Our journals
Submit manuscript Sign in / Sign up
Advanced search
Article sections

OVERVIEW AND ANALYSIS OF METHODS FOR DIAGNOSING AND TREATMENT OF CANCER BY MODERN INFORMATION TECHNOLOGIES

Research article
Gardasheva L.A.
Gadzhieva T.A.
DOI:
https://doi.org/10.23670/IRJ.2019.87.9.004
Issue: № 9 (87), 2019
Published:
2019/09/16
PDF

ОБЗОР И АНАЛИЗ МЕТОДОВ ДИАГНОСТИКИ И ЛЕЧЕНИЯ РАКА СОВРЕМЕННЫМИ ИНФОРМАЦИОННЫМИ ТЕХНОЛОГИЯМИ

Обзор

Гардашева Л.А.1, Гаджиева Т.А.2, *

1, 2 Азербайджанский Государственный Университет Нефти и Промышленности, Баку, Азербайджан

* Корреспондирующий автор (Taranahaciyeva[at]yandex.ru)

Аннотация

Известно, что нет ничего важнее человеческой жизни. Медицина, в переводе с латинского «искусство исцеления», стражем стоит на охране нашего здоровья. В существующих условиях роста информации, охватывающей всё более широкие сферы человеческой деятельности, она нуждается в помощи систем, связанных с поддержкой принятия решений (СППР), которые  направлены на повышение точности, оперативности лечения и сведением к минимуму врачебных ошибок. Своевременное выявление и правильная диагностика онкологических заболеваний, играет жизненно важную роль в спасении человеческой жизни. Большинство медицинских заключений вынужденно основывается на принятии экстренных решений, опирающихся только на опыт врача, так как ограниченность во времени не даёт возможности прибегнуть к помощи компетентных экспертов, а также поиску литературы и к необходимым другим расширенным исследованиям. В ситуациях требующих сложного аналитического рассмотрения роль СППР незаменима. Система обрабатывает данные, предоставленные врачом, и выдаёт оптимальный результат, при этом не заменяет врача, а выступает в роли оперативного, компетентного эксперта, консультанта в конкретной области.

Ключевые слова. Онкологические заболевания, Нечёткая логика, Искусственный интеллект, Экспертная система, Базы знаний.

OVERVIEW AND ANALYSIS OF METHODS FOR DIAGNOSING AND TREATMENT OF CANCER BY MODERN INFORMATION TECHNOLOGIES

Review

Gardasheva L.A.1, Gadzhieva T.A.2, *

1, 2 Azerbaijan State University of Oil and Industry, Baku, Azerbaijan

* Corresponding author (Taranahaciyeva[at]yandex.ru)

Abstract

It is known that there is nothing more important than human life. Medicine, is translated from Latin as “the art of healing”, protects our health. In the current conditions for the growth of information flows, covering more and more spheres of human activity, it needs the help of systems related to decision support (DSS), which are aimed at improving the accuracy, efficiency of treatment and minimizing medical errors. Timely detection and correct diagnosis of cancer, plays a vital role in saving human lifes. Most medical reports are compelled to make emergency decisions based only on the experience of the doctor, as time constraints make it impossible to resort to the help of competent experts, as well as to the search for literature and other necessary advanced studies. In situations requiring complex analytical considerations, the role of DSSs is indispensable. The system processes the data provided by the doctor and gives the optimal result, while not replacing the doctor, but acts as an operational, competent expert, consultant in a specific area.

Keywords: Oncological diseases, Fuzzy logic, Artificial intelligence, Expert system, Knowledge bases.

Введение

«Рак» является самым пугающим словом, самым страшным диагнозом, который ассоциируется с обречённостью, со смертным приговором. Это жестокий бич человечества, который не жалеет ни взрослых, ни детей. В основе развития  этой болезни лежит повреждение структуры ДНК, нарушение процессов регуляции тканевого роста. Так же как и всё в природе, клетки нашего тела постоянно растут, делятся и умирают, подчиняясь чётким жизненным законам. Произошедший сбой в этой системе, приводит к тому, что ранее послушная всем командам организма своя же клетка, начинает неконтролируемо размножаться, образуя опухоль. Её потомки, которым передаётся это  же свойство, ведут себя ещё более агрессивно, распространяясь потоком крови или лимфы в другие части тела, образуя метастазы, а также посылают здоровым клеткам ошибочные сигналы к делению и росту. [1]. Опухоль – это патологический процесс мутации ткани, изменения генетического аппарата клеток, приводящий к нарушению функции их формирования, роста, к изменению размера и формы. Данный термин обычно применяется по отношению к аномальному разрастанию ткани, к любым новообразованиям. Их можно классифицировать на две большие группы, как доброкачественные и злокачественные опухоли. Доброкачественные опухоли – это новообразования, которые частично сохраняют структуру ткани, из которой происходят и её специфические функции. В большинстве случаев растут медленно, постепенно сдавливая прилежащие структуры и ткани, но никогда не проникают в них и, как правило, хорошо поддаются хирургическому лечению и редко рецидивируют. [2]. В отличие от доброкачественной, злокачественные опухоли – это новообразование, возникающее из-за бесконтрольно делящихся клеток, которые каскадом расходятся от первичного очага в соседние ткани (инвазия) и приводят в дальнейшем к метастазированию в другие органы. Доброкачественные опухоли не дают метастаза, но часто происходит перерождение их в злокачественные. Раздел медицины изучающий опухоли, их возникновения, развития, методы профилактики, диагностики и лечения называется онкологией. Онкологические заболевания могут затрагивать все органы. Единой общепринятой теории, объясняющей причины возникновения этой болезни, у учёных пока не существует. Основные гипотезы её развития связывают с определёнными обстоятельствами, наиболее часто предваряющими его появление. К ним относятся: возраст; использование гормональных препаратов; очаги инфекции; травмы; наличие в анамнезе случая рака; воздействие радиации; загрязнение окружающей среды; лишний вес; курение; злоупотребление алкоголем; сахарный диабет; работа по графику с ночными сменами. К сожалению, не всегда удаётся предупредить онкологические заболевания и риск их развития, поэтому они имеют высокий показатель смертности. [3]. Болезнь на ранней стадии, как правило, имеет невыраженные клинические проявления и неспецифические симптомы. Спасение человеческой жизни зависит от  своевременного обнаружения заболевания и постановки точного диагноза. [4].

История развития рака

Рак имеет долгую и сложную историю. Это заболевание является одним из самых древних болезней.  Археологические исследования показали, что раком болели ещё  неандертальцы, даже динозавры, а также они были обнаружены у мумий древнего Египта. Самая ранняя запись случая рака датируется примерно в 1600 г. д. н. э.,  в папирусе Эдвина Смита, в одном из старейших образцов древней медицинской литературы, который является частью древнего египетского учебника по хирургии и медицине. В ней описаны восемь опухолей молочной железы, которые были фактически удалены прижиганием. Впервые термин «рак» был введён Гиппократом при обсуждении опухолей (карцинома, карциноз, краб, рак), из-за внешнего сходства испорченных клеток с крабом. Он развил, так называемую гуморальную теорию в медицине. Она полагает, что Вселенная создана из четырёх основных элементов: из земли, воздуха, огня и воды. Что же касается человеческого тела, то в нём эти элементы принимают форму четырёх «жидкостей»: крови, чёрной желчи, жёлтой желчи и слизи (флегмы). Причина этой болезни – избыток или недостаток в их соотношении. Гуморальная теория упоминается также и в трудах Аристотеля. Единственным способом лечения рака, в те времена, было хирургическое удаление поверхностных опухолей, если это было возможно. Заглянуть глубже в суть происходящих явлений стало возможным лишь только с появлением микроскопа, что дало серьезные сдвиги в развитии онкологии. [5]. На сегодняшний день, по всему миру, ведутся колоссальные работы по изучению опухолей. Классическая триада лечения заболевания: хирургия, лучевая и химиотерапия дополнились всё более совершенными методиками. Современная онкология имеет в распоряжении широкий арсенал средств и методов, для лечения рака, предупреждения его возникновения и развития, для спасения человеческой жизни, а в безнадёжных случаях –  максимального  продления    и  избавления  от  болезненных, симптомов.

