1
ТОШК
E
НТ
АХБОРОТ
Т
EX
НОЛОГИЯЛАРИ
УНИВ
E
РСИТ
E
ТИ
ҲУЗУРИДАГИ
ИЛМИЙ
ДАРАЖАЛАР
Б
E
РУВЧИ
DSc.27.06.2017.
Т
.07.01
РАҚАМЛИ
ИЛМИЙ
КЕНГАШ
ТОШК
E
НТ
АХБОРОТ
Т
EX
НОЛОГИЯЛАРИ
УНИВ
E
РСИТ
E
ТИ
РЎЗИБОЕВ
ОРТИҚ
БАХТИЁРОВИЧ
КЎКРАК
БЕЗИ
ЎСМА
КАСАЛЛИКЛАРИНИ
ЭРТА
АНИҚЛАШДА
СИМПТОКОМПЛЕКСЛАРНИ
СИНФЛАШТИРИШНИНГ
АЛГОРИТМИК
ТАЪМИНОТИ
05.01.04-
Ҳисоблаш
машиналари
,
мажмуалари
ва
компьютер
тармоқларининг
математик
ва
дастурий
таъминоти
ТЕХНИКА
ФАНЛАР
БЎЙИЧА
ФАЛСАФА
ДОКТОРИ
(PhD)
ДИССЕРТАЦИЯСИ
АВТОРЕФЕРАТИ
Тошк
e
нт
– 2017
2
УДК
:
004.93:618.19
Техника
фанлари
бўйича
фалсафа
доктори
(PhD)
диссертацияси
автореферати
мундарижаси
Оглавление
автореферата
диссертации
доктора
философии
(PhD)
по
техническим
наукам
Contents of dissertation abstract of doctor of philosophy (PhD)
on technical sciences
Рўзибоев
Ортиқ
Бахтиёрович
Кўкрак
бези
ўсма
касалликларини
эрта
аниқлашда
симптокомплексларни
синфлаштиришнинг
алгоритмик
таъминоти
. . . . . . . . . . . . . . . . . . . . . . . . . . .3
Рўзибоев
Ортиқ
Бахтиёрович
Алгоритмическое
обеспечение
классификации
симптомокомплексов
для
диагностики
опухолей
молочной
железы
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .19
Ruzibaev Ortik Baxtiyorovich
Algorithmic support classification symptocomplexes for early diagnosis of breast
tumor diseases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Эълон
қилинган
ишлар
рўйҳати
Список
опубликованных
работ
List of published works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3
ТОШК
E
НТ
АХБОРОТ
Т
EX
НОЛОГИЯЛАРИ
УНИВ
E
РСИТ
E
ТИ
ҲУЗУРИДАГИ
ИЛМИЙ
ДАРАЖАЛАР
Б
E
РУВЧИ
DSc.27.06.2017.
Т
.07.01
РАҚАМЛИ
ИЛМИЙ
КЕНГАШ
ТОШК
E
НТ
АХБОРОТ
Т
EX
НОЛОГИЯЛАРИ
УНИВ
E
РСИТ
E
ТИ
РЎЗИБОЕВ
ОРТИҚ
БАХТИЁРОВИЧ
КЎКРАК
БЕЗИ
ЎСМА
КАСАЛЛИКЛАРИНИ
ЭРТА
АНИҚЛАШДА
СИМПТОКОМПЛЕКСЛАРНИ
СИНФЛАШТИРИШНИНГ
АЛГОРИТМИК
ТАЪМИНОТИ
05.01.04-
Ҳисоблаш
машиналари
,
мажмуалари
ва
компьютер
тармоқларининг
математик
ва
дастурий
таъминоти
ТЕХНИКА
ФАНЛАР
БЎЙИЧА
ФАЛСАФА
ДОКТОРИ
(PhD)
ДИССЕРТАЦИЯСИ
АВТОРЕФЕРАТИ
Тошк
e
нт
– 2017
4
Техника
фанлари
бўйича
ф
алсафа
доктори
(PhD)
диссертацияси
мавзуси
Ўзб
e
кистон
Р
e
спубликаси
Вазирлар
Маҳкамаси
ҳузуридаги
Олий
атт
e
стация
комиссиясида
В
2017.1.PhD/T50
рақам
билан
рўйхатга
олинган
.
Диссертация
Тошкент
ахборот
технологиялари
университетида
бажарилган
.
Диссертация
автор
e
ф
e
рати
уч
тилда
(
ўзбек
,
рус
,
инглиз
(
резюме
))
Илмий
кенгаш
в
e
б
-
саҳифасида
(www.tuit.uz)
ва
"Ziyonet"
А
x
борот
таълим
порталида
(www.ziyonet.uz)
жойлаштирилган
.
Илмий
раҳбар
:
Нишанов
Ахром
Хасанович
техника
фанлари
доктори
Расмий
оппон
e
нтлар
:
Мухамедиева
Дилноза
Тулкиновна
техника
фанлари
доктори
,
профессор
Туракулов
Холбўта
Абилович
техника
фанлари
доктори
,
профессор
Етакчи
ташкилот
:
Тошкент
Давлат
техника
университети
Диссертация
ҳимояси
Тошкент
ахборот
технологиялари
университети
ҳузуридаги
DSc.27.06.2017.
Т
.07.01
рақамли
Илмий
кенгашнинг
2017
йил
« ____ » ______________
соат
___
даги
мажлисида
бўлиб
ўтади
. (
Манзил
: 100202,
Тошкент
шаҳри
,
Амир
Темур
кўчаси
, 108-
уй
.
Тел
.: (99871) 238-64-43,
факс
: (99871) 238-65-52, e-mail: tuit@tuit.uz).
Диссертация
билан
Тошкент
ахборот
технологиялари
университети
Ахборот
-
ресурс
марказида
танишиш
мумкин
(___
рақам
билан
рўйхатга
олинган
). (
Манзил
: 100202,
Тошкент
шаҳри
,
Амир
Темур
кўчаси
, 108-
ўй
.
Тел
.: (99871) 238-65-44).
Диссертация
автореферати
2017
йил
«____»____________
да
тарқатилди
.
(2017
йил
«____» _____________
даги
____
рақамли
реестр
баённомаси
.)
Р
.
Х
.
Хамдамов
Илмий
даражалар
берувчи
илмий
кенгаш
раиси
,
т
.
ф
.
д
.,
профессор
Ф
.M.
Нуралиев
Илмий
даражалар
берувчи
илмий
кенгаш
илмий
котиби
,
т
.
ф
.
д
.
Х
.
Н
.
Зайниддинов
Илмий
даражалар
берувчи
илмий
кенгаш
қошидаги
илмий
с
e
минар
раиси
,
т
.
ф
.
д
.,
профессор
5
КИРИШ
(
фалсафа
доктори
(PhD)
диссертацияси
аннотацияси
)
Диссертация
мавзусининг
долзарблиги
ва
зарурати
.
Жаҳонда
соғлиқни
сақлаш
индустриясини
ахборот
-
коммуникацион
технологиялар
ёрдамида
изчил
ривожланиши
асосида
аҳолига
тиббий
ёрдам
кўрсатиш
,
касаллик
турларини
ва
юзага
келиш
сабабларини
эрта
аниқлаш
ҳамда
мақсадли
даволаш
усулларини
такомиллаштиришга
алоҳида
эътибор
қаратилмоқда
.
Шу
жиҳатдан
«
Кўкрак
бези
ўсма
саратон
касаллиги
(
КБЎСК
)
ҳар
йили
дунёда
1%-2%
ўсиш
кузатилиб
,
АҚШ
ва
Европа
мамлакатларида
кунлик
ҳаётда
маммографик
скрининг
ҳамда
профилактик
кўрикдан
ўтказиш
орқали
КБЎСКларини
эрта
аниқлаш
натижасида
касалликлар
миқдорини
2001
йилда
39%, 2012
йилга
келиб
33%
га
камайтиришга
эришилган
»
1
.
Жаҳонда
катта
ҳажмдаги
тиббий
маълумотларни
қайта
ишлаш
ва
кўкрак
бези
ўсма
касалликларини
эрта
аниқлашда
симптокомплексларни
синфлаштириш
учун
тимсолларни
аниқлашнинг
эвристик
усул
ва
алгоритмларини
ишлаб
чиқиш
билан
боғлиқ
амалий
масалаларни
ечишга
йўналтирилган
илмий
тадқиқот
ишлари
олиб
борилмоқда
.
Бу
борада
,
жумладан
маълумотларни
интеллектуал
таҳлил
қилиш
усул
ва
алгоритмларидан
фойдаланган
ҳолда
тадқиқот
ишида
кўкрак
бези
ўсма
касалликларини
ташхислаш
жараёнларини
тиббий
маълумотлар
таҳлилини
алгоритмик
дастурий
таъминот
ёрдамида
автоматлаштириш
,
дифференциялаш
ва
компьютерли
ташхислаш
тизимларини
ишлаб
чиқиш
муҳим
вазифалардан
бири
ҳисобланади
.
Республикамиз
мустақилликга
эришгач
ахборот
-
коммуникация
технологиялари
имкониятларидан
фойдаланилган
ҳолда
аҳолига
тиббий
хизмат
кўрсатиш
қулайлиги
ва
сифатини
оширишга
алоҳида
эътибор
қаратилмоқда
.
Бу
борада
тиббий
касалликларни
эрта
аниқлаш
ва
мукаммал
даволаш
сифатини
оширишда
компьютерли
ташхислаш
тизимларини
такомиллаштиришда
сезиларли
натижаларга
эришилиб
,
жумладан
саратон
касалликларини
ташхис
қўйиш
бўйича
қарор
қабул
қилишни
қувватловчи
тиббий
автоматлаштирилган
ташхислаш
тизимлари
яратилди
.
Шулар
билан
бир
қаторда
инсоннинг
ўсма
касалликларга
(
ЎК
)
мойиллигида
эрта
ташхис
қўйиш
имконини
берувчи
мазкур
тизимларни
такомиллаштириш
талаб
этилмоқда
.
2017-2021
йилларда
Ўзбекистон
Республикасини
янада
ривожлантириш
бўйича
Ҳаракатлар
стратегиясида
,
жумладан
«...
тиббий
-
ижтимоий
ёрдам
кўрсатиш
тизимини
янада
ривожлантириш
ва
такомиллаштириш
, ...
илғор
ахборот
-
коммуникация
технологияларини
жорий
этиш
ва
улардан
фойдаланиш
»
2
вазифалари
белгиланган
.
Ушбу
вазифаларни
бажариш
,
жумладан
кўкрак
бези
ўсма
касалликларини
эрта
аниқлаш
ва
олдини
олиш
жараёнларини
автоматлаштирилган
дастурий
мажмуаларини
яратиш
муҳим
масалалардан
бири
ҳисобланади
.
