Modele sztucznych sieci neuronowych do oceny testów wysiłkowych stosowanych w diagnostyce choroby wieńcowej

Lewenstein, K.

Artykuł - szczegóły

Tytuł artykułu

Modele sztucznych sieci neuronowych do oceny testów wysiłkowych stosowanych w diagnostyce choroby wieńcowej

Autorzy

Lewenstein K.

Identyfikatory

Warianty tytułu

Języki publikacji

Abstrakty

W pracy zaprezentowano wyniki wieloletnich badań autora nad zastosowaniem sieci neuronowych do wspomagania diagnostyki choroby wieńcowej serca na podstawie wyników elektrokardiograficznej próby wysiłkowej. Praca składa się z siedmiu rozdziałów. Rozdział pierwszy to wstęp, a dwa kolejne zawierają przegląd literatury dotyczącej medycznej strony problemu - elektrokardiograficznych testów wysiłkowych oraz komputerowego wspomagania diagnostyki choroby wieńcowej, ze szczególnym uwzględnieniem zastosowań sieci neuronowych. Cel podjęcia badań, a w ich następstwie cel napisania niniejszej monografii oraz tezę sformułowano w rozdziale czwartym. Rozdział piąty zawierający wyniki oceny testów wysiłkowych z zastosowaniem różnych modeli sieci neuronowych jest zasadniczą częścią pracy. Przedstawiono w nim najważniejsze rezultaty pracy badań autora nad sieciami typu perceptronowego, sieciami automatycznie konstruowanymi, w tym siecią Fahlmana, siecią Grossberga trenowaną bez nadzoru, sieciami RBF - o radialnych funkcjach bazowych. W każdym z wymienionych przypadków dokonywano optymalizacji sieci, mając na celu zbudowanie narzędzia umożliwiającego uzyskanie najtrafniejszej diagnozy. Aby porównać wyniki uzyskane z zastosowaniem modeli neuronowych z rezultatami innych metod, w rozdziale szóstym zamieszczono wyniki badań "klasycznych" klasyfikatorów minimalno-odległościowych. Podsumowanie, zawierające dokonaną przez autora całościową ocenę pracy, przedstawiono w ostatnim, siódmym rozdziale. W wyniku badań zbudowano systemy potrafiące wskazywać obecność choroby wieńcowej na poziomie lepszym od statystycznie podawanej w literaturze średniej trafności diagnozowania lekarza specjalisty. Ponadto zbadano możliwości, jakie daje zastosowanie różnych modeli sieci neuronowych, co było uzasadnione tym, że wskazania literaturowe były zdecydowanie niewystarczające. Niezależnie od wymienionego powyżej celu pracy, postawiono tezę, że w wynikach elektrokardiograficznej próby wysiłkowej znajduje się ukryta informacja pozwlająca na wskazanie konkretnego zwężonego naczynia. Aby to zbadać, postanowiono rozszerzyć zakres stawianej przez sieć diagnozy na dokonanie pełnej oceny pacjenta, czyli właśnie wskazanie konkretnych zwężonych naczyń. Tak szczegółowej diagnozy nie stawiaja lekarze, a niektórzy nawet negują możliwość jej postawienia. Tymczasem w wyniku badań problem wydobycia i wykorzystania odpowiedniej informacji okazał się do pokonania dla systemów komputerowego wspomagania diagnostyki. Najlepsze systemy zbudowane na podstawie sieci RBF i na podstawie stosowanych dla porównania klasyfikatorów minimalno-odległościowych identyfikowały zwężone naczynia z bardzo wysoką, bo sięgającą ponad 95% trafnością.

The results of the author's research on the application of artificial neural networks computer aided diagnosis of coronary artery disease (CAD) based on ECG exercise tests are shown in the present work. This work consists of seven chapters. The first is an introduction; the two following are a review of the available literature on the medical side of the problem - coronary artery disease and its diagnosis including ECG exercise tests, and computer aided diagnosis of coronary artery disease, especially with the application of neural network models. The aim of the research and the thesis are defined in chapter four. Chapter five, the fundamental chapter of the work, includes the most important results of the research on perceptron NN, automatically constructed NN (with the best Fahlman's NN), unsupervised Grossberg`s ART NN and Radial Basis Function NN models. In all cases the goal of the research was the creation of a system with the optimum diagnosis correctness. For the comparison of the above results in chapter six the classical classifiers k-nn have been checked. Chapters five and six conclude with a summary including conclusions. Final conclusions are collected in chapter seven, the final chapter. As a result of mis research diagnostic systems built on different kinds of NN models are proposed. All of them give better correctness of diagnosis of CAD than the "statistical" medical consultant and similar systems from literature. Additionally the work proves the thesis that in ECG exercise test data there is information about the particular narrowings in the coronary artery vessels. Some cardiologists over that there is no such information in the results of an ECG exercise test for such a diagnosis, and they therefore not perform it. The diagnostic systems presented in the work did do so, and the correctness of the identification of the stenosed coronary vessel for the best RBF NN system was better than 95%.

Słowa kluczowe

sieci neuronowe diagnostyka test wysiłkowy inżynieria biomedyczna

bioengineering

Wydawca

Oficyna Wydawnicza Politechniki Warszawskiej

Czasopismo

Prace Naukowe Politechniki Warszawskiej. Elektronika

Rocznik

2002

Tom

z. 140

Strony

3--158

Opis fizyczny

Bibliogr. 237 poz., wykr., tab., schem.

Twórcy

autor

Lewenstein K.