Актуальность проблемы

В связи с широкой распространённостью онкологических заболеваний, особенно важным является выявление рака на ранней стадии, когда возможно полное исцеление больного и возвращение его к полноценной жизни. По данным Международного агентства по исследованию рака GLOBOCAN, в 2012 году было зарегистрировано 14,1 миллион случаев рака и 8,2 миллиона смертей. Рак является второй из основных причин смертности в мире, после сердечнососудистых заболеваний. [6]. В 2015 году от онкологических болезней умерли 8,8 миллиона человек. Рак становится причиной почти каждой шестой смерти в мире. По мнению Всемирной Организации Здравоохранения, заболеваемость раком, в ближайшие 20 лет возрастёт на 70%. По количеству онкобольных в мире, лидирующее место занимает Дания [7]. Государственный Статистический Комитет  также сообщает, что в Азербайджане на каждые 100 тысяч человек приходится свыше 400 больных со злокачественной опухолью. Большинство из них женщины. Проведённые статистические данные показали, что в нашей стране наблюдается увеличение числа больных с диагнозом – рак. [8].  Довольно неблагоприятная статистика. Многие специалисты считают, что через несколько лет, злокачественные новообразования станут основной причиной смертности по всему миру, оставив далеко позади сердечнососудистые заболевания. Самое страшное то, что заболеваемость раком растёт, а выживаемость не увеличивается. В большинстве случаев, это связанно с поздним обнаружением болезни, так как успех в выздоровлении зависит от ранней диагностики бессимптомного рака. Проблему с ростом числа онкобольных должна решать не только медицина, но и все науки, которые могут содействовать в борьбе с этим жестоким недугом. Наша работа, как раз, направлена на оказание помощи онкологам в постановке точного диагноза на ранней стадии и возможно спасение чьей-то жизни.

