You are on page 1of 26

SISTEME INFORMATICE N NGRIJIREA SNTII

Fundamente de sisteme biologice i


informatic medical

Reele neuronale artificiale

.l.dr.ing. Adriana ALBU

2013

5. Reele neuronale artificiale

Cuprins
5. Reele neuronale artificiale .................................................................................................... 3
5.1. Bazele calculului neuronal .......................................................................................... 3
5.1.1

Neuronul biologic ................................................................................................ 3

5.1.2

Modelul neuronului artificial ............................................................................... 4

5.1.3

Arhitecturi ale reelelor neuronale artificiale ....................................................... 6

5.1.4

Antrenarea reelelor neuronale artificiale ............................................................ 8

5.2. Aplicaii ale reelelor neuronale artificiale n medicin ............................................ 11


5.2.1

Reelele neuronale artificiale n diverse domenii medicale ............................... 12

5.2.2

Reelele neuronale artificiale i imagistica medical ......................................... 13

5.3. Baze de date pentru reele neuronale artificiale ........................................................ 14


Bibliografie .......................................................................................................................... 16
Anexa 2 Zona bazei de date ce conine pacienii infectai cu virusul hepatitei C ............... 18

Fundamente de sisteme biologice i informatic medical

5.Reeleneuronaleartificiale
5.1.

Bazelecalcululuineuronal

Reelele neuronale artificiale sunt inspirate din punct de vedere structural i funcional de
creierul fiinelor vii, reprezentnd un model matematic simplificat al sistemului nervos
central. Ideea conceperii unei astfel de structuri a aprut odat cu recunoaterea faptului c
modul n care creierul raioneaz e diferit de maniera folosit de calculatoarele convenionale,
acestea din urm lund deciziile pe baza unor algoritmi i reguli. Neuronii biologici
reacioneaz cu viteze mult mai mici fa de viteza circuitelor electronice. Cu toate acestea
fiinele umane pot fi mult mai eficiente dect calculatoarele n ceea ce privete rezolvarea
unor probleme complexe [14]. Astfel, dorina de a realiza sisteme care s simuleze structura
i modul de funcionare al creierului uman este pe deplin ndreptit. Totui, creierul este un
aparat att de complex, nct e dificil a fi realizate artificial modele care s-i copieze n
totalitate structura i comportamentul.
Reelele neuronale artificiale sunt o colecie vast de arhitecturi i algoritmi de nvare, fiind
capabile s asimileze noi asocieri, noi tipare, noi dependene funcionale, adaptndu-se
mediului specific problemei pentru care sunt utilizate. Aceste modele conexioniste prezint o
serie de avantaje care nu se regsesc la sistemele ce calcul convenionale [12], [14]:
au posibilitatea de a lucra cu date imprecise sau incomplete;
prezint abilitatea de a generaliza, putnd opera cu date de intrare care nu le-au fost
prezentate n timpul procesului de antrenare;
posed capacitatea de a memora informaii;
pot realiza asocieri, clasificri, recunoateri;
ofer posibilitatea utilizrii lor n aplicaii n timp real.
Succesul reelelor neuronale artificiale se bazeaz pe civa factori cheie [10]. n primul rnd
reelele neuronale sunt sisteme puternice, deinnd tehnici sofisticate capabile de a modela
funcionaliti complexe. n al doilea rnd sunt uor de utilizat. Ele nva din exemple, astfel
c utilizatorul trebuie s aib doar unele cunotine privind selecia i pregtirea datelor de
intrare, alegerea unui tip de reea i interpretarea rezultatelor.
Toate aceste caracteristici fac din reelele neuronale artificiale unelte care pot fi folosite cu
succes n rezolvarea unor probleme complexe. Cu siguran ele vor sta la baza unor sisteme
ce pot mbuntii calitatea vieii i pot face ca multe probleme dificile s fie rezolvate mai
uor.

5.1.1 Neuronulbiologic
Reelele neuronale artificiale ncearc aadar s reproduc (atta ct se poate la momentul
actual) structura creierului. Iat n continuare cele mai importante proprieti ale acestuia [3].

5. Reele neuronale artificiale


Creierul este alctuit din aproximativ 1011 celule puternic interconectate (cam 104 conexiuni
pe celul), numite neuroni. Toate funciile creierului, inclusiv memorarea, sunt reinute n
aceste celule i n conexiunile dintre ele. Un neuron este format din trei pri:
dendritele (intrrile neuronului) sunt fibre nervoase receptive, au o structur arborescent i transmit semnale electrice spre corpul celulei;
corpul celulei (soma) nsumeaz semnalele primite i n funcie de valoarea obinut
produce sau nu un semnal;
axonul (ieirea neuronului) este o fibr lung ce transmite semnalul de la corpul
celulei spre ali neuroni.
Contactul dintre axonul unei celule i o dendrit a unei alte celule se numete sinaps.
Figura 5.1 prezint schematic doi neuroni biologici. Plasarea neuronilor i calitatea legturilor dintre ei, determin modul de funcionare al reelei neuronale. O parte a structurii
neuronale este definit la natere; restul se dezvolt pe parcursul vieii prin procesul de
nvare, proces care determin apariia, dispariia sau modificarea din punct de vedere
chimic a conexiunilor dintre neuroni.

Figura 5.1 Imagine simplificat a doi neuroni biologici


Conform acestui model simplificat al neuronului biologic, corpul celulei primete informaii
de la ali neuroni prin intermediul conexiunilor sinaptice ajustabile. Dac valorile intrrilor
determin activarea neuronului, atunci se vor produce impulsuri nervoase, transmise prin
intermediul axonului spre ali neuroni.

5.1.2 Modelulneuronuluiartificial
Pe baza caracteristicilor neuronului biologic se poate construi neuronul artificial. Acesta
pstreaz aceeai structur (figura 5.2), avnd un corp format dintr-un sumator i o funcie de
transfer, o serie de intrri care ajung n corpul celulei prin elemente similare dendritelor i o
ieire care simuleaz axonul.

Fundamente de sisteme biologice i informatic medical

Intrri

p1

p2

pn

pondere
w1
pondere
w2

ieire

pondere
wn
Figura 5.2 Neuronul artificial

Un astfel de neuron primete un numr de intrri (datele iniiale sau ieirile altor neuroni).
Fiecare intrare are o conexiune numit sinaps i este caracterizat de o pondere. Valoarea
intrrii este multiplicat cu aceast pondere. Conexiunea definete influena pe care intrarea o
are asupra neuronului. Intrrile ponderate sunt apoi nsumate. Ieirea sumatorului reprezint
intrarea unei funcii de transfer (numit i funcie de activare) specific neuronului. Aceast
funcie determin ieirea neuronului, care poate reprezenta rezultatul problemei sau intrare
pentru ali neuroni.
Aadar un neuron este o unitate de procesare cu conexiuni de intrare sinaptice i o singur
ieire [14]. Funcionarea neuronului (figura 5.2) este definit de:
y = f (x)

(5.1)

x =

w i pi

(5.2)

i =1

unde f este o funcie de transfer,


P = [p1 , p2 , ..., pn ]

W = [w1 , w 2 , ..., wn ]T

este vectorul ponderilor, iar

este vectorul de intrare.

