HEPATOSELLULAR KARSİNOMANIN MƏRHƏLƏLƏRİNİN TƏYİNİ ÜÇÜN İNTELLEKTUAL SİSTEMİN İŞLƏNİLMƏSİ PRİNSİPLƏRİ - İnformasiya Texnologiyaları Problemləri

HEPATOSELLULAR KARSİNOMANIN MƏRHƏLƏLƏRİNİN TƏYİNİ ÜÇÜN İNTELLEKTUAL SİSTEMİN İŞLƏNİLMƏSİ PRİNSİPLƏRİ - İnformasiya Texnologiyaları Problemləri

HEPATOSELLULAR KARSİNOMANIN MƏRHƏLƏLƏRİNİN TƏYİNİ ÜÇÜN İNTELLEKTUAL SİSTEMİN İŞLƏNİLMƏSİ PRİNSİPLƏRİ - İnformasiya Texnologiyaları Problemləri

HEPATOSELLULAR KARSİNOMANIN MƏRHƏLƏLƏRİNİN TƏYİNİ ÜÇÜN İNTELLEKTUAL SİSTEMİN İŞLƏNİLMƏSİ PRİNSİPLƏRİ - İnformasiya Texnologiyaları Problemləri

HEPATOSELLULAR KARSİNOMANIN MƏRHƏLƏLƏRİNİN TƏYİNİ ÜÇÜN İNTELLEKTUAL SİSTEMİN İŞLƏNİLMƏSİ PRİNSİPLƏRİ - İnformasiya Texnologiyaları Problemləri
HEPATOSELLULAR KARSİNOMANIN MƏRHƏLƏLƏRİNİN TƏYİNİ ÜÇÜN İNTELLEKTUAL SİSTEMİN İŞLƏNİLMƏSİ PRİNSİPLƏRİ - İnformasiya Texnologiyaları Problemləri
AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI

№1, 2021

HEPATOSELLULAR KARSİNOMANIN MƏRHƏLƏLƏRİNİN TƏYİNİ ÜÇÜN İNTELLEKTUAL SİSTEMİN İŞLƏNİLMƏSİ PRİNSİPLƏRİ

Məmmədova Məsumə H., Bayramov Nuru Y., Cəbrayılova Zərifə Q., Manaflı Minarə İ., Hüseynova Mehriban R.

Məqalədə qaraciyərin bədxassəli şişləri arasında ən geniş yayılan hepatosellular karsinomanın (HSK) mərhələlərinin təyini üçün həkim qərarlarının qəbulunu dəstəkləyən sistemin yaradılması prinsipləri təklif edilmişdir. HSK kritik vəziyyətlərin kliniki hallar toplusu ilə xarakterizə olunur, bunların da hər biri kliniki əlamətlər çoxluğu ilə təyin edilir. HSK-nın konkret kliniki halı əlamətlərin müxtəlif kombinasiyaları ilə ifadə olunur, bu kombinasiyalar mümkün situasiyaların çoxvariantlılığını şərtləndirir. HSK-nın mərhələlərinin təyini mümkün situasiyalar çoxluğunun verilmiş siniflər üzrə təsnifləndirilməsini tələb edir və xəstəliyin müalicəsi sxeminin seçilməsinin əsasını təşkil edir. Çoxvariantlı situasiyalar şəraitində yol verilə biləcək həkim səhvlərinin qarşısının alınması məqsədilə HSK-nın mərhələlərinin təyini üçün intellektual sistemin işlənilməsi məsələsi qoyulmuşdur. İntellektual sistemlərin işlənilməsi metodologiyasına uyğun olaraq HSK-nın mərhələlərinin təyini məsələsinin konseptual modeli təklif olunmuş, əsas anlayışlar, onlar arasında qarşılıqlı əlaqələr müəyyənləşdirilmişdir. Əldə olunan ekspert biliklərinin sistemə transformasiyası üçün biliklərin təsvirinin produksiya modelindən istifadə olunmuş, bilik bazasını formalaşdıran qaydalar işlənilmişdir. HSK-nın mərhələlərinin təyini intellektual sisteminin strukturu işlənilmiş, onu təşkil edən blokların iş prinsipi göstərilmişdir. Delphi2009 proqramlaşdırma platformasında reallaşdırılan sistemin interfeysi  və qərarların qəbul olunması mexanizmi təsvir edilmişdir. HSK-nın mərhələlərinin təyini üçün işlənilmiş intellektual sistem diaqnoz-müalicə qərarlarının qəbulu prosesində həkimlərə dəstək göstərmək üçün istifadə oluna bilər (səh.3-14).

