ELSEVIER
Dostępne online www.sciencedirect.com
SciVerse ScienceDirect
j o u r n a l h o m e p a g e : w w w . e l s e v i e r . c o m / lo c a t e / o t p o l
Praca poglądowa/Review
Co mosże uzyskac otolaryngolog, stosując sztuczne sieci neuronowe?
How can an otolaryngologist benefit from artificial neural networks?
Joanna Szaleniec1’*, Jacek Składzień1, Ryszard Tadeusiew icz2, Krzysztof Oles1, Marcin Konior1, Robert Przeklasa1
1 Klinika Otolaryngologii UJ CM w Krakow ie, Poland Kierownik: prof. dr h ab. Ja cek Składzień
2 K atedra A utom atyki AGH, Krakow, Poland
Kierownik: prof. zw . dr h ab. inż. Ryszard Tadeusiew icz
I N F O R M A C J E O A R T Y K U L E A B S T R A C T
Historia artykułu: Artificial neural networks are informatic system s that have unique computational capabi- Otrzymano: 24.02.2011 lities. The principle of their functioning is based on the rules o f data processing in the brain.
Zaakceptowano: 12.12.2011 This article discusses the m ost important features of the artificial neural networks with Dostepne online: 23.06.2012 reference to their applications in otolaryngology. The cited studies concern the fields of rhinology, audiology, phoniatrics, vestibulology, oncology, sleep apnea and salivary gland diseases. The authors also refer to their own experience with predictive neural models designed in the Department o f Otolaryngology of the Jagiellonian University Medical College in Krakow. The applications o f artificial neural networks in clinical diagnosis, automated signal interpretation and outcome prediction are presented. Moreover, the article explains how the artificial neural networks work and how the otolaryngologists can use them in their clinical practice and research.
© 2012 Polish Otorhinolaryngology - Head and Neck Surgery Society. Published by
, Elsevier Urban & Partner Sp. z o.o. All rights reserved.
Keywords: r &
• Artificial neural networks
• Otolaryngology
• Artificial intelligence
• Medical data analysis
• Survival analysis Słowa kluczowe:
• sztuczne sieci neuronowe
• otolaryngologia
• sztuczna inteligencja
• analiza danych medycznych
• analiza przebycia
* Adres do korespondencji: Joanna Szaleniec, Katedra i Klinika Otolaryngologi UJ CM, ul. Śniadeckich 2, 31-531 Krakow. Tel.: +48 124247900.
Adres email: asiat@agh.edu.pl (J. Szaleniec).
0 030-6657/$ - s e e fro n t m a tte r © 2012 Polish O torhinolaryngology - H ead and N eck Surgery Society. Pu blished by Elsevier U rban & P artn er Sp. z o.o. All rights reserved.
http://dx.doi.org/10.10167j.otpol.2012.06.015
Wstep
F ascyn u jace moiżliwości ludzkiego um ysłu od lat inspirow ały inform atyków do tw orzenia narządzi obliczeniow ych, m ogą
cych p rzy n ajm n iej w pew nych asp ek tach naślad ow ać in teli
gen tne zachow ania człow ieka. D ^zenia te w latach 50.
ubiegłego w ieku dały początek b ad aniom dotyczącym tak zw anej sztu czn ej inteligen cji, zdefiniow anej przez jed nego z je j pionierow Jo h n a M cCarthy'ego ja k o „konstru ow anie m aszyn, o ktorych działaniu dałoby sie pow iedziec, ze sa podobne do ludzkich przejaw ow in telig en cji” [1]. Proby od w zorow ania przez m aszy n e stru k tu ry i zasad działania m ozgu doprow adziły do stw orzen ia tzw . sztu czn y ch sieci neu ron ow ych (artificial neural netw orks) (Ryc. 1). Sa to sy stem y in fo rm aty czn e o u n ik atow ych m o zliw o sciach o b liczen io w ych, cie sz a ce sie w ciaz ro sn acy m za in tereso w a n iem i (jak sie zdaje) m a ja c e tyluz żarliw ych zw olennikow , co zago
rzałych p rzeciw nikow . H istoria zastoso w ali sieci n eu ro n o w ych obfitu je bow iem w sp ek tak u larn e su kcesy , ale obok n ich n ie brak u je b o lesn y ch rozczarow an i porazek.
W prezentow an ym artykule om ow ione zostan a p od sta
w ow e w łasciw osci i zasady tw orzenia m odeli neuronow ych, przy czym tresci te p rezentow an e beda głownie w oparciu o p race bad aw cze dotyczace ich zastosow ali w otolaryngolo
gii. W yboru p rezentow an ych zagadnien dokonano w taki sposob, aby zasygnalizow ac m ożliw ie szeroki zakres ich aplikacji w roznych dzied zinach otolaryngologii. Cytowane prace dotycza rynologii [2], audiologii [3-12], foniatrii [13-16], w estybulologii [17], onkologii [18-22], diagnostyki i terapii zespołu bezdechu sen nego [23-25] oraz schorzel
i
gruczołow slinow ych [26].Odwołano sie przy tym row niez do dosw iadczen Kliniki Otolaryngologii UJ CM w Krakow ie w zakresie budow ania predykcyjnych m odeli neu ronow ych [12]. Artykuł nie m a
Ryc. 1 - Biologiczna in sp iracja sztu czn y ch sieci n eu ron ow ych
Fig. 1 - Biological inspiration of artificial neural networks
stanow ic w yczerpujacego przegladu pism ien n ictw a dotycza- cego w ykorzystania sztu cznych sieci neu ronow ych w laryn gologii, gdyz litera tu ra p rzed m iotu je s t o b ecn ie niezw ykle szeroka i je j szczegołow e om ow ien ie p rzek raczałoby zna- czaco ram y n in ie jsz e j pu blikacji. Z am iast tego n in iejsz y artykuł pow inien dac C zyteln ikom ogolny oglad p rz ed sta w ian ej tu problem atyki, p okazu jacy, ja k form u łow ane sa zad ania, ktore n a step n ie rozw iazyw an e sa przy ubyciu sieci n eu ron ow ych , w ja k i sposob s to su je sie te sieci, k o rzy stajac w szczeg o ln o sci z m ozliw osci ich u czen ia, a takze, co sie osiaga z p om oca sieci n eu ron ow y ch i ja k m o zn a w ykorzy- styw ac u zy sk iw ane w yniki.
Oglad taki m oze bycź u ży teczn y przy p od ejm ow aniu przez C zytelnikow d ecyzji o ew en tu aln y m zastosow an iu sz tu c z n y ch sieci n eu ron ow y ch przy rozw iazyw aniu k o lejn y ch p roblem ow zw iazan ych z otolaryngologia, gdzie n arzed zie to zd ecyd ow anie je s z c z e ,,n ie pow iedziało ostatn ieg o słow a''.
Na czym polegają unikatowe możliwości sztucznych sieci neuronowych?
