сергиенко С. Г., Воротынцева Е. А., Емельяненко Ю. В., Горожанцева А. В. Использование возможностей искусственных нейронных сетей при анализе записей холтеровского мониторирования // Инновационная медицина Кубани. 2018. Т. 9, № 1. С. 12-15
  5. Ершов А. В., Капсаргин Ф. П., Бережной А. Г., Мылтыгашев М. П. Экспертные системы в оценке данных урофлоуграмм // Вестник урологии. 2018. Т. 6, № 3. С. 12-16
  6. Калиниченко А. Н., Моторина С. В., Лагирвандзе А. К. Алгоритм анализа фибрилляции предсердий по ЭКГ на основе искусственной нейронной сети // Биотехносфера. 2019. Т. 64, № 6. С. 47-51
  7. Качан Т. В., Курочкин А. В., Головатая Е. А., Марченко Л. Н., Федулов А. С., Далидович А. А., Скрыпник О. В., Муштина Т. А. Роль искусственных нейронных сетей в выявлении ранней гибели ганглионарных клеток сетчатки у пациентов с дегенеративными оптиконейропатиями // Офтальмология. Восточная Европа. 2019. Т. 9, № 4. С. 446-456
  8. Лазаренко В. А., Зарубина Т. В., Антонов А. Е., Суд С. Опыт нейросетевого прогнозирования потребности в оперативном лечении у пациентов с заболеваниями гепатопанкреатодуоденальной зоны // Казанский медицинский журнал. 2018. Т. 99, № 4. С. 569-574
  9. Литвин А. А. Интеллектуальные системы поддержки принятия решений на основе искусственных нейронных сетей в неотложной панкреатологии (систематический обзор) // Гастроэнтерология Санкт-Петербурга. 2017. № 2. С. 28-33
  10. Наркевич А. Н., Виноградов К. А. Настольная книга автора медицинской диссертации: пособие. М., 2019. 454 с
  11. Banerjee I., Ling Y., Chen M. C., Hasan S. A., Langlotz C. P., Moradzadeh N. et al. Comparative effectiveness of convolutional neural network (CNN) and recurrent neural network (RNN) architectures for radiology text report classification. Artificial Intelligence in Medicine. 2019, (97), pp. 79-88. doi: 10.1016/j.artmed.2018.1 1.004.
  12. Cao C., Wang W, Jiang P. Clustering of self-organizing map identifies five distinct medulloblastoma subgroups. Cancer biomarker. 2016, 16 (3), pp. 327-332. DOI: 10.3233/ CBM-160570.
  13. Choi E., Schuetz A., Stewart W F., Sun J. Using recurrent neural network models for early detection of heart failure onset. Journal of the American Medical Informatics Association. 2017, 24 (2), pp. 361-370. DOI: 10.1093/ jamia/ocw112.
  14. Kvist T., Voutilainen A., Eneh V., Mantynen R., Vehvilainen-Julkunen K. The self-organizing map clustered registered nurses’ evaluations of their nurse leaders. Journal of Nursing Management. 2019, 27 (5), pp. 981-991. doi: 10.1111/jonm.12758.
  15. Lee J. G., Jun S., Cho Y. W, Lee H., Kim G. B., Seo J. B., Kim N. Deep Learning in Medical Imaging: General Overview. Korean Journal of Radiology. 2017, 18 (4), pp. 570-584. doi: 10.3348/kjr.2017.18.4.570.
  16. Lorencin I., Andelic N., Spanjol J., Car Z. Using multi-layer perceptron with Laplacian edge detector for bladder cancer diagnosis. Artificial Intelligence in Medicine. 2020, (2), e101746. doi: 10.1016/j.artmed.2019.101746.
  17. Makris G. M., Pouliakis A., Siristatidis C., Margari N., Terzakis E., Koureas N., Pergialiotis V., Papantoniou N., Karakitsos P. Image analysis and multi-layer perceptron artificial neural networks for the discrimination between benign and malignant endometrial lesions. Diagnostic Cytopathology. 2017, 45 (3), pp. 202-211. DOI: 10.1002/ dc.23649.
  18. Mendez K. M., Broadhurst D. I., Reinke S. N. The application of artificial neural networks in metabolomics: a historical perspective. Metabolomics. 2019, 15 (11), pp. 142. doi: 10.1007/s11306-019-1608-0.
  19. Rajeev R., Samath J. A., Karthikeyan N. K. An Intelligent Recurrent Neural Network with Long Short-Term Memory (LSTM) BASED Batch Normalization for Medical Image Denoising. Journal of Medical Systems. 2019, 43 (8), pp. 234. doi: 10.1007/s10916-019-1371-9.
  20. Sarigul M., Ozyildirim B. M., Avci M. Differential convolutional neural network. Neural Networks. 2019, (116), pp. 279-287. doi: 10.1016/j.neunet.2019.04.025.
  21. Savalia S., Emamian V. Cardiac Arrhythmia Classification by Multi-Layer Perceptron and Convolution Neural Networks. Bioengineering (Basel). 2018, 5 (2), pp. 35. DOI: 10.3390/ bioengineering5020035.
  22. Shahid N., Rappon T., Berta W Applications of artificial neural networks in health care organizational decision-making: A scoping review. PLoS One. 2019, 14 (2), e0212356. doi: 10.1371/journal.pone.0212356.eCollection 2019.
  23. Sherbet G. V, Woo W L., Dlay S. Application of Artificial Intelligence-based Technology in Cancer Management: A Commentary on the Deployment of Artificial Neural Networks. Anticancer Research. 2018, 38 (12), pp. 6607-6613. doi: 10.21873/anticanres.13027.
  24. Van Gassen S., Callebaut B., Van Helden M. J., Lambrecht B. N., Demeester P., Dhaene T., Saeys Y. FlowSOM: Using self-organizing maps for visualization and interpretation of cytometry data. Cytometry A. 2015, 87 (7), pp. 636-45. doi: 10.1002/cyto.a.22625.
  25. Yasaka K., Akai H., Kunimatsu A., Kiryu S., Abe O. Deep learning with convolutional neural network in radiology. Japanese Journal of Radiology. 2018, 36 (4), pp. 257-272. doi: 10.1007/s1 1604-018-0726-3.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2021 Narkevich A.N., Vinogradov K.A., Paraskevopulo K.M., Grjibovski A.M.

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».