1
http://www.oncoforum.ru/o-rake/statistika-raka/statistika-raka-molochnykh-zhelez-v-mire-i-rossii.html
2
Ўзбекистон
Республикаси
Президентининг
2017
йил
7
февралдаги
ПФ
-4947-
сон
“
Ўзбекистон
Рсепубликасини
янада
ривожлантириш
бўйича
ҳаракатлар
стратегияси
тўғрисида
”
ги
Фармони
6
Ўзбекистон
Республикаси
Президентининг
2017
йил
7
февралдаги
ПФ
-4947-
сон
«
Ўзбекистон
Республикасини
янада
ривожлантириш
бўйича
Ҳаракатлар
стратегияси
тўғрисида
»
ги
Фармони
, 2017
йил
4
апрелдаги
ПҚ
-2866-
сон
«2017-2021
йилларда
Ўзбекистон
Республикасида
онкология
хизматини
янада
ривожлантириш
ва
аҳолига
онкологик
ёрдам
кўрсатишни
такомиллаштириш
чора
-
тадбирлари
тўғрисида
»
ги
, 2012
йил
21
мартдаги
ПҚ
-1730-
сон
“
Замонавий
а
x
борот
-
коммуникация
т
e
хнологияларни
жорий
этиш
ва
янада
ривожлантиришнинг
чора
-
тадбирлари
тўғрисида
”
ги
Қарорлари
ва
Вазирлар
Маҳкамасининг
2012
йил
1
ф
e
вралидаги
24-
сон
"
Жойларда
компьютерлаштириш
ва
а
x
борот
-
коммуникацион
т
ex
нология
-
ларини
бундан
кейинги
ривожлантиришга
шароитлар
яратиш
учун
чора
-
тадбирлар
тўғрисида
”
ги
қарори
ҳамда
мазкур
фаолиятга
тегишли
бошқа
меъёрий
-
ҳуқуқий
ҳужжатларда
белгиланган
вазифаларни
амалга
оширишда
ушбу
диссертация
тадқиқоти
муайян
даражада
хизмат
қилади
.
Тадқиқотнинг
р
e
спублика
фан
ва
т
ex
нологиялари
ривожланиши
-
нинг
устувор
йўналишларига
мослиги
.
Мазкур
тадқиқот
р
e
спублика
фан
ва
технологиялар
ривожланишининг
IV. «
Ахборотлаштириш
ва
ахборот
-
коммуникация
технологияларини
ривожлантириш
"
устувор
йўналиши
доирасида
бажарилган
.
Муаммонинг
ўрганилганлик
даражаси
.
Синфлаштириш
масаласини
ҳал
этишда
белгилар
фазосини
шакллантириш
ва
объектларни
бошланғич
тавсифини
самарали
танлаш
ҳамда
объектларни
характерловчи
белгилар
фазоси
ўлчамини
камайтириш
,
яъни
информатив
белгилар
фазосини
шакллантириш
ва
тиббий
маълумотларни
интеллектуал
таҳлил
қилиш
масалаларининг
ривожланиши
ва
уларнинг
қўлланилиши
билан
боғлиқ
тадқиқотлар
қуйидаги
бир
қатор
олимлар
: R.E.Bellman, R.O.Duda,
K.Fukunaga, R.C.Gonzalez, P.E.Hart, A.K.Jain, T.I.Tang, J.T.Tou,
С
.
А
.
Айвазян
,
М
.
А
.
Айзерман
,
Э
.
М
.
Браверман
,
Б
.
С
.
Бессмертный
,
В
.
Н
.
Вапник
,
В
.
И
.
Васильев
,
А
.
А
.
Генкин
,
А
.
Л
.
Горелик
,
Ю
.
И
.
Журавлев
,
Н
.
Г
.
Загоруйко
,
В
.
И
.
Кант
,
Г
.
С
.
Лбов
,
Б
.
Г
.
Миркин
,
Л
.
А
.
Растригин
,
В
.
А
.
Сойфер
,
Я
.
З
.
Цыпкин
ва
бошқаларнинг
ишида
кўриб
чиқилган
.
Ўзбекистонда
М
.
М
.
Камилов
,
Т
.
Ф
.
Бекмуратов
,
Ф
.
Б
.
Абуталиев
,
Э
.
М
.
Алиев
,
Ш
.
Е
.
Туляганов
,
Ш
.
Х
.
Фозилов
,
З
.
Т
.
Адилова
,
Ф
.
Т
.
Адилова
,
Р
.
Х
.
Хамдамов
,
М
.
А
.
Рахматуллаев
,
А
.
Х
.
Нишанов
,
Н
.
А
.
Игнатьев
,
Д
.
Т
.
Мухамедиева
,
А
.
Р
.
Ахатов
ва
бошқаларнинг
тиббий
маълумотларни
интеллектуал
таҳлили
,
тимсолларни
аниқлаш
назарияси
,
тиббий
маълумотларни
қайта
ишлов
бериш
усулларини
ишлаб
чиқишга
катта
хисса
қўшганлар
.
Ҳозирги
кунда
тиббий
маълумотларни
интеллектуал
таҳлил
қилиш
масалаларини
ҳал
этиш
учун
тадқиқ
қилинаётган
объектларни
характерловчи
симптокомплекслар
мажмуасидан
энг
муҳимларини
танлаб
олиш
,
жумладан
,
симптокомплексларни
синфлаштириш
усул
ва
алгоритмлари
ҳамда
дастурий
мажмуалари
яратилган
.
Шунга
қарамай
,
тиббий
маълумотларни
интеллектуал
таҳлил
қилишда
симптокомплексларни
синфлаштириш
ва
7
кластерлаштириш
масалаларини
ечишнинг
такомиллашган
гибрид
усул
ва
алгоритмларини
яратиш
муаммолари
етарли
даражада
ўрганилмаган
.
Диссертация
тадқиқотининг
диссертация
бажарилган
олий
таълим
муассасасининг
илмий
-
тадқиқот
ишлари
режалари
билан
боғлиқлиги
.
Диссертация
тадқиқоти
Мухаммад
Ал
-
Хоразмий
номидаги
Тошкент
ахборот
технологиялари
университетининг
илмий
-
тадқиқот
ишлари
режасининг
ФА
-
А
17-
Ф
056 «
Объект
ҳақидаги
ахборот
ноаниқ
шароитида
маълумотларни
интеллектуал
таҳлил
қилиш
учун
мослашувчан
тимсолларни
таниб
олиш
тизимининг
алгоритмик
таъминоти
» (2009-2012);
БА
-5-017 «
Маълумотлар
интеллектуал
таҳлил
қилиш
усуллари
асосида
кўкрак
бези
ва
бачадон
бўйни
саратонни
ташхислаш
алгоритмлари
ва
дастурий
таъминотини
яратиш
»
(2017-2019)
мавзуларидаги
лойиҳалари
доирасида
бажарилган
.
Тадқиқотнинг
мақсади
кўкрак
бези
ўсма
касалликларини
эрта
аниқлашда
симптокомплексларни
синфлаштиришнинг
модел
,
усул
,
алгоритм
,
дастурий
восита
ва
ҳисоблаш
воситалари
орасида
бўлган
ўзаро
функционал
боғланишларни
ишлаб
чиқишдан
иборат
.
Тадқиқотнинг
вазифалари
:
кўкрак
бези
ўсма
касалликлари
клиник
белгиларини
шакллантириш
усулини
такомиллаштириш
ва
алгоритмини
ишлаб
чиқиш
;
информатив
белгиларни
танлашнинг
қисман
танлов
усули
ва
объектларни
синфлаштиришнинг
“
Аполлон
шари
”
ҳал
қилувчи
қоидасига
асосланган
алгоритм
ишлаб
чиқиш
;
симптокомплексларни
синфлаштиришнинг
гибрид
алгоритмини
ишлаб
чиқиш
;
кўкрак
бези
ўсма
касалликларини
эрта
аниқлашда
информатив
симптокомплексларни
танлаш
ва
синфлаштириш
усул
,
алгоритмларига
асосланган
дастурий
восита
ишлаб
чиқиш
;
дастурий
восита
архитектураси
,
дастур
ва
ҳисоблаш
воситаларининг
функционал
боғликлиги
,
техник
жиҳозларга
қўйиладиган
талаблар
ва
тизим
фаолияти
натижаларини
таҳлил
қилиш
.
Тадқиқотнинг
объекти
сифатида
кўкрак
бези
ўсма
касаллик
симптокомплекслари
,
маълумотлар
базалари
,
касалликни
эрта
аниқлашда
маълумотларни
интеллектуал
таҳлил
қилиш
жараёнлари
қаралган
.
Тадқиқотнинг
предмети
кўкрак
бези
ўсма
касалликларида
информатив
симптокомплексларни
самарали
танлаш
ва
уларни
синфлаштириш
усуллари
ва
ҳисоблаш
экспериментларини
ўтказиш
дастурий
таъминоти
,
синфлаштиришнинг
классик
модел
масалалари
,
кўкрак
бези
ўсма
касалликларини
эрта
аниқлаш
учун
беморларнинг
синфлаштирилган
клиник
белгилари
асосида
кластерлаш
усулларидан
иборат
.
Тадқиқотнинг
усуллари
.
Тадқиқот
жараёнида
маълумотларни
интеллектуал
таҳлил
қилиш
усуллари
,
тимсолларни
аниқлаш
назарияси
,
математик
статистика
усуллари
ва
моделлаштириш
ҳамда
объектга
-
йўналтирилган
дастурлаш
усулларидан
фойдаланилган
.
Тадқиқотнинг
илмий
янгилиги
қуйидагилардан
иборат
:
кўкрак
бези
ўсма
касалликлари
ҳолатини
баҳолаш
учун
тимсолларни
8
аниқлаш
статистик
усуллари
асосида
классификатор
яратилган
;
объектларни
синфлаштиришнинг
“
Апполон
шари
”
ҳал
қилувчи
қоидасига
асосланган
модификацияланган
алгоритми
ишлаб
чиқилган
;
берилган
объектларни
синфлаштириш
масаласини
ечиш
учун
энг
информатив
симптомларни
танлаб
олиш
қисман
танлов
усул
ва
алгоритми
ишлаб
чиқилган
;
кўкрак
бези
ўсма
касалликлари
симптомлар
мажмуасини
оптималлаштириш
ҳисобига
Байес
, KNN, “
Апполон
шари
”
алгоритмларини
биргаликда
қўллаш
асосида
гибрид
алгоритм
ишлаб
чиқилган
;
информатив
симптокомплексларни
танлаш
ва
синфлаштириш
усул
,
алгоритмларига
асосланган
дастурий
восита
,
дастур
архитектураси
ва
ҳисоблаш
воситаларига
талаблар
ишлаб
чиқилган
.
Тадқиқотнинг
амалий
натижалари
қуйидагилардан
иборат
:
кўкрак
бези
ўсма
касаллигини
эрта
аниқлаш
клиник
белгиларини
шакллантирилиш
самарали
усули
,
диагностик
симптокомлексларни
синфлаштириш
масаласини
ечиш
усул
ва
алгоритмлари
ишлаб
чиқилган
;
тиббий
диагностик
симптокомплексларни
самарали
танлашнинг
эвристик
усул
ва
алгоритмлари
асосида
кўкрак
бези
ўсма
касалликларини
эрта
аниқлашнинг
дастурий
таъминоти
яратилган
;
тимсолларни
аниқлашда
ҳал
қилувчи
қоида
“
Апполон
шари
”
ёрдамида
симптокомплексларни
синфлаштиришнинг
дастурий
воситаси
яратилган
;
кўкрак
бези
ўсма
касалликларини
эрта
аниқлаш
алгоритмлари
ва
дастурий
воситаси
яратилган
.
Тадқиқот
натижаларининг
ишончлилиги
.
Масаланинг
математик
жиҳатдан
тўғри
қўйилиши
,
маълумотларни
интеллектуал
таҳлил
қилиш
ва
тимсолларни
аниқлаш
усулларининг
тўғри
қўлланилиши
,
шунингдек
назарий
ва
амалий
тадқиқотлардан
олинган
натижалар
ва
уларнинг
мувофиқлиги
орқали
изоҳланади
.
Тадқиқот
натижаларининг
илмий
ва
амалий
аҳамияти
.
Тадқиқотда
олинган
натижаларнинг
илмий
аҳамияти
кўкрак
бези
ўсма
касаллигини
эрта
аниқлашда
симптокомплексларни
шакллантириш
,
эвристик
усул
асосида
самарали
танлаш
,
синфлаштириш
,
кластерлаштириш
масалаларини
ечиш
усул
ва
алгоримлари
тиббий
қарор
қабул
қилиш
тизимларини
такомиллаштириш
имконини
берган
.