Funciile de transfer pot fi liniare sau neliniare i sunt alese n raport cu specificaiile
problemei care trebuie rezolvat. Cele mai utilizate funcii de transfer sunt: funcia treapt
(prag), funcia prag simetric (signum), funcia liniar, funcia de tip gaussian, funcia
sigmoidal, funcia tangent hiperbolic, funcia de saturaie (limitare), funcia de saturaie
simetric. Trei dintre aceste funcii (cele cu caracter liniar, folosite n sistemul care face
obiectul acestei lucrri) sunt prezentate n continuare.
Funcia liniar
Ieirea acestei funcii este egal cu intrarea (relaia (5.3)), iar aspectul ei este redat n figura
5.3. Funciile liniare sunt funcii simple din punct de vedere al studiului analitic, dar prezint
dezavantajul legat de faptul ca sunt nemrginite.
y = x

Funcia de saturaie (limitare)

(5.3)

5. Reele neuronale artificiale


Este folosit pentru a elimina dezavantajul nemrginirii funciilor liniare. Funcia este
descris de relaia (5.4) i reprezentat n figura 5.4.
0 ,

y = x ,
1,

x <0
0 x 1
x >1

(5.4)

1
0

x
0

Figura 5.3 Funcia liniar

Figura 5.4 Funcia de


saturaie

-1

Figura 5.5 Funcia de


saturaie simetric

Funcia de saturaie simetric


Dac intrarea x este n intervalul (-1, 1), funcia se comport ca o funcie liniar, altfel,
funcia este constant, cu valorile -1, respectiv 1, aa cum e definit de relaia (5.5). Aspectul
funciei este redat n figura 5.5.
1, x 1

y = x ,
x <1

1, x 1

(5.5)

5.1.3 Arhitecturialereelelorneuronaleartificiale
Pentru a crea o reea neuronal artificial e necesar a fi pui laolalt un numr de neuroni.
Acetia sunt aranjai pe mai multe straturi (niveluri). O reea trebuie s aib un numr de
intrri (prin care primete valorile variabilelor externe) i un nivel de neuroni care produc
ieirea (predicia, rezultatul problemei). Intrrile i ieirile unei reele neuronale artificiale
corespund nervilor senzoriali, respectiv motorii ai corpului uman [10]. O reea neuronal
poate de asemenea conine un numr de straturi ascunse de neuroni, care joac un rol intern
n reea. Toi aceti neuroni sunt interconectai.
Exist dou mari tipuri de reele neuronale [12], feedforward i feedback.
Reele neuronale artificiale feedforward (cu propagare progresiv)
Un model schematic de reea feedforward este prezentat n figura 5.6.

Fundamente de sisteme biologice i informatic medical


Niveluri ascunse

Nivel de ieire

Intrri

Ieire

Figura 5.6 Arhitectura unei reele neuronale artificiale feedforward


Principala caracteristic a acestor reele este faptul c un neuron primete semnale doar de la
neuroni din stratul/straturi precedent/precedente. O reea se numete total conectat dac
fiecare neuron din fiecare strat este conectat la fiecare neuron din stratul precedent. n cazul
n care unele conexiuni sinaptice lipsesc, reeaua se numete parial conectat.
Cel mai simplu tip de reea feedforward este perceptronul cu un singur strat. Acesta este
folosit pentru clasificare i utilizeaz pentru diferenierea ntre clase o funcie de transfer de
tip treapt, ieirea fiecrui neuron avnd valoarea 0 sau 1. Prin urmare un neuron al
perceptronului poate face clasificarea n dou clase. Acest tip de perceptron poate fi utilizat
doar dac elementele care trebuie clasificate sunt liniar separabile. Dac perceptronul are mai
muli neuroni, vor exista 2n clase n care pot fi clasificate intrrile (unde n este numrul de
neuroni).
O reea mult mai intens utilizat i potrivit pentru mai multe tipuri de probleme este reeaua
feedforward cu un singur strat. Arhitectura unei astfel de reele neuronale este prezentat n
figura 5.7. Exist m neuroni, deci reeaua are m ieiri reprezentate de vectorul
Y = [y 1 y 2 ... y m ]T .Vectorul de intrare este P = [p1 p2 ... pn ]T i are n elemente.
w11
w21

p1
wm1

y1

y2

ym

w12

p2

w22
wm2
w2n
w1n

pn

wmn

Figura 5.7 Reea neuronal feedforward cu un singur nivel


Conexiunile cu ponderile wij leag neuronul i de intrarea j (ca regul general, primul indice
se consider destinaia, iar al doilea sursa). Reeaua este caracterizat de o matrice a
ponderilor, W:
7

5. Reele neuronale artificiale


w11

w
W = 21
M

wm1

w12

w 22

wm2 L

w1n

w 2n

wmn

Acest tip de reea poate fi conectat n cascad, obinndu-se o reea feedforward cu mai
multe straturi, avnd o arhitectur similar celei din figura 5.6.
Reele neuronale artificiale feedback (recurente sau cu propagare regresiv)
Aceste reele sunt caracterizate de faptul c exist un semnal de reacie din partea neuronilor
de ordin superior, pentru cei de pe straturi inferioare sau chiar pentru ei nii. Figura 5.8
prezint arhitectura unei astfel de reele.

Figura 5.8 Arhitectura unei reele neuronale artificiale feedback

5.1.4 Antrenareareelelorneuronaleartificiale
O reea neuronal artificial poate fi antrenat pentru a rezolva o anumit problem sau a
avea un anumit comportament. Pe parcursul acestui proces, numit i nvare sau instruire, se
produce schimbarea parametrilor reelei: ponderi, funcie de transfer, chiar i arhitectura
reelei. Cu alte cuvinte, nvarea reprezint modificarea permanent a comportamentului pe
baza experienei [14].
n funcie de modul n care sunt modificai parametrii reelei neuronale pe parcursul
procesului de instruire, se disting mai multe tipuri de nvare [12]. n primul rnd algoritmii
de nvare se mpart n nvare supervizat i nesupervizat.
nvarea supervizat
Este caracterizat de prezena unui supervizor care cunoate legtura corect dintre intrri
i ieiri, adic n momentul n care o intrare este aplicat reelei, se cunoate i ieirea dorit
asociat respectivei intrri.
Pentru a nva, o astfel de reea neuronal are nevoie de un set de valori de intrare, mpreun
cu ieirile corecte (ieirile int). Dac problema care trebuie rezolvat este din domeniul
medical, intrrile vor fi simptome, teste de laborator i alte analize specifice (chiar din
domeniul imagisticii medicale), iar ieirea va fi diagnosticul sau alt predicie. Pe parcursul
procesului de nvare, ieirea oferit de reea este comparat cu ieirea int, iar parametrii
8

Fundamente de sisteme biologice i informatic medical


reelei sunt ajustai astfel nct diferena dintre cele dou (numit eroare) s fie minimizat [1].
n cazul acestui tip de nvare trebuie s se in cont de urmtoarele dou probleme [13]:
din setul de antrenare se reine un subset pentru testare (care nu este utilizat pe parcursul stabilirii parametrilor reelei);
se menine un nivel acceptabil de eroare pe setul de antrenare pentru a evita supra-nvarea (nvarea detaliilor nesemnificative ale exemplelor folosite pentru antrenare).
Aadar algoritmii utilizai pentru nvarea supervizat se bazeaz pe corecia erorilor. Acest
lucru, aa cum s-a mai precizat, se poate realiza prin modificarea parametrilor reelei:
modificarea ponderilor, introducerea sau eliminarea unor conexiuni, schimbarea funciei de
transfer, introducerea de noduri sau niveluri n arhitectur. Cea mai simpl modalitate este
modificarea ponderilor. Aceasta va fi luat n consideraie n descrierile ce urmeaz, descrieri
care se refer la paii parcuri de un algoritm de nvare [13].
Pe parcursul procesului de nvare, reeaua neuronal artificial este alimentat cu perechi de
vectori (P, T) ce reprezint intrri i ieiri int:

{(P

,T 1 ),

( P 2 , T 2 ),

...,

( P L ,T L )

(5.6)

Comportamentul reelei poate fi apreciat prin intermediul erorii asociate setului de antrenare
(diferena dintre ieirea produs de reea i cea real). Cel mai frecvent se utilizeaz eroarea
ptratic medie (relaia 4.7).
E (W 1 ,...,W k ) =

1
L

El (W 1 ,...,W k )

