Discrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational Science2658-46702658-7149Peoples' Friendship University of Russia named after Patrice Lumumba (RUDN University)8355ArticlesСтатьиResearch ArticleIllness Severity Classification Based on Artificial Neural NetworksКлассификация степени тяжести заболевания на основе искусственных нейронных сетейMolodchenkovA IМолодченковАлексей Игоревичaim@isa.ruFralenkoV PФраленкоВиталий Петровичalarmod@pereslavl.ruKhachumovV MХачумовВячеслав Михайловичvmh48@mail.ruInstitute for Systems AnalysisИнститут системного анализаAilamazyan Program Systems InstituteИнститут программных систем им. А.К. Айламазяна150220142NO2 (2014)№2 (2014)15015608092016Copyright ©; 2014, Молодченков А.И., Фраленко В.П., Хачумов В.М.2014Молодченков А.И., Фраленко В.П., Хачумов В.М.http://creativecommons.org/licenses/by/4.0https://journals.rudn.ru/miph/article/view/8355The task of automatic classification of illness is very important since its solution greatly facilitates the work of a physician in a large amounts of data analysis and diagnosis. There are different approaches to solving this problem. One of them involves the use of production rules. Production rules empower knowledge representation in clinical medicine and effective in building diagnostic systems. Noting the prospects of applying production rules, however, it should be noted that the decision on the basis of their high complexity real problems requires large amounts of computation and restructure a system of rules at change of problem conditions. At the same time, as an effective alternative tool to analyze complex situations and classifications artificial neural networks (ANN) are widely used, which allow to perform the recognition and diagnosis of various phenomena and high complexity objects by training. This paper studies the possibility of using different neural networks to analyze an illness severity on the basis of precedential information. In particular, the problem of determining the severities of acute intervertebral disc protrusion and of acute acute asthma are solved. In order to improve recognition, the training set is expanded by creating additional precedents that that do not contradict the terms of the problem.The artificial neural networks of various configurations and with different activation functions are used: single-layer and multilayer perceptrons.Задача автоматической классификации степени тяжести заболеваний является актуальной, так как её решение существенно облегчает работу врача при анализе больших объёмов данных и постановке диагноза. Существуют различные подходы к решению этой задачи. Один из них связан с применением продукционных правил. Продукционные правила расширяют возможности представления знаний в клинической медицине и эффективны при построении диагностических систем. Отмечая перспективность применения продукционных правил, тем не менее, следует заметить, что решение на их основе реальных задач высокого уровня сложности требует больших объёмов вычислений и перестройки структуры системы правил при изменении условий задачи. В то же время в качестве эффективного альтернативного инструмента анализа сложных ситуаций и классификации широкое распространение получили искусственные нейронные сети (ИНС), которые позволяют проводить распознавание и диагностирование различных явлений и объектов высокой сложности путём обучения. В настоящей работе представлено исследование возможности применения различных нейронных сетей для анализа степени тяжести заболеваний на основе прецедентной информации. В частности, решены задачи определения степени тяжести обострения протрузии межпозвонкового диска и определения степени обострения бронхиальной астмы. Для улучшения распознавания обучающая выборка расширяется за счёт создания непротиворечащих условиям задачи дополнительных прецедентов. Использованы искусственные нейронные сети различной конфигурации и с разными функциями активации: однослойный и многослойный персептроны.medicineintelligent systemsknowledgeillnessartificial neural networkprecedentмедицинаинтеллектуальные системызнаниязаболеваниеискусственная нейронная сетьпрецедент1.Методы искусственного интеллекта в клинической медицине. Синтез плана лечения на основе прецедентов / Г. И. Назаренко, А. Г. Назаренко, А. И. Молодченков, Г. С. Осипов // Информационные технологии и вычислительные системы. - 2010. - № 1. - С. 24-35.2.Хачумов В. М. О расширении функциональных возможностей искусственных нейронных сетей // Авиакосмическое приборостроение. - 2008. - № 5. - С. 53-59.3.Анализ эффективности применения искусственных нейронных сетей для решения задач распознавания, сжатия и прогнозирования / А. А. Талалаев, И.П. Тищенко, В. П. Фраленко, В. М. Хачумов // Искусственный интеллект и принятие решений. - 2008. - № 2. - С. 24-33.4.Журавлёв Ю. И. Об алгебраических методах в задачах распознавания и классификации // Распознавание. Классификация. Прогноз. Математические методы и их применение. - Наука, 1989. - Т. 1. - С. 9-16.5.Толмачев И. Л., Хачумов М. В. Бинарная классификация на основе варьирования размерности пространства признаков и выбора эффективной метрики // Искусственный интеллект и принятие решений. - 2010. - № 2. - С. 3-10.