Олинган
назарий
илмий
натижаларни
тиббий
ташхислаш
,
симптокомплексларни
синфлаштириш
ва
симптомлар
мажмуасини
яратилиши
билан
изоҳланади
.
Тадқиқот
натижаларнинг
амалий
аҳамияти
,
ишлаб
чиқилган
усул
ва
алгоритмлар
асосида
кўкрак
бези
ўсма
касалликларини
эрта
аниқлашда
симптокомплексларни
синфлаштириш
учун
тиббий
хизмат
кўрсатиш
сифатини
янги
даражага
кўтаришга
хусусан
кўкрак
бези
ўсма
касалликларини
эрта
аниқлаш
учун
ташхис
самарадорлигини
оширишга
,
хизмат
қилади
.
Ишлаб
чиқилган
усул
ва
алгоритмлари
беморлар
ҳолатини
ўрганилаётган
касалликлар
синфларидан
бирига
тегишлилигини
аниқлаш
ва
ташхис
жараёнини
рационал
баҳолашга
хизмат
қилади
.
9
Тадқиқ
o
т
натижаларининг
жорий
қилиниши
.
Кўкрак
бези
ўсма
касалликларини
эрта
аниқлашда
симптокомлексларни
синфлаштириш
усул
ва
алгоритмлари
ҳамда
тадқиқ
қилинаётган
тиббий
объектларни
характерловчи
симптокомплекслар
мажмуасидан
муҳимларини
танлашнинг
эвристик
усуллари
асосида
:
кўкрак
бези
ўсма
касалликларини
эрта
аниқлашда
симптокомплексларни
синфлаштириш
дастурий
таъминоти
Республика
онкология
ва
радиология
ихтисослаштирилган
илмий
-
амалий
тиббиёт
маркази
Хоразм
вилояти
филиалига
жорий
этилган
. (
Ахборот
технологиялари
ва
коммуникацияларини
ривожлантириш
вазирлигининг
2017
йил
28
сентябрдаги
33-8/6501-
сон
маълумотномаси
).
Илмий
тадқиқот
натижасида
кўкрак
бези
ўсма
касалликларини
эрта
аниқлаш
ва
ташхислашда
,
мукаммал
даволаш
қарорларини
қабул
қилишда
касаллик
даражасига
қараб
симптокомплексларини
синфлаш
имконини
берган
;
симптокомплексларни
синфлаштириш
усул
ва
алгоритмлари
Хоразм
вилояти
,
Хазорасп
тумани
марказий
кўп
тармоқли
шифохонасига
жорий
этилган
(
Ахборот
технологиялари
ва
коммуникацияларини
ривожлантириш
вазирлигининг
2017
йил
28
сентябрдаги
33-8/6501-
сон
маълумотномаси
).
Илмий
тадқиқот
натижасида
тиббий
хизматлар
кўрсатиш
жараёнини
оптималлаштириш
ҳамда
беморларни
моделли
сўровнома
асосида
кўкрак
бези
ўсма
касалликлариини
эрта
аниқлаш
даражасини
1,15
мартага
ошириш
имконини
берган
;
касаллик
даражасини
тоифалаш
усуллари
ва
дастурий
таъминоти
соғлиқни
сақлаш
амалиётига
жумладан
,
Самарқанд
вилояти
,
Самарқанд
шаҳри
2-
сон
шифохонасига
жорий
этилган
(
Ахборот
технологиялари
ва
коммуникацияларини
ривожлантириш
вазирлигининг
2017
йил
28
сентябрдаги
33-8/6501-
сон
маълумотномаси
).
Илмий
тадқиқот
натижасида
беморлар
ҳақида
жамланган
маълумотлар
базасини
математик
қайта
ишлаш
кўкрак
бези
ўсма
касалликларни
эрта
аниқлаш
,
башоратлаш
ва
дифференциал
ташхислаш
имконини
берган
;
кўкрак
бези
ўсма
касалликлари
симптомларини
синфлаштириш
ва
эрта
ташхислашда
тимсолларни
аниқлаш
моделлари
Республика
онкология
ва
радиология
ихтисослаштирилган
илмий
-
амалий
тиббиёт
марказига
жорий
килинган
. (
Ахборот
технологиялари
ва
коммуникацияларини
ривожлантириш
вазирлигининг
2017
йил
28
сентябрдаги
33-8/6501-
сон
маълумотномаси
).
Илмий
тадқиқот
натижасида
кўкрак
бези
ўсма
касалликларини
ташхислашда
тимсолларни
аниқлаш
моделлари
эрта
ташхислаш
аниқлигини
ошириш
,
компьютерли
ташхислаш
орқали
ташхис
вақтини
қисқартириш
ва
касалликни
бошланғич
босқичида
даволаш
имконини
берган
.
Тадқиқ
o
т
натижаларининг
аппробацияси
.
Мазкур
тадқиқот
натижалари
,
жумладан
4
та
халқаро
ва
24
та
республика
илмий
-
амалий
анжуманларида
муҳокамадан
ўтказилган
.
Тадқиқ
o
т
натижаларининг
эълон
қилинганлиги
.
Диссертация
мавзуси
бўйича
жами
40
та
илмий
иш
чоп
этилган
,
Ўзбекист
o
н
Республикаси
10
O
лий
аттестация
к
o
миссиясининг
докторлик
диссертациялари
асосий
натижаларини
чоп
этиш
тавсия
этилган
илмий
нашрларда
12
та
мақ
o
ла
, 4
таси
хорижий
ва
8
таси
республика
журналларида
нашр
қилинган
шунингдек
,
6
та
ЭҲМ
учун
яратилган
дастурий
воситаларни
қайд
қилиш
гувоҳномалари
олинган
.
Диссертациясининг
тузилиши
ва
ҳажми
.
Диссертация
кириш
,
учта
б
o
б
,
хул
o
са
,
фойдаланилган
адабиётлар
рўйхати
ва
ил
o
валардан
иб
o
рат
.
Диссертациянинг
ҳажми
120
бетни
ташкил
этади
.
ДИССЕРТАЦИЯНИНГ
АС
O
СИЙ
МАЗМУНИ
Кириш
қисмида
диссертация
тадқиқотининг
долзарблиги
ва
зарурияти
асосланган
,
тадқиқот
мақсади
ва
вазифалари
ҳамда
объект
ва
предметлари
тавсифланган
,
Ўзбекистон
Республикаси
фан
ва
технологияси
тараққиётининг
устувор
йўналишларига
мослиги
кўрсатилган
,
тадқиқот
илмий
янгилиги
ва
амалий
натижалари
баён
қилинган
,
олинган
натижаларнинг
назарий
ва
амалий
аҳамияти
очиб
берилган
,
тадқиқот
натижаларини
жорий
қилиш
рўйхати
,
нашр
этилган
ишлар
ва
диссертация
тузилиши
бўйича
маълумотлар
келтирилган
.
Диссертациянинг
“
Маълумотларни
интеллектуал
таҳлил
қилишда
синфлаштириш
масаласини
ечиш
математик
усул
ва
алгоритмлари
таҳлили
”
деб
номланган
биринчи
бобида
масаланинг
қўйилиши
,
диссертация
мавзусига
тааллуқли
тадқиқотларнинг
умумлаштирувчи
қисқача
маълумоти
,
шунингдек
келгусида
олинган
натижаларни
муҳ
o
камаси
учун
асосий
таърифлар
ва
ёрдамчи
тасдиқлар
келтирилган
.
Кўкрак
бези
ўсма
саратони
билан
касалланган
беморларнинг
клиник
белгиларини
шакллантирилиш
ва
симптокомплексларни
синфлаштириш
масаласининг
математик
қўйилиши
баён
этилган
.
Тиббиётда
математик
усуллар
–
тиббиёт
ва
соғлиқни
сақлаш
муаммолари
билан
боғлиқ
бўлган
тадқиқот
объектларининг
ҳолатини
аниқлаш
мезонлари
,
баҳолаш
,
таҳлил
этиш
ва
миқдорий
ўзгарувчили
белгилар
тўпламини
шакллантириш
усул
ва
алгоритмларининг
мажмуасидир
.
Берилган
x
X
объектларнинг
кесишмайдиган
m
X
X
X
,...,
,
2
1
қисм
тўпламлар
(
синфлар
)
га
ажратилган
ўргатувчи
танлови
берилган
бўлсин
.
Ҳар
бир
объект
N
белгилар
тўплами
билан
N
, ... , x
, x
x
Х
2
1
кўринишда
берилади
.
Ҳар
бир
p
X
синф
p
m
та
p
m
p
p
x
x
,....,
1
объектлардан
тузилган
бўлсин
,
бу
ерда
)
,...,
,
(
2
1
N
pi
pi
pi
pi
x
x
x
x
,
p
m
i
,
1
.
Берилган
ўқув
танланмалар
r
p
X
x
x
x
p
pm
p
p
p
,
1
,
...,
,
,
2
1
учун
информатив
белгилар
,
симптокомплекслар
-
қисм
фазосини
бир
қийматли
ҳарактерловчи
)
,...,
,
(
2
1
N
p
p
p
p
,
N
i
i
,
1
,
1
;
0
векторни
киритиб
оламиз
.
Бу
ерда
pi
x
- N-
ўлчовли
белгилар
фазоси
вектори
.
Бунда
p
векторнинг
бирга
тенг
бўлган
компоненталарига
мос
келувчи
симптомлар
ажратиб
олинаётган
қисм
фазода
11
симптокомплексларни
билдирса
,
нолга
тенг
бўлган
симптомлари
эса
унга
мос
белгиларни
ажратиб
олинаётган
симптокомлексда
иштирок
этмаслигини
билдиради
.
Таъриф
1.
Евклид
фазоси
N
R
симптокомплекслар
фазосида
)}
,...,
,
(
{
2
1
N
p
p
p
N
p
p
x
R
кўринишда
ифодаланади
ва
симптокомплекслар
N
N
x
x
x
x
R
...,
,
,
2
1
Евклид
фазонинг
p
бўйича
акслантирмаси
дейилади
.
N
R
фазодаги
y
x
,
объектлар
орасидаги
акслантирма
масофа
сифатида
p
N
R
фазодаги
икки
p
x
ва
p
y
объектлар
орасидаги
N
i
i
i
i
y
x
y
x
p
1
2
)
(
Евклид
масофасини
оламиз
.
Таъриф
2.
p
вектор
-
информатив
дейилади
,
агарда
унинг
компоненталари
йиғиндиси
га
тенг
бўлса
,
яъни
мавжуд
симптокомплекслардаги
симптомлар
сони
N
i
i
1
га
тенг
.
Ҳар
бир
симптокомплексдаги
p
-
информатив
вектор
учун
унга
мос
-
ўлчовли
белгилар
қисм
фазоси
аниқланган
ва
бу
қисм
фазоларда
p
мос
N
j
j
j
x
x
1
2
Евклид
нормасини
киритамиз
.
p
X
синфнинг
характерловчи
ўртача
объекти
p
x
қуйидагича
аниқланади
:
r
p
x
m
x
p
m
i
pi
p
p
,
1
,
1
1
.
Қуйидаги
функцияни
киритиб
оламиз
:
p
m
i
p
pi
p
p
p
x
x
m
S
1
2
1
.
p
S
функция
p
X
синфдаги
вектор
асосида
ажратиб
олинган
объектларнинг
ўртача
тарқоқлигини
ифодалайди
.
Информативлик
мезони
сифатида
қуйидаги
функционални
оламиз
:
r
p
p
p
r
q
p
q
p
p
S
x
x
I
1
2
1
,
2
1
.