R osn aca p op u larn osc sztu czn y ch sieci neu ron ow ych w ro zm aity ch d zied zin ach (w tym row niez w m ed ycynie) w ynika z faktu, ze sy stem y te p o siad aja p ew ne w yjatkow e w łasciw osci, o d ro zn iajace ich fu n k cjo n o w an ie w sposob zasad n iczy od d ziałania typow ego program u k o m p u tero w ego. W y k o rzy stu jac trad ycyjn y program , k om p u ter potrafi jed y n ie bard zo szybko w ykonac serie k o lejn y ch op eracji p rzetw arzan ia d anych, o p ierajac sie n a sek w en cji sp recy zow any ch przez p rog ram iste p o le c e ń S to su ja c te m etod e, k om p u ter m oze w yliczyc rozw iazan ie dow olnie skom p liko
w anego zad ania, pod w aru n k iem ze tw orca program u znał m eto d e tego rozw iazan ia. Typow y sy stem k o m p u te
row y działa w iec w edług zad anego algorytm u i je s t k ateg o ry czn ie u zależn io n y od tego, czy p otrafim y tak i algorytm zbudow ac. T y m czasem siec n eu ron ow a je s t w sta n ie sa m o czyn n ie odkryci zasad e rozw iazyw an ia staw ian y ch je j zad an, n a w et je s li sam p rog ram ista tej reguły n ie zna.
W p rzeciw ien stw ie do trad ycyjn eg o oprogram ow an ia k o m pu tera, siec neu ron ow a m a zd olnosc u czen ia sie na pod staw ie przykładow i u og oln ian ia zd obytej w iedzy n a now e, podobne przypadki. Jak łatw o zauw azyc, ten sposob u czen ia sieci n eu ron ow ej je s t podobny do p rocesu zdoby
w an ia d osw iad czen ia przez człow ieka. S zkolący sie lekarz w p ro cesie sw o jej ed u kacji n ie b azu je jed y n ie n a „ in stru k c ja c h ” zaczerp n ięty ch z ksiazek, ale sty k a ja c sie z k olejn y m i chorym i, u czy sie p o d ejm o w an ia w łaściw ych d ecyzji na p od staw ie złocon y ch p rzesłan ek, n iekied y w sposob n ie do k o n ca usw iad om ion y. O pisane pow yżej w łasciw osci sieci n eu ron ow y ch p ozw alaja w iec n a ich p rak tyczn e z a sto so w an ie do rozw iązyw an ia ta k ich zagad nien, w przypadku k tory ch człow iek b a z u je n a sw oim d osw iad czeniu i in tu icji.
Sieć m a tak ze m ozliw osc grom ad zen ia i u og oln ian ia w iedzy p ozyskiw an ej poprzez o b serw acje czy n n osci n ajb ard ziej d osw iad czony ch lekarzy, m oze w iec słuzyc ja k o n arzed zie do agregacji i k o n ce n tra cji d osw iad czen w ielu n a jlep sz y ch praktykow .
Przykłady wykorzystania sztucznych sieci neuronowych w otolaryngologii
W spom aganie diagnostyki klinicznej
Podejm ow anie decyzji diagnostycznych n a podstaw ie bad ania przedm iotow ego i podm iotow ego oraz ew entualnie wyników b ad an dodatkow ych w ym aga n a ogół ogrom nej wiedzy i dośw iadczenia. Rzadko ud aje sie sform ułow ać proste reguły, według których n a podstaw ie d anych kliniczn ych nalezy w yciagac o stateczn e w nioski. Zwykle takie proste reguły nie istn ieja, poniew az isto ta diagnostyki lekarskiej je s t z sam ej sw ojej n atu ry bardzo skom plikow ana. Dodatkow a trudnosc wiaze sie takze z p ro cesem w erbalizacji tych reguł. Sp ecjalista n ie zaw sze zdaje sobie spraw e z tego, ze jeg o przez lata w ypraktykow any sposób działania opiera sie n a regułach, które stosu je podsw iadom ie, czy tez odw ołuje sie do in tuicji, czy w recz do geniuszu, czyli rzeczy absolu tn ie n ied ający ch sie sform alizow ac. W ielu bad aczy usiłow ało odpow iedziec n a pytanie, czy złocony proces intelektu alny, jak iego dokonuje sp ecjalista, staw iając rozpoznanie choroby, m ozn a p rzy n aj
m n iej w pew nych asp ektach odtw orzyc za pom oca m etod inform aty czn ych. W iekszosc takich prób algorytm izacji, odw ołujących sie do reguł logiki i obliczen nu m erycznych, po prostu zawiodła. Jed n ak ostatn io okazu je sie, ze dzieki w ykorzystaniu sieci neu ronow ych m ozliw e je s t stw orzenie narzedzi sku tecznie w sp om ag ający ch sp ecjalisty czn a diagno
styką. W skazm y kilka przykładów.
W roku 2009 objęto och rona paten tow a narządzie w yko
rzy stu jące sztu czne sieci neu ronow e, słu^^ce do diagnozo
w ania chorób alergicznych górnych dróg oddechow ych (w szczególnosci sch orzeli n osa i zatok przynosow ych) [2].
A utor op atentow anej m etod y podkresla, ze ze wzgledu na w zrastajaca często sc w ystępow ania sch orzen alergicznych, dostąp do specjalistów sta je sie coraz tru dniejszy, a czas oczekiw an ia n a k o n su ltacje i niezbedn a diagnostyką znacząco się wydłuża. D ane dotyczy W ielk iej Brytanii, ale sa pow ody by p rzypuszczac, ze w sp o m n ian a praw idłow osc d aje się tak ze obserw ow ac w P olsce. Z tego w zgledu n iezb ed n e je s t w d rożenie sy stem u , który pozw oliłby skrócic do m in im u m czas oczek iw an ia n a w ynik k o n su lta cji oraz ograniczyli liczby w ykonyw anych bad ań . W cytow anym b ad aniu opracow ano kilka m od eli neu ron ow ych , ktore sa w sta n ie zaproponow ali w step n e rozp ozn an ie sch o rz en ia na p od staw ie w yw iadu (objaw y k lin iczn e, czynn iki w yw ołu jące z a o strzen ia choroby, zary w an e leki itd.), w yników skórny ch testó w p u nktow ych dla w ybranych alergenów oraz poziom u sp ecy ficzn ych IgE.
U czenie budow anych m odeli neu ronow ych polegało n a przedstaw ieniu im d anych kilkudziesięciu pacjentów w raz z praw idłowym i rozpoznaniam i postaw ionym i przez dosw iadczonego lekarza. Po zakon czeniu u czenia p rzetesto w ano działanie m odeli w od niesieniu do in n ej grupy p a c je n tów , cierpiących n a te sam e sch orzen ia. W ykazano, ze w step ne diagnozy podaw ane przez siec neu ronow a były zgodne z rozpoznan iam i postaw ionym i przez specjalisty.
