Use of neural networks for medical and psychological support of military personnel: retrospective study

Full Text

Введение. Область искусственного интеллекта (ИИ) направлена на понимание и разработку компьютерных систем, способных выполнять задачи, которые обычно требуют человеческого интеллекта [1–3]. Наиболее распространенным методом классификации ИИ является разделение его на сильный и узконаправленный [4]. Сильный ИИ относится к универсальному алгоритму обучения и действия в любой области. Это – интеллект человеческого уровня, умеющий выполнять когнитивные задачи в различных областях и контекстах, на которые способен обычный человек. Сюда входят такие задачи, как понимание контекста и осмысление окружающей среды, склонность к рассуждению, проявление творческих способностей [5, 6]. К узконаправленному ИИ относятся алгоритмы, реализуемые посредством машинного обучения, которые выполняют задачи в заданных границах, в определенной предметной области [7].

Количество публикаций на тему медико-психологического сопровождения военнослужащих с применением технологии машинного обучения имеет тенденцию к увеличению, указывая на растущий интерес исследователей к данной проблеме [8]. При сопровождении военнослужащих иностранных государств наиболее стабильно учеными применяются нейронные сети, логистическая регрессия и дерево решений, метод Байесовского алгоритма [9].

Цель. Оценить возможности применения нейронных сетей в медико-психологическом сопровождении военнослужащих.

Материал и методы. Обследованы 1822 курсанта Военного учебно-научного центра Военно-Морского Флота «Военно-морская академия имени Адмирала Флота Советского Союза Н. Г. Кузнецова» в возрасте от 18 до 27 лет, которых разделили на 2 группы: «Норма» (n = 1507); «Дезадаптация» (n = 315). Обследование провели с применением многофакторного личностного опросника (МЛО) «Адаптивность» и методики диагностики интеллектуального развития КР-3-85 [10].

Статистическую обработку выполняли с применением пакета программ Statistica 10.0. Результаты проверили на нормальность показателей с помощью критерия Колмогорова–Смирнова. Сравнительный анализ показателей с нормальным распределением оценивали при помощи t-критерия Стьюдента. Сделан анализ ранговой корреляции Спирмена с целью проверки данных на мультиколлинеарность, которая затрудняет оценку и анализ общего результата, может стать причиной переобучаемости модели, что приведет к неверному результату и увеличит сложность модели машинного обучения. Математическое моделирование осуществили с использованием нейронных сетей.

Эффективность модели оценивали по уровню чувствительности, специфичности и точности прогноза. Чувствительность (истинно положительная пропорция) отражает долю положительных результатов, которые правильно идентифицированы. Специфичность (истинно отрицательная пропорция) отражает долю отрицательных результатов, которые правильно идентифицированы. Точность отражает, какой процент положительных объектов правильно классифицирован.

Результаты. При анализе результатов обследования выявлено, что курсанты с дезадаптацией характеризуются более низкими показателями личностного адаптационного потенциала, моральной нормативности, результатами тестов: память на фигуры, установление закономерности (табл. 1).

Таблица 1

Показатели обследованных, M (SD), балл

Table 1

Indicators of the examined people, M (SD), score

При проверке данных на наличие линейной зависимости между предикторами (мультиколлинеарность) выявлено, что показатели личностного адаптационного потенциала методики МЛО «Адаптивность» и общее интеллектуальное развитие методики КР-3-85 являются интегральными и имеют высокий коэффициент корреляции с другими показателями (от 0,65 до 0,87 при р < 0,01). Таким образом, при обучении моделей данные показатели неприменимы.

Проведено обучение нейронной сети с помощью метода многократных подвыборок. Обследованные случайным образом разделены на подвыборки: 70 % – обучающая, 15 % – контрольная и 15 % – тестовая. Тип сети: многослойный персептрон и радиальная базисная функция. Согласно теореме Колмогорова – Арнольда – Хехт – Нильсена [11], количество скрытых нейронов расположено в пределах от 20 до 148. Обучение проводили с участием 20, 100 и 148 скрытых нейронов.

Программой было сгенерировано более 70 сетей типа «двухслойный персептрон», из них выбраны сети под номерами 7, 14, 17 и 51, обладающие наилучшими прогностическими способностями. Характеристики сетей приведены в табл. 2.

Топология сети отображена в первом столбце – Архитектура. В первой строке имеем: 7.MLP 13-20-2: 7 – номер сети, MLP – многослойный персептрон, архитектура представлена следующими тремя цифрами: первое число (13) указывает на количество входящих переменных в модели сети, второе (20) – на количество скрытых нейронов, третье (2) – число выходных нейронов, количество прогнозируемых качеств. В трех последующих столбцах таблицы отображены производительности сетей – процент правильно классифицированных сетью объектов в обучающей, тестовой и контрольной выборке (см. табл. 2).

Таблица 2

Характеристики нейронных сетей классификации курсантов с дезадаптацией

Table 2

Characteristics of neural networks for classifying cadets with maladaptation

При построении сети был использован алгоритм обучения Broyden Fletcher-Goldfarb-Shanno (BFGS). Цифра 31 рядом с наименованием алгоритма обучения для сети 7 указывает на количество итераций, за которые сеть была обучена.

Для выбора более эффективной сети проводили анализ матрицы ошибок классификации, включающей все подвыборки (табл. 3).

Таблица 3

Матрица ошибок классификации, выбранных моделей

Table 3

Classification error matrix of selected models

Выявлено, что сеть 7 имеет более высокую прогностическую способность – 83,6 %, а также площадь под ROC-кривой – 0,65 (табл. 4).

Таблица 4

Площади под ROC-кривыми и пороги ROC-кривых нейронных сетей

Table 4

Areas under ROC curves and thresholds of ROC curves of neural networks

Таким образом, нейронная сеть MLP 13-20-2 является более эффективной в диагностике социальной дезадаптации курсантов среди других сетей.

Ведущими показателями, определяющими модель 7.MLP 13-20-2, являются показатели: «кубы» (1,06), арифметический счет (1,06), моральная нормативность (1,05), коммуникативный потенциал (1,03), узоры (1,03), аналогии (1,03) и память на фигуры (1,03).

Чувствительность модели равна 0,12, специфичность – 0,98, точность – 0,64.

Обсуждение. Полученные результаты подтверждают выводы других ученых, что нейронные сети способны с высокой точностью классифицировать различные состояния [12, 13]. Решение задач классификации является важнейшей областью применения нейронных сетей. Основная задача нейронной сети при обучении – выделять сходства и различия. На этапе обучения возникают определяющие связи между входными и выходными параметрами. Определенным недостатком нейронной сети является отсутствие полной информации у исследователя о выявленных связях и закономерностях [14].

Заключение. Нейронная сеть – мощный инструмент систематизации, позволяющий достоверно классифицировать курсантов с социально-психологической дезадаптацией. При этом нейронная сеть характеризуется высокой специфичностью. Применение нейронных сетей повысит эффективность мероприятий медико-психологического сопровождения курсантов.

Потенциальный конфликт интересов: автор заявляет об отсутствии конфликта интересов.

Disclosure. The author declare that they have no competing interests.

Финансирование: исследование проведено без дополнительного финансирования.

Funding: the study was carried out without additional funding.

About the authors

Alexey N. Yatmanov

Author for correspondence.
Email: yan20220@mail.ru
ORCID iD: 0000-0003-0043-3255

Cand. of Sci. (Med.), Doctoral Student

References

Supplementary files