Açar sözlər: hepatosellular karsinomanın mərhələləri, intellektual sistem, bilik bazası, biliklərin təsvirinin produksiya modeli, qayda, qərarların qəbul olunması.
DOI : 10.25045/jpit.v12.i1.01
Ədəbiyyat
  • Məmmədova M.H., Cəbrayılova Z.Q. Tibbi ekspert sistemlərin yaradılması problemləri və inkişaf istiqamətləri // İnformasiya texnologiyaları problemləri, 2017, №1, s.81–91.
  • Məmmədova M.H., Cəbrayılova Z.Q. Elektron-tibb: formalaşması və elmi-nəzəri problemləri, Bakı: “İnformasiya Texnologiyaları” nəşriyyatı, 2019, 350 s.
  • Колоденкова А.Е., Новокщенов C.Г. Интеллектуальная система поддержки принятия решений для диагностики и выбора схем лечения пациента / XIII Всероссийское совещание по проблемам управления-ВСПУ-2019, Москва 17-20 июня 2019 г., c.1879–1883.
  • Bayramov N.Y. Qaraciyərin cərrahi xəstəlikləri. Bakı-2012, ISBN 978-9952-460-27-8, 325
  • Manchini M. Exploiting Big Data for improving healthcare services// Journal of e-Learning and Knowledge Society, 2014, vol.10, no.2, pp.23–33.
  • Big Data in Human Resource Management – Developing Research Context. www.researchgate.net/publication/275520745
  • Знаменская Т. Зачем нужны ИТ в здравоохранении? // Открытые системы, 2010, №02. www.osp.ru/os/2010/02/13001446/
  • Miller G.A. The magical number seven, plus or minus two: Some limits on our capacity for processing information // Psychological Review, 1956, vol.63, pp.81–97.
  • Абдуллаева Г.Г., Мамедова М.В. Экспертная система распознавания функционального состояния щитовидной железы в случаях трудной диагностики // Известия НАНА, Серия физико-технических и математических наук, 2003, №2–3, с.126–129.
  • Abdullayeva Q.Ə. Sud vəzi şişlərinin informasiya-diaqnostik sisteminin işlənməsi: tex.elm.nam.dis. avtoref. , Bakı, 2004, 20 s.
  • Hacıyev Z.Ə. Ortopediyada cərrahi mudaxilə seciminin intellektual sistemi: tex.elm.nam....dis. avtoref., Bakı, 2005, 20 s.
  • Şükürlü S.F. Oftalmologiya sahəsi üzrə ambulatoq xəstələrin ilkin diaqnostikası üçün ekspert sistemi: tex.elm.nam.dis. avtoref., Bakı, 2005, 20 s.
  • Məmmədova M., Amooji A. Epilepsiya xəstəliyinin diaqnostikası üzrə ekspert sistemi / “Elektron tibbin multidissiplinar problemləri” I Respublika elmi-praktiki konfransının əsərləri, Bakı, 25 may, 2015, s.211–214.
  • Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени // Изв. РАН. ТиСУ, 2001, № 6, с.114–123.
  • Зо М.Т. Методы и программные средства ускорения поиска решения в базах знаний нечётких экспертных систем. Авт. дисс. на соискание ученой степени кандидата технических наук, Москва, 2018, 154 с.
  • Xiaopu S., Fenfang W., Di W., Shan L., Jingyi L., Nan Z., Xiaoni C., Anlong X. Human Hepatic Cancer Stem Cells (HCSCs) Markers Correlated With Immune Infiltrates Reveal Prognostic Significance of Hepatocellular Carcinoma // Frontiers in Genetics., 28 February 2020. https://doi.org/10.3389/fgene.2020.00112
  • Gbolahan O.B., Schacht M.A., Beckley E.W., LaRoche T.P., O'Neil B.H., Pyko M. Locoregional and systemic therapy for hepatocellular carcinoma // Journal of Gastrointestinal Oncology, 2017, vol.8, no.2, pp.215–228.
  • Aman S., Babita P. An Efficient Diagnosis System for Detection of Liver Disease Using a Novel Integrated Method Based on Principal Component Analysis and K-Nearest Neighbor (PCA-KNN) // International Journal of Healthcare Information Systems and Informatics, 2016, vol.11, no.4, pp.56–
  • Ozyilmaz L., Yildirim T. Artificial neural networks for diagnosis of hepatitis disease // Int. Jt.Conf. Neural Networks, 2003. doi:10.1109/IJCNN.2003.1223422
  • Sartakhti J.S., Zangooei M.H., Mozafari K. Hepatitis disease diagnosis using a novel hybrid method based on support vector machine and simulated annealing (SVM-SA) // Computer Methods and Programs in Biomedicine, 2015, vol.108, no.2, pp.570–579.