Zdaniem autora, dzieki zastosow aniu sieci neuronow ych w stęp na diagnostyką sch orzen n osa i zatok przynosow ych m oze p rzeprow adzi! p rzeszkolona pielęgniarka. W efekcie
pow inna obnizyc sie liczba n iepotrzebnych kon su ltacji sp ecjalistyczn y ch , w sku tek czego lekarz s p e cja lista b id z ie m ógł efek ty w n iej w ykorzystac sw ój czas i w iedze, z a jm u ja c sie przypad kam i rzeczy w iscie w y m agającym i je g o in te r
w en cji.
Z astosow anie sztu cznych sieci neu ronow ych do w sp om a
gania diagnostyki om aw ia rów niez praca Juholi i wsp. [6], w której zad aniem m odelu było okreslen ie przyczyn zaw rotów głowy n a podstaw ie objaw ów klinicznych. Na podstaw ie danych d otyczących częstosci w ystępow ania i czasu trw an ia zaw rotów głowy oraz czasu trw an ia niedosłuchu, a takze przebytych urazów głowy, siec sam oczy nnie dokonywała w step n ej klasyfikacji, w w iekszosci przypadków prawidłowo w yrózniajac grupy p acjen tó w cierpiących z powodu łagod
n y ch położeniow ych zaw rotów głowy, choroby M eniere'a, neuronitis vestibularis i nerw iaka nerw u przedsionkow ego.
N iestety w od niesieniu do rzadko w y stęp u jący ch przyczyn zaw rotów głowy nie uzyskano praw idłow ych ich klasyfikacji ze wzgledu n a zbyt m ała liczbe przypadków p rezentow an ych sieci w trak cie je j uczenia.
In teresu jaca propozycje w ykorzystania sieci neuronow ych w diagnostyce bezdechu sen nego przedstaw ili el-Solh i wsp.
[25]. A utorzy tej pracy stw orzyli system pozw alający prze- w idyw ac w artosc w skaznika AHI (w skaznik bezd ech /sp łyce
n ie oddechu) bez w ykonyw ania polisom nografii, a jed y n ie n a podstaw ie d anych kliniczn ych i pom iarów antrop om etrycz
n y ch p acjen ta. Biorąc pod uw age fakt, ja k kosztow ne i ja k uciazliw e dla p acjen ta je s t bad anie polisom nograficzne - zastosow anie tego neuronow ego m odelu w ydaje sie bardzo in teresu ja ca alternatyw a dla procedur diagnostycznych stosow anych obecnie.
Autom atyczna interpretacja sygnałów m edycznych
Jed n ym z klasycznych zadan, w których sieci neuronow e n iejed n okrotn ie wykazyw ały przew age nad innym i m e to dam i, je s t rozpoznaw anie obrazów (lub szerzej - rozpozna
w anie w zorców ; pattern recognition). Czesto cytow any przykład to au tom atyczn e rozpoznaw anie znaków alfanum erycznych (drukow anych lub pisan ych reczn ie liter i cyfr). Liczba prac op isu jący ch takie w łasnie zastosow anie sieci neu ronow ej z p ew noscia przekroczyła ju z kilka setek, a w ciaz przybyw ają now e, bo zastosow anie to je s t efektow ne i łatw e do oceny, a zasoby d anych potrzebnych do u czen ia i egzam inow ania sieci sa łatw e do pozyskania lub niezbyt trudne do sam o dzielnego w ytw orzenia. Z nacznie bard ziej złoconym zad a
n iem je s t rozpoznaw anie ludzi n a podstaw ie obrazów ich tw arzy (na przykład dla potrzeb identyfikow ania osób posia
d ający ch okreslone u p raw nienia w system ie kom puterow ym szpitala). U proszczona w ersje tego typu system u stanow i siec, której pow ierza sie odróznianie tw arzy m esk ich od kobiecych.
M im o ze człow iek radzi sobie z tym zad aniem bez n a jm n ie j
szego kłopotu, sform u łow anie ogólnych zasad, według których takiej klasyfikacji m iałaby dokonyw ac m aszyn a, n astręcza ogrom nych trudnosci. W tej sytu acji oczyw iste w ydaje się zastosow anie sieci neuronow ych, które m a ja zdolnosc sam o dzielnego form ułow ania zasad klasyfikacji n a podstaw ie przykładów.
W m edycynie niezw ykle często m am y do czynienia z sy tu a cja m i p oszu kiw an ia m etod y ro zp oznaw ania
i k lasy fik acji w zorcow , m ied zy in n y m i w celu au to m aty cz
n e j in te rp re ta c ji roznego rod zaju sygnałow m ed yczny ch . Sygnałem , ktorego rozu m ienie (z przyczyn oczyw istych dla kazdego laryngologa) w ym aga duzego doSw iadczenia i wprawy, sa m iedzy innym i słuchow e p oten cjały w yw ołane pnia m ozgu. Zasady in terp retacji w yniku bad ania ABR trudno opisać regułam i m atem atyczn ym i ze wzgledu n a roznorod- n osc obrazu uzyskiw anych krzyw ych. Liczne prace w ykazują jed n ak , ze sztuczne sieci neu ronow e, ktore n ie w ym agaja zn ajom osci zasad klasyfikacji a priori, m oga słuzyc jak o sku teczn e narządzie do autom atyczn ej klasyfikacji tych sygnałow [7-10]. Z asadniczy problem , ja k i sie przy tym pojaw ia, polega n a tym , ze sieci neuronow a, o cen ia ją c przebieg sygnału ABR uzyskanego dla pew nego okreslonego poziom u bodzca akustycznego w yw ołującego bad ana odpowiedz - je s t w gorszej sytu acji niz lekarz, z ktorym usiłuje konkurow ac.
Pow odem tego je s t fakt, ze lekarz ogląda cała sek w encje zapisow ABR, zaczyn ających sie od bodzca akustycznego tak silnego, ze zdecydow anie w yw ołuje on reak cje pnia mozgu, az do bodzcow tak słabych, ze upew nienie sie, iz m ozg zareagow ał n a ten sygnał, n astręcza duzych trudnosci. Na podstaw ie obserw acji takiej sek w encji przebiegow (a nie pojedynczego sygnału) m ozn a łatw iej ustalic, czy fala V w y stepuje w rozw alan y m przebiegu ABR - czy ju z nie. Siec obserw u jąca pojed ynczy przebieg ABR i p od ejm u jąca probe jeg o klasyfikacji napotyka w tym m iejscu n a zn aczn ie w ieksza trudnosc. Dlatego Izworski i wsp. [7] przedstaw ili kon cep cje kontekstow ego rozpoznaw ania przebiegow ABR, co okazało sie rozw iązaniem nad er skutecznym .