Исследовательские работы

Как указанно выше, современная онкология имеет в распоряжении широкий арсенал средств и методов, для лечения рака. Учённые, по всему миру, усиленно работают в этом направлении, как в онкологии, так и в других научных областях. Стоит отметить диссертационную работу кандидата технических наук Юго-западного Государственного университета России, Бабкова А.С. на тему «Интеллектуальная система поддержки принятия решений скрининг-диагностики рака желудка, на основе комбинированных классификационных правил». Научный труд посвящён решению задач, связанных с повышением качества скрининг-диагностики рака желудка,  основанной  на  нечётких диагностических  комбинированных,  классификационных  правилах,  что позволяет по результатам общего анализа крови и анамнеза определять людей с  высоким  риском заболевания  и составить соответствующие рекомендации. Для решения поставленной задачи использовались методы теории синтеза биотехнических систем системного  анализа, статистической обработки экспериментальных  данных, теории  нечётких  множеств, экспертного оценивания, группового учёта аргументов, математического моделирования. [9]. Зайченко Ю.П. и Мурга Н.А., Украина, в статье «Применение систем на нечёткой логике к задаче медицинской диагностики», проводят исследование по возможности применения нечётких нейронных сетей для определения раковых образований в гинекологии. Производят исследование возможностей нечёткой нейронной сети Тагаки-Сугено-Канга для решения данной задачи, а так же оцениваются возможности уменьшения количества тестов, необходимых для процесса диагностирования. [10]. В 2015 году Столярчук А. С. (Тихоокеанский государственный университет, Хабаровск, Россия) в работе «Проектирование модели принятия решения на базе нечёткой логики» рассмотрел проблему проектирования модели принятия решений на базе нечёткой логики с использованием алгоритма Мамдани и средств языка Pyhton (Питон).  Целью разрабатываемой системы является создание модели автоматического дозатора для проведения химиотерапии. [11]. Применение алгоритма Мамдани находит место и в изданной «Международным журналом компьютерных приложений» (Нью-Йорк, США), в августе 2016 года, статье «Разработка поддержки принятия нечёткой логики для лечения рака молочной железы», авторами которой являются Собхи С.М и Хебр И.М.. Известно, что важное значение имеет автоматическая диагностика рака молочной железы. Эта статья направлена на описание интеллектуальной процедуры, метода и медицинской модели, которая основана на нечёткой логике. Авторы считают, что использование нейронных сетей в нечётких системах помогают изучать правила, которые принимают входные и выходные данные и кластеризовать их по группам. [12]. В Санкт-Петербургском Государственном Электротехническом университете, Ахмедом М.А. Абувда, была выполнена работа под названием «Система поддержки принятия решений врача-бактериолога клинико-диагностической лаборатории стационара». В ней использована методология системного  подхода,  математическое  моделирование,  нечёткая  логика, CASE-технология,  элементы математической  статистики, методы  экспертных  оценок, теория управления биологическими и медицинскими системами, разработана СППР. Программно-алгоритмическое  обеспечение  системы  поддержки принятия решений, позволяет  автоматизировать процесс контроля и регистрации, обеспечивает  своевременное  выявление  патологий, а также повышает эффективность принятия соответствующих действий. [13]. «Выбор нечёткой логики, как нового надежного инструмента для определения сигнатур молекулярного уровня при раке молочной железы», так называется научный труд, написанный 2015 году Кемповски-Хамон Т., Вале К., Лакруа-Трики М., Хеджази Л., Троу Л., Ламарр С., Лабордет Д., Роджер Л., Хенди Л.М.,  Даленк Ф., Филлерон Т., Фавр Ж., Франсуа Ж.М., Ле-Ланн М.В. и Леберре В.А., Париж, Франция. Целью этого исследования была разработка нового метода отбора генов, основанного на алгоритме выбора и классификации нечёткой логики, а также проверка сигнатур генов, полученных у больных с раком молочной железы. Этот метод, основанный на алгоритмах искусственного интеллекта, был успешно применён к классификации молекулярных классов рака молочной железы, позволяющей классифицировать гистологическую стадию и улучшить прогноз пациентов. [14].  По итогам, опубликованного  2016 году,  статьи Тчера Ф.  и Алхарби А. «Нечёткая реляционная модель и генетические алгоритмы раннего обнаружения и диагностики рака молочной железы в Саудовской Аравии», показали, что  нечёткий  генетический  подход  очень  эффективен в  ранней  диагностике, а также снижает высокую стоимость лечения болезни. [15]. Турецкий журнал «Электротехники и компьютерных наук» 2013 году опубликовал статью Йылмаз А.и Аян К. «Анализ риска рака с помощью нечёткой логики и состояние работоспособности модели». В исследовании были пилотно использованы 3 типа рака: молочной железы, лёгкого и толстой кишки, предложены модели нечёткой логики, путём модификации метода Мамдани. [16]. В том же журнале, авторами Келеш А. и Келеш А., в статье «Экстрагирование нечётких правил для диагностики рака молочной железы», были проведены разработки по извлечению нечётких правил для изучения диагностирования заболевания. В процессе были с использованы технологии искусственного интеллекта, так называемый инструмент нейро-нечёткой классификации «NEFClass». Исследование показало, что применение этих методов  для корректировки сложных медицинских моделей, повышает точность при постановке диагноза и оценке результатов после лечения, по сравнению с обычными статистическими анализами. [17]. В «Международном журнале компьютерной и информационной инженерии» от  2013 года, опубликована статья «Сравнение Мамдани и Сугено Нечётких Интерференционных систем для риска развития рака молочной железы», авторами которой являются Шлейг А.А., Иссаил М. Э., Триполи, Ливия. Работа излагает основную разницу между системами Мамдани и Сугено, проведя сравнительный анализ. Оба типами дали одинаковые  эксплуатационные характеристики, хотя Сугено имеет преимущество, так как может интегрироваться с нейронными сетями, генетическим алгоритмом и другими оптимизациями, что делает её эффективно-адаптированной. [18]. Целью статьи Сатото К.И., Нурхаяти О.Д., Иснанто Р.Р., Индонезия, «Распознавание образов для обнаружения термограммы рака молочной железы. Изображения, основанные на методе нечёткой логики», было нахождение наиболее точного метода для повышения эффективности грудных термограмм. Отчётливо проявляющиеся яркости, на изображении определённого сегмента тела, указывают на высокую излучаемую тепловую энергию и высокую биоактивность.  Проведённые сравнительные исследования между распознаванием образов изображений термограмм, на основе субтрактивных кластеров с изображением и без него, показали эффективность применения нечётких интерференционных систем. [19].  Более поздняя статья, 2017 года, Аташи А., Назери Н., Аббаси Э., Дорри С. и Алиджани М., Тегеран, Иран, «Оценка риска рака молочной железы с использованием адаптивной нейро-нечёткой системы вывода (ANFIS) и алгоритма субтрактивной кластеризации». В исследовании использовалась модель для обнаружения рака груди, основанная на преимуществах нейронной сети и нечётких правилах при принятии решений. В итоге было заключено, что модель  может значительно облегчить диагностическое моделирование и целесообразно применение ёё в обнаружении рака молочной железы. [20]. Использование (ANFIS) также нашло место в статье «Информационный поиск и адаптивная система нейро-нечёткого  вывода для  диагностики рака  молочной железы»  авторов  Ашраф М., Ли К., Хуанг К., Канберра, Австралия. Экспериментальный результат показал точность в 98,23% у диагностируемых больных. Авторы подчеркивают способность предлагаемого алгоритма эффективным методом в прогнозировании и обеспечении необходимого лечения. [21]. В журнале «Естественные и технические науки» от 2017 года опубликована статья Абдулаевой З.