ПЕРСПЕКТИВИ ВИКОРИСТАННЯ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ У РОЗРІЗІ СУДОВОЇ МЕДИЦИНИ (ОГЛЯД ЛІТЕРАТУРИ)

Автор(и)

  • Igor Valerievich Gunas Вінницький національний медичний університет ім. М.І. Пирогова, академік Міжнародної академії інтегративної антропології (МАІА), виконавчий директор Міжнародної академії інтегративної антропології, м. Вінниця, Ukraine
  • Viktor Teodosovych Bachynskyi Вищий державний навчальний заклад України «Буковинський державний медичний університет», начальник КМУ «Обласне бюро судово-медичної експертизи» департаменту охорони здоров’я Чернівецької ОДА, м. Чернівці, Ukraine
  • Oksana Hryhorivna Popadynets Івано-Франківський національний медичний університет, м. Івано-Франківськ, Ukraine
  • Elvira Oleksandrivna Kindrativ Івано-Франківський національний медичний університет, м. Івано-Франківськ, Ukraine
  • Ruslan Vasyliovych Kozoviy Івано-Франківський національний медичний університет, м. Івано-Франківськ, Ukraine

DOI:

https://doi.org/10.24061/2707-8728.1.2020.2

Ключові слова:

штучні нейронні мережі, штучний інтелект, судова медицина, ідентифікація особи

Анотація

Відомо, що судово-медичним експертам у своїй роботі доводиться опрацьовувати та давати оцінку великій кількості інформації, що може належати до різних типів даних – протоколи огляду місця події, фотоматеріали, макроскопічні дані, отримані в ході розтину трупа, результати лабораторних досліджень, записи в медичних документах тощо. Усі отримані дані слід вивчити, систематизувати за категоріями й оцінити згідно з міжнародними стандартами.

Мета роботи. Аналіз можливостей та обмежень застосування штучних нейронних мереж у судово-медичній практиці.

Висновки. Сучасні комп’ютерні технології штучного інтелекту (штучні нейронні мережі) можуть допомогти в опрацюванні судово-медичних даних, що зі свого боку зведе до мінімуму ймовірність виникнення помилок при складанні експертних висновків. Алгоритми, що використовуються в штучних нейронних мережах, у результаті опрацювання різних видів вхідних даних можуть спрямовувати їх до результуючих категоризованих виходів і структурувати. Структура штучних нейронних мереж дозволяє використовувати їх при проведенні судово-медичної ідентифікації невідомої особи, у такий спосіб виключаючи помилки, що можуть бути здійснені фахівцем, відповідно підвищуючи результативність таких експертиз.

Посилання

Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-8. doi: 10.1038/nature21056

Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402-10.

Darcy AM, Louie AK, Roberts LW. Machine Learning and the Profession of Medicine.JAMA. 2016;315(6):551-2. doi: 10.1001/jama.2015.18421

Dheeba J, Singh NA, Selvi ST. Computer-aided detection of breast cancer on mammograms: a swarm intelligence optimized wavelet neural network approach. J Biomed Infor. 2014;49:45-52. doi: 10.1016/j.jbi.2014.01.010

Murdoch TB, Detsky AS. The inevitable application of big data to health care.JAMA. 2013;309(13):1351-2. doi: 10.1001/jama.2013.393

Patel JL, Goyal RK. Applications of artificial neural networks in medical science. Curr Clin Pharmacol. 2007;2(3):217-26. doi:10.2174/157488407781668811

Amato F, López-Rodríguez A, Peña-Méndez EM, Vaňhara P, Hampl A, Havel J. Artificial neural networks in medical diagnosis. Journal of Applied Biomedicine. 2013;11(2):47-58. doi: 10.2478/v10136-012-0031-x

Johnson KW, Torres Soto J, Glicksberg BS, et al. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018;71(23):2668-79. doi:10.1016/j.jacc.2018.03.521

Bewes J, Low A, Morphett A, Pate FD, Henneberg M. Artificial intelligence for sex determination of skeletal remains: Application of a deep learning artificial neural network to human skulls. J Forensic Leg Med. 2019;62:40-3. doi:10.1016/j.jflm.2019.01.004

Lefèvre T. Big data in forensic science and medicine. J Forensic Leg Med. 2018;57:1-6. doi: 10.1016/j.jflm.2017.08.001

DeLisi M. The big data potential of epidemiological studies for criminology and forensics. J Forensic Leg Med. 2018;57:24-7. doi:10.1016/j.jflm.2016.09.004

Rojas R. Neural networks: A Systematic Introduction. Springer; 1996. 512 p.