W d ziedzinie audiologii sztu czne sieci neu ronow e znalazły ponadto zastosow anie m iedzy innym i do au tom atycznej klasyfikacji sygnałow otoem isji aku styczn ych w yw ołanych trzaskiem (TEOEA). W bad an iach tych siec w ykorzystana została do odrozniania w ynikow fizjologicznych od p atolo
gicznych w ram ach przesiew ow ych b ad an słuchu u now o- rodkow [4]. Z kolei Ziavra i wsp. [3] w ykorzystali produkty zniekształcen nieliniow ych slim aka (DPOEA) ja k o podstaw e dla autom atycznego rozpoznaw ania niedosłuchu pochodze
nia slim akow ego. Tutaj takze rola sieci polega n a przypisaniu je j fun kcji uczącego sie klasyfikatora.
Proby zastosow an ia m odeli neu ronow ych n ie om ineły row niez w estybulologii, gdzie podjeto probe diagnozow ania sch orzeli układu row now agi n a podstaw ie wynikow bad ania posturograficznego [17].
W podobnym do opisan ych pow yzej celu w ykorzystano m od ele neu ronow e w diagnostyce i leczeniu bezdechu sennego. N orm an i wsp. [23] opisali m etod e rozpoznaw ania epizodow zapadania sie drog oddechow ych podczas oddy
ch an ia n a podstaw ie analizy krzyw ych przepływu pow ietrza w czasie. W ykorzystanie sztu czn ej sieci neu ronow ej do odrozniania oddechow praw idłow ych od niepraw idłow ych stw arza m ozliw osc w y elim inow ania zm udnego m an ualnego zliczania incydentów bezdechu w czasie snu. Z kolei roz
poznaw an ie poprzed zającej bezd ech w ibracji scian y gardła, przed staw ione przez B ehbehaniego [24], m oze stanow ic podstaw e dla au tom atyczn ej regulacji cisn ien ia generow a
nego przez ap arat CPAP.
Odm iennym problem em , w ktorego rozw iązaniu znalazły takze zastosow anie sztu czne sieci neuronow e, je s t proba odw zorow ania (na podstaw ie analizy aku styczn ej sygnału
mowy) p ercep cy jn ej ocen y głosu dokonyw anej przez sp e cja listy. Liczne b ad ania wykazały, ze znalezien ie p rostej korelacji pom iedzy p aram etram i fizycznym i opisu jącym i sygnał m ow y a p ercep cy jn a ocen a ja k o sci głosu p acjen ta n astręcza zn acz
n ych trudnosci. Trudnosci te p ojaw iają sie przy kazdej probie obiektyw izacji ocen y m ow y p atologicznej, poniew az zalez- n osc m iedzy aku sty czn a charak terystyka sygnału a jego subiektyw nym odbiorem przez słu ch acza m a najp raw d op o
dobniej w ieloczynnikow y i nieliniow y charakter. Jak zazn a
czono pow yzej, w zagad nieniach tego rodzaju sztu czne sieci neu ronow e czesto w ykazuja przew age nad innym i m etod am i, poniew az n eu rony sa z zasady nieliniow ym i przetw ornikam i sygnałow, zas w prow adzenie w sieci zaleznosci w ieloczynni- kow ych sprow adza sie do tego, ze siec posiada w iele w ejsc, ktorych sygnały sa ze soba rozm aicie kom binow ane w k olejn y ch w arstw ach tych neuronow .
W ych od ząc z om ow iony ch w yzej przesłan ek, S ch o en - w eiler i wsp. oraz Linder i w sp. [13, 14] opracow ali m od ele słu zace do rozp ozn aw an ia dysfonii n a p od staw ie analizy ak u sty czn ej sygnału m ow y, c e c h u ją c e sie sp ecy ficzn o scia do 93,9% i czu łoscia do 63%. Zd aniem autorow , n arzęd zia te m oga zn alezc zastoso w an ie w b a d a n ia ch p rzesiew ow ych , m on itorow an iu , d oku m entow aniu i w step n ej o cen ie zabu- rzeri głosu, co zw iekszy d o step n o sc d iagnostyki, o gran iczon ej d oty ch czas do w y so k o sp ecjalisty czn y ch cen trow m ed y cz
ny ch , a takze dla potrzeb m ed ycyn y sadow ej.
Badania prow adzone z w ykorzystaniem sieci n eu ro n o w ych w analizie m ow y patologicznej m oga dotyczyc roznych m etod re je stra cji tego sygnału. Na przykład pu blikacja Ritchingsa i wsp. [15] om aw ia m ozliw osc dokonania oceny ja k o sci głosu w oparciu o bad anie elektroglottograficzne.
Rowniez w K linice Otolaryngologii w Krakow ie w ram ach działalnosci Studenckiego Koła Naukowego tw orzono m odele neu ronow e z pow odzeniem realizu jące zadanie odrozniania m ow y fizjologicznej od patologicznej n a podstaw ie analizy aku sty czn ej sygnału m ow y [16].
In teresu jące propozycje w ykorzystania sieci neu ronow ych do klasyfikacji sygnałow b ioch em iczn y ch przedstaw ioli Kuz- m anovski i wsp. [26] (oznaczanie składu kam ien i slinianko- w ych n a podstaw ie spektroskopii w podczerw ieni) oraz van S taveren i wsp. [21] (ocena stop nia dysplazji w sluzow ce ja m y u stn ej w oparciu o w idm a au toflu orescen cji tkankow ej).
Sieci neu ronow e d aja takze now e m ozliw osci w spom aga
n ia terapii. Przykładem je s t w ykorzystanie sieci neu ronow ych w protezow aniu słuchu, co przedstaw ili A rsten i wsp. [5].
A utorzy zaproponow ali m etod e autom atycznego w stepnego doboru aparatu słuchow ego b azu jaca n a kształcie krzyw ej aud iom etrycznej. U rządzeniem w spom agającym w tym przy
padku p race terapeuty i protetyka była w łasnie siec n eu ro now a trak tow ana ja k o sy stem doradczy.
Prognozowanie przebiegu choroby i wynikow leczenia
Odrebna grupa zadaiń, gdzie sieci neu ronow e w ielokrotnie w ykazały sw oja uzyteczn osc, je s t przew idyw anie przyszłych w ydarzen n a podstaw ie faktow z przeszłosci. Jak sie okazuje, m od ele neu ronow e m oga znajdow ac zastosow anie nie tylko w przew idyw aniu pogody, kursow giełdowych lub zapotrze
bow ania m iasta n a energie elektryczna, ale row niez w prognozow aniu przebiegu choroby i wynikow leczenia.