И. под названием «Информационная модель для диагностики критических заболеваний», Казань, Россия. Она описывает основные пути совершенствования процессов медицинской диагностики, с точки зрения развития информационных моделей заболеваний, на примере заболевания рака предстательной железы. В качестве опорного метода распознавания стадий заболевания выступает матричный агрегатный вычислитель (МАВ), а также рассматривается вариант перехода от классической математической статистики к нечётко-логической интерпретации данных медицинской статистики. [22]. В 2017 году, в Великобритании, Джеймс В.,  Катто Ф., Бертон Д.Л., Чен М., Кеннет М.Ф. и Фредди Ц.Х., в работе «Искусственный интеллект, в прогнозировании рака мочевого пузыря», провели сравнение нейро-нечёткого моделирования и искусственного интеллекта. Исследования показали, что использование искусственной нейронной сети, даёт высокие показатели точности в прогнозировании рака мочевого пузыря. [23]. Английские учённые Шеффилдского университета Мейсем Ф.А., Дерек А.Л. и Махфуф М., в статье «Обзор мониторинга и контроля использования нечёткой логики в медицине», дают оценку методам нечёткого контроля и анализа биомедицинских данных в ряде отраслей медицины, и тем самым доказывают эффективность применения нечёткой логики в этой науке. [24]. В Бостоне, США, 15 апреля 2017 года увидела свет книга автора Гринса Р. «Поддержка клинических решений», второе издание. Она содержит обновлённое и прагматичное представление о методологических процессах и соображениях в реализации медицинских решений, а также рассматривает передовые технологии и архитектуры, стандарты и совместные действия, необходимые для широкомасштабного принятия клинических решений. [25]. В журнале «Врач и информационные технологии» напечатана статья кандидата технических наук Гусева А.В. и доктора медицинских наук,  профессора Зарубина Т.В. под названием «Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации» от 2017 года. В ней авторы рассматривают программную реализацию справочников и алгоритмов работы с ними, их полноту, достоверность и актуальность состояния. Ещё одной важной особенностью является то, что выполнение врачебных назначений через СППВР поддерживается в медицинских информационных системах не только в  условиях стационара, но и на амбулаторно-поликлиническом этапе – при назначении лекарственной терапии и выписке рецептов. [26]. Каешко А.И. и Моргунов Е.А., в 2016 году, в  работе «Принципы построения клинической системы поддержки принятия решений, на основе технологии OSTIS», рассматривают основные цели клинических СППР и их принципиальную структуру, а также предлагают подходы к созданию клинической системы, с использованием баз знаний на основе технологии OSTIS. [27]. Сотрудники факультета инженерных технологий, Аль-Балькского Прикладного университета, Иордания, Аль-Касасбех Р.Т. и Алшамасин М., в 2015 году, выпустили статью «Биоинженерия для прогнозирования и ранней преднозологической диагностики заболеваний желудка на основе энергетических характеристик биоактивных точек с нечёткой логикой». В ней содержится информация о решении проблемы с ранней диагностикой заболевания желудка, с использованием методов построения правил нечётких решений и обработки информации, в зависимости от энергии реакции биологически-активных точек (точек акупунктуры). [28]. В 2016 году, доктором технических наук, профессором кафедры Системного анализа и управления Евразийского национального университета им. Гумилева Л.Н., Астана, Казахстан, Оразбаевым Б.Б. была проведена исследовательская работа под названием «Экспертные системы для медицинской диагностики с применением методов теории нечётких множеств». Разработанная в ней, структура и описание функциональных блоков экспертной системы показали, что применение методов теории нечётких множеств и нечётких выводов позволяют повысить надёжность и адекватность экспертных систем при проведении диагностики болезни. [29]. Использование, в создании СППР, нечёткой логики встречается, также в статье Австрийского учёного, Адраснига К.П. «Теория нечётких множеств и нечёткой логики в медицине». В работе описано, применение этих методов  для решения сложных медицинских задач. Разработанные экспертные системы и базы знаний повышают точность при постановке диагноза и в выборе оптимального лечения в режиме реального времени. [30]. «Обзор по применению нечёткой логики в медицинской диагностике», - так называется статья Индийских исследователей Прасаа В., Лакшми Н., Нифия М., Бхаратан Н., Ниита Н.П., изданная в 2013 году. В ней представлено несколько приложений по использованию нечёткой логики в поддержке принятия решений в медицине, основанных на исследовании нечёткого контроля и мониторинга медицинских технологий, а также обеспечения средствами для инкапсуляции субъективного решения в алгоритме, подходящем для компьютерной реализации. [31]. Научная группа из США, в соавторстве с сотрудником Гарвардской медицинской школы и Института изучения рака Медицинского центра Бет-Изрэйель, профессором Бек Э., сообщили, что разработанная ими  самообучающаяся компьютерная программа, способная распознавать речь и изображения. После ввода в неё сотни слайдов, на которых специалисты отмечали области рака груди и нормальных клеток, она смогла создать вычислительную модель для классификации раковых клеток и может стать существенным подспорьем для онкологов-диагностов. Свою разработку учёные представили на Международном симпозиуме по биомедицинской визуализации (International Symposium of Biomedical Imaging) в 2016 году. [32]. Также в России была создана цифровая система поддержки принятия врачебных решений при морфологической диагностике опухолей под названием «Помощник по патологии» (Pathology Assistant). Одними из её создателей были: руководитель Департамента патоморфологической лаборатории, профессор больницы специальной хирургии Нью-Йорка, США (Hospital for Special Surgery NY, USA), Клейн М.Дж. и заведующий патологоанатомическим отделением Российской Детской Клинической больницы, кандидат медицинских наук Рогожин Д.В.. Система анализирует данные пациента и составляет полный дифференциально-диагностический ряд возможных онкологических заболеваний, на основании которых ставится окончательный диагноз. Анализ проводится на основе клинических данных пациента и характеристик опухоли. Презентация разработки состоялась на проходящем, 27 мая 2016 года, XIII Европейском конгрессе цифровой патологии в Берлине, Германия, где было предложено использование искусственного интеллекта для повышения точности диагностики рака груди. [33]. Применение искусственного интеллекта предлагалось группой исследователей под руководством Феруччи Д., создавших суперкомпьютер Watson фирмы IBM. 22 ноября 2017 года, в отеле Хилтон, Баку прошёл Watson саммит по когнитивным технологиям. Компания IBM собрала разнообразные аналитические модули и построила систему, которая может справляться с огромным количеством данных, обрабатывая их с высокой скоростью. Эта система работает как с цифровой, так и с текстовой информацией на различных языках. Она понимают человеческий язык, эмоции и с ней возможно говорить. Watson в целом – это большой набор пакетов программного обеспечения, использующих самые разнообразные алгоритмы. Часть этих пакетов доступна в облаке, а часть – предназначена для местного развертывания. При обработке информации устанавливаются связи и корреляции между самыми разными данными, событиями, фактами и явлениями. Одна из главных задач системы — выявление связей, которые незаметны простому глазу и