(1)
Бу
функционал
Фишер
функционалининг
содда
кўринишини
ифодалайди
.
Қуйидаги
белгилашларни
киритиб
оламиз
:
)
,...,
,
(
2
1
N
a
a
a
a
,
)
,...,
,
(
2
1
N
p
p
p
p
b
b
b
b
,
r
q
p
j
q
j
p
j
x
x
a
1
,
2
)
(
,
N
j
,
1
,
p
m
i
j
p
j
pi
p
j
p
x
x
m
b
1
2
)
(
1
,
N
j
,
1
.
У
ҳолда
(1)
функционал
қуйидаги
кўринишга
келади
)
,
(
)
,
(
)
(
p
p
p
p
b
a
I
(2)
12
бу
ерда
(*,*)-
векторларнинг
скаляр
кўпайтмаси
,
j
j
b
a
,
коэффициентлар
p
га
боғлиқ
бўлмагани
учун
олдиндан
ҳисоблаб
олиш
мумкин
.
)
(
p
I
мезонни
ҳар
бир
p
га
мос
қийматини
топиш
учун
N
тартибли
амаллар
бажариш
зарур
бўлади
.
Диссертация
ишининг
мақсад
ва
вазифаларидан
келиб
чиқиб
,
ҳар
бир
берилган
ўқув
танланмаси
объектлари
синфига
мос
ўзларининг
симптокомплексларини
аниқлаш
,
яъни
симптомларни
синфлаштириш
талаб
этилади
.
Юқорида
киритилган
белгилашлар
асосида
берилган
синфга
мос
сифат
мезони
)
(
p
I
ва
талаб
этилаётган
симптокомплекслардаги
симптомлар
сони
p
-
ни
,
p
информатив
симптомлар
фазосида
номаълум
объектларни
классификация
ёки
кластеризация
масаласини
ечиш
учун
ҳар
бир
N
p
,
1
учун
оптимал
p
-
информатив
p
векторлар
мажмуаси
қурилади
}
,
1
},
1
,
0
{
,
:
{
1
r
p
p
p
N
k
p
k
p
p
l
.
Ушбу
мажмуада
ҳар
бир
синфга
мос
p
векторлар
қуйидаги
оптимизация
масаласини
ечиш
натижасида
ҳосил
қилинади
p
p
P
p
P
p
b
a
I
max
)
,
(
)
,
(
)
(
(3).
Диссертациянинг
“
Информатив
белгиларни
танлаш
ва
уларни
синфлаштириш
алгоритмларини
ишлаб
чиқиш
”
деб
номланган
иккинчи
бобида
информатив
белгиларни
самарали
танлашнинг
қисман
танлов
усул
ва
алгоритмлари
ва
тимсолларни
аниқлашда
ҳал
қилувчи
қоида
“
Апполон
шари
”
ёрдамида
объектларни
синфлаштириш
усуллари
ишлаб
чиқишга
бағишланган
.
Дастлаб
информатив
белгиларни
самарали
танлашнинг
,
информатив
ифодасини
аниқлашнинг
таклиф
қилинган
эвристик
алгоритмга
асосланган
усулни
қараб
чиқамиз
.
Фараз
қилайлик
)
,....,
(
1
N
x
x
x
–
ҳолати
аниқланувчи
бемор
бўлсин
ва
)
,...,
(
1
N
p
p
p
–
p
-
чи
синфга
мос
симптокомлекс
бўлсин
.
У
ҳолда
p
p
r
x
x
x
d
p
p
)
(
,
p
x
d
)
(
функция
х
объектни
p
бўйича
қисқартиришга
нисбатан
p
x
синфга
тегишлилик
ўлчовини
аниқлайди
.
Агар
)
(
)
(
min
,
1
x
d
x
d
p
m
p
q
бўлса
,
у
ҳолда
х
объектни
юқори
эҳтимол
билан
q
X
синфга
тегишли
деб
ҳисоблаймиз
.
Бу
муносабатни
q
x
x
p
каби
белгилаймиз
.
p
векторнинг
-
информативлиги
учун
танишнинг
ишончлилик
ўлчовини
киритамиз
.
Ҳар
бир
p
X
синф
p
m
объектлардан
тузилган
.
13
Объектларнинг
умумий
сони
m
p
m
1
га
тенг
.
)
(
–
шундай
объектларнинг
умумий
сони
бўлсинки
,
бунда
қуйидаги
иккита
муносабатлар
q
x
x
,
q
X
x
,
бир
вақтда
бажарилсин
,
яъни
)
(
p
–
объектларнинг
умумий
сонидан
тўғри
танилганлари
сонини
ифодалайди
.
Танишнинг
ишончлилик
ўлчови
сифатида
%
100
)
(
)
(
1
m
p
p
p
m
P
катталик
қўлланилади
.
Кўриб
чиқилган
усул
))}
(
(
)),...,
2
(
(
)),
1
(
(
max{
))
(
(
n
P
P
P
l
P
p
p
p
p
муносабатида
энг
кичик
ни
танлашга
мўлжалланган
.
Қуйидаги
x
z
y
z
R
z
y
x
S
n
1
:
)
,
,
(
,
coX
x
,
coY
y
,
-
const,
1
,
тўплам
“
Апполон
шари
”
деб
аталади
.
Биз
қуйида
1
ҳолатни
кўриб
чиқамиз
.
Тасдиқ
.
)
,
,
(
y
x
S
тўпламни
y
x
,
аниқ
векторлар
учун
унинг
маркази
1
2
2
x
y
a
нуқтада
,
радиуси
1
2
x
y
r
ва
параметри
билан
r
a
z
шар
кўринишида
қуйидагича
ифодалаш
мумкин
“
Апполония
шари
”
ни
қуриш
услуби
учта
параметрга
боғлиқ
:
coX
x
,
coY
y
,
1
.
Масалан
,
агар
барча
X
x
i
лар
учун
y
x
x
x
i
i
бўлса
,
у
ҳолда
1
параметрнинг
x
қиймати
x
x
y
x
i
i
i
X
max
тенгсизлик
орқали
танланади
,
бу
ерда
coX
x
,
coY
y
-
мос
синфларда
coX
x
,
coY
y
ўрталаштирилган
объектлар
.
Ҳосил
қилинган
“
Апполон
шари
”
дан
фойдаланиб
ҳал
қилувчи
қоидани
қурамиз
.
Бунинг
учун
1
,
Y
Y
(
1
,
X
X
)
сонини
юқорида
кўрсатилган
усулга
кўра
танланган
деб
оламиз
ва
Y
(
X
)
синфга
мос
келади
.
Назорат
объекти
w
,
n
R
дан
олинган
бўлсин
.
Агар
қуйидаги
эквивалент
тенгсизликлардан
бири
бажарилса
1
1
2
2
2
Y
Y
Y
Y
y
x
x
y
w
,
x
w
y
w
Y
1
,
(4)
у
ҳолда
)
,
,
(
Y
y
x
S
w
ва
w
объект
Y
синфга
тегишли
бўлади
деб
айтамиз
.
Агар
(4)
тенгсизлик
бажарилмаса
,
бироқ
қуйидаги
эквивалент
тенгсизликлардан
бири
бажарилса
1
1
2
2
2
X
X
X
X
x
y
y
x
w
,
y
w
x
w
X
1
,
(5)
у
ҳолда
)
,
,
(
Y
y
x
S
w
ва
w
объект
X
синфга
тегишли
бўлади
деб
айтамиз
.
Агарда
w
объект
учун
(4)-(5)
тенгсизликлардан
бирортаси
ҳам
бажарилмаса
,
унда
w
объект
таниб
олинмади
деб
ҳисобланади
.
14
Учта
1
X
,
2
X
,
3
X
синфларга
мос
,
1
x
,
2
x
,
3
x
ўртача
векторлар
бўйича
“
Апполония
шари
”
алгоритмини
қўллаб
қуйидаги
2
1
2
,
1
1
1
:
x
x
x
x
x
S
x
,
3
1
3
,
1
1
1
:
x
x
x
x
x
S
x
,
1
2
1
,
2
2
1
:
x
x
x
x
x
S
x
,
3
2
3
,
2
2
1
:
x
x
x
x
x
S
x
,
1
3
1
,
3
3
1
:
x
x
x
x
x
S
x
,
2
3
2
,
3
3
1
:
x
x
x
x
x
S
x
,
тўпламни
аниқлаб
оламиз
,
бу
ерда
3
2
1
,
,
x
x
x
–
константалар
ва
1
1
coX
x
,
2
2
coX
x
,
3
3
coX
x
эканлиги
маълум
.
Агар
1
X
,
2
X
,
3
X
синфлар
учун
тўпламларнинг
1
coX
,
2
coX
,
3
coX
қавариқ
қобиқлари
қатъий
ажралувчи
бўлса
,
у
ҳолда
тўпламларнинг
аниқланишидан
айтиш
мумкинки
,
2
,
1
S
,
3
,
1
S
учун
2
,
1
1
S
X
,
3
,
1
1
S
X
,
1
,
2
2
S
X
,
3
,
2
2
S
X
,
1
,
3
3
S
X
,
2
,
3
3
S
X
бўлади
.
Шунинг
учун
қуйидаги
13
12
1
1
S
S
K
X
,
23
21
2
2
S
S
K
X
,
32
31
3
3
S
S
K
X
муносабатларга
эга
бўламиз
.
Шундай
қилиб
,
ихтиёрий
w
объект
учун
қуйидаги
1
1
X
w
K
w
,
2
2
X
w
K
w
,
3
3
X
w
K
w
муносабатлардан
бири
ўринли
.
Ҳал
қилувчи
қоидаси
қуйидагича
аниқланади
:
3
1
2
1
1
1
1
1
x
w
x
w
x
w
x
w
x
x
(6),
3
2
1
2
2
2
1
1
x
w
x
w
x
w
x
w
x
x
(7),
2
3
1
3
3
3
1
1
x
w
x
w
x
w
x
w
x
x
(8)
Шундай
қилиб
,
учта
синф
учун
ҳал
қилувчи
қоида
(6), (7), (8)
тенгсизликлар
тизимидан
бири
бўлади
.
Бунда
агар
w
вектор
(6), (7), (8)
тенгсизликлар
тизимидан
бирортасини
ҳам
қаноатлантирмаса
,
у
ҳолда
у
таниб
олинмаган
деб
ҳисобланади
.
Диссертациянинг
«
“STS
”
дастурий
воситани
яратиш
ва
уни
классик
модел
масалалари
асосида
тажриба
-
синовдан
ўтказиш
»
деб
номланган
учинчи
бобда
дастурий
воситаси
функционал
тузилмаси
ва
модулларининг
ўзаро
боғланиши
,
ўқув
ва
назорат
танланмалари
ҳамда
симптокомплексларни
шакллантириш
усули
ва
классик
модел
масалаларни
ечиш
ҳамда
дастурий
воситани
кўкрак
бези
ўсма
касаллиги
модел
масаласига
тадбиқи
каби
амалий
масалалар
қаралган
.
Дастурий
восита
MVC (Model View Controller)
архитектураси
асосида
ишлаб
чиқилди
. “STS”
дастурий
восита
модуллари
ёрдамида
синфларга
ажратиш
аниқлигини
солиштиришдан
ташқари
,
алгоритмлар
томонидан
объектларни
синфларга
ажратиш
ва
ўқитиш
учун
кетган
вақтни
таҳлил
қилиш
,
кўкрак
бези
ўсма
касалликларини
эрта
аниқлашда
информатив
симптокомплексларни
танлаш
ва
синфлаштириш
каби
имкониятларга
эга
. “STS”
дастурий
воситанинг
функционал
тузилмаси
имкониятлари
1-
расмда
келтирилган
.
