МОДЕЛЮВАННЯ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ВИЗНАЧЕННЯ СТАДІЇ ХВОРОБИ АЛЬЦГЕЙМЕРА

Анотація

  Хвороба Альцгеймера є найбільш поширеним типом деменції в стані якої головний мозок людини перестає виконувати свої функції належним чином. Дане захворювання викликає проблеми із пам’яттю, мисленням та поведінкою. Найбільш уразливими для цього захворювання є люди похилого віку та значну роль відіграє спадковість – якщо з’ясується, що в родині були випадки з таким захворюванням, то ризик захворіти є дуже високим. В останній час із проривним розвитком та впровадженням інформаційних технологій та методів машинного навчання як взагалі так особливо і в медицині набуває популярності рання комп’ютерна діагностика хвороби, що використовує штучний інтелект, а саме – нейронні мережі. Основним завданням діагностування хвороби є правильне визначення стадії захворювання, спираючись на отримані знімки головного мозку, які видає пристрій магнітно-резонансної томографії після обстеження хворого, враховуючи його попередній анамнез та скарги. У даній роботі розглядається модель нейронної мережі для дослідження стадій хвороби Альцгеймера. Розглянуто роль ранньої діагностики захворювання за допомогою штучного інтелекту, зокрема нейронними мережами. Були розглянуті основні методи, які застосовувались в дослідженнях для класифікації хвороби. На підставі аналізу літературних джерел була обрана згорткова архітектура нейронних мереж, яка показала більшу точність розпізнавання серед інших архітектур. Була розроблена математична модель згорткової нейронної мережі: обрано кількість згорткових, повнозв'язних шарів, кількість фільтрів у кожному шарі, функції активації для кожного шару, також було виконано налаштування гіперпараметрів для підвищення якості розпізнавання хвороби Альцгеймера. Розроблена математична модель буде фундаментом для застосунка, що полегшить роботу лікаря для оцінки стадії захворювання Альцгеймера, дозволить робити більш точні діагнози, зменшить певне навантаження при виконанні рутинних дій медичного працівника. Використання цієї математичної моделі в комбінації із розробленим програмним забезпеченням дозволить прискорити встановлення остаточного діагнозу хворого.