ПЕРСПЕКТИВИ ВИКОРИСТАННЯ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ У РОЗРІЗІ СУДОВОЇ МЕДИЦИНИ (ОГЛЯД ЛІТЕРАТУРИ)
DOI:
https://doi.org/10.24061/2707-8728.1.2020.2Ключові слова:
штучні нейронні мережі, штучний інтелект, судова медицина, ідентифікація особиАнотація
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
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Критерії авторського права, форми участі та авторства
Кожен автор повинен був взяти участь в роботі, щоб взяти на себе відповідальність за відповідні частини змісту статті. Один або кілька авторів повинні нести відповідальність в цілому за поданий для публікації матеріал - від моменту подачі до публікації статті. Авторитарний кредит повинен грунтуватися на наступному:
істотність частини вкладу в концепцію і дизайн, отримання даних або в аналіз і інтерпретацію результатів дослідження;
написання статті або критичний розгляд важливості її інтелектуального змісту;
остаточне твердження версії статті для публікації.
Автори також повинні підтвердити, що рукопис є дійсним викладенням матеріалів роботи і що ні цей рукопис, ні інші, які мають по суті аналогічний контент під їх авторством, не були опубліковані та не розглядаються для публікації в інших виданнях.
Автори рукописів, що повідомляють вихідні дані або систематичні огляди, повинні надавати доступ до заяви даних щонайменше від одного автора, частіше основного. Якщо потрібно, автори повинні бути готові надати дані і повинні бути готові в повній мірі співпрацювати в отриманні та наданні даних, на підставі яких проводиться оцінка та рецензування рукописи редактором / членами редколегії журналу.
Роль відповідального учасника.
Основний автор (або призначений відповідальний автор) буде виступати від імені всіх співавторів статті в якості основного кореспондента при листуванні з редакцією під час процесу її подання та розгляду. Якщо рукопис буде прийнятий, відповідальний автор перегляне відредагований машинописний текст і зауваження рецензентів, прийме остаточне рішення щодо корекції і можливості публікації представленого рукопису в засобах масової інформації, федеральних агентствах і базах даних. Він також буде ідентифікований як відповідальний автор в опублікованій статті. Відповідальний автор несе відповідальність за підтвердження остаточного варіанта рукопису. Відповідальний автор несе також відповідальність за те, щоб інформація про конфлікти інтересів, була точною, актуальною і відповідала даним, наданим кожним співавтором. Відповідальний автор повинен підписати форму авторства, що підтверджує, що всі особи, які внесли істотний внесок, ідентифіковані як автори і що отримано письмовий дозвіл від кожного учасника щодо публікації представленого рукопису.