15
Ташхислаш
қисми
Сервер
қисми
МБ
ББ
Маълумотларни
интеллектуал
таҳлил
Тиббий
маълумотларга
қайта
ишлов
бериш
Нормировка
қилиш
Матрица
ва
векторларни
қайта
ишлаш
Информатив
симптокомплексларни
танлаш
алгоритми
Оператор
Клиник
текширув
Бимануал
текширув
Ултратовуш
текширув
Мижозлар
қисми
Классификатор
Информатив
симптокомплексларни
танлаш
Врач
Синфлаштириш
ва
кластерлаштириш
процедураси
“
Апполон
шари
”
алгоритми
Гибрид
алгоритм
Тимсолларни
аниқлаш
статистик
усуллари
Мастопатия
фиброаденома
1-
Расм
. «STS»
дастурий
воситанинг
функционал
тузилмаси
Юқорида
келтирилган
“STS”
дастурий
воситанинг
функционал
тузилмаси
турли
модуллардан
ташкил
топган
.
Ҳар
бир
модулда
алгоритм
алоҳида
динамик
кутубхона
кўринишида
жорий
этилган
ва
дастур
бошқа
модулларга
тегмаган
ҳолда
модернизация
қилиниши
мумкин
.
Бундай
тузилиш
яна
бир
устунлиги
дастурий
воситага
янги
объектларни
синфларга
ажратиш
алгоритмларини
қўшиш
модули
мавжудлигидир
.
Қуйидаги
1-
жадвалда
санаб
ўтилган
модел
масалаларнинг
формал
кўриниши
келтирилган
.
1-
жадвал
.
Модел
масалаларнинг
формал
берилиши
Масаланинг
номи
Синфлар
сони
Белгилар
сони
Объектлар
сони
Хаберман
7
9
214
Диабет
(Pima)
2
8 768
Кўкрак
бези
саратон
(Breast cancer)
2
9 699
Қуйидаги
2-
жадвалда
“
Апполон
шари
”
ҳал
қилувчи
қоида
усули
бошқа
усуллар
билан
солиштирма
таҳлил
натижалари
шуни
кўрсатдики
, “
диабет
”,
“
Хаберман
”, “
кўкрак
бези
саратони
”
масалаларини
ечишда
таклиф
этаётган
усул
бир
қатор
мавжуд
синфлаштириш
алгоритмлари
(SVM, KNN, Navie
Bayes)
натижаларига
қараганда
самаралироқ
.
2-
жадвал
.
“
Апполон
шари
”
ҳал
қилувчи
қоида
усулини
мавжуд
усуллар
билан
солиштирма
таҳлили
Масаланинг
номи
“
Апполон
Шари
” SVM KNN
Naive
Bayes
Диабет
93,21%
92,33% 91,12% 89,62%
Хаберман
93,5%
92,11%
90,7% 88,56%
Кўкрак
бези
саратони
94,72%
91,5% 93,5% 92,89%
16
Шунингдек
3-
жадвалда
ишлаб
чиқилган
ҳал
қилувчи
қоида
“
Апполон
шари
”
алгоритмида
1
бўлгандаги
параметр
турли
қийматларида
олинган
натижалар
келтирилган
.
3-
Жадвал
.
“
Апполон
шари
”
ҳал
қилувчи
қоида
усулида
танлашда
турли
қийматларида
синфлаштириш
аниқлиги
кўрсатгичлари
Маълумотлар
тўплами
-
параметри
турли
қийматлари
=1.1
=1.05
=1.04
=1.03
=1.02
=1.01
Кўкрак
бези
саратони
93,50% 94,00% 94,70% 94,72% 94,73%
94,72%
Диабет
83,43% 84,36% 89,13% 87,49% 88,53%
93,21
Хаберман
83,43% 84,36% 89,13% 87,49% 88,53%
93,5%
.
Диссертациянинг
«
“STS
”
дастурий
воситасини
кўкрак
бези
ўсма
касалликларини
эрта
аниқлаш
масаласига
тадбиқи
»
деб
номланган
тўртинчи
бобда
информатив
симптокомплексларни
танлаш
ва
синфлаштиришда
тажрибаларни
ўтказиш
босқичлари
,
кўкрак
бези
ўсма
касалликларини
синфлаштириш
масаласида
"STS"
дастурий
восита
модулларининг
(“
Апполон
шари
”, KNN,
гибрид
алгоритмлари
)
солиштирма
таҳлили
жадвал
кўринишида
келтирилган
.
Ишлаб
чиқилган
усул
ва
алгоритмларни
тажриба
-
синовдан
ўтказиш
мақсадида
Хоразм
вилояти
,
онкология
диспансери
маслаҳат
поликниликасида
2014-2015
йиллар
мобайнида
82
та
мурожат
қилган
аёлларни
текшириш
натижасида
45
та
аёлда
мастопатия
, 32
тасида
фиброаденома
,
симптомлари
асосида
ҳолда
“
Апполон
шари
”
ҳал
қилувчи
қоида
, KNN
ва
гибрид
алгоритмлари
тажриба
синовдан
ўтказиш
учун
синфлаштириш
масаласи
ечилди
.
Дастлабки
маълумотлар
жадвал
кўринишида
келтирилган
бўлиб
, 2
та
синф
объектлари
мастопатия
ва
фиброаденома
ҳар
бир
объектларни
тавсифловчи
28
та
белгилардан
иборатдир
.
Ҳар
бир
синфда
45-41
тадан
объект
бор
,
яъни
2
1
,
X
X
синфлар
рўйхати
,
28
2
1
,
...
,
,
ij
ij
ij
ij
x
x
x
x
-
кўкрак
бези
ўсма
касалликлари
объекти
бўлиб
,
бу
ерда
k
ij
x
-
i
-
синф
j
объектнинг
k
симптоми
;
i
m
i
-
синф
беморлар
сони
1,28
k
;
m
1,
j
;
2
,
1
i
i
.
Юқорида
қаралаётган
масалада
28
2
1
,
...
,
,
x
x
x
x
объектнинг
кўрсаткичлари
,
яъни
симптомларининг
тиббий
изоҳи
диссертацияда
келтирилган
.
Олинган
натижалар
“STS”
дастурий
восита
ёрдамида
тажриба
-
синовдан
ўтказилди
ва
солиштирма
таҳлилини
ўтказиш
мақсадида
синфлаштириш
масаласини
ечишда
ҳал
қилувчи
қоида
“
Апполон
шари
”,
KNN,
гибрид
алгоритмларини
солиштирма
таҳлили
5-
жадвалда
келтирилган
.
Натижалар
шуни
кўрсатдики
,
кўкрак
бези
ўсма
касалликларини
эрта
аниқлаш
масаласида
алгоритмлар
жуда
яхши
натижа
бермоқда
,
жумладан
байес
, “
Апполон
Шари
”, KNN
алгоритмларига
асосланган
синфлаштириш
гибрид
алгоритмида
(92.88 %)
натижага
эришилди
(5-
жадвал
).
17
4-
жадвал
Синфлаштириш
аниқлиги
натижалари
Алгоритмлар
Синфлаштириш
аниқлиги
KNN
89,55%
“
Апполон
шари
” 90,33%
Гибрид
92,88%
Кўкрак
бези
ўсма
касалликларида
информатив
симптомлар
гуруҳини
танлаш
масаласи
,
ҳар
бир
синфларнинг
ўзлари
учун
алоҳида
симптокомплексларни
аниқлаш
натижалари
2-
расмда
келтирилган
.
1-
синф
Фибродема
Кўкрак
бези
ўсма
касалликлари
1-
синф
Мастопатия
Симптомлар
I
max
(
λ
)
1.
X
16
31.106
2.
X
12 15
47.576
3.
X
8 12 16
33.950
4.
X
8 12 15 16
31.602
5.
X
1 8 12 15 16
27.204
6.
X
1 8 11 12 15 16
23.244
7.
X
1 8 11 12 15 16 17
20.480
8.
X
1 8 11 12 15 16 17 20
18.555
9.
X
1 4 8 11 12 15 16 17 20
17.274
Симптомлар
I
max
(
λ
)
1.
X
23
120.052
2.
X
15 23
121.315
3.
X
15 22 23
86.188
4.
X
15 22 23 28
64.185
5.
X
15 22 23 24 28
56.368
6.
X
10 15 22 23 24 28
46.716
7.
X
10 14 15 22 23 24 28
40.709
8.
X
10 13 14 15 22 23 24 28
36.248
9.
X
5 10 13 14 15 22 23 24 28
32.012
λ
1
=(X
1
,X
4
,X
8
,X
11
,X
12
,X
15
,X
16
,X
17
,X
20
)
λ
2
=(X
5
,X
10
,X
13
,X
14
,X
15
,X
22
,X
23
,X
24
,X
28
)
2-
Расм
.
Фиброаденома
ва
мастопатия
касалликлари
учун
алоҳида
информатив
симптомлар
гуруҳи
2-
Расмда
келтирилган
биринчи
устун
элементлари
-
талаб
қилинган
симптомлар
сонини
ва
симптокомплекслар
гуруҳида
қатнашадиган
информатив
симптокомплекслар
гуруҳини
кўрсатади
ва
иккинчи
устун
эса
функционал
қийматини
кўрсатади
.
Натижага
кўра
,
=9
да
симптокомплекслар
гуруҳи
фиброаденома
синфи
учун
)
,
,
,
,
,
,
,
,
(
20
17
16
15
12
11
8
4
1
1
x
x
x
x
x
x
x
x
x
гуруҳини
ташкил
этади
ва
мастопатия
синфи
учун
ва
)
,
,
,
,
,
,
,
,
(
28
24
23
22
15
14
13
10
5
2
x
x
x
x
x
x
x
x
x
га
тенг
.
Таҳлил
шуни
кўрсатадики
,
ҳар
бир
синф
учун
ўзининг
бир
бирига
боғлиқ
бўлмаган
симптокомплекслари
мавжуд
.
Ушбу
симптокомплекслар
ичидан
фақатгина
x
15
симптом
умумий
.
18
ХУЛОСА
«
Кўкрак
бези
ўсма
касалликларини
эрта
аниқлашда
симптокомплексларни
синфлаштиришнинг
алгоритмик
таъминоти
»
мавзусидаги
диссертация
бўйича
олиб
борилган
тадқиқотлар
натижасида
қуйидаги
хулосалар
тақдим
этилди
:
1.
Кўкрак
бези
касалликлари
клиник
белгилари
(
диагностик
симптокомплекслари
)
ни
шакллантирилиш
усул
ва
алгоритмларини
такомиллаштирилиши
предмет
соҳа
масалалари
объектларни
синфлаштириш
ва
кластерлаштиришни
самарали
ечиш
имконини
беради
;
2.
Информатив
белгиларни
синфлаштиришда
ҳал
қилувчи
қоида
“
Апполон
шари
”
ёрдамида
ўқув
танланмаси
синфларига
мос
симптокомплекслар
мажмуасини
танлашнинг
қисман
танлов
усул
ва
алгоритми
ишлаб
чиқилган
.
Кўкрак
бези
ўсма
касалликларини
эрта
аниқлаш
ва
ташхислашда
,
мукаммал
даволаш
қарорларини
қабул
қилишда
касаллик
даражасига
қараб
симптокомплексларини
синфлаш
имконини
беради
;
3.
Тимсолларни
аниқлашда
KNN,
Байес
усуллари
ва
ҳал
қилувчи
қоида
“
Апполон
шари
”
ёрдамида
яратилган
симптомларни
синфлаштириш
гибрид
алгоритми
ишлаб
чиқилган
.