B adania dotyczace zastosow ali sieci neu ronow ych do prognozow ania przeZycia n ajczy ściej dotycza chorob now o
tw orow ych. Przewaga sztu czn ej in teligen cji nad klasycznym i m etod am i staty sty czn ym i, takim i ja k m od el prop orcjonal
nego hazardu Coxa lub reg resja logistyczna, je s t w ciąz kw estia d yskusyjną. W pracy Jo n esa i wsp. [18], d otyczącej predykcji przebycia w grupie chorych z rak iem płaskonabłonkow ym krtani, dokonano porow nania w ynikow uzyskanych przez sztu czne sieci neu ronow e z m od elem Coxa i w ykresem K aplana-M eiera. Przew idyw ania oparto n a d anych d otyczą
cych: w ieku i płci pacjentów , ich spraw nosci w skali ECOG, lokalizacji guza, jeg o cech histop atologicznych i stop nia zaaw ansow ania klinicznego choroby. W ykazano, ze m odel neu ronow y m oze zapewniać: w yniki jak osciow o podobne do trad ycyjn ych m etod staty sty czn ych, je d n a k w przew idyw aniu przebycia w ykazuje w ieksza w razliw osc n a roznice wieku chorych i stop ien zaaw ansow ania w ęzłow ego now otw oru.
Porow nania sku tecznosci sztu cznych sieci neuronow ych z reg resja logistyczna dokonali z kolei Bryce i wsp. [19]. Praca ich dotyczyła przew idyw ania przebycia 2-letniego p acjentów z zaaw ansow anym i now otw oram i głowy i szyi, leczony ch rad ioterap ia lub rad iochem ioterapia. Celem pracy było opra
cow anie m etod y p ozw alającej ju z przed rozp oczęciem lecz e
n ia zidentyfikow ac pacjentów , u ktorych sam a tylko rad ioterap ia n ie d aje szans przebycia i w skazane je s t dodatkow e zastosow anie chem ioterapii. K lasyfikacji doko
nan o w oparciu o kilkan ascie cech kliniczn ych, w tym : lokalizacje i zaaw ansow anie now otw oru, w iek i płec p acjen ta, jeg o stan ogolny, choroby tow arzyszące i dane dotyczące m orfologii krwi. B adania wykazały, ze w analizow anym przypadku sztu czne sieci neu ronow e trafn iej przew idują przebycie niz reg resja logistyczna. Podobne zagadnienie om aw ia praca [20], w ktorej sztu czn a sieci neu ronow a w ykorzystano do przew idyw ania to leran cji chem iorad iotera- pii u chorych z now otw oram i głowy i szyi.
Przew age m odeli neu ronow ych nad reg resja logistyczna w prognozow aniu przebiegu choroby now otw orow ej w yka
zano row niez w pracy D obrosia i wsp. [22], w ktorej prze
w idywano obecn osc przerzutów raka krtani do wezłow chłon nych, u zyskując 96% popraw nych predykcji.
W Klinice Otolaryngologii UJ CM w Krakow ie prow adzone sa obecn ie prace m a ja ce n a celu stw orzenie m odeli n eu ron o
w ych prognozujących popraw e słuchu po leczeniu op eracyj
nym chorych z przew lekłym zap aleniem ucha srodkowego [12].
Ja k działa sztuczna siec neuronow a?
Podane pow yżej przykłady ilu stru ja szeroki zakres zastoso- w an, w ktorych sieci neu ronow e okazu ja sie row nie sku teczne lub sk u teczn iejsze niz dotych czas w ykorzystyw ane narzęd zia m atem aty czn e i inform aty czn e. Om ow ione przykłady dowo- dza, ze n ajistotn iejszy m i cech am i w yrozniajacym i sieci neu ronow e je s t ich zdolnosc do u czenia sie, a takze do m od elow ania złoconych zjaw isk i w ielow ym iarow ych zalez- nosci. Ponizej w y jasn im y pokrćitce, w ja k i sposob pow yższe zdolnosci sa osiągane.
Sztu czna siec neu ronow a je s t sy stem em inform atyczn ym p rzetw arzającym dane w podobny sposob, ja k układ nerw ow y człow ieka lub zw ierzęcia [27]. W natu raln ym (biologicznym )
układzie nerw ow ym podstaw ow ym elem en tem przetw arza- ja c y m in fo rm acje je s t kom orka nerw ow a. Biologiczny neuron otrzym uje sygnały w ejsciow e poprzez dendryty od innych kom orek nerw ow ych badz od receptorow . Sygnały te sa m odyfikow ane n a poziom ie synaps, ktore m oga m iec c h a rak ter pobud zający lub h am u jacy. Zm odyfikow ane przez synapsy sygnały su m u ja sie i pod ich w pływem neuron gen eruje sygnał w yjsciow y, przekazyw any aksonem do k olejn y ch elem entów układu nerw ow ego lub do efektorow . Ta oczyw ista dla kazdego lekarza, prosta zasada działania
„n atu raln ej” sieci neu ronow ej, zn ajd u je sw oje odzw iercie
dlenie w sztu czn ej sieci n eu ronow ej, stan ow iącej bardzo uproszczony m odel układu nerw ow ego.
Podstaw ow e e lem en ty m od elu , ja k im je s t siec n eu ronow a - tzw . sztu czn e n eu ron y - o d bieraja sygnały w ejscio w e, ktore n a ste p n ie n a p oziom ie sztu czn y ch syn ap s u leg aja m od yfika
cji (poprzez p rzem n o żen ie w arto sci ty ch sygnałow przez odpow iednie w społczyn niki, tzw. wagi). Zm odyfikow ane w te n sposob sygnały w ejscio w e su m u ja sie, a n a step n ie w ew natrz n eu ron u pod legaja ko lejn y m p rzek ształcen io m m a tem aty czn y m . O stateczn ie sztu czn y n eu ron g en eru je sygnał w y jsciow y (Ryc. 2).
W obrebie sieci n eu rony n a jcz e sciej ułozone sa w w arstw y.
Zadaniem pierw szej z n ich - w arstw y w ejsciow ej - je s t w prow adzenie sygnałow w ejsciow ych do sieci. Je s t to zazw y
czaj zestaw liczb lub d anych jak oscio w y ch (takich ja k n a przykład płec p acjen ta albo lokalizacja guza) podaw anych przez użytkow nika, charak teryzu jacy ch zadaw ane sieci
„p y tanie” . Fu nkcje neu ronu w arstw y w ejsciow ej m ozna porow nac z kom orka nerw ow a od bierajaca sygnał bezpo- srednio z receptora, taka ja k n a przykład I n eu ron drogi słu chow ej. K olejne w arstw y - tzw. w arstw y ukryte - m a ja za zadanie przetw arzanie danych. W biologicznym układzie nerw ow ym (np. w obrebie drogi słuchow ej) kom orek kolejno p rzetw arzajacy ch sygnał je s t bardzo w iele, podczas gdy w znacznie p rostszej sztu czn ej sieci neu ronow ej n a ogoł
NEURON BIOLOGICZNY MODEL NEURONU
sygnały w e jścio w e sygnały w e jścio w e
d e n d ry ty /w e jś c ia
iU
przekształcenie matem atyczne
a ks o n /w y jś c ie
sygnał w yjścio w y przekazywany do kolejnych
kom órek nerw ow ych
sygnał w yjścio w y przekazywany do kolejnych elem entów sieci neuronowej
Ryc. 2 - P orów nan ie sztu czn eg o n euron u z n eu ro n em biologicznym
Fig. 2 - The comparison o f biological and artificial neuron
w ykorzystuje się; jednej, rzad ziej dwie tak zw ane w arstw y ukryte. N azwa tych w arstw bierze sit; stad, ze pracy neuronów ulokow anych w tych w arstw ach nie widać: z zew nątrz - ani od strony w ejscia do sieci, ani od je j w yjscia. O statn ia w arstw a - w yjsciow a - to neu rony gen eru jące (w postaci liczbow ej)
„odpow iedz” sieci.