Instytut Inżynierii Precyzyjnej i Biomedycznej, Politechnika Warszawska

Bibliografia

1. Abouantoun S. et al.: Can areas of myocardial ischemia be localized by exercise electrocardiogram? A correlative with thallium 201 scintigraphy. Am. Heart J., 1984, 108, s. 933-941.
2. Abu-Mustafa Y.: The Vapnik-Chervonenkis Dimension: Information versus Complexity in learning. Neural Computation, 1989, 1, s. 312-317.
3. Adamczak R., duch W.: Model FSM w zastosowaniu do klasyfikacji. Biocyb. I Inż. Biomed. T. 6. Sieci neuronowe. Warszawa 2000, s. 801-823.
4. Adres 1 http://www.cns.ed.ac.uk/people/mark/rgf.tar.z
5. Akay M.: Noninvasive diagnosis of coronary artery disease using neural network algorithm. Biol. Cyber., 1992, 67:4, s. 361-7.
6. Akay M., Welkowitz W.: Acoustical detection of coronary occlusions using neural networks. J. Biomed. Eng., 1993, Nov. 15:6, s. 469-73.
7. Allen W.H. et al.: five year follow up of maximal treadmill stress test in asymptomatic men and women, Circulation, 1980, 62, s. 522-531.
8. Amon K.W., Richards K.L., Crawford M.H.: Usefulness of the postexercise of systolic blood pressure in the diagnosis of coronary artery disease. Circulation, 1984, 70, s. 951-956.
9. Aronov W.S., Cassidy J.: five year follow-up of double Master’s test, maximal treadmill stress test, and resting andpostexercise apexapexcardiogram in asymptomatic persons. Circulation, 1975, 52, s. 616-622.
10. Aronov W.S.: Diagnostic and prognostic value of exercise electrocardiography for coronary artery disease. Compr. Ther., 1989, 11, s. 20-26.
11. Atwood J.E. et al.: Can computerization of the exercise test replace the cardiologist? Am. Heart J. Sep., 1998, 136:3, s. 543-552.
12. Atwood J.E. et al.: Exercise and the heart: exercise testing inpatients with aortic stenosis. Chest, 1988, 93, s. 1083-1087.
13. Azuale f., Dubitzky W., Lopes P., Black N., Adamson K., Wu X., While J.A.: Predicting coronary disease risk based on short-term RR interval measurements: a neural network approach. Artif. Intell. Med., 1999, March 15:3, s. 275-97.
14. Battler A., Froelicher V., Pfisterer M.: Relationship of QRS amplitude changes during exercise to left ventricular function and volumes and the diagnosis of coronary disease. Circulation, 1979, 60, s. 1004-1013.
15. Baxt W.G.: Use of an artificial neutral network for the diagnosis of myocardial infarction. Annals of Internal Medicine, 1991, 115, s. 843-848.
16. Baxt W.G.: Use of an artificial neutral network for data analysis in clinical decision making: the diagnosis of coronary occlusion. Neural Computation, 1990, 2, s. 480-489.
17. Blackburn H.: The exercise electrocardiogram: differences in interpretation. Am. J. Cardiol., 1968, 31, s. 871-880.
18. Blumenthal D.S. et al.: The predictive value of a strongly positive stress test in patient with minimal symptoms. Am. J. Med., 1981, 70, s. 1005-1010.
19. Bobrowski L.: Analiza wielowymiarowych danych biomedycznych wywodząca się z dyskryminacji symetrycznej. Problemy biocybernetyki i Inż. Biomedycznej, T. 6. Informatyka medyczna. Warszawa 1990, s. 149-159.
20. Breiman L.: Heuristics of instability and stabilization model selection. Annals of Statistics, 1996, 24, s. 2350-2383.
21. Brody D.A.: A theoretical analysis of intracavitary blood mass influence on the heart-lead relationship. Circ. Res., 1956, 54, s. 731-738.
22. Brodziak A.: Systemy ekspertowe w diagnostyce. Problemy biocybernetyki i Inż. Biomedycznej, T. 6. Informatyka medyczna. Warszawa 1990, s. 209-227.
23. Broomhead S., Lowe D.: Multivariable functional interpolation and adaptive networks. Complex Systems, 1988, 2, s. 321-323.
24. Bruce R.A., Fisher L.D., Hossak K.F.: Validation of exercise-enhanced risk assessment of coronary heart events: longitudinal changes in incidence in Seattle community practice. J. Am. Coll. Cardiol., 1985, 5, s. 875-881.
25. Bruce R.A.: Exercise testing of patients with coronary heart disease. Ann. Clin. Res., 1971, 3, s. 323-330.
26. Bubnicki Z.: Wstęp do systemów ekspertowych. Warszawa 1990.
27. Cantor A. et al.: QRS prolongation measured by a new computerized method: a sensitive marker for detecting exercise-induced ischemia. Cardiology, 1997, 88:5, s. 446-452.
28. Carpenter G., Grossberg S.: The ART adaptive pattern recognition by a self-organizing neural network. Computer, March 1988, s. 77-88.
29. Casella G. et al.: ST segment depression during recovery after treadmill exercise test instable patients with previous myocardial infarction. J. Ital. Cardiol., 12 Dec. 1996, s. 1401-1413.
30. Cerrito P.B. et al.: Neural network pattern recognition analysis of graft flow characteristics improves intra-operative anastomotic error detection in minimally invasive CABG. Eur. J. Cardiothorac. Surg., Jul. 1999, 16:1, s. 88-93.
31. Charniak E., McDermott D.: Introduction to artificial intelligence. New York 1987.
32. Chassin M.R. et al.: How coronary angiography is used: clinical determinants of appropriateness. JAMA 258, 1987, s. 2543-2547.
33. Chwiałkowska E.: Sztuczna inteligencja w systemach ekspertowych. Warszawa 1991.
34. Cover T.: Geometrical and statistical properties of systems of linear inequalities with applications in pattern recognition. IEEE Trans. Electronic Computers, 1965, 14, s. 326-334.