Натижада
тимсолларни
аниқлаш
усуллари
эрта
ташхислаш
аниқлигини
ошириш
,
яратилган
дастурий
восита
орқали
ташхис
вақтини
қисқартириш
ва
касалликни
бошланғич
босқичида
даволаш
имконини
беради
.
4.
Симптокомплексларни
танлаш
,
синфлаштириш
дастурий
восита
ишлаб
чиқилиши
,
дастур
ёрдамида
экспериментал
тажрибаларни
ўтказиш
босқичлари
ва
классик
модел
масалалари
ечилиши
ҳамда
мавжуд
алгоритмлар
натижалари
солиштирилиши
ишлаб
чиқилган
усул
ва
алгоритмларнинг
самадорлигини
оширишга
хизмат
қилади
.
5.
Кўкрак
бези
ўсма
касалликларини
эрта
аниқлашда
симптокомплексларни
синфлаштириш
усул
ва
алгоритмлари
ишлаб
чиқилган
.
Натижада
тиббий
хизматлар
кўрсатиш
жараёнини
оптималлаштириш
яъни
беморларни
моделли
сўровнома
асосида
кўкрак
бези
ўсма
касалликлариини
эрта
даражасини
1,15
мартага
ошириш
имконини
беради
.
6.
Симптокомплексларни
синфлаштириш
дастурий
воситаси
ишлаб
чиқилган
.
Натижада
беморлар
ҳақида
жамланган
маълумотлар
базасини
математик
қайта
ишлаш
ва
касалликларни
эрта
аниқлаш
,
башоратлаш
ва
дифференциал
ташхислаш
имконини
беради
.
7.
Симптокомплексларни
синфлаштириш
дастурий
воситаси
,
дастур
архитектураси
,
дастур
ва
ҳисоблаш
воситаларининг
функционал
боғланиши
ишлаб
чиқилган
.
Натижада
,
беморлар
ҳақида
жамланган
маълумотлар
базасини
математик
қайта
ишлаш
ва
касалликларни
эрта
аниқлаш
,
башоратлаш
ва
дифференциал
ташхис
қўйиш
ҳамда
дастур
ва
ҳисоблаш
воситаларининг
биргаликда
мукаммал
ишлаш
имконини
беради
.
19
НАУЧНЫЙ
СОВЕТ
DSc.27.06.2017.
Т
.07.01
ПО
ПРИСУЖДЕНИЮ
УЧЕНЫХ
СТЕПЕНЕЙ
ПРИ
ТАШКЕНТСКОМ
УНИВЕРСИТЕТЕ
ИНФОРМАЦИОННЫХ
ТЕХНОЛОГИЙ
ТАШКЕНТСКИЙ
УНИВЕРСИТЕТ
ИНФОРМАЦИОННЫХ
ТЕХНОЛОГИЙ
РУЗИБОЕВ
ОРТИК
БАХТИЁРОВИЧ
АЛГОРИТМИЧЕСКОЕ
ОБЕСПЕЧЕНИЕ
КЛАССИФИКАЦИИ
СИМПТОМОКОМПЛЕКСОВ
ДЛЯ
ДИАГНОСТИКИ
ОПУХОЛЕЙ
МОЛОЧНОЙ
ЖЕЛЕЗЫ
05.01.04-
Математическое
и
программное
обеспечение
вычислительных
машин
,
комплексов
и
компьютерных
сетей
АВТОРЕФЕРАТ
ДИССЕРТАЦИИ
ДОКТОРА
ФИЛОСОФИИ
(PhD)
ПО
ТЕХНИЧЕСКИМ
НАУКАМ
Ташкент
– 2017
20
Тема
диссертации
доктора
философии
(PhD)
по
техническим
наукам
зарегистрирована
в
Высшей
аттестационной
комиссии
при
Кабинете
Министров
Республики
Узбекистан
за
№
B2017.1.PhD/T50.
Диссертация
выполнена
в
Ташкентском
университете
информационных
технологий
.
Автореферат
диссертации
на
трех
языках
(
узбекский
,
русский
,
английский
(
резюме
))
размещен
на
веб
-
странице
научного
совета
(www.tuit.uz)
и
на
Информационно
-
образовательном
портале
«ZiyoNet» (www.ziyonet.uz).
Научный
руководитель
:
Нишанов
Ахром
Хасанович
доктор
технических
наук
Официальные
оппоненты
:
Мухамедиева
Дилноза
Тулкиновна
доктор
технических
наук
,
профессор
Туракулов
Холбута
Абилович
доктор
технических
,
профессор
Ведущая
организация
:
Ташкентский
государственный
технический
университет
Защита
диссертации
состоится
«___» _______ 2017
г
.
в
___
часов
на
заседании
научного
совета
DSc.27.06.2017.
Т
.07.01
при
Ташкентском
университете
информационных
технологий
.
(
Адрес
: 100202,
г
.
Ташкент
,
ул
.
Амира
Темура
, 108.
Тел
.: (99871) 238-64-43;
факс
: (99871) 238-65-
52; e-mail:
tuit@tuit.uz).
С
диссертацией
можно
ознакомиться
в
Информационно
-
ресурсном
центре
Ташкентского
университета
информационных
технологий
(
регистрационный
номер
№
___). (
Адрес
: 100202,
г
.
Ташкент
,
ул
.
Амира
Темура
, 108.
Тел
.: (99871) 238-65-44).
Автореферат
диссертации
разослан
«___ » _____ 2017
года
.
(
протокол
рассылки
№
___
от
«___» ______ 2017
г
.).
Р
.
Х
.
Хамдамов
Председатель
научного
совета
по
присуждению
уч
e
ных
степеней
,
д
.
т
.
н
.,
профессор
Ф
.
М
.
Нуралиев
Ученый
секретарь
научного
совета
по
присуждению
ученых
степеней
,
д
.
т
.
н
.
Х
.
Н
.
Зайниддинов
Председатель
научного
семинара
при
научном
совете
по
присуждению
ученых
степеней
,
д
.
т
.
н
.,
профессор
21
ВВЕДЕНИЕ
(
аннотация
диссертации
доктора
философии
(PhD))
Актуальность
и
востребованность
темы
диссертации
.
В
мире
индустрия
здравоохранения
особое
внимание
уделяет
предоставлению
населению
качественной
медицинской
помощи
,
раннему
диагностированию
заболеваний
и
причин
их
возникновения
,
а
также
совершенствованию
методов
целевого
лечения
на
основе
последовательного
развития
с
помощью
информационно
-
коммуникационных
технологий
.
Вместе
с
тем
, «
заболевае
-
мость
раком
молочной
железы
(
РМЖ
)
в
большинстве
стран
растет
ежегодно
на
1-2%.
В
результате
проведения
повседневного
мамографического
скрининга
и
профилактического
осмотра
в
странах
Европы
и
США
,
ранней
диагностики
РМЖ
,
достигнуто
снижение
уровня
заболеваемости
в
2001
году
на
39%,
а
к
2012
году
–
на
33%»
1
.
В
мире
ведутся
научно
-
исследовательские
работы
,
направленные
на
решение
практических
задач
,
связанных
с
обработкой
медицинских
данных
больших
объемов
и
разработкой
эвристических
методов
и
алгоритмов
определения
симптомов
для
классификации
симптомокомплексов
с
целью
получения
возможности
ранней
диагностики
опухолевых
заболеваний
молочной
железы
.
В
связи
с
этим
,
вопросы
разработки
систем
компьютерной
диагностики
,
автоматизации
и
дифференциации
анализа
медицинских
данных
с
помощью
алгоритмического
программного
обеспечения
,
процессов
диагностики
заболевания
при
опухолях
молочной
железы
с
помощью
методов
и
алгоритмов
интеллектуального
анализа
данных
являются
важными
и
востребованными
.
С
приобретением
независимости
в
нашей
республике
особое
внимание
уделяется
вопросам
повышения
качества
и
оптимизации
предоставления
населению
медицинских
услуг
с
использованием
возможностей
информационно
-
коммуникационных
технологий
.
Достигнуты
значительные
результаты
в
совершенствовании
систем
ранней
диагностики
и
повышения
качества
лечения
заболеваний
,
в
частности
ведется
создание
и
разработка
систем
автоматизированной
диагностики
онкологических
заболеваний
.
Вместе
с
тем
,
необходимо
усовершенствовать
данные
системы
,
позволяющие
осуществить
раннюю
диагностику
предрасположенности
человека
к
злокачественным
новообразованиям
(
ЗН
).
В
Стратегии
действий
по
дальнейшему
развитию
Республики
Узбекистан
на
2017-2021
гг
.,
в
частности
,
определены
такие
задачи
,
как
«...
повышение
доступности
и
качества
медицинского
и
социально
-
медицинского
обслуживания
населения
,
...
внедрение
информационно
-
коммуникационных
технологий
и
их
использование
»
2
.
Выполнение
данных
задач
,
в
частности
создание
автоматизированных
программных
комплексов
для
ранней
диагностики
опухолей
молочной
железы
является
одним
из
важнейших
вопросов
в
настоящее
время
.
1
http://www.oncoforum.ru/o-rake/statistika-raka/statistika-raka-molochnykh-zhelez-v-mire-i-rossii.html
2
Указ
Президента
Республики
Узбекистан
от
7
февраля
2017
г
№
УП
-4947 «
О
стратегии
действий
по
дальнейшему
развитию
Республики
Узбекистан
»
22
Данная
работа
в
определенной
степени
служит
выполнению
задач
,
предусмотренных
Указом
Президента
Республики
Узбекистан
№
УП
-4947
от
7
февраля
2017
г
. «
О
Стратегии
по
дальнейшему
развитию
Республики
Узбекистан
»,
постановлениями
Президента
Республики
Узбекистан
№
ПП
-
2866
от
4
апреля
2017
г
. «
О
мерах
по
дальнейшему
развитию
онкологической
службы
и
совершенствованию
онкологической
помощи
населению
Республики
Узбекистан
на
2017-2021
годы
»,
№
ПП
-1730
от
11
марта
2012
г
.
«
О
мерах
по
дальнейшему
внедрению
и
развитию
современных
информационно
-
коммуникационных
технологий
»,
постановлением
Кабинета
Министров
Республики
Узбекистан
№
24
от
1
февраля
2012
г
. «
О
мерах
по
созданию
условий
для
дальнейшего
развития
компьютеризации
и
информационно
-
коммуникационных
технологий
на
местах
»
и
другими
нормативно
-
правовыми
документами
,
принятыми
в
данной
сфере
.
Соответствие
исследования
с
приоритетными
направлениями
развития
науки
и
технологий
республики
.
Данное
исследование
выполнено
в
соответствии
с
приоритетными
направлениями
развития
науки
и
технологии
IV. «
Развитие
информатизации
и
инфокоммуникационных
технологий
».
Степень
изученности
проблемы
.
Исследования
,
связанные
с
формированием
пространства
признаков
при
решении
вопросов
классификации
и
эффективного
выбора
первоначальной
характеристики
объектов
,
а
также
их
сокращения
,
характеризующих
объекты
,
то
есть
формирование
информативных
признаков
и
интеллектуального
анализа
медицинских
данных
и
их
применение
,
проводились
в
работах
: R.E.Bellman,
R.O.Duda, K.Fukunaga, R.C.Gonzalez, P.E.Hart, A.K.Jain, T.I.Tang, J.T.Tou,
С
.
А
.
Айвазяна
,
М
.
А
.
Айзермана
,
Э
.
М
.
Бравермана
,
Б
.
С
.
Бессмертного
,
В
.
Н
.
Вапника
,
В
.
И
.
Васильева
,
А
.
А
.
Генкина
,
А
.
Л
.