которые не могут быть выявлены обычным способом, либо сделать это сложно стандартными методами. Испытания Watson в медицине дало очень хорошие результаты. С высокой точностью были опознаны и выявлены раковые клетки. [34]. Идея использования искусственного интеллекта в диагностике рака груди и мозга по образцам тканей разработана также фирмой Google. GoogLeNet показал высокую точность в распознавании этой болезни. Но, как отметили исследователи, искусственный интеллект не может заменить врачей. Его роль может заключаться в обнаружении и выдаче точных размеров опухоли. [35]. «Искусственный интеллект оказался способен опознать симптомы рака кожи по фотографии, с такой же точностью, как специалисты-онкологи», – к такому выводу пришли в 2017 году, группа учёных из Стэндфордского университета под руководством Эстева А., в США. Они показали программе 129450 фотографий кожи с проявлениями рака с описаниями, изображенного на них типами опухоли. Хотя компьютерная программа не может дать окончательный диагноз, но испытания, детально описанные в журнале «Nature», показали высокую точность наравне со специалистами-онкологами. [36]. Группа учёных Анагноуту Т. и Ремзис М. из Греции, а также Ликуринас М. и Джаван Б. Австрии, совместно провели разработки, которые нашли своё отражение в статье «Искусственные нейронные сети для принятия решений в урологической онкологии». Она посвящена описанию методологии искусственной нейронной сети и указывает различия между искусственным интеллектом и традиционными статистическими моделями с точки зрения обслуживания пациентов. Данные получены от реальных пациентов отражают попытки добиться более точной диагностики и прогноза, при раке предстательной железы, который является хорошим примером для поддержки и принятия решений в повседневной практике. Авторы считают, что искусственный интеллект, является лёгким инструментом, который использует современные данные и имеет гибкий способ «обучения», может обеспечить лучшую поддержку принятия решений в онкологии. [37]. Разработанная, Адеронке А.К., Афолаби Б.С., Бернард И.А., Исиок Дж.У. и Оминии А., в отделе Компьютерных наук и инженерии, университета Иле-Ифе, Нигерия, «Система поддержки и принятия решений для гистопатологических диагностик заболевания молочной железы у женщин», основана на полученных экспертных знаниях. Для реализации системы было использовано 150 образцов ретроспективных случаев, был проведён анализ маммографических изображений с использованием таблиц решений для представления всех параметров и возможностей, а также было создано около 41 правило, основанных на массах и поражениях. [38]. Широкое применение получила основанная, в университете Рочестера (Нью-Йорк), профессором Папье А., СППР «VisualDx». Она представляет собой базу рецензируемых  фотографий и диаграмм состояний кожи, так как обладает крупнейшей в мире библиотекой медицинских изображений (более 100 000 изображений), а также включает в себя поиск лекарств и способов лечения. [39]. Значимым примером, также может, является система «OncoFinder», разработанная группой учёных, Буздин А., Борисов Н., Жу Ч., Жаворонков А., Москалев А., Щепинов М., Кантор Ч., при поддержке университета Летбридж, Канада, в 2015 году. Это программа анализа внутриклеточных сигнальных путей и подбора наиболее адекватных типов терапии и терапевтических препаратов при различных типах рака. Алгоритм может считывать и обрабатывать большой объём внутриклеточных сигналов, определяющие основные процессы, происходящие в клетке. Анализируя полученные данные, программа даёт характеристику активации сигнальных путей и сравнивает их с нормой. Результаты анализа позволяют выявить на молекулярном уровне причины, приведшие к образованию опухоли, и подобрать наилучший способ лечения. [40]. Привлекает внимание так же, созданная в США ещё в 2008 году, успешно используемая по сей день и постоянно обновляющаяся система   IndiGO, основанная на модели Archimedes. Она обеспечивает обработку данных клинической, физиологической природы и сведений об управлении процессом лечения и формирует индивидуализированные протоколы диагностики и лечения с учётом факторов риска, истории болезни, сведений о полученном лечении и биомаркерах. На основе информации, считываемой с электронной карты, система также может прогнозировать риск таких событий, как сердечный приступ, диабетический криз, инсульт и т.д., так как ставит пациента в центр процесса принятия решений. [41].  В своей статье Штайнер М. (США), «Решение. Рак: использование искусственных нейронов сетей в диагностике и лечении рака» от 2017 года, описывает преимущества в распознавании рака искусственными нейронными сетями, которые считает  более эффективными, чем статистические подходы, особенно для больших наборов данных. Одна из возможностей ИНС в том, что она может способствовать созданию индивидуальных планов лечения. [42]. Литвин А.А. и Литвин В.А., из Белорусского государственного университета, отмечают, особую важность обеспечения компьютерной поддержки принятия решений в области медицины, из-за растущей информационной нагрузки. СППР предлагают следующие компьютеризированные процедуры: сбор, обработка, анализ данных, математическое моделирование, разработка альтернатив и выбор оптимального метода диагностики и лечения. Наиболее эффективным, по их мнению, являются использование технологий искусственного интеллекта в сложных клинических случаях. [43]. В работе Егорова А.А. «Модели и методы принятия решений хирургом» была разработана интеллектуальная информационная система поддержки принятия решений с применением приложений и концепций объектно-ориентированного программирования, а также модуль для хранения тематических карт больных. Для уточнения результатов полученных на основе бинарной логистической регрессии и вероятностных нейронных сетей использовалась теорема Байеса. [44]. В 2010 году, заведующий кафедрой компьютерных технологий и информационной безопасности Кубанского государственного технологического университета, доктор технических наук Симанков В.С., провёл работу под названием «Системный подход к разработке медицинских систем поддержки принятия решений». На основе системного подхода, предложил многоэтапный алгоритмический процесс, создания медицинских систем поддержки принятия решений. Была построена модель разработки медицинской СППР в виде IDEFO-диаграммы, структурная модель СППР применительно к идентификации степени тяжести состояния больных, модель процесса принятия решений в виде цикла из последовательных процедур. Для создания СППР, предложил интеграцию статистических пакетов и баз данных. [45]. В проведённой, в Воронежской государственной медицинской академии, диссертационной работе Устиновой Е.Ю. под названием «Инновационные технологии в управлении качеством медицинской помощи больным  со злокачественными новообразованиями», была затронута проблема постановки правильного диагноза на ранних стадиях рака. Для решения поставленных задач, в работе, использованы СППР, приложения системного анализа, теории управления, принципы, а также основные положения теории вероятности и математической статистики. [46]. В Центре общественного здоровья «Бери», Тель-Авив, Израиль, командой исследователей Фьюкс Дж.,  Геллер Я., Инбар М., Топилский М., была разработана компьютерная система поддержки принятия клинических решений для раннего выявления рака «CaDet». Были собраны клинические и эпидемиологические данные, связанные с ранним выявлением рака и факторами риска, и включены в базу данных вместе с эвристическими правилами. Индивидуальные данные пациентов, полученные с помощью опроса, вводятся в систему, где генерируется отчёт о состоянии здоровья больного, с помощью системы подсчёта баллов, которая отражает степень риска, а также некоторые предварительные результаты клинического опыта, накопленного в его использовании. Авторы считают, что этот подход может быть полезен для улучшения оценки риска рака и скрининга в учреждениях первичной медико-санитарной помощи. [47]. В августе, 2010 года  Карамихай М., Блидару А., Северин И. и Балан Х. из Бухарестского Политехнического университета (Румыния),  в статье «Оценка риска рака молочной железы с использованием нечёткой логики», представили набор нечётких правил, с помощью которых могут быть обработаны соответствующие данные рака молочной железы. Авторы считают, что система, основанная на применении нечёткой логики в прогнозировании болезни, даёт качественный, сопоставимый с мнениями экспертов диагноз. [48]. «Система поддержки принятия решений при раке молочной железы», разработанная исследователями Салех А.