35. Cybenko G.: continuous valued neural networks with two hidden layers are sufficient. Tech. report, Dept. of Computer Science, Tufts University, Medford, MA, 1988.
36. Dassen W., Grogels A., Mulleneers R., Karhaus V., Eis H.V., Talom J.: Development of ECG criteria to diagnose the number of narrowed coronary arteries in rest angina using new self-learning techniques. J. Electrocardiol., 1994, 27, Suppl., s. 156-160.
37. Dąbrowski M.: Koronografia. Co lekarz powinien wiedzieć o chorobie niedokrwiennej serca? Warszawa 1993, s. 67-85.
38. Detrano R. et al.: Algorithm to predict triple-vessel/left main coronary artery disease in patients without myocardial infraction: an international cross-validation. Circulation, 1991, 83, Suppl., s. 89-96.
39. Detrano R. et al.: Bayesian analysis vs discriminant function analysis: their relative utility in the diagnosis of coronary disease. Circulation, 1986, 73, s. 970-977.
40. Detrano R.: Exercise induced ST segment depression in the diagnosis in the diagnosis of multivessel coronary disease: a metaanalysis. J. Am. Cardiol., 1989, 14, s. 1501-1508.
41. Detrano R. et al.: Computer assisted versus unassisted analysis of the exercise electrocardiogram in patients without myocardial infarction. J. of Am. Coll. Of Cardiol., 1987, 10:4, s. 794-799.
42. Dorffner G., Porenta G.: On using feedforward neural networks for clinical diagnosis tasks. Artif. Intell. Med., Oct., 1994, 6:5, s. 417-435.
43. Doroszewski J.: Znaczenie informatyki dla medycyny – stan aktualny i możliwa przyszłość. Mat. Konf. „Człowiek a komputer – medycyna”, Warszawa 13-15.11.1995, s. 51-55.
44. Doroszewski J., Czogoła E., Bobrowski L., Michalewicz M., Kurzyński M.: Komputerowe wspomaganie diagnostyki medycznej. Problemy Biocybernetyki i Inż. Biomedycznej, Warszawa, T. 6. Informatyka Medyczna, 1990, s. 94-191.
45. Downs J., Harrison R.F., Kennedy R.L., Cross S.S.: Application of the fuzzy ARTMAP neural network model to medical pattern classification tasks. Artf. Intell. Med., Aug. 1996, 8:4, s. 403-428.
46. Duran B., Odell P.: Cluster analysis. Berlin 1974.
47. Edenbrandt L., Devine B., Macfarlanr P.W.: Classification of electrocardiographic ST-T segments – human expert vs artificial neural network. Eur. Heart J., Apr. 1993, 14:4, s. 464-468.
48. Edenbrandt L., Devine B., Macfarlanr P.W.: Neural networks for classification of ECG ST-T segments. J. Electrocardiol., Jul. 1992, 26:3, s. 167-73.
49. Efron B., Tibshirani R.: An introduction to bootstrap. London 1993.
50. Ellestad M.: Stress testing: principle and practice. 3rd ed., Philadelphia 1986.
51. Engelbeck A., Cloete I., Żurada J.: Determining the significance of input parameters using sensitivity analysis. From Natural to Artificial Nural Computations. Malaga, 1995, s. 382-388.
52. Fahlman S.E., Lebiere C.: The cascade-correlation learning architecture. Advances in NIPS2, Touretzky, 1990, s. 524-532.
53. Fleischmann K.E. et al.: Exercise echocardiography or SPECT imaging? A metaanalysis of diagnostic test performance. JAMA, Sep. 1998, 280:10, s. 913-920.
54. Frean M.: The upstart algorithm. A method for constructing and training feedforward neural networks. Neural Computation, 1990, 2, s. 198-209.
55. Froelicher V.: Podręcznik testów wysiłkowych. Warszawa 1999.
56. Froelicher V. et al.: Value of exercise testing for screening, asymptomatic men for latent coronary artery disease. Progr. Cardiovasc. Dis., 1976, 18, s. 265-276.
57. Fuchs R.M. et al.: Electrocardiographic localization of coronary artery narrowings: studies during myocardial ischemia and infarction in patients with one-vessel disease. Circulation, 1982, 66, s. 1168-1175.
58. Fujita H., Katafuchi T., Uehara T., Nishimura T.: Application of artificial neural network to computer-aided diagnosis of coronary artery disease in myocardial SPECT bull’s-eye images. J. Nucl. Med., Feb. 1992, 33:2, s. 272-276.
59. Geman S., Bienestock E., Doursat R.: Neural networks and the bias/variance dilemma. Neural Computation, 1992, 4:1, s. 1-58.
60. Gianrossi R. et al.: Exercise induced ST depression in the diagnosis of coronary artery disease: a metaanalysis. Criculation, 1989, 80, s. 87-98.
61.Gibbons L.: The safety of maximal exercise testing. Circulation, 1989, 80, s. 846-852.
62. Gill P., Murray W., Wright M.: Practical optimization. New York 1981.
63. Golub G.H., Heath M., Wahba G.: Generalised cross-validation as a method or choosing a good ridge parameter. Technometrics, 1979, 21:2, s. 215-223.
64. Gordon D.L. et al.: Predictive value of exercise tolerance test for mortality in North American men: the Lipid Research Clinics Mortality Follow-Up Study. Circulation, 1986, 74, s. 252-261.
65. Goutte C.: Note on free lunches and cross-validation. Neural Computation, 1997, 9, s. 1211-1215.
66. Górecka B., Kulikowski J., Rużyłło W. i in.: Absolute flow evaluation by computer analysis of conventional cineangiograms in patients with X-syndrome. Computers in Cardiology, Durham N.C. USA, Oct. 1992.
67. Grossberg S.: Competitive learning: from Interactive activation to adaptive resonance. Cognitive Science, 1987, 11, s. 23-63.
68. Guttman R.A., Bruce R.: Delay of ST depression after maximal exercise by walking for two minutes. Circulation, 1970, 42, s. 229-236.