Горелика
,
Ю
.
И
.
Журавлева
,
Н
.
Г
.
Загоруйко
,
В
.
И
.
Канта
,
Г
.
С
.
Лбова
,
Б
.
Г
.
Миркина
,
Л
.
А
.
Растригина
,
В
.
А
.
Сойфера
,
Я
.
З
.
Цыпкина
и
др
.
В
Узбекистане
большой
вклад
в
разработку
методов
интеллектуального
анализа
медицинских
данных
,
теории
распознавания
образов
,
обработки
медицинских
данных
внесли
такие
ученые
как
М
.
М
.
Камилов
,
Т
.
Ф
.
Бекмуратов
,
Ф
.
Б
.
Абуталиев
,
Э
.
М
.
Алиев
,
Ш
.
Е
.
Туляганов
,
Ш
.
Х
.
Фазылов
,
З
.
Т
.
Адылова
,
Ф
.
Т
.
Адылова
,
Р
.
Х
.
Хамдамов
,
М
.
А
.
Рахматуллаев
,
А
.
Х
.
Нишанов
,
Н
.
А
.
Игнатьев
,
Д
.
Т
.
Мухамедиева
,
А
.
Р
.
Ахатов
и
др
.
К
настоящему
времени
для
решения
задач
интеллектуального
анализа
медицинских
данных
разработаны
методы
,
алгоритмы
и
программные
средства
выбора
наиболее
важных
из
множества
симптокомплексов
,
характеризующих
изучаемые
объекты
,
в
частности
для
их
классификации
.
Несмотря
на
это
,
вопросы
разработки
усовершенствованных
гибридных
методов
и
алгоритмов
решения
задач
классификации
и
кластеризации
симптокомплексов
при
интеллектуальном
анализе
медицинских
данных
изучены
недостаточно
,
что
определяет
задачи
,
поставленные
в
настоящем
исследовании
.
23
Связь
темы
диссертации
с
планами
научно
-
исследовательских
работ
высшего
образовательного
учреждения
,
где
выполнена
диссертация
.
Диссертационное
исследование
выполнено
в
рамках
проектов
плана
научно
-
исследовательских
работ
Ташкентского
университета
информационных
технологий
имени
Мухаммада
ал
-
Хоразмий
:
ФА
-
А
17-
Ф
056 «
Алгоритмическое
обеспечение
адаптивной
распознающей
системы
интеллектуального
анализа
данных
в
условиях
неопределенности
информации
об
объектах
» (2009-2012);
БА
-5-017 «
Создание
алгоритмов
и
программного
обеспечения
диагностики
рака
молочной
железы
и
шейки
матки
на
основе
методов
интеллектуального
анализа
данных
» (2017-2019).
Цель
исследования
заключается
в
разработке
моделей
,
методов
,
алгоритмов
,
программного
средства
и
вычислительных
средств
классификации
симптокомплексов
для
ранней
диагностики
опухолевых
заболеваний
молочной
железы
и
определении
функциональных
взаимосвязей
между
ними
.
Задачи
исследования
:
усовершенствование
метода
формирования
клинических
признаков
(
диагностических
симптокомплексов
)
опухолевых
заболеваний
молочной
железы
и
разработка
на
основе
этого
метода
алгоритма
;
разработка
алгоритма
выделения
информативных
признаков
методом
частичного
перебора
и
классификации
объектов
на
основе
решающего
правила
“
шар
Аполлония
”;
разработка
гибридного
алгоритма
классификации
симптокомплексов
;
создание
программного
средства
на
основе
методов
и
алгоритмов
выделения
информативных
симптокомплексов
и
классификации
объектов
для
ранней
диагностики
опухолевых
заболеваний
молочной
железы
;
разработка
архитектуры
программного
средства
,
функциональные
связи
программ
с
вычислительными
средствами
,
требования
к
техническим
устройствам
и
анализ
результатов
работы
системы
.
Объект
исследования
–
симптокомплексы
и
базы
данных
при
опухолевых
заболеваниях
молочной
железы
,
процессы
интеллектуального
анализа
для
ранней
диагностики
этой
патологии
.
Предмет
исследования
–
методы
эффективного
выделения
информативных
симптокомплексов
опухолевых
заболеваний
молочной
железы
и
их
классификации
,
программное
средство
для
проведения
вычислительных
экспериментов
,
классические
модельные
классификацион
-
ные
задачи
,
методы
кластеризации
классифицированных
клинических
признаков
больных
для
их
ранней
диагностики
.
Методы
исследования
.
В
диссертационной
работе
использованы
методы
интеллектуального
анализа
данных
,
теории
распознавания
образов
,
методы
математической
статистики
и
моделирования
,
а
также
объектно
-
ориентированного
программирования
.
Научная
новизна
исследования
заключается
в
следующем
:
на
основе
статистических
методов
распознавания
образов
создан
классификатор
для
оценки
состояния
опухолевых
заболеваний
молочной
24
железы
;
разработан
модифицированный
алгоритм
классификации
объектов
на
основе
решающего
правила
“
шар
Аполлония
”;
разработан
метод
и
алгоритм
частичного
перебора
для
выбора
самых
информативных
симптомов
для
решения
задачи
класиификации
объектов
;
разработан
гибридный
алгоритм
на
основе
совместного
применения
алгоритмов
Байеса
, KNN, «
шара
Аполлония
»
путем
оптимизации
клинических
признаков
опухолевых
заболеваний
молочной
железы
;
разработаны
требования
к
архитектуре
программы
и
вычислительным
средствам
,
программному
обеспечению
,
основанному
на
алгоритмах
,
методах
выбора
информативных
симптокомплексов
и
их
классификации
.
Практические
результаты
исследования
заключаются
в
следующем
:
разработаны
эффективный
метод
формирования
клинических
признаков
для
ранней
диагностики
опухолевых
заболеваний
молочной
железы
,
методы
и
алгоритмы
решения
задачи
классификации
диагностических
симптокомплексов
;
создано
программное
средство
для
ранней
диагностики
опухолевых
заболеваний
молочной
железы
на
основе
эвристического
метода
и
алгоритмов
эффективного
выбора
медицинских
диагностических
симптокомплексов
;
создано
программное
средство
классификации
симптокомплексов
с
помощью
решающего
правила
“
шар
Аполлония
”;
создано
программное
средство
и
алгоритмы
ранней
диагностики
опухолевых
заболеваний
молочной
железы
.
Достоверность
результатов
исследования
обосновывается
адекватной
математической
постановкой
задачи
,
корректным
применением
методов
интеллектуального
анализа
данных
и
распознавания
образов
,
а
также
полученными
результатами
теоретических
и
практических
исследований
и
их
согласованностью
.
Научная
значимость
результатов
исследования
заключается
в
создании
возможностей
по
формированию
симптокомплексов
для
ранней
диагностики
опухолевых
заболеваний
молочной
железы
,
совершенствованию
систем
принятия
медицинских
решений
с
помощью
алгоритмов
и
методов
решения
задач
эффективного
выбора
,
классификации
и
кластеризации
на
основе
эвристического
метода
.
Полученные
теоретические
научные
результаты
обосновываются
созданием
комплекса
симптомов
и
классификации
симптокомплексов
медицинского
диагностирования
.
Практическая
значимость
результатов
исследования
зключается
в
том
,
что
они
могут
поднять
на
качественно
новый
уровень
оказываемые
медицинские
услуги
при
классификации
симптокомплексов
для
ранней
диагностики
опухолевых
заболеваний
молочной
железы
,
в
частности
повысить
её
эффективность
,
ускорив
процессы
дифференциальной
диагностики
и
распознавания
болезни
.
Разработанные
метод
и
алгоритмы
служат
рациональной
оценкой
процесса
диагностики
и
определения
принадлежности
состояния
больных
к
известным
классам
заболеваний
.
Внедрение
результатов
исследования
.
Результаты
диссертационного
25
исследования
в
виде
программных
средств
,
алгоритмов
и
метода
классификации
симптокомплексов
для
ранней
диагностики
опухолевых
заболеваний
молочной
железы
,
а
также
эвристических
методов
выбора
важных
симптомов
из
их
комплекса
,
характеризующих
изучаемые
медицинские
объекты
,
внедрены
:
программное
средство
классификации
симптокомплексов
ранней
диагностики
опухолевых
заболеваний
молочной
железы
внедрено
в
Хорезмский
областный
филиал
Республиканского
специализированного
научно
-
практического
медицинского
центра
онкологии
и
радиологии
(
справка
Министерства
по
развитию
информационных
технологий
и
коммуникаций
№
33-8/6501
от
28
сентября
2017
года
).
Внедрение
позволило
классифицировать
симптокомплексы
в
зависимости
от
стадии
протекания
болезни
при
ранней
диагностике
и
принятии
решения
по
оптимальной
диагностике
для
начала
своевременного
лечения
опухолевых
заболеваний
молочной
железы
;
алгоритмы
и
метод
классификации
симптокомплексов
внедрены
в
многопрофильную
центральную
больницу
Хазараспского
района
Хорезмской
области
(
справка
Министерства
по
развитию
информационных
технологий
и
коммуникаций
№
33-8/6501
от
28
сентября
2017
года
).
Результаты
внедрения
позволили
оптимизировать
процесс
оказания
медицинских
услуг
,
а
также
повысить
в
1,15
раза
точность
ранней
диагностики
опухолевых
заболеваний
молочной
железы
на
основе
модельного
опроса
больных
;
методы
и
программное
средство
категоризации
уровня
заболевания
внедрены
в
практику
здравоохранения
,
в
частности
в
больницу
№
2
города
Самарканда
Самаркандской
области
(
справка
Министерства
по
развитию
информационных
технологий
и
коммуникаций
№
33-8/6501
от
28
сентября
2017
года
).
Результаты
внедрения
позволили
осуществить
раннюю
диагностику
,
прогнозирование
и
дифференциальную
диагностику
опухолевых
заболеваний
молочной
железы
на
основе
математической
обработки
базы
данных
,
собранных
у
больных
;
модели
распознавания
образов
для
ранней
диагностики
и
классификации
симптомов
опухолевых
заболеваний
молочной
железы
внедрены
в
Республиканский
специализированный
научно
-
практический
медицинский
центр
онкологии
и
радиологии
(
справка
Министерства
по
развитию
информационных
технологий
и
коммуникаций
№
33-8/6501
от
28
сентября
2017
года
).
Результаты
внедрения
показали
возможность
применения
модели
распознавания
образов
для
повышения
точности
ранней
диагностики
опухолевых
заболеваний
молочной
железы
,
проводить
лечение
заболевания
на
начальном
этапе
его
развития
и
сократить
время
проведения
диагностических
мероприятий
за
счет
наличия
программного
продукта
,
созданого
на
основе
разработанных
алгоритмов
.
Апробация
результатов
исследования
.
Результаты
данного
исследования
обсуждены
на
4
международных
и
24
республиканских
научно
-
практических
конференциях
.
Публикация
результатов
исследования
.
По
теме
исследования
26
опубликовано
40
научных
работ
,
из
них
12
статей
в
журнальных
изданиях
,
рекомендованных
Высшей
аттестационной
комиссией
Республики
Узбекистан
,
в
том
числе
4-
в
иностранных
и
8-
в
республиканских
журналах
.
Также
получены
6
свидетельств
о
регистрации
программных
продуктов
для
ЭВМ
.
Структура
и
объем
диссертации
.
Диссертация
состоит
из
введения
,
трех
глав
,
заключения
,
списка
использованной
литературы
и
приложений
.
Объем
диссертации
составляет
120
страниц
.