(5.7)

l =1

unde:
1
E l (W ,...,W ) =
2
1

Nk

(til yiK ,l )2

(5.8)

i =1

n relaiile (5.6), (5.7) i (5.8), L este numrul de perechi folosite pentru antrenare, K este
numrul de straturi care alctuiesc reeaua, Nk numrul de neuroni de pe un anumit strat, iar
YK,l este vectorul de ieire corespunztor intrrii Pl.
Scopul procesului de nvare este modificarea ponderilor astfel nct s aib loc minimizarea
erorii descrise de relaia (5.7). Majoritatea algoritmilor de nvare supervizat bazai pe
minimizarea unei funcii de eroare folosesc o metod de tip gradient (acest lucru e posibil
dac funciile de transfer asociate elementelor reelei sunt continuu difereniabile). Structura
algoritmilor cuprinde dou etape principale: iniializarea parametrilor i ajustarea lor printrun proces iterativ.
Unul dintre cei mai utilizai algoritmi de corecie a erorilor este algoritmul backpropagation
(propagarea regresiv a erorilor), care folosete metoda gradientului simplu. n acest caz
are loc transmiterea prin reea a semnalului de eroare n sens invers fa de modul n care
semnalele circul n faza de funcionare.
9

5. Reele neuronale artificiale

1
p1

pj

pN0
W

N1

y1

yi

N2

yN2

wik2

w1kj

Figura 5.9 Reea feedforward cu un nivel ascuns


Pentru a deduce relaiile de modificare a ponderilor se va considera o reea feedforward cu un
singur nivel ascuns (figura 5.9), avnd N0 intrri, N1 neuroni n stratul ascuns i N2 ieiri. n
scopul simplificrii relaiilor se vor indicia elementele de intrare cu j, cele ale nivelului
ascuns cu k, iar ieirile cu i. Pentru a deduce relaiile de ajustare se calculeaz componentele
El(W1,W2) mai nti n raport cu componentele wik2 ale matricei W2, dup care n raport cu
componentele w1kj ale matricei W1.
Se cunoate faptul c:
N1

y i = f ( xi ) = f (

wik2 y k ),

(5.9)

i = 1, N 2

k =0

iar
N0

yk = f ( xk ) = f (

wkj1 y j ),

k = 1, N1

y 0 = 1

j =0

(5.10)

Componentele yj sunt determinate de vectorul de intrare Pl:


y j = p lj ,

j = 1, N0

y 0 = 1

(5.11)

Utiliznd aceste notaii, se pot scrie derivatele pariale ale lui E l ( w1kj , wik2 ) :
1
2
E l (w kj
, wik
)
2
wik

unde

= ( dil y i )

2
y i (wik
)
2
wik

il = f ( x i )( dil y i )

10

= f ( x i )( dil y i )y k = il y k

(5.12)

Fundamente de sisteme biologice i informatic medical


E l (w 1 , w 2 )
kj
w 1
kj

ik

N2 y (w i )
i
kj
( d il y i ) =
1
i = 1 w kj

N2

f ( x i )w ik1 f ( x k )x j (dil y i ) =
i =1

N2

(5.13)

w ik1 f ( x i )(dil y i ) =

= x j f ( x k )

i =1
N2

w ik2 il

= x j f ( x k )

i =1

unde

= x j ik

N2

wik2 il

ik = f ( x k )

i =1

Pe baza relaiilor (5.12) i (5.13) se deduc relaiile de ajustare corespunztoare exemplului l


din setul de antrenare (Pl,Tl).
Ali algoritmi folosii pentru nvarea supervizat sunt Widrow-Hoff (sau regula Delta) i
Boltzman (sau stocastic).
nvarea nesupervizat
n acest caz nu exist un element supervizor care s aprecieze corectitudinea asocierilor
dintre intrri i ieiri pentru c rspunsul dorit nu e cunoscut, deci nu sunt disponibile
informaii legate de eroare, care s fie folosite pentru mbuntirea comportamentului reelei
neuronale. Pentru c nu exist informaii referitoare de corectitudinea rspunsului, trebuie
implementat un mecanism de nvare care s autoadapteze parametrii reelei. Pe baza
semnalelor de intrare primite din partea mediului, sistemul descoper trsturi caracteristice
i i construiete o reprezentare codificat n ponderi a mediului [13].
Acest tip de nvare este potrivit operaiilor de clasificare, regula de includere a unui element
ntr-o anumit clas fiind dat de distana la care se afl elementul fa de centrul unei clase.
Reelele neuronale care folosesc algoritmi de nvare nesupervizat trebuie s descopere
singure reguli, tipare, posibiliti de separare [14].
Printre algoritmii utilizai n procesul de nvare nesupervizat se numr algoritmul
Hebbian i algoritmul competitiv.

5.2.

Aplicaiialereelelorneuronaleartificialenmedicin

Principalul avantaj al utilizrii reelelor neuronale artificiale este legat de faptul c acestea au
capacitatea de a rezolva probleme care sunt prea complexe pentru tehnologiile convenionale
sau nu au o soluie algoritmic [6]. Aceste caracteristici apar adesea n medicin. Din acest
motiv reelele neuronale artificiale au fost aplicate cu succes n sisteme pentru diagnoz,
analize biomedicale, analiza imaginilor medicale, dezvoltri n domeniul farmaceutic.
Reelele neuronale artificiale sunt foarte potrivite n domeniul diagnozei deoarece nu au
nevoie de un algoritm referitor la modul de identificare a unei afeciuni. Ele nva din
11

5. Reele neuronale artificiale


exemple, aadar au nevoie doar de un set de exemple reprezentative pentru toate variaiile
respectivei boli [11].

5.2.1 Reeleleneuronaleartificialendiversedomeniimedicale
n literatura de specialitate exist numeroase articole care descriu avantajele i rezultatele
utilizrii reelelor neuronale artificiale. n continuare sunt prezentate principalele domenii de
aplicare a acestora n zona medical [8], [9], [7], [4].
Cardiologie
Analiza nivelului de enzime limfatice st la baza diagnosticrii infarctului miocardic. O reea
neuronal a fost antrenat pentru analiza nivelului acestor enzime i de asemenea a EKG-ului,
simptomelor i modificrilor aprute dup administrarea de medicamente (nitroglicerin).
Gastroenterologie
A fost realizat o reea neuronal pentru prevederea modului n care pacienii suport
hepatectomia (rezecia chirurgical a unei pari a ficatului). Au fost folosii 54 de pacieni
pentru procesul de nvare i 11 pentru testare.
Pneumologie
Medicii ftiziologi, mpreun cu radiologii au lucrat la dezvoltarea unui sistem pentru
clasificarea nodulilor pulmonari.
Oncologie
Cancerul la sn este a doua cauz a mortalitii datorit cancerului n rndul femeilor.
Diagnosticarea automat a cancerului este o problem important n lumea medical. Sunt
disponibile cteva aplicaii pentru diagnosticarea i selecia unei strategii terapeutice n ceea
ce privete cancerul de sn. O reea neuronal determin posibilitatea reapariiei tumorilor
analiznd informaii legate de dimensiunea tumorii sau numrul nodulilor.
Cancerul de plmni este o alt afeciune mortal. Prevenirea i detecia timpurie este foarte
important. Informaiile obinute prin radiografie, tomografie computerizat, rezonant
magnetic, bronhoscopie i biopsie pot fi utilizate. O reea neuronal artificial a fost
realizat pentru identificarea celulelor canceroase din imaginile biopsiei realizate persoanelor
ce urmau a fi diagnosticate.
Otorinolaringologie
Reelele neuronale s-au dovedit a fi o metod eficient n modelarea auzului. Aceast tehnic
poate deveni folositoare pentru nelegerea, modelarea vorbirii i tratarea problemelor de auz.
Obstetric i ginecologie
Reelele neuronale au fost utilizate pentru determinarea riscului administrrii perinatale a
medicamentelor precum i pentru evidenierea parametrilor care influeneaz greutatea noului
nscut.
Oftalmologie
12

Fundamente de sisteme biologice i informatic medical


Reele neuronale artificiale au fost aplicate i n diagnosticarea deformaiilor de cornee.
Radiologie
Pn acum, aplicaiile reelelor neuronale n radiologie par a fi cele mai interesante i mai
puternice. Imaginile conin o cantitate mare de informaii i sunt att de complicate nct este
imposibil s fie interpretate utiliznd sistemele convenionale bazate pe reguli. Selectnd
seturi de exemple i procedee de nvare potrivite, reelele neuronale sunt utilizate cu succes
n detecia unor boli arteriale, microcalcifiere n mamografii digitale, diferenierea bolilor de
ficat (bazat pe ultrasonografie i rezultatele analizelor de laborator), interpretarea cancerului
de sn n imagini ultrasonografice.
Patologie
O alt reea neuronal a fost realizat pentru a determina gradul carcinomului de sn.
Trsturile examinate au fost extrase din imagini provenite de la microscop. O tehnica
similar, utilizat pentru diferenierea carcinomului tubular, pare de asemenea folositoare.
Chiar i mprtierea cancerului de prostat poate fi evaluat utiliznd reele neuronale.
Citologie
Celulele maligne pot fi recunoscute cu ajutorul reelelor neuronale. Acestea sunt folosite
pentru a identifica modificri precancerose sau canceroase n cancerul cervical pentru a
maximiza ansele de vindecare.
Genetic
O reea neuronal a fost antrenat pentru clasificarea cromozomilor, bazat pe informaii
reprezentnd forma, dimensiunea i legturile cromozomilor.