N a czym poi ega uczenie sieci neuronow ej?
N ajcząsciej w ykorzystyw ana form a trenow an ia sieci n eu ro now ej je s t tzw. „uczenie z n au czy cielem ” . M etode te w ykorzystano w w iekszosci cytow anych pow yzej prac. Zilu
stru jem y ja n a przykładzie publikacji d otyczącej przesiew o
w ych b ad an słuchu u now orodkow [4].
W pierw szym etapie tw orzenia m odeli neuronow ych zaprezentow ano sieci w yniki testow (TEOEA) około tysiąca now orodkow oraz ich klasyfikacje dokonana przez eksperta.
Proces u czenia polegał n a stopniow ym dokonyw aniu takich zm ian w ag w „sy n ap sach ” sieci, aby w efekcie uzyskac odpowiedzi zgodne z diagnozam i staw ian ym i przez sp ecja- liste.
W drugim etap ie p rzetestow an o d ziałanie w y tren ow an ej sieci w o d n iesien iu do in n e j grupy, row niez lic z ą ce j około 1000 now orodkow , i p orow n ano odpow iedzi sieci z o cen a ek sp erta. W te n sposob p otw ierdzono, ze siec n ie tylko dopasow ała sie do zbioru u cząceg o, ale row n iez posiad a zd olnosc do g en eralizacji zd obytej w iedzy (tj. potrafi uzyski- w ac praw idłow e rozw iązan ia dla now y ch przypadkow , k tory ch n ie „w id ziała” w tra k cie p ro cesu uczenia). Sw o isto sc u zy sk an y ch m od eli d iag n osty czn ych sięgała az 99,4% , n a to m ia s t czułosc 87,3%.
Nieco rzad ziej w zastosow an iach m ed ycznych w ykorzy
styw ana je s t m etod a „u czen ia bez n au czy ciela” , gdzie siec neu ronow a nie dysponuje w ogole praw idłowym i rozw iaza- n iam i zadanego problem u, ale sam oczy nnie dopasow uje sw oje param etry do struktury danych, dokonując w ten sposob ich klasyfikacji. Przykłady takiego zastosow ania sieci w od niesieniu do p acjen tów z otoskleroza m ozn a znalezc w publikacji d otyczacej bad an przeprow adzonych n a U ni
w ersytecie M edycznym w Łodzi [11], n ato m iast do klasyfikacji danych otoneurologicznych w om ow ionej w czesn iej pracy [6].
Ja k wykorzystać' sztuczne sieci neuronow e w pracy klinicznej iub badaw czej?
O becnie n a rynku dostepne sa program y kom puterow e pozw alajace korzystac ze sztu cznych sieci neu ronow ych nie tylko osobom m ajacy m w ykształcenie in form atyczn e, ale row niez sp ecjalisto m z innych dziedzin (w tym takze lekarzom ). Podstaw ow a w iedze n a ten te m a t m ozn a uzyskac zarow no z m ateriałow szkoleniow ych d ostarczany ch przez tw orcow oprogram ow ania, ja k i z podrecznikow ad resow a
ny ch do osob n ie m ajacy ch w ykształcenia inform atyczn ego [28]. Przed przystapieniem do pracy z sieciam i neuronow ym i w arto je d n a k rozw ażyć, czy sa one odpow iednim narzed ziem do rozw iazania analizow anego problem u badaw czego.
W przypadku zag ad n ień gdzie ch arak ter zaleznosci m iedzy danym i w ejsciow ym i i w yjściow ym i je s t znany i d aje sie łatw o opisac m atem aty czn ie, n ie nalezy oczekiw ac przewagi m odeli neu ronow ych nad innym i m etod am i.
Sieci neu ronow e m oga zapew nic dobra zgodnosc zach o w ania neuronow ego m odelu i m odelow anego zjaw iska (co m oze byc pod staw a diagnozy albo prognozy), ale to w n ajm n iejszy m stopniu nie ułatw ia zrozu m ienia natury m odelow anego zjaw iska. Przeciw nie, ze w zgledu n a złozonosc p rocesu p rzetw arzania d anych w obrebie sieci w zasadzie nie m a m ozliw osci jed n ozn aczn eg o w nioskow ania n a te m a t wpływu poszczegolnych d anych w ejściow ych n a ostateczn a odpowiedz sieci. N ieuzasadnione byłoby n a przykład w n ios
kow anie, ze poziom hem oglobiny wpływa n a przebycie 2-letn ie p acjen tów z now otw oram i głowy i szyi w yłacznie n a podstaw ie faktu w ykorzystania tej w łasnie zm ien n ej przez prawidłowo fu n k cjo n u jacy neu ronow y m odel prognostyczny [19]. Modele neu ronow e n ie m oga zatem słuzyc do an alizo
w ania czy w y jasn ian ia ch arakteru obserw ow anych zalez
n osci, a to oznacza, ze ich stosow anie w zbogaca m ozliw osci p raktycznych d z ia ła ń ale nie w zbogaca wiedzy.
K orzystanie z sieci neu ronow ych w ym aga odpowiedniego form ułow ania problem ow , ktore ch cem y za ich pom oca rozw iazac. W szczegolnosci trzeba dokładnie zdefiniow ac, co w ro zw alan y m problem ie m ozn a uzn ac za dane w ejściow e oraz czym sa oczekiw ane od sieci dane w yjściow e (niosace rozw iazanie sform ułow anego problem u). Zadania staw ian e sieci neu ronow ej nalezy ponadto odpowiednio zakodow ac, tj. przed staw ic w szystkie dane w form ie liczbo
w ej, tak aby m ogły byc: w ykorzystane ja k o sygnały w ejściow e.
Z m ienne ilosciow e (takie ja k wiek, rozm iar guza w cm) sa a priori w yrażone liczbow o [19], w n iektórych przypadkach w skazana je s t jed y n ie ich norm alizacja. Kazda z takich zm ien n ych wym aga jed nego neuronu w ejściow ego. Rowniez zm ienne p rzyjm u jace tylko je d n a z dwoch m ożliw ych w artości m ozna w prosty sposob przedstaw ic w sposob liczbowy (np. płec: 1 - kobieta, 0 - m ezczyzna; wiek: 1 - powyzej 60 lat, 0 - ponizej 60 lat itp. [18]). Zm ienne jak osciow e przyjm u jace w iecej w artości nalezy zakodow ac m etoda 1 z N, wykorzy- stu jac w ieksza liczbe neuronow w ejściow ych dla je d n ej zm ienn ej. Na przykład dla okreslenia lokalizacji guza krtani potrzebne m oga byc 3 neurony, z ktorych kazdy odpowiada jed n ej lokalizacji. Przykładowo dla raka nadgteśni kodow anie przew iduje nastep u jace rozłożenie sygnałow n a tych trzech n eu ronach: 1 - n a neuronie pierw szym , 0 - n a neuronie drugim, 0 - n a neuronie trzecim . Podobnie dla raka głosni odpowiedni kod wyglada tak: 0-1-0, a dla raka p od gk śn i 0-0-1 (Ryc. 3).