69. Guyatt R. et al.: “Readers” guide for articles evaluating diagnostic test: what ACP Journal Club does for you and what you must do yourself. ACP J. Club, 1991, 115, s. 16.
70. Hałas H., Kurek J.: Feed-forward and Recurrent Neural Networks for Phoneme Classification. KICSC/IFAC Symp. Neural Comp. NC’98, Vienna 1998, s. 1036-1039.
71. Hammond K., Froelicher V.F.: Normal and abnormal heart rate response to exercise. Progress Cardiovasc. Dis., 1985, 27, s. 271-296.
72. Han D.N., Kurek J.: Neural network band-pass filter design with phase and amplitude displacement. 2nd Inter. ICSC Symp. Neural Comp. NC’2000, Berlin 2000, s. 914-918.
73. Hartz A., Gammaitoni C., Young M.: Quantitative analysis of the exercise tolerance test for determining the severity of coronary artery disease. Int. J. Cardiol., 1989, 24, s. 63-71.
74. Hassibi B., Stork D.: Second order derivaties for network pruning: Optimal Brain Surgeon. Advances in NIPS5, San Mateo 1993, s. 164-171.
75. Heden B. et al.: Artificila naural networks for the electrocardiographic diagnosis of healed myocardial infarction. Am. J. Cardiol., Jul. 1994, 74:1, s. 5-8.
76. Heden B., Ohlson M., Rittner R., Pahlm O., Haisty W.K. jr., Peterson C., Edenbrandt L.: Agreement between artificial neural network and experienced electrographer on electrocardiographic diagnosis of healed myocardial infraction. J. Am. Coll. Cardiol., Oct. 1996, 28:4, s. 1012-1016.
77. Hermansen L., Saltin B.: Oxygen uptake during maximal treadmill and bicycle exercise. J. Appl. Physiol., 1969, 26, s. 31-37.
78. Hertz J., Krogh A., Palmer R.: Wstęp do teorii obliczeń neuronowych. Warszawa 1995.
79. Hjorth J.: Computer intensive statistical methods: validation, model selection and boots-trap. London 1994.
80. Horn R., Johnson C.: Matrix analysis. Cambridge 1985.
81. Hubbard B.L. et al.: Identification of severe coronary artery disease using simple clinical parameters. Arch. Inter. Med., 1992, 152:2, s. 309-312.
82. Huikuri H.V.: Heart rate variability in coronary artery disease. J. Intern. Med., Apr. 1995, 237:4, s. 349-357.
83. Hush D., Horne B.: Progress in supervised neural networks. IEEE Signal Proc. Mag., 1993, s. 8-39.
84. Irving J.B., Bruce R.A.: Exertional hypotension and postexertional ventricular fibrillation in stress testing. Am. J. Cardiol., 1977, 39:6, s. 849-851.
85. Ismael M.B., Eisenstein E.L., Hammond W.E.: A comparison of neural network models for the prediction of the cost of care for acute coronary syndrome patients. Proc. AmIM Symp., 1996, s. 533-537.
86. Itchaporia D. et al.: Artificial neural networks: current status in cardiovascular medicine. J. Am. Cardiol., Aug. 1996, 28:2, s. 515-521.
87. Jacobs R.: Increased rates of convergence though learning rate adaptation. Neural Networks, 1988, 1, s. 295-307.
88. Jain R., Mazumdar J., Moran W.: Application of fuzzy-classifier system to coronary artery disease and breast cancer. Australas Phys. Eng. Sci. Med., Sep. 1998, 21:3, s. 414-147.
89. James G., Hastie T.: Generalizations of the bias/variance prediction error. Dept. of Statistics, Stanford Univ. Technical Report, 1997, s. 1-13.
90. Janecki J., Dziuba D.: Zastosowanie komputerów do wspomagania diagnostyki laboratoryjnej. Problemy Biocybernetyki i Inż. Biomedycznej, T. 6 – Informatyka medyczna, Warszawa 1990, s. 180-219.
91. Janecki J.: Znaczenie optymalizacji doboru cech w wielowymiarowych systemach diagnostycznych. Prace IBIB, Warszawa 1996.
92. Jasiński P.J.: Data systems in cardiological departments; an overview of the literature. Med. Inform., 1985, 10, 3, s. 267-275.
93. Jasiński P.J.: Specjalistyczne bazy danych. Bazy danych o pacjentach w kardiologii. Problemy Biocybernetyki i Inż. Biomedycznej, T. 6 – Informatyka medyczna, Warszawa 1990, s. 25-31.
94. Jóźwik A.: Pattern recognition method based on k-nearest neighbours rules. J. on Communications, 1994, 45.
94. Jóźwik A., Janecki J., Demczuk M.: A new type of two stage NN classifier and NN classifiers nets. Application to cardio-cilculatory events prediction. Proc. of VIII Int. Conf. IMEKO Dubrovnik, 1998, s. 11.9-11.12.
96. Jóźwik A., Serpico S., Roli F.: A paralel network of modified 1-NN and k-NN classifiers, application to remote sensing image classification. Pattern Recognition Letters, 1994, 19.
97. Jóźwik A.: Równoległa sieć klasyfikatorów rozmytych typu 1-najbliższy sąsiad. Mat. V Konf. „Sieci i systemy inform.”, Łódź 1997.
98. Kaihara S.: Is decision system a practical aid to physician or a developmental tool for researchers. Medical decision making: diagnostic strategies and expert systems. Amsterdam 1985.
99. Karnegis J.N. et al.: Comparison of exercise – positive with recovery – positive treadmill graded exercise test. Am. J. Cardiol., 1987, 60, s. 544-547.
100. Karin E.: A simple procedure for pruning back-propagation trained neural networks. IEEE Trans. Neural Networks, 1990, 1, s. 239-242.
101. Kearns M.: A bound of the error of cross-validation using the approximation and estimation rates, with consequences for the training-test split. Neural Computation, 1997, 9, s. 1143-1161.
102. Kleiner J.P., Nelson W.P., Boland M.J.: The 12-lead electrocardiogram in exercise testing. Arch. Intern. Med., 1978, 138, s. 1572-1573.
103. Klimauskas G.: Neural Ware – Users Manual. Neural Ware Inc., Natick USA 1992.