5.2.2 Reeleleneuronaleartificialeiimagisticamedical
Un domeniu foarte important, care poate fi utilizat n toate categoriile prezentate anterior,
este analiza i interpretarea imaginilor [9], [2], [5].
Imagistica este o zon important n care pot fi aplicate tehnici de recunoatere a formelor
utiliznd reele neuronale artificiale. Exist numeroase domenii n care reelele neuronale
artificiale i imaginile pot fi folosite pentru a dezvolta sisteme de succes: inspecii industriale
(controlul proceselor i al calitii), prelucrarea documentelor, identificare i autentificare
(analiza amprentelor digitale, detecia feei), aprare (diverse sisteme de navigare i
conducere, sisteme de recunoatere a intelor). n medicin, recunoaterea formelor este
utilizat pentru identificarea i extragere unor trsturi importante din radiografii, tomografii
etc. i de asemenea pentru a oferi asisten semnificativ n diagnoza medical.
Diverse reele neuronale au fost antrenate pentru a recunoate din tomografii ale toracelui
regiuni de interes corespunztoare unor organe specificate. Alte reele au fost implementate
pentru segmentarea imaginilor obinute prin tomografierea inimii i a abdomenului.
n domeniul imagisticii medicale e posibil s apar unele dificulti cauzate de faptul c
datele pot fi incomplete, incorecte sau inexacte. Reelele neuronale artificiale pot manipula
totui astfel de date i sunt utilizate cu precdere pentru capacitile care le aseamn cu
oamenii (generalizarea i robusteea) pentru a asista medicii n luarea unor decizii.
13

5. Reele neuronale artificiale


Reelele neuronale artificiale, avnd proprietatea remarcabil de a nva din exemple, sunt un
instrument flexibil i puternic n diagnoza medical (sau n alte genuri de predicii) i au
multe de oferit medicinii moderne. Aceste sisteme nu sunt realizate cu intenia de a nlocui
medicii n luarea deciziilor, ci pentru a-i ajuta s ia rapid o hotrre corect.

5.3.

Bazededatepentrureeleneuronaleartificiale

Reelele neuronale artificiale sunt mecanisme complexe, cu vaste capaciti de adaptare. Aici
ele sunt utilizate pe de o parte pentru a oferi predicii n ceea ce privete rspunsul la
tratament n cazul unui pacient infectat cu virusul hepatitei C, iar pe de alt parte pentru a
sugera un diagnostic pe baza unor informaii extrase din tomografia computerizat abdominal. De-a lungul procesului de nvare, aceste modele matematice au nevoie de o serie de
informaii legate de starea pacientului (simptome, analize, caracteristici etc.) precum i de un
diagnostic corect pe baza cruia s-i modeleze parametrii interni. Toate acestea sunt reinute
n baze de date, iar la fiecare pas al nvrii o reea neuronal primete ca intrare cte o
nregistrare din baza de date.
n cele ce urmeaz, atenia va fi ndreptat asupra bazei de date ce conine pacienii infectai
cu virusul hepatitei C, urmnd ca detaliile despre informaiile extrase din tomografii s fie
prezentate n unul din cursurile urmtoare.
Datele nregistrate despre bolnavii de hepatit C au fost obinute de la Spitalul Clinic
Judeean de Urgen, Timioara i se regsesc n Anexa 2. Este vorba despre 193 de pacieni
pentru care se rein n prim faz informaii de identificare, analize de laborator specifice i
tipul de tratament administrat. Starea pacienilor este supravegheat pe parcursul a 12 luni de
tratament, fiind urmrite valorile pentru patru indicatori biologici: TGP, TGO, GGT i ARN
VHC. Valorile acestor indicatori sunt nregistrate nainte de nceperea tratamentului i
reinute apoi din trei n trei luni pe parcursul tratamentului.
Scopul reelelor neuronale artificiale dezvoltate n aceast lucrare este ca, urmrind evoluia
indicatorilor biologici, n funcie de tratamentul aplicat, pentru pacienii din baza de date, s
poate nva i extrage tipare, astfel nct s fie capabile a oferi predicii pentru un nou
pacient n ceea ce privete evoluia parametrilor amintii raportat la un anumit tratament.
innd cont de aceast evoluie, expertul uman care investigheaz cazul poate trage anumite
concluzii n ceea ce privete modul n care pacientul va rspunde la tratament. Exist riscul ca
el s nu rspund la tratament sau s apar efecte adverse, de aceea este bine ca nainte de
nceperea tratamentului medicul s aib anumite informaii legate de evoluia ulterioar a
pacientului.
Zona aferent hepatitei C din baza de date conine informaii de identificare i caracterizare a
fiecrui pacient, tipul de tratament administrat, modul n care pacientul a rspuns la tratament
i o serie de cmpuri de reprezint rezultatele analizelor de laborator la nceputul tratamentului i la 3, 6, 9 respectiv 12 luni de tratament. Tabelul 5.1 descrie toate aceste cmpuri.

Tabelul 5.1 Baza de date Hepatita C


Denumirea cmpului

Semnificaia cmpului, valori posibile, uniti de msur

CNP

Codul numeric personal al pacientului. Informaia este


14

Fundamente de sisteme biologice i informatic medical


reinut doar pentru a putea identifica ulterior pacientul. Nu
este folosit n nici un fel de prelucrare sau afiare,
pstrndu-se astfel confidenialitatea informaiilor.
Vrst

Vrsta pacientului n momentul diagnosticrii.

Sex

1 masculin, 0 feminin

Locaie

1 rural, 0 urban

Schem trat INF

Schema de tratament cu interferon (interferon, interferon 2a, interferon -2b) i doza sptmnal utilizat.

Ribavirin

Doza de ribavirin n mg/zi.

Rezultat

Modul n care pacientul rspunde la tratament: 0 rspunde,


1 nu rspunde la INF, 2 nu rspunde la Peg INF, 3
recdere n urma tratamentului cu INF, 4 recdere n urma
tratamentului cu Peg INF, 5 ntreruperea tratamentului din
cauza efectelor adverse.

PBH Knodell total

Scorul Knodell total (indice de activitate histologic). Are


valori cuprinse n intervalul 0 22 i prezint patru
componente (N, L, I i F) descrise n continuare.

Necroza cu valori n intervalul 0 10

Degenerarea intralobular cu valori n intervalul 0 4

Inflamaia portal cu valori n intervalul 0 4

Fibroza cu valori n intervalul 0 4

TGP 0luni, 3luni, 6luni,


9luni, 12luni

Numr real, reprezentnd valoarea TGP-ului la nceputul


tratamentului, respectiv la 3, 6, 9 i 12 luni de tratament

TGO 0luni, 3luni, 6luni,


9luni, 12luni

Numr real, reprezentnd valoarea TGO-ului la nceputul


tratamentului, respectiv la 3, 6, 9 i 12 luni de tratament

GGT 0luni, 3luni, 6luni,


9luni, 12luni

Numr real, reprezentnd valoarea GGT-ului la nceputul


tratamentului, respectiv la 3, 6, 9 i 12 luni de tratament

ARN VHC 0luni, 3luni,


6luni, 9luni, 12luni

Numr ntreg, exprimat n uniti internaionale/ml,


reprezentnd valoarea ARN-VHC-ului la nceputul tratamentului, respectiv la 3, 6, 9 i 12 luni de tratament

Leuc 0luni, 3luni, 6luni,

Leucocite / mm3
15

5. Reele neuronale artificiale


9luni, 12luni
Hb 0luni, 3luni, 6luni,
9luni, 12luni

Hemoglobin gr/100ml

Tc 0luni, 3luni, 6luni,


9luni, 12luni

Trombocite / mm3

BT 0luni, 3luni, 6luni,


9luni, 12luni

Bilirubina total mg/100ml

Ac anti VHC 0luni, 3luni,


6luni, 9luni, 12luni

Anticorpi antiVHC: 1 pozitiv, 0 negativ

Sistemul de predicie folosete ca date de intrare cmpurile: vrst, sex, locaie, tip de
tratament, scorul Knodell, fibroza, precum i rezultatele analizelor de laborator nainte de
nceperea tratamentului pentru indicatorii TGP, TGO, GGT i ARN VHC.