А.Э., Баракат Ш.И. и Авад А.А.И., была основана на клинической практике Онкологического Центра Университета Мансура, Египет, в 2011 году. Она использует метод логического вывода Мамдани и прикладное моделирование в MATLAB R2009b, как инструмента нечёткой логики. Конструкция системы основана на функции принадлежности, входных переменных, выходных переменных и базе правил. Главной задачей ставится направление врачей на стратификацию риска рака молочной железы и сведения к минимуму индивидуальных вариаций при выборе оптимального лечения для конкретного случая. [49]. В ноябре 2012 года в журнале «Биомедицинская инженерия» была опубликована статья под названием «Нечёткий метод предварительной диагностики рака молочной железы из анализа тонкоигльного аспирата», авторами которой являются учёные из кафедры вычислительной техники и биомедицинской инженерии Федерального университета Риу-Гранди-ду-Норти, Бразилия, Цизилио Г.,  Лейте С. и Дориа-Нето А.  В ней представлен метод, оказывающий помощь в диагностике рака молочной железы на основе анализа дескрипторов, извлечённых из мазков массы груди, полученных с помощью тонкоигльного аспирата. Метод включает в себя функции нечёткой логики, совместно с  теледиагностической средой. [50]. Мухич И. в своей статье «Нечёткий анализ рака молочной железы с использованием нечётких c-средств и распознавания образов» Босния и Герцеговина от 2015 года, предложил подход к диагностике рака молочной железы, который использует алгоритм нечётких c-средств и методов распознавания образов. Это трёхшаговая модель, включающая классификацию входных данных, данные обучения и данные испытаний. Метод позволяет, клинические случаи, группировать на два кластера: один с доброкачественными, а другой со злокачественными опухолями. В распознавании образов все входные тестовые данные присваиваются одному из кластеров, полученных в процессе классификации нечётких c-средств. [51]. Методы нечёткой логики используются также в статье Сория Д., Гарибальди Дж.М., Грин А.Р., Пауэ Д.Г., Нолан С.К., Леметр С, Болл Г.Р. и Эллис И.О. «Система нечёткой классификации на основе квантификаторов для пациентов с раком молочной железы», Ноттингем, Великобритания, 2013 год. Известны семь различных клинических фенотипов (групп) с использованием иммуно-гистохимического анализа и ряда различных методов кластеризации. Цель исследования состояла в использовании нечётких методологий для создания лёгко-интерпретируемого набора правил классификации, способных поместить пациентов в одну из указанных групп. Алгоритм, на основе нечётких количественных подмножеств объединяется с процедурой назначения классов. Затем этот подход применяется к  охарактеризованному набору данных по раку молочной железы, состоящему из десяти белковых маркеров для более 1000 пациентов, чтобы уточнить, ранее идентифицированные группы и представить клиницистам лингвистический набор правил. [52]. Миранда Г.Х. и Фелипе Дж.С.  из  кафедры   вычислительной   техники    университета Сан-Паулу в Бразилии, в статье «Компьютерная диагностическая система, основанная на нечёткой логике, для категорий рака молочной железы», полагают, что нечёткая логика может уменьшить трудности, с которыми сталкиваются вычислительные системы для представления и моделирования рассуждений, принятых в процессе анализа. Применение нечёткой логики для улучшения представления функций, связанных с описанием изображения, делают его семантически более согласованным. Разработан компьютерный диагностический инструмент для автоматической классификации BI-RADS повреждений молочной железы. Пользователь предоставляет такие параметры, как контур, форма и плотность, а система даёт представление о классификации. Значения злокачественности определяются для каждого дескриптора изображения в соответствии со стандартом BI-RADS. Например, при анализе контура метод учитывает сопоставление признаков и лингвистических переменных. Затем создаётся система нечёткого вывода. Генерация функций принадлежности выполняется по алгоритму Fuzzy Omega, который основан на статистическом анализе набора данных. Применение определений и лингвистических правил к числовым моделям, может привести к более тесной связи между специалистом и компьютерной системой, что приведёт к более эффективным и надёжным результатам. [53]. Группа американских учёных под руководством Кун П. из Калифорнийского исследовательского института Скриппс в Ла-Хойе, в 2012 году разработали диагностическую систему обнаружения раковых клеток в анализе крови. Она позволяет отслеживать, предсказывать и оценивать прогрессирование болезни, в том числе и метастазирование, которая по точности диагностики сопоставима с биопсией опухоли. Система, названная HD-CTC, с помощью цифрового микроскопа и программы обработки изображений анализирует образец крови, отделяя потенциально злокачественные клетки от эритроцитов и лейкоцитов, кроме этого, обеспечивает высококачественное изображение опухолевых клеток и их агрегатов в высоком разрешении. [54]. В «Международном журнале прикладных и фундаментальных исследований», Российской Академии Естествознания, в 2015 году, была опубликована статья под названием «Формирование и применение опросника для автоматизированной системы поддержки принятия диагностических решений, превентивной медицины скрининга рака желудка», автором которой является Артёменко М.В.. Цель работы, разработка формализованного метода диагностики возможности возникновения и, или наличия онкологических заболеваний желудка при скрининге, на основе анализа результатов, ответов на вопросы, отражающих социальный статус, наличие текущих и перенесённых заболеваний, образ жизни обследуемого. Для решения поставленной задачи использовалась методология системного анализа, синтез нечётких логических правил и математического моделирования, при анализе различных рекомендаций, предложенных в доступных информационных источниках и консультациях с экспертами. [55]. Результат совместной работы специалистов кафедры компьютерных медицинских систем, Национального исследовательского ядерного университета МИФИ и специалистов кафедры урологии Московского медико-стоматологического университета России, Никитаев В.Г., Проничев А.Н., Прилепская В.А., Ковылина М.В., Пушкарь Д.Ю., был опубликован в статье «Компьютерные системы поддержки принятия решений в диагностике рака предстательной железы». Учёные разработали компьютерную систему поддержки принятия диагностических решений, основанную на экспертных знаниях и технологиях дистанционных консультаций с применением роботизированных микроскопов и виртуальных микроскопических препаратов. Постановка диагноза происходит путём серии сравнений изображения, исследуемого под микроскопом препарата, с изображениями из базы знаний, соответствующих заданному набору признаков. В ходе сравнений оценивается степень идентичности исследуемого изображения с изображениями при различных диагнозах. В конечном итоге определяется диагноз, основанный на результатах этих сравнений [56].