104. Kohonen T.: Self-Organization and Associative Memory. Berlin 1989.
105. Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i zastosowania. Warszawa 1994.
106. Kowalski H., Skorupski A.: Wielokanałowa rejestracja sygnałów EKG. Mat. VIII Krajowej Konf. Metrologii, t. 2, 1995, s. 243-249.
107. Królicki L.: Medycyna nuklearna w diagnostyce choroby niedokrwiennej serca. Co lekarz powinien wiedzieć o chorobie niedokrwiennej serca? Warszawa 1993, s. 61-67.
108. Krzyżak A., Rafajłowicz E.: Aproksymacja funkcji przy pomocy jednokierunkowych sieci neuronowych. Biocyb. I Inż. Biomed. T. 6, Sieci Neuronowe, Warszawa 2000, s. 372-388.
109. Kudenchuk P. et al.: Accuracy of computer interpreted electrocardiography in selecting patients for thrombolytic therapy. J. Am. Coll. Of Cardiol., 1991, 17:7, s. 1486-1491.
110. Kurek J.E.: Calculation of Robot Manipulator Model in the Form of Recurrent Neural Net. Elektrotechnik und Informationstechnik, 1999, 116, s. 354-359.
111. Kurek J.E.: comparison of neural models for robot manipulator. 2nd Intern. ICSC Symp. Neural Comp. NC’2000, Berlin 2000, s. 560-564.
112. Kurzyński M.: Złożone metody rozpoznawania. Problemy Biocybernetyki i Inż. Biomedycznej, T. 6 – Informatyka medyczna, Warszawa 1990, s. 159-180.
113. Lachterman B. et al.: Does incidence of “recovery only” ST segment depression affect the predictive accuracy of exercise test? Ann. Intern. Med., 1980, 112, s. 11-16.
114. Lapuerta P., Azen S.P., LaBree L.: Use of neural networks in predicting the risk of coronary artery disease. Comput. Biomed. Res., Feb. 1995, 28:1, s. 38-52.
115. Le Cun Y. et al.: Backpropagation applied to handwritten zip code recognition. Neural Computation, 1989, 1, s. 541-551.
116. Le Cun Y., Dender J., Solla S.: Optimal Brain Damage. Advances in NIPS II, San Mareo 1990, s. 598-605.
117. Lee T.H., Cook E.F., Goldman L.: Prospective evaluation of a clinical and exercise-test model for the prediction of left main coronary artery disease. Med. Decis. Making, 1986, 6, s. 136-144.
118. Levken J. et al.: Influence of left ventricular dimensions on endocardial and epicardial QRS amplitude and ST segment elevations during acute myocardial ischemia. Circulation, 1980, 61, s. 679-689.
119. Lewenstein K.: Artificial medical data generation for the neural network coronary artery disease diagnosing system. Biocyb. And biomed. Eng., 2000, 20, 2, s. 17-30.
120. Lewenstein K.: Diagnosing of expanse and location of myocardial infraction with neural network. World Congress on Med. Phys. And Biomed. Eng., Nice, Sep., 1997.
121. Lewenstein K.: Porównanie właściwości diagnostycznych sieci neuronowych automatycznie konstruowanych i jednokierunkowych o eksperymentalnie dobranych optymalnych architektach. Symulacja w badaniach i rozwoju, Warszawa 1998, s. 245-251.
122. Lewenstein K.: The Radial Basis Function Nural Network Approach for the Diagnosis of Coronary artery Disease Based on the Standard ECG Exercise Test. Med. Biol. Eng. & Comp., 2001, 39.3, s. 362-368.
123. Lewenstein K.: Zastosowanie sieci neuronowych do diagnozowania choroby wieńcowej serca. Sprawozdanie z grantu KBN, Warszawa 1995.
124. Lewenstein K.: The adaptation of feedforward neural network to diagnose expanse and location of myocardial infraction. 4-th European Conf. on Eng. And Medicine, Warsaw, May 1997, s. 25-28.
125. Lewenstein K., Chojnacki M.: Badania wpływu architektury sieci na trafność diagnozy w systemie diagnozującym chorobę wieńcową serca. Mat. VIII Kraj. Konf. Metrologii, t. 2, 1995, s. 47-53.
126. Lewenstein K., Chojnacki M.: Ocena liczności zbioru treningowego dla sieci neuronowej wspomagającej diagnozę choroby wieńcowej serca. PAK, 1996, 6, s. 145-149.
127. Lewenstein K., Chojnacki M.: The possibility of applying of the simulated neural network for coronary disease diagnosis. Pol. J. of Med. Phys., 1995, 1, s. 25-34.
128. Lewenstein K., Chojnacki M.: Zastosowanie sieci neuronowych w diagnostyce kardiologicznej. Mat. Symp. Nauk. Mechatronika 92, 1992, s. 92-94.
129. Lewenstein K., Chojnacki M., Doleżych M., Stępień G.: Wykorzystanie 3-warstwowej sieci neuronowej do wspomagania diagnozowania choroby wieńcowej serca. II Kraj. Konf. Mechatronika, 1994, s. 156-160.
130. Lewenstein K., Chojnacki M., Stefko K.: Badanie zależności pomiędzy zdolnością generalizacji sieci neuronowej a stanem nauczenia i licznością zbioru treningowego na przykładzie sieci wspomagających diagnostykę kardiologiczną. Symulacja w badaniach i rozwoju, Warszawa 1996, s. 366-374.
131. Lewenstein K., Chojnacki M., Stefko K.: Wykorzystanie sieci neuronowych, uczonych z użyciem sztucznych baz danych, do wspomagania diagnostyki niektórych chorób serca. Symulacja w badaniach i rozwoju, Warszawa 1996, s. 354-366.
132. Lewenstein K., Czerwiec M.: The adaptation of feedforward neural network to diagnose expanse and location of myocardial infraction. 4th Europ. Conf. on Eng. And Medicine, Warsaw 1997, s. 55-56.
133. Lewenstein K., Czerwiec M.: Wykorzystanie jednokierunkowej sieci neuronowej do diagnozowania rozległości i umiejscowienia zawałów serca. III Konf. Mechatronika, 1997, s. 327-333.
134. Lewenstein K., Czerwińska D.: prediction of twenty four hour insuline doses and glycaemia profiles in a neural network based system. Pol. J. of Med. Phys. And Eng., 1999, 5:1, s. 21-33.