Bibliografie
[1]

ALBU A., DRGULESCU A.: Medical Diagnosis using Artificial Neural


Networks, Proceedings of the XI-th International Conference on Vibration
Engineering, vol. 50(64), pp.1-4, Timioara, 2005

[2]

EGMONT-PETERSENA M., DE RIDDERB D., HANDELSC H.: Image processing with neural networksa review, Pattern Recognition 35, The Journal of the
Pattern Recognition Society, 22792301, 2002

[3]

HAGAN M.T., DEMUTH H.B., BEALE M.H., Neural Network Design, Boston,
MA: PWS Publishing, 1996

[4]

KARKANIS S., MAGOULAS G.D., THEOFANOUS N.: Image Recognition and


Neural Networks: Intelligent Systems for the Improvement of Imaging Information,
Minimal Invasive Theraphy and Allied Technologies, vol. 9, pp. 225-230, 2000

[5]

KARKANIS S.A., IAKOVIDIS D.K., MAROULIS D.E., MAGOULAS G.D.,


THEOFANOUS N.G.: Tumor recognition in endoscopic video images using
Artificial Neural Networks Architectures, Ed. Los Alamitos, CA: IEEE Press, 2000

[6]

MAIELLARO P.A., COZZOLONGO R., MARINO P., Artificial Neural Networks


for the Prediction of Response to Interferon Plus Ribavirin Treatment in Patients
with Chronic Hepatitis C, Current Pharmaceutical Design, 10:2101-2109, 2004

[7]

PAPIK K., MOLNAR B., SCHAEFER R., DOMBOVARI Z., TULASSAY Z.,
FEHER J.: Application of neural networks in medicine a review, Med Sci Monit,
4(3):538-546, 1998

[8]

SALIM N.: Medical diagnosis using neural networks, Faculty of Information


Technology, University Utara Malaysia, Sintok, Kedah, 2004

16

Fundamente de sisteme biologice i informatic medical


[9]

SORDO M.: Introduction to Neural Networks in Healthcare, Open Clinical:


Knowledge Management for Medical Care, Harvard, 2002

[10]

The Statistics Homepage: Neural Networks,


www.statsoftinc.com/textbook/stathome.html

[11]

STERGIOU C., SIGANOS D.: Neural Networks, Surprise 96 Journal, Department


of Computing, Imperial College of Science Technology and Medicine, London,
1995

[12]

TIPONU V., CLEANU C.D.: Reele neuronale. Arhitecturi i algoritmi, Editura


Politehnica, Timioara, 2002

[13]

www.math.uvt.ro/zaharie/cnn1.htm, ZAHARIE D.: Neural Networks, Curs pentru


anul III, secia Informatic, Universitatea de Vest, Timioara, 2004

[14]

ZURADA J.M.: Introduction to Artificial Neural Systems, West Publishing


Company, United States of America, 1992

17

5. Reele neuronale artificiale

Nr. crt.

varsta

sex

locatia

schema
trat IFN

rez

Knodell

TGP - 0 l

TGO - 0 l

GGT - 0 l

ARN VHC
0l

TGP - 3 l

Anexa2
ZonabazeidedatececoninepacieniiinfectaicuvirusulhepatiteiC

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

3
3
3
3
3
3
2
3
3
3
3
3
3
4
2
2
3
3
2
2
2
3
1
3
1
3
3
3
3
3
2
1
4
4
4
3
3
3
2
3
2
2
2
1
1
3
3
3

1
0
0
1
1
1
1
1
0
0
0
1
0
0
1
0
1
1
1
1
1
1
0
1
0
1
1
0
0
1
0
0
1
1
0
1
1
1
0
1
1
1
0
1
1
1
1
1

0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
1
1
0
0
0
1
0
0
0
1
0
1
1
0
1
1
0
0
0

3
3
2
2
3
2
3
3
3
1
3
2
3
1
3
2
2
3
3
1
3
3
1
3
1
2
3
1
3
3
1
2
1
3
2
1
2
3
2
3
1
3
1
1
3
1
3
2

2
2
0
2
2
1
0
0
5
1
2
0
2
0
0
0
0
0
0
1
2
5
0
4
0
2
0
0
0
2
0
5
1
2
0
0
0
0
0
0
3
2
0
1
0
3
2
0

10
16
7
12
15
17
7
10
9
14
14
14
8
14
6
10
16
7
13
15
15
11
7
11
13
10
17
8
7
-1
10
8
7
7
7
7
13
12
7
8
15
15
10
-1
10
12
12
12

1
4
0
3
3
3
-1
1
-1
3
3
1
1
3
1
1
3
-1
2
3
3
1
0
1
1
1
4
1
-1
0
1
1
0
0
-1
-1
2
2
0
1
3
3
1
0
1
3
3
1

1.484
4.707
1.000
1.250
1.935
2.406
1.000
1.000
2.244
2.484
1.561
6.613
2.400
1.243
2.000
1.408
2.162
2.174
1.378
1.143
1.000
2.323
1.000
1.323
6.592
1.323
1.353
1.375
1.000
3.839
1.125
1.378
1.484
1.800
1.370
1.129
1.618
1.258
1.676
3.290
-1.000
1.478
1.645
0.000
6.140
1.694
1.898
1.000

1.323
4.459
1.050
1.730
2.129
1.710
1.127
1.129
2.135
1.581
1.432
5.323
2.725
1.325
1.255
3.233
2.575
2.878
1.218
1.022
1.081
2.367
1.429
2.226
3.878
1.156
1.127
1.000
1.000
3.800
1.800
1.415
1.340
1.946
2.756
1.000
1.200
2.313
2.036
4.075
-1.000
1.449
1.968
-1.000
5.588
1.022
1.000
1.000

-1.000
2.480
-1.000
2.028
2.000
-1.000
-1.000
-1.000
-1.000
4.281
1.800
-1.000
1.188
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
-1.000
-1.000
1.000
1.230
1.171
-1.000
1.000
-1.000
2.250
-1.000
-1.000
2.306
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
3.750
-1.000
-1.000
-1.000
3.375
2.313
-1.000

844,000.000
350,000.000
396,567.000
415,000.000
1,520,000.000
793,000.000
68,654.000
179,000.000
2,325,581.000
-1.000
125,000.000
2,325,581.000
816,000.000
-1.000
2,325,581.000
119,000.000
1,510,000.000
1,185,424.000
12,999.000
-1.000
709,000.000
211,000.000
-1.000
280,000.000
-1.000
594,000.000
307,000.000
-1.000
2,325,581.000
1,000,000.000
-1.000
1,000.000
980,000.000
1,987,957.000
2,189,861.000
222,000.000
849,000.000
2,325,581.000
977,383.000
945.000
-1.000
2,325,581.000
-1.000
-1.000
-1.000
-1.000
1,240,829.000
369,000.000

1.000
1.473
1.000
1.000
1.636
-1.000
-1.000
-1.000
-1.000
1.000
1.000
3.258
1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000
1.200
1.000
-1.000
-1.000
1.000
1.000
1.000
-1.000
1.000
-1.000
3.145
1.000
-1.000
1.000
1.000
-1.000
1.000
1.000
-1.000
1.000
1.710
1.041
1.000
1.000
-1.000
2.488
-1.000
1.036
1.000

18

Nr. crt.