  • Revett K., Gorunescu F., Gorunescu M., Ene M. Mining A Primary Biliary Cirrhosis Dataset Using Rough Sets and a Probabilistic Neural Network / Proceedings of the 2006 3rd International IEEE Conference Intelligent Systems, 2006, pp.284–289.
  • Obot O.U., Udoh S.S. A framework for fuzzy diagnosis of hepatitis // Proceedings of the 2011 World Congr. Inf. Commun. Technol., 2011, pp.439–443.
  • Li B. N., Chui C. K., Chang S., Ong S. H. A new unified level set method for semi-automatic liver tumor segmentation on contrast-enhanced CT images // Expert Systems with Applications, 2012, vol.39, no.10, pp.9661–9668.
  • Ming L. K., Kiong L. C., Soong L. W. Autonomous and deterministic supervised fuzzy clustering with data imputation capabilities // Applied Soft Computing, 2011, vol.11, no.1, pp.1117–1125.
  • Floares A. G. Intelligent clinical decision supports for interferon treatment in chronic hepatitis C and B based on i-biopsy / Proceedings of the 2009 International Joint Conference on Neural Networks, 2009, pp.855–860.
  • Yan W., Lizhuang M., Xiaowei L., Ping L. Correlation between Child-Pugh Degree and the Four Examinations of Traditional Chinese Medicine (TCM) with Liver Cirrhosis / Proceedings of the 2008 Int. Conf. Biomed. Eng. Informatics, 2008, pp.858–862.
  • Kulluk S., Ozbakır L., Baykasoğlu A. Fuzzy DIFACONN-miner: A novel approach for fuzzy rule extraction from neural networks // Expert Systems with Applications, 2013, vol. 40, no.3, pp.938–946.
  • Li D.-C., Liu C.-W. A class possibility based kernel to increase classification accuracy for small data sets using support vector machines // Expert Systems with Applications, 2010, vol.37, no.4, pp.3104–3110.
  • Neshat M., Zadeh A.E. Hopfield neural network and fuzzy Hopfield neural network for diagnosis of liver disorders / Proceedings of the 2010 5th IEEE International Conference Intelligent Systems, 2010, pp.162–167.
  • Li D.-C., Liu C.-W., Hu S.C. A learning method for the class imbalance problem with medical data sets // Computers in Biology and Medicine, 2010, vol.40, no.5, pp.509–518.
  • Mezyk E., Unold O. Mining fuzzy rules using an Artificial Immune System with fuzzy partition learning // Applied Soft Computing, 2011, vol.11, no.2, pp.1965–1974.
  • Polat K., Sahan S., Kodaz H., Güneş Breast cancer and liver disorders classification using artificial immune recognition system (AIRS) with performance evaluation by fuzzy resource allocation mechanism // Expert Systems with Applications, 2007, vol.32, no.1, pp.172–183.
  • Dehuri S., Cho S.B. Evolutionarily optimized features in functional link neural network for classification // Expert Systems with Applications, 2010, vol.37, no.6, pp.4379–4391.
  • Gorunescu F., Belciug S., Gorunescu M., Badea R. Intelligent decision-making for liver fibrosis stadialization based on tandem feature selection and evolutionary-driven neural network // Expert Systems with Applications, 2012, vol.39, no.17, pp.12824–12832.
  • Torun Y., Tohumoglu G. Designing simulated annealing and subtractive clustering based fuzzy classifier // Applied Soft Computing, 2011, vol.11, no.2, pp.2193–2201.
  • Aldape-Perez M., Yanez-Marquez C., Camacho-Nieto O. J., Arguelles-Cruz A. An associative memory approach to medical decision support systems // Computer Methods and Programs in Biomedicine, 2012, vol.106, pp.287–307. doi:10.1016/j.cmpb.2011.05.002 PMID:21703713
  • Mirpouya M. Developing an expert system for diagnosing liver diseases // EJERS, European Journal of Engineering Research and Science, 2019, vol.4, no.3. doi.org/10.24018/ejers.2019.4.3.1168.
  • Найданов Ч.А. Cистема поддержки принятия решений для предупреждения рисков возникновения критических состояний // Альманах современной науки и образования, № 8(98) 2015, c.92–95