ZADANIE --- ROZWIĄZANIE
mężczyzna prawdopodobieństwo
z rakiem głośni przeżycia 5 lat
pleć (1=K, 0=M) 0
wielkośćguza 0,3 [cm]
lokalizacja guza:
•nadglośnia 0
•głośnia 1
• podglośnia 0
Ryc. 3 - Przykład sztucznej sieci neuronow ej Fig. 3 - An exam ple o f an artificial neural network
W podobny sposób nalezy zakodow ac oczekiw any odpo
wiedz sieci. W tym wypadku uzytkow nik m u si w ybrac je d n a z dw óch opcji. Siec neu ronow a m oze d ostarczac odpowiedzi o ch arak terze p ew nej d ecyzji, n a przykład m oze sygnalizow ac, czy dany przypadek nalezy do pew nej klasy. Przykładem m oze tu byc n astęp u jące kodow anie: 0 - p a cjen t nie uzyskał zad ow alającej popraw y słuchu po operacji, 1 - p a cjen t uzyskał zad ow alającą popraw ę słuchu [12]. Przy takim p ostaw ieniu zadania m am y do czynienia z tzw. siecia klasyfikacyjna.
Jezeli n a to m ia st siec m a d ostarczac odpowiedzi w p ostaci k on kretn ej liczby (np. ja k a będzie w artosc rezerw y slim akow ej po operacji), nazyw a sie? j=t siecia regresyjna.
K w estia w y m agajaca duzej uwagi i dosw iadczenia je s t w łasciw y w ybór zm ienn ych w ejsciow ych. Im je s t ich w ięcej, tym w iększa liczba przypadków u czących je s t w ym agana, aby praw idłowo w ytrenow ac siec. S zacu je się, ze zbiór uczący pow inien zaw ierac liczbę przypadków kilkukrotnie przekra
cz a ją cą liczbę połaczen w sieci, a liczba połaczen rosnie z kw adratem liczby zm ien n ych w ejsciow ych, poniew az połączenia w ew nątrz sieci realizow an e sa n a zasadzie ,,kazdy z kazd ym ''. O znacza to, ze podw ojenie liczby zm ienn ych w ejsciow ych będzie w ym agało cztery razy liczniejszego zbioru uczacego, a trzykrotnie w ięcej zm ienn ych w ejsciow ych spow oduje zapotrzebow anie n a dziew ięciokrotnie liczn iejszy zbiór uczacy. Przykład bardzo duzej sieci m ozn a znalezc w pracy v an Staveren a i wsp. [21], gdzie widm o autoflu- o rescen cji tkankow ej zakodow ano, w ykorzystując 175 n eu ro nów w ejsciow ych, a cała siec zaw ierała 50 000 połaczen.
A utorzy przyznaja, ze w łasciw a liczba widm niezbęd n ych do w yszkolenia sieci pow inna w ynosic około 500 000, podczas gdy w b ad an iach dysponow ano zbiorem je d y n ie ... 28 przypad
ków. Z kolei sku tecznie d ziałające, o bjęte och rona p atentow a m od ele neu ronow e do diagnozow ania sch orzen górnych dróg od d echow ych [2] fu n k cjo n u ją w oparciu o zaledw ie 9 s ta ra n n ie w y selek cjon o w an y ch zm ien n y ch w ejsciow ych .
N iem niej isto tn e je s t w łaściw e w y selek cjon ow anie zbioru przypadków u czących oraz zbioru testow ego. Obydwie grupy pow inny byc rep rezen taty w ne dla całej populacji. Często zdarza się, ze siec neu ronow a doskonale radzi sobie ze znajd ow aniem praw idłow ych rozw iazan dla zbioru uczacego, je d n a k je j odpowiedzi dla now ych przypadków sa zupełnie niezad ow alające. O znacza to, ze siec nie nabyła zdolnosci do gen eralizacji w iedzy nabytej w p rocesie uczenia. Z tego względu, rap ortu jąc w yniki uzyskiw ane przez siec (na przy
kład czułosc i sw oistosc diagnozy), nalezy podaw ac w yłącznie dane uzyskane dla zbioru testow ego [29].
Podsumowanie
Sztuczne sieci neu ronow e sa skutecznym i narzędziam i, p ozw alającym i odw zorow ac złocone zaleznosci pom iędzy staran n ie w ybranym i przyczynam i i dobrze zdefiniow anym i skutkam i. Ich popu larnosc w ciagu o statn ich lat w zrosła tak bardzo, ze obecn ie trudno je s t znalezc dziedzinę, w której nie próbow ano je s z c z e w ykorzystac ich m ozliw osci. W otolaryn
gologii p ozw alaja one m iędzy innym i n a zautom atyzow anie pew nych aspektów diagnostyki, których przeprow adzenie przez człow ieka je s t zm udne lub w ym aga znacznego dosw iad
czen ia. N arzędzia te rów niez w spom agają terapię, a takze u m ozliw iaja przew idyw anie w yników leczen ia. M odele pro
gn ozujące efekty terapii d aja szan sę je j optym alizacji, gdyz dzięki m ozliw osci przew idyw ania z w yprzedzeniem skutków pod jętych działali leczniczych m ozn a w ybrac ten w ariant postęp ow ania leczniczego, który gw arantuje n ajlep szy skutek.
Z astosow anie sieci neu ronow ych je s t łatw e, p oniew az obecnie oprogram ow anie p ozw alające korzystac ze sztu czn ych sieci neu ronow ych je s t d ostępne dla kazdego b ad acza i klinicysty zarów no w postaci pakietów firm ow ych, ja k i łatw o d ostęp
n y ch program ów m ożliw ych do pozyskania za darm o z Internetu (na przykład ze strony h ttp ://hom e.agh .ed u .p l/
~tad ). Co w ięcej, obszerne pism ien n ictw o dotyczące tej dziedziny m oze sta c się in sp iracja dla ich now ych uzytecz- ny ch zastosow an klinicznych.
Wkład autorow/Authors’ contributions
W edług kolejnosci.
Konflikt interesu/Conflict of interest
Nie w ystępuje.