TGO - 3 l

GGT - 3 l

ARN
VHC
3l

TGP - 6 l

TGO - 6 l

GGT - 6 l

ARN
VHC
6l

Fundamente de sisteme biologice i informatic medical

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

1.000
1.882
1.000
1.000
1.971
-1.000
-1.000
-1.000
-1.000
1.000
1.000
2.452
1.147
1.000
-1.000
-1.000
1.000
-1.000
-1.000
1.243
1.162
-1.000
-1.000
1.000
1.000
1.000
-1.000
1.000
-1.000
6.500
1.000
-1.000
1.290
1.000
-1.000
1.000
1.000
-1.000
1.000
1.300
1.367
1.000
1.000
-1.000
2.971
-1.000
1.118
1.000

-1.000
-1.000
-1.000
-1.000
1.889
-1.000
-1.000
-1.000
-1.000
-1.000
1.200
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
4.194
2.219
-1.000
-1.000
-1.000
-1.000
2.222
-1.000

107,693.000
-1.000
362.000
396.000
1,539,678.000
-1.000
-1.000
-1.000
-1.000
-1.000
218.000
23.000
3,636.000
-1.000
-1.000
-1.000
429.000
-1.000
-1.000
-1.000
1,720,000.000
-1.000
-1.000
0.600
-1.000
102.000
-1.000
-1.000
-1.000
30,121.000
-1.000
-1.000
-1.000
145,368.000
-1.000
-1.000
23.000
-1.000
23.000
23.000
-1.000
1,427,081.000
-1.000
-1.000
-1.000
-1.000
77,400.000
50.000

-1.000
1.164
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000
1.194
-1.000
-1.000
1.000
1.000
1.000
1.000
-1.000
1.000
-1.000
-1.000
1.000
-1.000
1.800
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
1.000
1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000

-1.000
1.382
-1.000
1.088
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000
1.261
-1.000
-1.000
1.000
1.000
1.000
1.000
-1.000
1.000
-1.000
-1.000
1.000
-1.000
1.946
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
1.000
1.000
1.000
-1.000
-1.000
1.176
-1.000
-1.000
-1.000

-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
3.063
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000

-1.000
41536.000
-1.000
187000.000
-1.000
-1.000
-1.000
-1.000
-1.000
125000.000
538.000
-1.000
-1.000
600.000
-1.000
-1.000
-1.000
-1.000
-1.000
709000.000
-1.000
-1.000
-1.000
-1.000
0.600
138492.000
-1.000
600.000
-1.000
-1.000
-1.000
-1.000
1987957.00
-1.000
-1.000
0.050
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000

19

Knodell

0
1
0
0
0
0
5
1
5
1
2
0
0
0
2
2
0
1
0
0
5
1
4
0
1
2
0
0
2
3
2
0
0
0
5
1
0
2
5
1
0
0
0
0
3
0

15 4
10 1
10 1
16 3
7 0
13 1
16 3
10 1
10 1
13 3
13 3
7 1
9 2
8 -1
11 2
11 -1
10 1
9 1
9 1
9 0
8 1
13 3
11 2
9 0
7 0
7 0
12 3
13 3
10 3
10 1
10 1
8 3
10 1
14 3
-1 0
10 3
8 1
12 1
3 0
10 1
10 1
10 1
10 1
6 1
13 3
10 1

TGP - 3 l

rez

3
1
2
2
2
3
3
1
2
1
3
2
3
2
2
3
2
1
3
3
3
1
2
1
1
3
2
1
3
1
3
2
3
2
2
1
3
3
3
1
3
3
2
1
1
3

ARN VHC
0l

schema
trat IFN

0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
1
0

GGT - 0 l

locatia

1
0
0
0
1
1
1
1
1
1
1
1
1
0
0
1
1
0
0
0
1
0
0
0
0
0
1
0
1
1
1
1
1
0
1
1
1
1
1
0
0
1
0
0
1
1

TGO - 0 l

sex

4
2
2
3
3
4
3
2
2
3
3
3
3
2
3
3
4
2
2
2
3
3
4
2
2
2
3
4
4
4
4
4
3
2
0
4
3
3
3
3
3
3
3
3
3
4

TGP - 0 l

varsta

49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94

Nr. crt.

5. Reele neuronale artificiale

1.876
6.550
2.000
1.618
2.613
1.325
2.968
2.275
3.703
2.200
3.457
1.194
1.000
1.717
2.439
3.286
2.413
1.925
1.425
5.317
1.022
3.525
1.075
3.290
1.065
1.000
4.478
3.968
1.000
1.000
-1.000
6.419
1.097
1.162
-1.000
3.226
1.419
1.677
1.516
1.838
1.000
1.676
1.382
1.516
-1.000
3.774

3.577
2.450
3.225
1.655
2.935
1.645
4.129
6.865
1.000
2.100
4.143
1.484
1.350
4.683
1.324
2.500
3.452
1.432
1.405
3.919
2.000
6.375
3.800
6.387
1.239
1.000
12.581
3.419
1.000
1.154
-1.000
3.871
1.581
1.659
-1.000
3.097
1.000
1.000
1.613
2.400
1.000
2.425
1.273
1.355
-1.000
2.938

-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
4.156
7.583
7.556
-1.000
-1.000
-1.000
1.440
2.778
-1.000
-1.000
-1.000
2.875
-1.000
5.475
-1.000
-1.000
1.490
-1.000
-1.000
-1.000
-1.000
3.184
-1.000
1.000
-1.000
-1.000
-1.000
2.222
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000

2,325,581.000
1,000,000.000
1,000,000.000
2,325,581.000
1,471,071.000
449,000.000
1,000,000.000
1,000,000.000
785,125.000
-1.000
461,000.000
792,151.000
248,779.000
839,000.000
2,325,581.000
2,325,581.000
1,865,449.000
-1.000
80,300.000
1,000,000.000
1,588,271.000
-1.000
-1.000
107,000.000
1,000,000.000
16,595.000
1,309.000
-1.000
293,000.000
653,000.000
386,000.000
894,000.000
597,000.000
1,000.000
-1.000
-1.000
1,732,840.000
1,770,000.000
10.000
-1.000
22.500
1,360,000.000
2,325,581.000
-1.000
-1.000
587,000.000

1.588
3.290
1.324
-1.000
1.097
1.097
-1.000
1.025
1.073
1.000
1.327
1.000
1.027
-1.000
1.582
1.735
-1.000
1.175
1.000
1.000
-1.000
1.000
1.000
1.000
1.000
1.000
7.109
1.000
1.250
-1.000
1.000
1.000
1.129
1.000
-1.000
1.000
1.000
1.000
-1.000
1.000
1.000
1.000
-1.000
-1.000
-1.000
1.000

20

Nr. crt.

TGO - 3 l

GGT - 3 l

ARN VHC
3l

TGP - 6 l

TGO - 6 l

GGT - 6 l

ARN VHC
6l

Fundamente de sisteme biologice i informatic medical

49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94

1.036
1.830
1.000
-1.000
1.032
1.000
-1.000
2.243
4.765
1.161
1.529
1.000
1.175
-1.000
1.088
1.273
-1.000
1.000
1.000
1.000
-1.000
1.243
1.000
1.000
1.000
1.000
7.903
1.000
1.162
-1.000
1.000
1.129
1.000
1.000
-1.000
1.000
1.000
1.000
-1.000
1.000
1.000
1.000
-1.000
-1.000
-1.000
1.000

-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
2.056
3.806
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
-1.000
1.000
-1.000
-1.000
2.563
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000

131.000
-1.000
600.000
-1.000
176.000
23.000
-1.000
785,125.000
-1.000
-1.000
55,265.000
149
5,035.000
-1.000
1,330,000.000
158,000.000
-1.000
-1.000
600.000
23.000
-1.000
-1.000
-1.000
-1.000
-1.000
385.000
50.000
-1.000
147,000.000
-1.000
20,999.000
50.000
600.000
600.000
-1.000
293,000.000
53.000
205,000.000
-1.000
-1.000
23.000
23.000
-1.000
-1.000
-1.000
23.000