135. Lewenstein K., Czerwińska D.: Predykcja dobowych profili glikemii i dawek insuliny w systemie z siecią neuronową BP. Symulacja w badaniach i rozwoju. Warszawa 1999, s. 217-224.
136. Lewenstein K., Lubowiecki M.: Wybór metody i prognozowanie wyników leczenia nadciśnienia naczyniowo-nerkowego za pomocą sztucznej sieci neuronowej. XI Zjazd PTFM, 1999, s. 62-63.
137. Lewenstein K., Urbaniak K.: Application of ART neural network for coronary artery disease disease diagnosing. Mat. Konf. VIII IMEKO, Dubrownik 1998, s. 3.114-3.117.
138. Lindahl D., Lanke J., Lundin A., Palmer J., Edenbrandt L.: Improved classification of myocardial bull’s-eye scintigrams with computer-based decision support system. J. Nucl. Med., Jan. 1999, 40:1, s. 96-101.
139. Lindahl D., Palmer J., Petterson J., White T., Lundin A., Edenbrandt L.: Scintigraphic diagnosis of coronary artery disease: myocardial bull’s-eye image contain the important information. Clin. Physiol., Nov. 1998, 18:6, s. 554-561.
140. Lippmannn R.P., Shahian D.M.: Coronary artery bypass risk prediction using neural networks. Ann. Thorac. Surg., Jun. 1997, 63:6, s. 1635-1643.
141. Mamcarz A.: Testy wysiłkowe w rozpoznaniu choroby niedokrwiennej serca. Co lekarz powinien wiedzieć o chorobie niedokrwiennej serca? Warszawa 1993, s. 21-31.
142. Manca C. et al.: Multivariate analysis of exercise ST depression and coronary risk factors in asymptomatic men. Euro. Heart J., 1982, 3, s. 2-8.
143. Marchand M., Golea M., Rujan P.: A convergence theorem for sequential in two layer perceptions. Europhysiscs Letters, 1990, 11, s. 487-492.
144. Marciniak A., Korbicz J.: Neuronowe sieci modularne. Biocyb. i Inż. Biomed., T. 6, Sieci Neuronowe, Warszawa 2000, s. 135-179.
145. Marciniak A., Korbicz J., Kuś J.: Wstępne przetwarzanie danych. Biocyb. i Inż. Biomed., T. 6, Sieci Neuronowe, Warszawa 2000, s. 29-70.
146. Mark D.B. et al.: Localizing coronary artery obstructions with the exercise treadmill test. Ann. Intern. Med., 1981, 106, s. 53-55.
147. Marzec J., Pawłowski Z., Zaremba K.: Sieci neuronowe w przetwarzaniu sygnałów 12-odprowadzeniowego EKG. Mat. I Kraj. Konf. „Sieci neuronowe i ich zastosowania”, Kule, 1994, s. 347-353.
148. Masters T.: Sieci neuronowe w praktyce. Programowanie w języku C++. Warszawa 1996.
149. Masters T.: Advanced algorithms for neural networks: a C++ sourcebook. New York 1995.
150. Materiały serwisowe firm Heillige, Marquette.
151. Materkowski M.: Badanie równoległej sieci klasyfikatorów dwudecyzyjnych w zastosowaniu do oceny próby wysiłkowej. Praca dypl. Wydz. Mechatroniki PW, Warszawa 1999.
152. McKirnan D. et al.: Treadmill performance and cardial function in selected patients with coronary disease. J. Am. Coll. Cardiol., 1984, 3, s. 253-261.
153. McAuliffe J.D.: Data Compression of the exercise ECG using a Kohonen neural network. J. Electrocardiol., 1993, 26, Suppl., s. 80-89.
154. McCulloh W.S., Pitts W.H.: A logical calculus of ideas immanent in nervous activity. Bull. Math. Biophysics, 1943, 5, s. 115-119.
155. McNeer J.F. et al.: The role of the exercise test in the evaluation of patients for ischemic heart disease. Circulation, 1978, 57, s. 64-70.
156. Mezard M., Nadal J.: Learning in forward layered networks – tiling algorithm. J. of. Physics A, 1989, 22, s. 2191-2204.
157. Miller A.: Subset selection in regression. London 1990.
158. Mobley B.A., Leasure R., Davidson I.: Artificial neural network predictions of lengths of stay on a post-coronary care unit. Heart Lung, May 1995, 24:3, s. 251-256.
159. Moody D., Darken J.: Fast learning in networks of locally tuned processing units. Neural Computation, 1989, 1, s. 281-294.
160. Moody J., Hanson S., Lippman R.: The effective number of parameters; An analysis of generalization and regularization in nonlinear systems. Advances in NIP Systems, 1992, 4, s. 847-854.
161. MRFIRG – Exercise electrocardiogram and coronary heart disease mortality in the Multiple Risk Factor Intervention Trial. Am. J. Cardiol., 1985, 55, s. 16-24.
162. Mulawka J.J.: Systemy ekspertowe. Warszawa 1996.
163. Myers J. et al.: Spatial R wave amplitude during exercise: relation with left ventricular ischemia and function. J. Am. Coll. Cardiol., 1985, 6, s. 603-608.
164. Nyssen E.: Evaluation of pattern classifiers – testing the significance of classification efficiency using an exact probability technique. Pattern Recognition Letters, 1996, 17, s. 1125-1129.
165. Obuchowicz A.: Optymalizacja architektury sieci neuronowych. Biocyb. i Inż. Biomed., T. 6, Sieci Neuronowe, Warszawa 2000, s. 323-367.
166. Ochno-Machado L., Musen M.A.: Sequential Versus standard neural networks for pattern recognition: an example using the domain of coronary Heart disease. Comput. Boil. Med., Jul. 1997, 27:4, s. 267-281.
167. Oja E.: Simpilified neuron model as a principal component analyzer. J. Math. Biol., 1982, 15, s. 267-273.
168. Orr M.: Introduction to Radial Basis Function Networks. Centre for Cognitive Science, Univ. of Edinburgh, Technical Notes, Apr. 1996.
169. Orr M.J.: Regularisation in the selection of radial basis function centres. Neur. Comp., 1995, 7:3, s. 606-623.
170. Ososwski S.: Sieci neuronowe w ujęciu algorytmicznym. Warszawa 1996.
171. Ososwski S.: Sieci neuronowe. Warszawa 1994.