P I Ś M I E N N I C T W O / R E F E R E N C E S
[1] Rutkowski L, Siekmann J, Tadeusiewicz R, Zadeh LA, editors. Artificial Intelligence and Soft Computing Lecture Notes in Artificial Intelligence, Vol. 3070. Berlin-Heidelberg- New York: Springer-Verlag; 2004.
[2] Williams PE. Method and Apparatus for Diagnosing an Allergy of the Upper Respiratory Tract Using a Neural Network. PCT/GB2008/002383(15.01.2009).
[3] Ziavra N, Kastanioudakis I, Trikalinos TA, Skevas A, Ioannidis JPA. Diagnosis o f sensorineuronal hearing loss with neural networks versus logistic regression modeling of distortion product otoacoustic em issions. Audiol Neurootol 2004;9:81-87.
[4] Buller G, Lutman ME. Automatic classification of transiently evoked otoacoustic em issions using an artificial neural network. Br J Audiol 1998;32(Aug (4)):235-247.
[5] Arnsten O, Koren H, Strom T. Hearing-aid preselection through a neural network. Scand Audiol 1996;25(4):259-262.
[6] Juhola M, Laurikkala J, Viikki K, Kentala E, Pyykko I.
Classification of patients on the basis o f otoneurological data by using Kohonen networks. Acta Otolaryngol Suppl 2001;545:50-52.
[7] Izworski A, Tadeusiewicz R, Pasławski A. The Utilization of Context Signals in the Analysis of ABR Potentials by Application o f Neural Networks. In: Lopez de Mantras R, Plaza E, editors. Machine Learning ECML 2000, Lecture Notes in Computer Science, (Lecture Notes in Artificial Intelligence), nr 1810. Berlin-Heidelberg-New York:
Springer Verlag; 2000. p. 195-202.
[8] Izworski A, Tadeusiewicz R, Pasławski A. Processing and Classification of Auditory Brainstem Response Signals. In:
Mastorakis N, editor. Advances in Neural Networks and Applications. WSEAS Press; 2001. ISBN 960-8052-26-2, p. 189-194.
[9] Strzelczyk P, Wochlik I, Tadeusiewicz R, Izworski A, Bułka J.
Telem edical System in Evaluation o f Auditory Brainstem
Responses and Support of Diagnosis. In: Nguyen NT, Le MT, Swiatek J, editors. Intelligent Information and Database Systems, Part 2. Berlin, Heidelberg, New York:
Springer Verlag, LNAI 5990; 2010. p. 21-28.
[10] Davey R, McCullagh P, Lightbody G, McAllister G. Auditory brainstem response classification: A hybrid model using time and frequency features. Artif Intell in Med 2007;40:1-14.
[11] Kaczmarczyk D, Durko M, Kruk A. Przykładowe zastosowanie sztucznej sieci neuronowej Kohonena w otolaryngologii. Pol Merkur Lekarski 2005;19(111):383-387.
[12] Szaleniec J, W iatr M, Szaleniec M, Składziefi J, Tomik J, Stręk P, Tadeusiewicz R, Przeklasa R. Przydatnosc sieci neuronowych w prognozowaniu pooperacyjnej poprawy słuchu u chorych z przewlekłym zapaleniem ucha srodkowego. Przegląd Lekarski 2009;66(11):924-929.
[13] Schoenweiler R, Hess M, Wuebbelt P, Ptok M. Novel approach to acoustical voice analysis using artificial neural networks. Journal o f the Association for Reaserch in Otolaryngology 2000;01:270-282.
[14] Linder R, Albers AE, Hess M, Poeppl SJ, Schoenweiler R.
Artificial neural network-based classification to screen for dysphonia using psychoacoustic scaling of acoustic voice features. J Voice 2006;22(2):155-163.
[15] Ritchings RT, McGillion M, Moore CJ. Pathological voice quality assesm ent using artificial neural networks. Medical Engineering and Physics 2002;24:561-564.
[16] Szaleniec J. Zastosowanie sieci neuronowych
w roznicowaniu mowy patologicznej od fizjologicznej.
Przegląd Lekarski 2005;62(Suppl).
[17] Krafczyk S, Tietze S, Swoboda W, Valkovic P, Brandt T.
Artificial neural network: A new diagnostic posturographic tool for disorders o f stance. Clinical Neurophysiology 2006;117:1692-1698.
[18] Jones AS, Taktak AGF, Helliwell TR, Fenton JE, Birchall MA, Husband DJ, Fisher AC. An artificial neural network improves prediction of observed survival in patients with laryngeal squamous carcinoma. Eur Arch Otorhinolaryngol 2006;263:541-547.
[19] Bryce TJ, Dewhirst MW, Floyd CE, Hars V, Brizel D. Artificial neural network model o f survival in patients treated with
irradiation with and without concurrent chemotherapy for advanced carcinom a of the head and neck. Int J Radiation Oncology Biol Phys 1998;41(2):339-345.
[20] Drago GP, Setti E, Licitra L, Liberati D. Forecasting the performance status o f head and neck cancer patient treatm ent by an interval arithm etic pruned perceptron.
IEEE Trans Biomed Eng 2002;49(8):782-787.
[21] van Staveren HJ, van Veen RLP, Speelman OC, W itjes MJH, Star WM, Roodenburg JLN. Classification of clinical auto fluorescence spectra of oral leukoplakia using an artificial neural network: a pilot study. Oral Oncology 2000;36:
286-293.
[22] Dobros W, Izworski A, Gil K, Lech T. Skutecznosc sztucznych sieci neuronowych w przewidywaniu przerzutów do regionalnych wezłow chłonnych.
Otolaryngol Pol 2001;55(1):43-45.
[23] Norman RG, Rapoport DM, Ayappa I. Detection of flow lim itation in obstructive sleep apnea with an artificial neural network. Physiol Meas 2887; 28:
1089-1100.
[24] Behbehani K, Lopez F, Yen FC, Lucas EA, Burk JR, Axe JP, Kamangar F. Pharyngeal wall vibration detection using an artificial neural network. Med Biol Eng Comput 1997;35:
193-198.
[25] el-Solh AA, Mador MJ, Ten-Brock E, Schucard DW, Abul-Khoudoud M, Grant BJ. Validity of neural network in sleep apnea. Sleep 1999;22(1):105-111.
[26] Kuzmanovski I, Ristova M, Soptrajanov B, Stefov V, Popovski V. Determination o f the composition o f sialoliths composed of carbonate apatite and albumin using artificial neural networks. Talanta 2004;62:813-817.
[27] Tadeusiewicz R. Sieci neuronowe. Warszawa: Akademicka Oficyna Wydawnicza; 1995.
[28] Tadeusiewicz R, Gaciarz T, Borowik B, Leper B. Odkrywanie własciwosci sieci neuronowych przy uzyciu programow w jezyku C#, Wydawnictwo Polskiej Akademii Umiejetnosci, Krakow 2007.
[29] Dreiseitl S, Ohno-Machado L. Logistic regression and artificial naural network classification models:
a methodology review. J Biomed Inform 2002;35:352-359.