Haykin S. Neural networks and learning machines. 3rd ed. New York: Prentice Hall; 2009. 937 p.

Specht DF. Probabilistic neural networks. Neural Networks. 1990;3(1):109-18. doi: 10.1016/0893-6080(90)90049-Q

Karlik B, Olgac AV. Performance analysis of various activation functions in generalized MLP architectures of neural networks. International Journal of Artificial Intelligence and Expert Systems. 2011;1(4):111-22.

Dagli CH. Artificial Neural Networks for Intelligent Manufacturing. Dordrecht: Springer Netherlands; 1994. 485 p.

Taylor D, Harrison A, Powers D. An artificial neural network system to identify alleles in reference electropherograms.Forensic Sci Int Genet. 2017;30:114-26. doi: 10.1016/j.fsigen.2017.07.002

Taylor D, Powers D. Teaching artificial intelligence to read electropherograms. Forensic Sci Int Genet. 2016;25:10-8. doi: 10.1016/j.fsigen.2016.07.013

Vidaki A, Ballard D, Aliferi A, Miller TH, Barron LP, Syndercombe Court D. DNA methylation-based forensic age prediction using artificial neural networks and next generation sequencing. Forensic Sci Int Genet. 2017;28:225-36.doi: 10.1016/j.fsigen.2017.02.009

Banno A. Estimation of bullet striation similarity using neural networks. J Forensic Sci. 2004;49(3):500-4. doi: 10.1520/JFS2002361

Boulle A, Chandramohan D, Weller P. A case study of using artificial neural networks for classifying cause of death from verbal autopsy. Int J Epidemiol. 2001;30(3):515-20. doi: 10.1093/ije/30.3.515

Tetko IV, Villa AE, Aksenova TI, Zielinski WL, Brower J, Collantes ER, et al. Application of a Pruning Algorithm To Optimize Artificial Neural Networks for Pharmaceutical Fingerprinting. J Chem Inf Comput Sci. 1998;38(4):660-8. doi: 10.1021/ci970439j

Park WJ, Park J-B. History and application of artificial neural networks in dentistry. Eur J Dent. 2018;12(4):594-601. doi: 10.4103/ejd.ejd_325_18

du Jardin Ph, Ponsaillé J, Alunni-Perret V, Quatrehomme G.A comparison between neural network and other metric methods to determine sex from the upper femur in a modern French population. Forensic Sci Int. 2009;192(1-3):127.e1-6. doi: 10.1016/j.forsciint.2009.07.014

Nagaty KA. Fingerprints classification using artificial neural networks: a combined structural and statistical approach. Neural Networks. 2001;14(9):1293-305. doi: 10.1016/s0893-6080(01)00086-7

Basturk A, Basturk NS, Qurbanov O. Fingerprint recognition by deep neural networks and fingercodes. 26th Signal Processing and Communications Applications Conference (SIU).IEEE; 2018.doi: 10.1109/SIU.2018.8404577

Arada GP, Dadios EP. Partial fingerprint identification through checkerboard sampling method using ANN. TENCON 2012 IEEE Region 10 Conference; IEEE; 2012. p. 1-6.doi: 10.1109/TENCON.2012.6412170

Abdullah SF, Rahman AFNA, Abas ZA, Saad WHM. Multilayer perceptron neural network in classifying gender using fingerprint global level features. Indian Journal of Science and Technology. 2016;9(9):1-6. doi: 10.17485/ijst/2016/v9i9/84889

Abdullah SF, Rahman AFNA, Abas, ZA. Classification of gender by using fingerprint ridge density in northern part of Malaysia. J Eng Appl Sci. 2015;10(22):10722-6.

##submission.downloads##

Опубліковано

2020-10-01

Номер

Розділ

Дискусійні, актуальні та проблемні питання