Заключение

В результате обзора исследований в области поддержки принятия решений в онкологии можно сделать следующие выводы. В эпоху лавинообразного возрастания объёмов информации, повышения требований к здравоохранению,  изменения характера болезней, увеличивается и требования к информационным системам. Успех и эффективность диагностики и лечения онкологических заболеваний, в большой степени зависит от оперативности принятия решений. В связи с этим, очень важным является, получение медицинской СППР максимально достоверных решений. Применение нечёткой логики позволяет повысить надежность и адекватность экспертных систем при диагностировании заболевания. Анализируя возможности работы этих  систем можно сказать, что нечёткая логика является качественным вычислительным инструментом, представляющим собой метод, делающий точным то, что является неточным, в частности, в мире медицины. Современные интеллектуальные информационные системы, способные перестраиваться и самообучаться по мере функционирования, собирают воедино  разработанные приёмы и методы, разделы распознавания образов и состояний, формирование понятий и базы знаний, идентификации и оптимизации при неполной информации.

Проведённый обзор и анализ в области применения различных методов диагностики и лечения рака современными информационными технологиями, основанными на нечёткой логике, подтверждают актуальность и значимость этих исследований, снижающих уровень смертности  и увеличивающих шансы на выздоровления больных.

Конфликт интересов Не указан. Conflict of Interest None declared.

Список литературы / References

  1. Блохин Н.Н. Клиническая онкология/ Блохин Н.Н., Петерсон Б.Б. Москва, Россия, 1979.
  2. Сидорова И.С. Миома матки. Современные проблемы этиологии, патогенеза, диагностики и лечения/ Сидорова И.С. Санкт-Петербург, Россия, 2003.
  3. Черенков В.Г. Клиническая онкология / Черенков В.Г. Москва, Россия, 2010.
  4. Черноусов Ф.А. Хирургические болезни / Черноусов Ф.А ГЭОТАР-МЕДИА, 2010.
  5. Введенский Б.А. Большая Советская Энциклопедия / Введенский Б.А. 1955.
  6. Ferlay J. GLOBOCAN 2012 v1.0, Cancer Incidence and Mortality Worldwide: IARC Cancer Base / Ferlay J., Soerjomataram I.,Ervik M. and others. Lyon, France: International Agency for Research on Cancer. 2013.
  7. Plummer M. Global burden of cancers attributable to infections in 2012: a synthetic analysis / Plummer M., de Martel C., Vignat J., and others. 2016.
  8. [Electronic resource] URL: http://ru.echo.az/?p=6696 (accessed: 06.08.2019)
  9. Бабков А.С. Интеллектуальная система поддержки принятия решений скрининг-диагностики рака желудка на основе комбинированных классификационных правил/ Бабков А.С. Курск, Россия, 2014.
  10. [Electronic resource] URL: http://it-visnyk/kpi.ua (accessed: 06.08.2019)
  11. Электронное научное издание /Ученые заметки ТОГУ/ 2015, Том 6, № 4.
  12. [Electronic resource] URL: https://www.ijcaonline.org/archives/volume147/number1/25614-2016910585. (accessed: 06.08.2019)
  13. Абдувда Ахмед М.А. Модель оценки внутрибольничной инфекции для автоматизированной системы BakLab/ Абдувда Ахмед М.А., Садыкова Е.В. Санкт-Петербург, Россия, 2016.
  14. [Electronic resource] URL: http://doi.org/10.1186/s12920-015-0077-1. BMC Medical Genomics, (accessed: 06.08.2019)
  15. [Electronic resource] URL: http://www.pmf.ni.ac.rs/filomat/. (accessed: 06.08.2019)
  16. [Electronic resource] URL: http://journals.tubitak.gov.tr/elektrik/. World Academy of Science, Engineering and Technology. (accessed: 06.08.2019)
  17. Turkish Journal of Electrical Engineering & Computer Sciences, 21:1495–1503, 2013, doi:10.3906/elk-1012-938
  18. International Journal of Computer and Information Engineering Vol:7, No:10, 2013.
  19. IJCSt Vol. 2, ISSue 3, September 2011.
  20. Multidisciplinary Cancer Investigation April 2017, Volume1, Issue2 Original Article.
  21. [Electronic resource] URL: http://ieeexplore.ieee.org/document/5711189/. (accessed: 06.08.2019)
  22. Естественные и технические науки. Абдулаева З.И.№64-1,04.2017.
  23. [Electronic resource] URL: aacrjournals.org. 2017. (accessed: 06.08.2019)
  24. [Electronic resource] URL: www.elsevier.com/locate/artmed.Artificial Intelligence in Medicine 21.2011(accessed: 06.08.2019)
  25. Greenes R. A. Clinical decision support: the road ahead / R. A. Greenes. – Boston: Elsevier.
  26. Гусев А.В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации/ Гусев А.В., Зарубин Т.В. 2017.
  27. Каешко А.И. Принципы построения клинической системы поддержки принятия решений, на основе технологии OSTIS/ Каешко А.И., Моргунов Е.А. Минск, Беларусь, 2016.
  28. Аль-Касасбех Р.Т., Алшамасин М. Биоинженерия для прогнозирования и ранней преднозологической диагностики заболеваний желудка на основе энергетических характеристик биоактивных точек с нечеткой логикой/ Аль-Касасбех Р.Т., Алшамасин М.Аль-Балькский Прикладной университет, факультет инженерных технологий Иордании 2015.
  29. [Electronic resource] URL: http://itportal.ru/science/tech/ekspertnye-sistemy-dlya-meditsinsko/.(accessed: 06.08.2019)
  30. Адраснига К.П. Теория нечётких множеств и нечёткой логики в медицине/ Адраснига К.П. Отдел медицинских компьютерных наук, сектор по медицинским экспертным системам, Вена, Австрия.
  31. International Journal of Scientific & Engineering Research, Volume 4, Issue 4, April-2013, ISSN 2229-5518.
  32. [Electronic resource] URL: https://news.rambler.ru/science/33963405-iskusstvennyy-intellekt-diagnostiruet-rak-grudi-s-tochnostyu-92/.(accessed: 06.08.2019)
  33. [Electronic resource] URL: http://iihr.ru/i-news/iskusstvennyij-intellekt-povyisit-tochnost-diagnostiki-raka/.(accessed: 06.08.2019)
  34. [Electronic resource] URL: https://infocity.az/2017/10/22-watson-summit-2017/.(accessed: 06.08.2019)
  35. [Electronic resource] URL: http://korallest.ru/news/google-razrabotal-iskusstvennyij-intellekt-dlya-diagnostiki-raka.html.
  36. [Electronic resource] URL: http://www.nature.com/nature/journal/vaop/ncurrent/full/nature21056/html/.(accessed: 06.08.2019)
  37. Анагноуту Т. Искусственные нейронные сети для принятия решений в урологической онкологии/ Анагноуту Т., Ремзис М., Ликуринас М., 2016.
  38. Адеронке А. Система поддержки и принятия решений для гистопатологических диагностика заболеваний молочной железы у женщин/ Адеронке А. Кайоде, Бабаджид С. Афолаби, Бернард И. Ахигбе Абуджа, Нигерия, 2011.
  39. [Electronic resource] URL: https://itunes.apple.com/us/app/visualdx/id348177521?mt=8(accessed: 06.08.2019)
  40. [Electronic resource] URL: http://www.ras.ru/digest/showdnews.aspx?id=4f5658c3-f16e-4546-9b79-сf2ead 18423. (accessed: 06.08.2019)
  41. [Electronic resource] URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3994847/.(accessed: 06.08.2019)
  42. [Electronic resource] URL: https://creativecommons.org/licenses/by/4.0/.(accessed: 06.08.2019)
  43. Литвин А.А. Системы поддержки принятия решений в хирургии/ Литвин А.А., Литвин В.А. Минск, Беларусь. 2018.
  44. Егоров А.А. Модели и методы принятия решений хирургом/ Егоров А.А. Сургут, Россия, 2011.
  45. Симанков В.С. Системный подход к разработке медицинских систем поддержки принятия решений / Симанков В.С. Кубань, Россия, 2010.
  46. Устинова Е.Ю. Инновационные технологии в управлении качеством медицинской помощи больным со злокачественными новообразованиями/ Устинова Е.Ю. Воронеж, Россия, 2010.
  47. [Electronic resource] URL: https://www.ncbi.nlm.nih.gov/pubmed/9892994. (accessed: 06.08.2019)
  48. Карамихай М. Оценка риска рака молочной железы с использованием нечёткой логики / Карамихай М., Блидару А., Северин И. материалы международной конференции по прикладной информатике, Бухарест, Румыния, 2010.
  49. Салех А.А.Э. Нечёткие системы поддержки принятия решений на  примере  рака  молочной  железы/ Салех А.А.Э.,  Баракат Ш.И.,  Авад А.А.И., Мансура, Египет, 2011.
  50. Цизилио Г. Нечёткий метод предварительной диагностики рака молочной железы из анализа тонкоигльного аспирата/ Цизилио Г., Лейте С., Дориа-Нето А. Риу-Гранди-ду-Норти, Бразилия, 2012.
  51. Мухич И. Нечёткий анализ рака молочной железы с использованием нечётких c-средств и распознавания образов/ Мухич И. Босния и Герцеговина, 2015.
  52. Сория Д. Система нечёткой классификации на основе квантификаторов для пациентов с раком молочной железы/ Сория Д., Гарибальди Дж.М., Грин А.Р., и др. Ноттингем, Великобритания, 2013.
  53. Миранда Г.Х. Компьютерная диагностическая система, основанная на нечёткой  логике для категорий рака молочной железы/ Миранда Г.Х., Фелипе Дж.С. Сан-Паулу, Бразилия, 2015.
  54. Scripps research scientists demonstrate effective new 'biopsy in a blood test' to detect cancer - EurekAlert!, 02.02.2012.
  55. [Electronic resource] URL: https://applied-research.ru/ru/article/view?id=7703. (accessed: 06.08.2019)
  56. [Electronic resource] URL: https://ecuro.ru/article/kompyuternye-sistemy-podderzhki-prinyatiya-reshenii-v-diagnostike-raka-predstatelnoi-zhelezy. (accessed: 06.08.2019)