-1.000
-1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
3.742
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
1.000
-1.000
1.265
1.000
1.000
1.000
1.000
-1.000
1.000
-1.000
-1.000
-1.000
1.000
1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
-1.000
-1.000
-1.000
-1.000
1.000

-1.000
-1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
4.226
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
1.000
-1.000
1.891
1.000
1.000
1.000
1.000
-1.000
1.258
-1.000
-1.000
-1.000
1.000
1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
-1.000
-1.000
-1.000
-1.000
1.000

-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
7.556
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.203
-1.000
-1.000
1.000
1.000
-1.000
1.917
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000

-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
461000.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
600.000
23.000
16595.000
2320.000
-1.000
600.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
22500.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000

21

Nr. crt.

varsta

sex

locatia

schema
trat IFN

rez

Knodell

TGP - 0 l

TGO - 0 l

GGT - 0 l

ARN VHC
0l

TGP - 3 l

5. Reele neuronale artificiale

95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140

3
4
4
0
3
4
4
3
3
2
2
3
3
2
3
4
4
2
3
4
2
3
4
3
4
3
3
2
4
3
3
2
2
2
3
2
4
3
3
4
4
4
2
3
2
2

1
0
0
0
1
1
1
0
0
1
0
1
1
0
1
1
1
0
0
1
0
0
1
1
1
1
0
0
0
1
1
1
1
1
1
0
1
0
1
1
1
1
0
1
0
1

0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
1

1
1
2
2
1
2
3
3
1
3
3
3
2
3
3
1
3
3
2
3
1
3
2
1
2
3
2
1
2
3
2
2
3
2
3
2
2
1
3
2
3
3
3
2
2
2

0
1
2
4
3
0
2
0
1
0
0
2
2
0
2
1
2
0
0
2
0
2
0
0
0
0
2
1
0
0
0
0
0
0
0
2
0
0
0
5
0
0
0
0
0
0

8
7
3
9
-1
13
9
10
10
7
7
6
12
7
11
12
12
9
7
15
7
10
12
10
12
15
10
-1
14
11
8
12
7
9
10
11
12
12
11
8
10
7
10
10
7
11

1
-1
0
3
0
1
1
1
1
-1
-1
1
1
0
0
1
1
1
0
3
2
0
1
1
1
3
1
0
2
1
1
1
0
0
1
1
2
1
1
1
2
-1
2
1
0
1

1.581
2.756
1.000
1.304
-1.000
2.516
3.161
1.000
1.275
1.000
1.000
-1.000
3.850
1.250
1.543
5.903
2.347
5.226
1.196
2.750
2.225
3.200
1.000
1.194
5.839
1.910
1.486
3.293
2.220
4.710
1.000
2.558
-1.000
1.000
3.645
3.500
1.774
-1.000
2.971
1.258
1.000
2.452
1.098
4.886
1.088
1.871

1.452
2.324
1.000
1.122
-1.000
2.548
2.871
1.000
1.108
1.161
2.537
-1.000
2.622
3.775
2.258
5.806
2.435
3.194
3.024
2.825
1.108
2.613
2.484
1.097
4.647
1.869
1.244
2.323
1.270
1.848
1.225
2.647
-1.000
1.771
4.774
4.108
1.097
-1.000
3.055
1.000
1.000
2.625
1.829
7.171
1.255
3.161

-1.000
1.297
-1.000
-1.000
-1.000
-1.000
6.250
-1.000
-1.000
-1.000
-1.000
-1.000
1.612
-1.000
1.472
1.750
1.344
-1.000
-1.000
-1.000
2.327
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
3.147
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
3.094
-1.000
-1.000
-1.000
-1.000

160,000.000
485,000.000
7,382.000
797,000.000
-1.000
879,000.000
275000
72,200.000
-1.000
2,325,581.000
547,764.000
1,000,000.000
1,000,000.000
2,015,666.000
779,000.000
423,000.000
8,741.000
-1.000
564,916.000
-1.000
-1.000
2,325,581.000
2,290,000.000
-1.000
133,000.000
1,400,000.000
407,000.000
872,000.000
526,000.000
2,930,000.000
859,000.000
1,032,091.000
427,000.000
630,000.000
-1.000
1,000,000.000
702,000.000
-1.000
2,325,581.000
771,000.000
-1.000
430,000.000
1,147,643.000
1,000.000
761,089.000
1,121,815.000

1.000
1.000
1.000
1.189
1.000
1.000
1.581
1.000
1.000
-1.000
-1.000
1.204
1.800
1.000
1.000
2.347
2.290
-1.000
-1.000
1.375
1.171
2.476
-1.000
1.000
-1.000
1.581
1.000
1.000
1.000
-1.000
1.000
1.000
-1.000
-1.000
1.290
2.050
1.000
1.000
-1.000
1.000
1.000
1.258
1.000
1.000
-1.000
-1.000

22

Nr. crt.

TGO - 3 l

GGT - 3 l

ARN VHC
3l

TGP - 6 l

TGO - 6 l

GGT - 6 l

ARN VHC
6l

Fundamente de sisteme biologice i informatic medical

95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140

1.000
1.000
1.000
1.000
1.000
1.000
2.129
1.000
1.000
-1.000
-1.000
1.000
2.000
1.000
1.324
2.435
2.406
-1.000
-1.000
1.250
1.000
2.474
-1.000
1.000
-1.000
1.438
1.000
1.000
1.000
-1.000
1.000
1.000
-1.000
-1.000
1.581
2.054
1.000
1.000
-1.000
1.000
1.000
1.063
1.000
1.086
-1.000
-1.000

-1.000
-1.000
-1.000
1.000
-1.000
-1.000
3.333
1.000
1.000
-1.000
-1.000
1.688
2.306
-1.000
1.472
1.344
-1.000
-1.000
-1.000
2.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.667
-1.000
-1.000
-1.000
-1.000
-1.000
2.438
1.625
-1.000
-1.000
-1.000
-1.000

-1.000
-1.000
28,885.000
600.000
-1.000
25.000
1890016
34.000
-1.000
-1.000
-1.000
-1.000
2,325,581.000
50.000
8,617.000
8,741.000
750.000
-1.000
-1.000
-1.000
-1.000
956,000.000
-1.000
-1.000
-1.000
1,745.000
107,844.000
407,000.000
23.000
-1.000
23.000
50.000
-1.000
-1.000
600.000
-1.000
23.000
-1.000
-1.000
3,891.000
-1.000
23.000
23.000
403.000
-1.000
-1.000

1.097
1.000
-1.000
1.000
1.000
1.000
-1.000
1.000
1.000
-1.000
-1.000
1.975
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
3.161
1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
1.000
-1.000
1.514
-1.000
-1.000
-1.000
1.387
1.000
1.000
1.000
-1.000
-1.000
1.000
1.323
-1.000
1.000
-1.000
-1.000

1.000
1.000
-1.000
1.000
1.000
1.000
-1.000
1.000
1.000
-1.000
-1.000
1.405
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
2.370
1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
1.000
-1.000
1.450
-1.000
-1.000
-1.000
1.290
1.441
1.000
1.000
-1.000
-1.000
1.000
1.125
-1.000
1.000
-1.000
-1.000

-1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
1.139
1.000
-1.000
-1.000
1.041
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
1.750
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000

50.000
7382.000
-1.000
-1.000
-1.000
23.000
-1.000
23.000
72200.000
-1.000
-1.000
44400.000
-1.000
-1.000
46.000
-1.000
-1.000
-1.000
-1.000
-1.000
0.600
-1.000
-1.000
0.600
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
23.000
-1.000
-1.000
-1.000
600.000
637038.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
23.000
-1.000
-1.000

23

Knodell

0
4
0
1
0
0
2
0
0
0
0
0
2
1
2
0
0
0
0
0
0
0
2
0
0
0
1
0
0
0
0
0
0
1
2
0
3
0
1
0
0
0
0
3
2
2