172. Ososwski S., Siwek K.: Study of generalization ability of neural networks. III Konf. “Neur. Net. And Appl.”, Kule, 1997, s. 677-682.
173. Pałko T. et al.: automatyczna analiza rytmu serca. Mat. Konferencji „Człowiek a komputer – medycyna”, Warszawa 1995, s. 63-73.
174. Park J., Sandberg I.: Universal approximation using radial-basis-function networks. Neural Computation, 1991, 3, s. 246-257.
175. Pawlowski Z. i in.: Sztuczne sieci neuronowe do kompresji sygnału w elektrokardiografii Holtera. Mat. I Krajowej Konf. „Sieci Neuronowe i ich Zastosowania”, Kule, 1994, s. 401-407.
176. Pedersen S.M., Jorgensen J.S., Pedersen J.B.: Use of neural networks to diagnose acute myocardial infraction. A clinical application. Clin. Chem., Apr. 1996, 42:4, s. 613-617.
177. Peters R.M.: Fuzzy cluster analysis of positive stress test: comparison with stress echocardiography and nuclear perfusion imaging in patients with triple vessel and left main coronary disease. Cardiology, 1999, 91:1, s. 66-68.
178. Philbrick J.T., Horwitz R.I., Feinstein A.R.: Methodologic problems of exercise testing for coronary artery disease: groups, analysis and bias. Am. J. Cardiol., 1980, 46, s. 807-816.
179. Piatkowski A. et al.: System ekspertowy do wysokorozdzielczej elektrokardiografii. Mat. Konf. „Człowiek a komputer – medycyna”, Warszawa 1995, s. 73-83.
180. Pietkieiwcz W.: Echokardiografia obciążeniowa. Co lekarz powinien wiedzieć o chorobie niedokrwiennej serca? Warszawa 1993, s. 51-61.
181. Porenta G., Dorffner G., Kundrat S., Petta P., Duit-Schedimayer J., Sochor H.: Automated interpretation of planar Thalium-201-dipryridamole stress-redistribution scintigrams using artificial neural networks. J. Nucl. Med., Dec., 1994, 35:12, s. 2041-2047.
182. Pryor D.B. et al.: Estimating of likelihood of severe coronary artery disease. Am. J. Med., 1991, 90, s. 553-562.
183. Ribisl P.M. et al.: Angiographic patters and severe coronary artery disease. Arch. Intern. Med., 1992, 152, s. 1618-1624.
184. Rich M.W. et al.: Exercise induced hypotension as a manifestation of right ventricular ischemia. Am. Heart J., 1988, 115, s. 184-184.
185. Robert A.R., Melin J.A., Detry J.M.: Logistic discriminant analysis improves diagnostic accuracy of exercise testing for coronary artery disease in women. Circulation, 1991, 83:4, s. 1202-1209.
186. Rumelhart D.E., Hinton G.E., Williams R.J.: Learning representations by back propagation errors. Nature, 1986, 323, s. 533-556.
187. Ruszkowski J.: Systemy ekspertowe w ginekologii i położnictwie. Problemy Biocybernetyki i Inż. Biomedycznej, T. 6. Informatyka medyczna, Warszawa 1990, s. 239-253.
188. Rutkowska D.: Inteligentne systemy obliczeniowe i sztuczna inteligencja. Biocyb. i Inż. Biomed., T. 6, Sieci Neuronowe, Warszawa 2000, s. 765-783.
189. Sanger T.: Optimal unsupervised learning in siegle layer linear feedforward neural network. Neural Networks, 1989, 2, s. 459-473.
190. Savage M.P. et al.: Usefulness of ST segment depression as a sing of coronary artery disease when confined to post exercise recovery period. Am. J. Cardiol., 1987, 60, s. 1405-1406.
191. Selker H.P., Grifith J.L., Patil S., Long W.J., D’Agostino R.B.: A comparison of performance of mathematical predictive methods for medical diagnosis: identifying acute cardiac ischemia among emergency department patients. J. Investing. Med., Oct. 1995, 43:5, s. 468-476.
192. Shao J.: Linear model selection by cross-validation. J. of Am. Statistical Assoc., 1996, 88, s. 486-494.
193. Shinmura K. et al.: Clinical significance and mechanism of ST-segment changes during the post-exercise recovery period in male patients with coronary artery disease. J. Cardiol., May 1996, 27:5, s. 231-239.
194. Shiran A. et al.: Accuracy of exercise-induced left axis QRS deviation as a specific marker of left anterior descending (LAD) coronary artery disease. Cardiology, 1998.89:4, s. 297-302.
195. Shiran A. et al.: Exercise testing in patients with chest pain and normal coronary arteries: improving test specificity by use of a simple logistic model. Cardiology, 1997, 88:5, s. 453-459.
196. Silva F., Almeida L.: Speeding up backpropagation. Advanced Neural Computing, New York 1998, s. 151-158.
197. silver D.L., Hurwitz G.A.: The predictive and explanatory power of inductive decision tress: a comparison with artificial neural network learning as applied to the noninvasive diagnosis of coronary artery disease. J. Investing. Med., Feb. 1997, 46:2, s. 99-108.
198. Simoons M., Witagen A.: Nuc. Cardiology 17, 1978, s. 154-156.
199. Skubalska-Rafajłowicz E.: Samoorganizujące sieci neuronowe. Biocyb. i Inż. Biomed., T. 6, Sieci Neuronowe, Warszawa 2000, s. 179-216.
200. Smith J.H., Graham J., Taylor R.J.: The application of an artificial neural network to Doopler ultrasound waveforms for the classification of arterial disease. Int. J. Clin. Monit. Comput., May 1996, 13:2, s. 85-91.
201. Sokol R.J. et al.: Computerized perinatal decision support: A prototype “Peripheral Brain”. J. of Perinatal Medicine, 1987, 15, suppl. 1.
202. Sullivan M. et al.: The reproducibility of hemodynamic, electrocardiographic and gas exachange data during treadmill exercise in patients with stable angina pectoris. Chest, 1984, 86, s. 375-382.