Список литературы на английском языке / References in English

  1. Blokhin N.N. / Klinicheskaya onkologiya [Clinical Oncology] / Blokhin N.N., Peterson B.B. Moscow, Russia, 1979. [in Russian]
  2. Sidorova I.S. Mioma matki. Sovremennyye problemy etiologii, patogeneza, diagnostiki i lecheniya [Uterine fibroids. Modern problems of etiology, pathogenesis, diagnosis and treatment / Sidorova I.S. St. Petersburg, Russia, 2003. [in Russian]
  3. Cherenkov V.G. Klinicheskaya onkologiya [Clinical Oncology] / Cherenkov V.G. Moscow, Russia, 2010. [in Russian]
  4. Chernousov F.A. Hirurgicheskie bolezni [Surgical diseases] / Chernousov F.A. GEOTAR-MEDIA, 2010. [in Russian]
  5. Vvedensky B.A. Bol'shaya Sovetskaya Enciklopediya [Great Soviet Encyclopedia] / Vvedensky B.A. 1955. [in Russian]
  6. Ferlay J.GLOBOCAN 2012 v1.0, Cancer Incidence and Mortality Worldwide: IARC Cancer Base / Ferlay J., Soerjomataram I.,Ervik M., and others. Lyon, France: International Agency for Research on Cancer. 2013.
  7. Plummer M. Global burden of cancers attributable to infections in 2012: a synthetic analysis / Plummer M., de Martel C., Vignat J. and others. 2016.
  8. [Electronic resource] URL: http://ru.echo.az/?P=6696 (accessed: 06.08.2019)
  9. Babkov A.S. Intellektual'naya sistema podderzhki prinyatiya resheniy skrining-diagnostiki raka zheludka na osnove kombinirovannykh klassifikatsionnykh pravil [Intelligent decision support system for the screening diagnosis of gastric cancer based on combined classification rules] / Babkov A.S. Kursk, Russia, 2014. [in Russian]
  10. [Electronic resource] URL: http://it-visnyk/kpi.ua (accessed: 06.08.2019)
  11. Electronic scientific publication / Uchenyye zametki TOGU [Scientific notes of the Pacific National University] / 2015, Volume 6, No. 4. [in Russian]
  12. [Electronic resource] URL: https://www.ijcaonline.org/archives/volume147/number1/25614-2016910585 (accessed: 06.08.2019)
  13. Abduvda Ahmed M.A. Model' otsenki vnutribol'nichnoy infektsii dlya avtomatizirovannoy sistemy BakLab [Model for Evaluating Nosocomial Infection for BakLab Automated System] / Abduvda Ahmed M.A., Sadykova E.V. St. Petersburg, Russia, 2016. [in Russian]
  14. [Electronic resource] URL: http://doi.org/10.1186/s12920-015-0077-1. BMC Medical Genomics, 2015. (accessed: 06.08.2019)
  15. [Electronic resource] URL: http://www.pmf.ni.ac.rs/filomat (accessed: 06.08.2019)
  16. [Electronic resource] URL: http://journals.tubitak.gov.tr/elektrik/ World Academy of Science, Engineering and Technology. (accessed: 06.08.2019)
  17. Turkish Journal of Electrical Engineering & Computer Sciences, 21:1495–1503, 2013, doi:10.3906/elk-1012-938
  18. International Journal of Computer and Information Engineering Vol: 7, No: 10, 2013.
  19. IJCSt Vol. 2, ISSue 3, September 2011.
  20. Multidisciplinary Cancer Investigation April 2017, Volume1, Issue2 Original Article.
  21. [Electronic resource] URL: http://ieeexplore.ieee.org/document/5711189 (accessed: 06.08.2019)
  22. Yestestvennyye i tekhnicheskiye nauki. Abdulayeva Z.I [Natural and technical sciences. Abdulaeva Z.I.] No. 64-1, 04/20/2017. [In Russian]
  23. [Electronic resource] URL: Clincancerres.aacrjournals.org. 2017. (accessed: 06.08.2019)
  24. [Electronic resource] URL: http://www.elsevier.com/locate/artmed Artificial Intelligence in Medicine 2011.21 (accessed: 06.08.2019)
  25. Greenes R. A. Clinical decision support: the road ahead / R. A. Greenes. – Boston: Elsevier.
  26. Gusev A.V. Podderzhka prinyatiya vrachebnykh resheniy v meditsinskikh informatsionnykh sistemakh meditsinskoy organizatsii [Support for Adoption of Medical Decisions in Medical Information Systems of Medical Organization] / Gusev A.V., Zarubin T.V. 2017. [in Russian]
  27. Kaeshko A.I. / Printsipy postroyeniya klinicheskoy sistemy podderzhki prinyatiya resheniy, na osnove tekhnologii OSTIS [Principles of Building Clinical Decision Support System Based on OSTIS Technology]/ Kaeshko A.I., Morgunov E.A. Minsk, Belarus, 2016. [In Russian]
  28. Al-Kasasbeh R.T. Bioinzheneriya dlya prognozirovaniya i ranney prednozologicheskoy diagnostiki zabolevaniy zheludka na osnove energeticheskikh kharakteristik bioaktivnykh tochek s nechetkoy logikoy [Bioengineering for Predicting and Early Prednological Diagnosis of Stomach Diseases Based on Energy Characteristics of Bioactive Points with Fuzzy Logic] / Al-Kasasbeh R.T., Alshamasin M. //Al-Balki Applied University, Faculty of Engineering Technology, Jordan, 2015. [in Russian]
  29. [Electronic resource] URL: http://itportal.ru/science/tech/ekspertnye-sistemy-dlya-meditsinsko (accessed: 06.08.2019)
  30. Adrasniga K.P. Teoriya nechotkikh mnozhestv i nechotkoy logiki v meditsine [Theory of Fuzzy Sets and Fuzzy Logic in Medicine] / Adrasniga K.P. // Department of Medical Computer Science, Medical Expert Systems Sector, Vienna, Austria. [in Russian]
  31. International Journal of Scientific & Engineering Research, Volume 4, Issue 4, April-2013, ISSN 2229-5518.
  32. [Electronic resource] URL: https://news.rambler.ru/science/33963405-iskusstvennyy-intellekt-diagnostiruet-rak-grudi-s-tochnostyu-92 (accessed: 06.08.2019)
  33. [Electronic resource] URL: http://iihr.ru/i-news/iskusstvennyij-intellekt-povyisit-tochnost-diagnostiki-raka (accessed: 06.08.2019)
  34. [Electronic resource] URL: https://infocity.az/2017/10/22-watson-summit-2017 (accessed: 06.08.2019)
  35. [Electronic resource] URL: http://korallest.ru/news/google-razrabotal-iskusstvennyij-intellekt-dlya-diagnostiki-raka.html (accessed: 06.08.2019)
  36. [Electronic resource] URL: http://www.nature.com/nature/journal/vaop/ncurrent/full/nature21056/html (accessed: 06.08.2019)
  37. Anagnautu T. Iskusstvennyye neyronnyye seti dlya prinyatiya resheniy v urologicheskoy onkologii [Artificial neural networks for decision-making in urological oncology] / Anagnautu T., Remzis M., Likurinas M. and others 2016. [in Russian]
  38. Aderonke A. Kayode. Sistema podderzhki i prinyatiya resheniy dlya gistopatologicheskikh diagnostika zabolevaniy molochnoy zhelezy u zhenshchin [Support and decision-making system for histopathological diagnosis of breast diseases in women] / Aderonke A. Kayode, Babajid S. Afolabi, Bernard I. Ahigbe and others. Abuja, Nigeria, 2011. [in Russian]
  39. [Electronic resource] URL: https://itunes.apple.com/us/app/visualdx/id348177521?mt=8 (accessed: 06.08.2019)
  40. [Electronic resource] URL: http://www.ras.ru/digest/showdnews.aspx?id=4f5658c3-f16e-4546-9b79-cf2ead18423 (accessed: 06.08.2019)
  41. [Electronic resource] URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3994847 (accessed: 06.08.2019)
  42. [Electronic resource] URL: https://creativecommons.org/licenses/by/4.0 (accessed: 06.08.2019)
  43. Litvin A.A. Sistemy podderzhki prinyatiya resheniy v khirurgii [Decision Support Systems in Surgery] / Litvin A.A., Litvin V.A. Minsk, Belarus. 2018. [in Russian]
  44. Egorov A.A. Modeli i metody prinyatiya resheniy khirurgom [Models and decision-making methods by a surgeon] / Egorov A.A. Surgut, Russia, 2011. [in Russian]
  45. Simankov V.S. Sistemnyy podkhod k razrabotke meditsinskikh sistem podderzhki prinyatiya resheniy [Systematic approach to the development of medical decision support systems] / Simankov V.S. Kuban, Russia, 2010. [in Russian]
  46. Ustinova E.Yu. Innovatsionnyye tekhnologii v upravlenii kachestvom meditsinskoy pomoshchi bol'nym so zlokachestvennymi novoobrazovaniyami [Innovative Technologies in Managing Quality of Medical Care for Patients with Malignant Neoplasms] / Ustinova E.Yu. Voronezh, Russia, 2010. [in Russian]
  47. [Electronic resource] URL: https://www.ncbi.nlm.nih.gov/pubmed/9892994
  48. Karamihai M. Otsenka riska raka molochnoy zhelezy s ispol'zovaniyem nechotkoy logiki [Risk assessment of breast cancer using fuzzy logic] / Karamihai M., Blidaru A., Severin I. // Materialy mezhdunarodnoy konferentsii po prikladnoy informatike [Proceedings of the International Conference on Applied Informatics], Bucharest, Romania, 2010. [in Russian]
  49. Salekh A.A.E. Nechotkiye sistemy podderzhki prinyatiya resheniy na primere raka molochnoy zhelezy [Fuzzy decision support systems for breast cancer] / Salekh A.A.E., Barakat Sh.I., Avad A.A.I., Mansour, Egypt, 2011. [in Russian]
  50. Cisilio G. Nechotkiy metod predvaritel'noy diagnostiki raka molochnoy zhelezy iz analiza tonkoigl'nogo aspirata [Fuzzy method for preliminary diagnosis of breast cancer from the analysis of fine-needle aspirate] / Cisilio G., Leite S., Doria-Neto A. Rio Grande do Norte, Brazil, 2012. [in Russian]
  51. Mukhich I. Nechotkiy analiz raka molochnoy zhelezy s ispol'zovaniyem nechotkikh c-sredstv i raspoznavaniya obrazov [Fuzzy analysis of breast cancer using fuzzy c-means and pattern recognition] / Mukhich I. Bosnia and Herzegovina, 2015. [in Russian]
  52. Soria D. Sistema nechotkoy klassifikatsii na osnove kvantifikatorov dlya patsiyentov s rakom molochnoy zhelezy [Fuzzy classification system based on quantifiers for patients with breast cancer] / Soria D., Garibaldi J.M., Green A.R. and others, Nottingham, UK, 2013. [in Russian]
  53. Miranda G.Kh. Komp'yuternaya diagnosticheskaya sistema, osnovannaya na nechotkoy logike dlya kategoriy raka molochnoy zhelezy [Computer diagnostic system based on fuzzy logic for categories of breast cancer] / Miranda G.Kh., Felipe J.S. São Paulo, Brazil, 2015. [in Russian]
  54. Scripps research scientists demonstrate effective new 'biopsy in a blood test' to detect cancer - EurekAlert !, 02.02.2012.
  55. [Electronic resource] URL: https://applied-research.ru/ru/article/view?id=7703 (accessed: 06.08.2019)
  56. [Electronic resource] URL: https://ecuro.ru/article/kompyuternye-sistemy-podderzhki-prinyatiya-reshenii-v-diagnostike-raka-predstatelnoi-zhelezy (accessed: 06.08.2019)