11 0
11 2
7 0
7 0
11 0
10 1
10 1
7 0
9 0
14 3
10 1
14 3
11 1
7 0
7 0
12 1
15 3
15 3
5 0
9 0
13 2
7 0
14 3
10 1
10 1
9 1
11 1
11 1
14 3
9 2
7 0
8 1
11 1
-1 0
-1 0
15 3
5 0
5 -1
15 3
15 3
11 2
7 0
9 1
10 1
10 1
15 3

TGP - 3 l

rez

3
3
3
1
3
2
3
2
2
1
1
2
3
1
2
3
3
3
1
2
3
2
2
2
1
1
1
2
3
3
3
2
1
1
3
2
1
2
1
2
1
3
2
1
2
3

ARN VHC
0l

schema
trat IFN

0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
1
0
1
0
1
0
0
0
0
0
0
1
1
0
0
1
0
0
0
0
0
0
0
0
0
0

GGT - 0 l

locatia

0
0
0
0
0
1
1
0
1
0
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
0
1
1
1
0
0
0
1
1
1
0
0
0
1
0
1
1
0

TGO - 0 l

sex

2
3
2
2
2
3
2
3
2
4
4
4
2
2
2
2
3
3
2
4
3
2
3
3
2
3
2
2
4
3
3
2
2
2
2
3
2
2
2
2
4
3
3
4
4
3

TGP - 0 l

varsta

141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186

Nr. crt.

5. Reele neuronale artificiale

1.475
1.304
1.000
-1.000
1.439
3.097
1.610
1.000
1.065
1.568
2.935
2.935
1.000
3.129
1.419
3.097
2.400
1.000
-1.000
1.348
1.903
1.000
1.853
-1.000
1.816
1.375
1.522
1.000
5.306
4.032
1.000
1.541
1.784
-1.000
1.575
2.179
-1.000
1.250
1.200
1.000
1.388
1.176
1.000
1.959
2.836
1.871

2.000
2.510
2.205
-1.000
3.122
2.548
1.000
1.000
2.484
2.175
2.419
3.548
1.000
1.516
1.000
2.022
1.800
1.000
-1.000
3.425
1.484
1.098
1.200
-1.000
1.429
1.800
1.457
1.000
3.543
3.065
1.000
3.100
2.450
-1.000
1.162
3.050
-1.000
1.290
1.000
1.000
1.081
1.000
1.122
2.217
3.353
2.406

-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
4.194
-1.000
1.000
-1.000
-1.000
20.611
-1.000
-1.000
-1.000
-1.000
-1.000
2.806
-1.000
-1.000
-1.000
2.844
1.000
1.266
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000
1.438
1.361
4.281

380,374.000
-1.000
25,300.000
-1.000
969,000.000
1,450,000.000
987,417.000
1,868,588.000
26,800.000
-1.000
-1.000
1,000,000.000
218,000.000
-1.000
-1.000
128,000.000
1,000,000.000
3,760,000.000
-1.000
142,243.000
484,000.000
1,841,970.000
92,925.000
557,000.000
-1.000
-1.000
-1.000
393,000.000
310,739.000
-1.000
352,000.000
1,000,000.000
1,000,000.000
-1.000
350,000.000
47,554.000
-1.000
1,949,410.000
309,000.000
313,000.000
-1.000
178,000.000
2,325,581.000
-1.000
182,447.000
1,000,000.000

-1.000
1.000
1.000
1.150
-1.000
1.935
1.735
-1.000
1.000
1.000
1.000
2.306
1.000
1.000
1.000
-1.000
1.258
1.000
1.000
1.000
1.323
1.000
1.000
-1.000
1.000
1.000
1.000
1.000
2.900
1.000
1.000
1.000
1.000
1.750
1.000
1.297
1.000
-1.000
1.000
-1.000
1.000
-1.000
-1.000
1.000
1.855
1.145

24

Nr. crt.

TGO - 3 l

GGT - 3 l

ARN VHC
3l

TGP - 6 l

TGO - 6 l

GGT - 6 l

ARN VHC
6l

Fundamente de sisteme biologice i informatic medical

141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186

-1.000
1.625
1.000
1.000
-1.000
1.677
1.690
-1.000
1.129
1.000
1.000
2.103
1.000
1.000
1.000
-1.000
1.419
1.000
1.000
1.000
1.452
1.000
1.500
-1.000
1.000
1.000
1.000
1.000
2.054
1.065
1.000
1.000
1.000
1.270
1.000
1.000
1.200
-1.000
1.000
-1.000
1.000
-1.000
-1.000
1.000
2.529
2.088

-1.000
1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
7.563
-1.000
1.000
-1.000
-1.000
2.111
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
-1.000
-1.000

-1.000
-1.000
23.000
-1.000
-1.000
13,463.000
54,500.000
-1.000
23.000
-1.000
-1.000
23.000
13,587.000
1,650.000
290,000.000
-1.000
1,170.000
23.000
-1.000
23.000
600.000
23.000
64,100.000
-1.000
-1.000
0.600
-1.000
7,370.000
23.000
600.000
23.000
23.000
-1.000
-1.000
336,000.000
23.000
-1.000
-1.000
22,500.000
-1.000
600.000
-1.000
-1.000
600.000
566,922.000
28,808.000

-1.000
1.000
1.000
1.625
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
2.710
-1.000
1.419
-1.000
-1.000
1.065
-1.000
1.000
-1.000
1.161
-1.000
-1.000
-1.000
1.000
1.000
1.000
1.000
1.727
1.000
1.000
1.135
1.000
1.575
-1.000
-1.000
1.000
-1.000
1.000
-1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000

-1.000
1.000
1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.000
2.290
-1.000
1.000
-1.000
-1.000
1.032
-1.000
1.000
-1.000
1.000
-1.000
-1.000
-1.000
1.000
1.000
1.000
1.000
2.118
1.452
1.000
1.275
1.000
1.162
-1.000
-1.000
1.000
-1.000
1.000
-1.000
1.000
-1.000
-1.000
1.000
-1.000
-1.000

-1.000
1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
11.889
-1.000
-1.000
-1.000
-1.000
1.500
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
1.000
1.250
-1.000
1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000

-1.000
600.000
-1.000
25300.000
-1.000
-1.000
-1.000
-1.000
-1.000
0.600
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
100.000
-1.000
393.000
23.000
-1.000
-1.000
-1.000
-1.000
23.000
350000.000
-1.000
-1.000
-1.000
-1.000
313000.000
-1.000
50.000
-1.000
-1.000
-1.000
-1.000
-1.000

25

TGP - 0 l

TGO - 0 l

GGT - 0 l

ARN VHC
0l

TGP - 3 l

1
1
3
1
0
3
0

1.239
1.000
-1.000
1.290
1.323
3.976
-1.000

1.367
1.571
-1.000
1.194
1.156
3.324
-1.000

2.250
-1.000
-1.000
-1.000
-1.000
2.780
-1.000

1,000,000.000
2,279,563.000
-1.000
71,458.000
-1.000
528,000.000
380,374.000

1.000
1.000
1.000
-1.000
1.677
1.000
-1.000

ARN VHC
6l

12
10
12
10
7
10
11

GGT - 6 l

Knodell

2
0
0
0
0
2
0

TGO - 6 l

rez

3
2
3
2
2
3
3

TGP - 6 l

schema
trat IFN

0
0
0
1
0
0
0

ARN VHC
3l

locatia

1
1
0
1
1
0
0

GGT - 3 l

sex

3
2
3
3
3
3
3

TGO - 3 l

varsta

187
188
189
190
191
192
193

Nr. crt.

Nr. crt.

5. Reele neuronale artificiale

187
188
189
190
191
192
193

1.000
1.000
1.000
-1.000
2.258
1.000
-1.000

-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000

735,745.000
23.000
-1.000
-1.000
600.000
17,020.000
-1.000

-1.000
-1.000
1.000
-1.000
1.000
-1.000
-1.000

-1.000
-1.000
1.000
-1.000
1.000
-1.000
-1.000

-1.000
-1.000
1.000
-1.000
-1.000
-1.000
-1.000

-1.000
-1.000
-1.000
-1.000
-1.000
-1.000
-1.000

26