203. Sunemark M., Edenbrandt L., Holst H., Sornmo L.: Serial VCG/ECG analysis using neural networks. Comp. biomed. Research, Feb. 1998, s. 59-69.
204. Sztandera L.M., Goodenay L.S., Cios K.J.: A neuro-fuzzy algorithm for diagnosis of coronary artery stenosis. Comput. Biol. Med., 1996, March 26:2, s. 97-111.
205. Świąć A., Bilski J.: Metoda wstecznej propagacji błędów i jej modyfikacje. Biocyb. i Inż. Biomed., T. 6, Sieci Neuronowe, Warszawa 2000, s. 73-110.
206. Tadeusiewicz R.: Sieci neuronowe. Warszawa 1993.
207. Tadeusiewicz R.: Problemy biocybernetyki. Warszawa 1991.
208. Tadeusiewicz R.: Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Warszawa 1998.
209. Tadeusiewicz R.: Wstęp do informatyki. Kraków 1997.
210. Tadeusiewicz R.: Wstęp do sieci neuronowych. Biocyb. i Inż. Biomed., T. 6, Sieci Neuronowe, Warszawa 2000, s. 3-29.
211. Tadeusiewicz R., Lula P.: Neuronowe metody analizy szeregów czasowych i możliwości ich zastosowania w zagadnieniach biomedycznych. Biocyb. i Inż. Biomed., T. 6, Sieci Neuronowe, Warszawa 2000, s. 521-569.
212. Tadeusiewicz R., Wszołek W., Izworski A.: Sieci neuronowe jako narzędzie do symulacji przetwarzania informacji akustycznej systemu słuchowego. X Konf. Biocyb. i Inż. Biomed., Warszawa 1997, s. 414-424.
213. Taylor C.B. et al.: Exercise testing to enhance wives’ confidence in their husband’ cardiac capability soon after clinically uncomplicated acute myocardial infraction. Am. J. Cardiol., 1985, 55, s. 635-638.
214. Thimm G., Fiesler E.: Neural network initialization. From natural to artificial neural computation. Malaga 1995, s. 533-542.
215. Tibshirani R.: A comparison of some error estimates for neural network models. Neural Computation, 1996, 8, s. 152-163.
216. Tichonow A., Arsenin V.: solutions of ill-posed problems. Winston 1977.
217. Tilkemeier P.L. et al.: The role of noninvasive testing in evaluating patients for coronary artery disease. Current Opinion in Cardiology, 1996, 11, s. 409-417.
218. Travin M.I., Johnson L.L: Assessment of coronary disease in women. Current Opinion in Cardiology, 1997, 12, s. 587-594.
219. Tu J.V. et al.: Predicting mortality after coronary artery bypass surgery: what do artificial neural networks learn? The steering committee of the cardiac care network of Ontario. Med. Decis. Making. Apr.-Jun. 1998, 18:2, s. 229-235.
220. Vapnik V.: Principle of risk minimization for learning theory. NIPS4, San Mateo 1992, s. 831-838.
221. Vapnik V., Chervonenkis A.: On the uniform convergence of relative frequencies of events to their probabilities. Theory of Probability and its Applications, 1971, 16, s. 264-280.
222. Wang J.Z. et al.: Modeling sound generation in stenosed coronary arteries. IEEE Trans. Biomed. Eng., Nov. 1990, 37:11, s. 1087-1094.
223. Waniewski E.: Stan informatyki medycznej w kraju I na świecie. Problemy biocybernetyki i Inżynierii Biomedycznej, T. 6. Informatyka Medyczna. Warszawa 1990, s. 1-21.
224. Weiner D.A. et al.: Decrease in systolic blood pressure exercise testing: reproducibility, response to coronary bypass surgery and prognostic significance. Am. J. Cardiol., 1982, 49, s. 1627-1637.
225. Weiner D.A., McCabe C.H., Ryan T.J.: Identification of patients with leftmain and three vessel coronary artey disease with clinical and exercise test variables. Am. J. Cardiol., 1981, 46, s. 21-27.
226. Weiss S., Kulikowski C.: Computer systems that learn. New York 1991.
227. Weymaere N., Martens J.: On the initialization and optimization of multilayer perceptron. IEEE Trans. Neural Network, 1994, 5, s. 738-751.
228. Wickers J.R. et al.: Comparison of the electrocardiographic changes induced by maximum exercise testing with treadmill and cycle ergometer. Circulation, 1978, 57, s. 1066-1069.
229. Wolthuis R.A. et al.: Normal electrocardiographic waveform characteristics during treadmill exercise testing. Circulation, 1979, 60, s. 1028-1035.
230. Wprost, nr 28 z dnia 9.07.1995, wywiad z prof. L. Ceremurzyńskim.
231. Wright I.A., Gough N.A.: Artificial neural network analysis of common femoral artery Doppler shift signals: classification of proximal disease. Ultrasound Med. Biol., 1998, 25:4.
232. Wright I.A., Gough N.A. et al.: Neural network analysis of doppler ultrasound blood flow signals: a pilot study. Ultrasound Med. Biol., 1997, 23:5, s. 683-690.
233. Xu L., Krzyżak A., Yuille A.: On radial basis function nets and kernel regression: statistical consistency, convergence rates and receptive filed size. Neural Networks, 1994, 7:4, s. 609-628.
234. Yang T.F., Devine B., Macfarlane P.W.: Use of artificial neural networks within deterministic logic for the ECG diagnosis of inferior myocardial infraction. J. Electrocardiol., 1994, 27 Suppl., s. 188-193.
235. Yen-Bin Liu et al.: Comparison of S-T segment/Heart Rate Slope with Exercise Thalium Imaging and Conventional S-T Segment Criteria in detecting coronary Artery Disease: Effect of Exercise levelon Accuracy, Diagnostic Cardiology. Cardiology, 1998, 89:3, ss. 229-234.
236. Zhu H., Rohwer R.: No free lunch for cross validation. Neural Computation, 1996, 8, s. 1421-1426.
237. Żurada J., Malinowski A., Cloete I.: Sensitivity analysis for minimization of input data dimension for feedforward neural network. IEEE Symp. CAS, London 1994.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-PWA2-0034-0008