ОСНОВНОЕ
СОДЕРЖАНИЕ
ДИССЕРТАЦИИ
Во
введении
обоснована
актуальность
и
востребованность
темы
диссертации
в
соответствии
с
приоритетными
направлениями
развития
науки
и
технологий
Республики
Узбекистан
.
Сформулированы
цель
и
задачи
,
указаны
объект
и
предмет
исследования
,
изложены
научная
новизна
и
практические
результаты
исследования
.
Обоснована
достоверность
полученных
результатов
,
раскрыта
теоретическая
и
практическая
значимость
полученных
результатов
.
Приведен
перечень
внедрений
в
практику
результатов
исследования
,
сведения
об
опубликованных
работах
и
структура
диссертации
.
В
первой
главе
диссертации
«
Анализ
математических
методов
и
алгоритмов
решения
задачи
классификации
при
интеллектуальном
анализе
данных
»
проведена
постановка
задачи
,
краткий
обзор
исследований
и
литературы
,
посвященных
теме
диссертации
,
а
также
даны
основные
определения
и
вспомогательные
утверждения
,
необходимые
для
дальнейшего
обсуждения
результатов
исследования
.
Приводится
математическая
постановка
задачи
классификации
симптокомплексов
и
формирования
клинических
признаков
больных
опухолевыми
заболеваниями
молочной
железы
.
Математические
методы
в
медицине
–
совокупность
методов
количественного
изучения
и
анализа
состояния
и
(
или
)
поведения
объектов
и
систем
,
относящихся
к
медицине
и
здравоохранению
.
Пусть
задана
обучающая
выборка
объектов
x
X
,
разбитая
на
непересекающиеся
подмножества
(
классы
)
m
X
X
X
,....,
,
2
1
.
Каждый
объект
задается
набором
из
N
признаков
N
x
x
X
,....,
1
.
Пусть
каждый
класс
p
X
содержит
p
m
объектов
p
m
p
p
x
x
,....,
1
,
где
)
,...,
,
(
2
1
N
pi
pi
pi
pi
x
x
x
x
,
p
m
i
,
1
.
Введем
вектор
информативных
признаков
)
,...,
,
(
2
1
N
p
p
p
p
,
N
i
i
,
1
,
1
;
0
,
являющийся
подпространством
симптокомплексов
и
однозначно
характеризующий
объекты
заданной
обучающей
выборки
r
p
X
x
x
x
p
pm
p
p
p
,
1
,
...,
,
,
2
1
.
Здесь
pi
x
– N-
мерный
вектор
пространства
признаков
.
При
этом
компоненты
вектора
p
со
значением
1
означают
,
что
отбираются
соответствующие
симптомы
для
формирования
подпространства
симптокомплекса
,
а
компоненты
того
же
вектора
со
значением
0,
означают
,
27
что
соответствующие
симптомы
не
отбираются
.
Определение
1.
Евклидово
пространство
N
R
в
пространстве
симптокомплексов
выражается
в
виде
N
N
x
x
x
x
R
...,
,
,
2
1
и
симптокомплексы
)}
,...,
,
(
{
2
1
N
p
p
p
N
p
p
x
R
называют
усечением
евклидова
пространства
по
p
.
В
качестве
расстояния
между
двумя
объектами
x
и
y
в
пространстве
N
R
возьмем
расстояние
между
объектами
p
x
и
p
y
в
пространстве
p
N
R
в
виде
евклидово
расстояния
N
i
i
i
i
y
x
y
x
p
1
2
)
(
.
Определение
2.
Вектор
p
называется
-
информативным
,
если
сумма
его
компонентов
равна
,
то
есть
количество
симптомов
в
симптокомплексах
равно
N
i
i
1
.
В
каждом
симптокомплексе
p
для
-
информативного
вектора
определено
-
мерное
подпространство
признаков
.
Введем
в
этих
подпространствах
евклидову
норму
N
j
j
j
x
x
1
2
,
соответствующую
p
.
Усредненный
объект
p
x
,
характеризующий
класс
p
X
,
определяется
по
формуле
:
r
p
x
m
x
p
m
i
pi
p
p
,
1
,
1
1
.
Введем
следующую
функцию
:
p
m
i
p
pi
p
p
p
x
x
m
S
1
2
1
.
Данная
функция
выражает
среднеквадратичный
разброс
объектов
в
классе
p
X
относительно
усечения
по
p
.
В
качестве
критерия
информативности
возьмем
следующий
функционал
:
r
p
p
p
r
q
p
q
p
p
S
x
x
I
1
2
1
,
2
1
.
(1)
Данный
функционал
является
упрощенным
видом
функционала
Фишера
.
Введем
следующие
обозначения
:
)
,...,
,
(
2
1
N
a
a
a
a
,
)
,...,
,
(
2
1
N
p
p
p
p
b
b
b
b
,
r
q
p
j
q
j
p
j
x
x
a
1
,
2
)
(
,
N
j
,
1
,
p
m
i
j
p
j
pi
p
j
p
x
x
m
b
1
2
)
(
1
,
N
j
,
1
.
Тогда
функционал
(1)
будет
выглядеть
в
следующем
виде
28
)
,
(
)
,
(
)
(
p
p
p
p
b
a
I
,
(2)
где
(*,*) –
скалярное
произведение
векторов
,
коэффициенты
j
j
b
a
,
можно
заранее
вычислить
,
т
.
к
.
они
не
связаны
с
p
.
Для
определения
значения
критерия
)
(
p
I
,
соответствующего
каждому
λ
p
,
необходимо
выполнить
действия
порядка
N
.
В
соответствии
с
целью
и
задачами
диссертационной
работы
,
требуется
определить
собственные
симптокомплексы
,
для
каждого
объекта
заданной
обучающей
выборки
.
Необходимо
выделить
симптокомплексы
,
соответствующие
классу
этого
объекта
,
то
есть
осуществить
классификацию
симптомов
.
На
основе
введенных
выше
обозначений
для
решения
задач
нахождения
критерия
I(
λ
p
),
соответствующего
заданному
классу
,
нахождения
числа
p
симптомов
в
симптокомплексах
,
а
также
классификации
или
кластеризации
неизвестных
объектов
в
пространстве
информативных
симптомов
λ
p
для
каждого
p
(
N
p
,
1
)
формируется
множество
p
-
информативных
λ
p
векторов
}
,
1
},
1
,
0
{
,
:
{
1
r
p
p
p
N
k
p
k
p
p
l
.
В
данном
множестве
векторы
λ
p
,
соответствующие
каждому
классу
,
формируются
в
результате
решения
следующей
оптимизационной
задачи
p
p
P
p
P
p
b
a
I
max
)
,
(
)
,
(
)
(
(3).
Вторая
глава
диссертации
«
Выбор
информативных
признаков
и
разработка
алгоритма
их
классификации
»
посвящена
разработке
методов
и
алгоритмов
частичного
перебора
эффективного
выбора
информативных
признаков
и
методов
классификации
объектов
с
помощью
решающего
правила
“
шар
Аполлония
”.
Сначала
рассмотрим
метод
эффективного
выбора
информативных
признаков
,
а
также
определения
информативного
выражения
на
основе
предложенного
эвристического
алгоритма
.
Пусть
)
,....,
(
1
N
x
x
x
–
состояние
больного
и
)
,...,
(
1
N
p
p
p
–
симптокомплекс
,
соответствующий
p
-
ому
классу
.
Тогда
p
p
r
x
x
x
d
p
p
)
(
,
функция
p
x
d
)
(
определяет
степень
принадлежности
объекта
х
классу
p
x
относительно
усечения
λ
p
.
Если
)
(
)
(
min
,
1
x
d
x
d
p
m
p
q
,
тогда
объект
x
с
большой
долей
вероятности
принадлежит
классу
q
X
.
Это
отношение
обозначим
через
q
x
x
p
.
Для
-
информативности
вектора
λ
p
введем
меру
достоверности
29
распознавания
.
Каждый
класс
p
X
состоит
из
объектов
p
m
,
общее
количество
объектов
равно
m
p
m
1
.
Пусть
)
(
–
общее
количество
объектов
,
для
которых
одновременно
выполняются
q
x
x
и
q
X
x
,
то
есть
)
(
p
–
количество
правильно
распознанных
объектов
.
В
качестве
меры
достоверности
распознавания
использована
величина
:
%
100
)
(
)
(
1
m
p
p
p
m
P
.
Рассмотренный
метод
предназначен
для
выбора
наименьшего
значения
в
отношении
))}
(
(
)),...,
2
(
(
)),
1
(
(
max{
))
(
(
n
P
P
P
l
P
p
p
p
p
.
Множество
x
z
y
z
R
z
y
x
S
n
1
:
)
,
,
(
,
coX
x
,
coY
y
,
-
const,
1
называется
“
шаром
Аполлония
”.
Рассмотрим
случай
при
1
.
Утверждение
.
Множество
)
,
,
(
y
x
S
можно
представить
в
виде
шара
r
a
z
с
центром
в
точке
1
2
2
x
y
a
,
радиусом
1
2
x
y
r
,
для
конкретных
значений
векторов
y
x
,
и
параметра
.
Метод
формирования
“
шара
Аполлония
”
связан
с
тремя
параметрами
:
coX
x
,
coY
y
,
1
.
Например
,
если
для
всех
X
x
i
y
x
x
x
i
i
,
то
для
параметра
1
значение
x
выбирается
с
помощью
неравенства
x
x
y
x
i
i
i
X
max
,
где
coX
x
,
coY
y
-
усредненные
объекты
соответствующих
классов
coX
x
,
coY
y
.
Сформируем
решающее
правило
,
используя
образованный
“
шар
Аполлония
”.
Для
этого
предположим
,
что
число
1
,
Y
Y
(
1
,
X
X
)
выбрано
согласно
вышеуказанному
способу
и
соответствует
классу
Y
(
X
).
Пусть
w
–
некоторый
объект
из
n
R
.
Тогда
,
если
выполняется
одно
из
эквивалентных
неравенств
1
1
2
2
2
Y
Y
Y
Y
y
x
x
y
w
,
x
w
y
w
Y
1
,
(4)
то
)
,
,
(
Y
y
x
S
w
и
w
является
объектом
класса
Y
.
Если
неравенство
(4)
не
выполняется
,
но
выполняется
одно
из
эквивалентных
неравенств
1
1
2
2
2
X
X
X
X
x
y
y
x
w
,
y
w
x
w
X
1
,
(5)
то
)
,
,
(
X
x
y
S
w
и
w
является
объектом
класса
X
.
Если
же
для
объекта
w
не
выполняется
ни
одно
из
неравенств
(4)-(5),
тогда
объект
w
считается
не
распознанным
.
По
средним
векторам
1
x
,
2
x
,
3
x
,
соответствующим
трем
классам
1
X
,
2
X
,
3
X
,
используя
алгоритм
“
шар
Аполлония
”,
определяем
следующие
множества
30
2
1
2
,
1
1
1
:
x
x
x
x
x
S
x
,
3
1
3
,
1
1
1
:
x
x
x
x
x
S
x
,
1
2
1
,
2
2
1
:
x
x
x
x
x
S
x
,
3
2
3
,
2
2
1
:
x
x
x
x
x
S
x
,
1
3
1
,
3
3
1
:
x
x
x
x
x
S
x
,
2
3
2
,
3
3
1
:
x
x
x
x
x
S
x
,
где
3
2
1
,
,
x
x
x
–
константы
и
известно
,
что
1
1
coX
x
,
2
2
coX
x
,
3
3
coX
x
.
Если
для
классов
1
X
,
2
X
,
3
X
выпуклые
оболочки
1
coX
,
2
coX
,
3
coX
строго
разделяются
,
тогда
из
определения
множеств
следует
,
что
для
2
,
1
S
,
3
,
1
S
верно
2
,
1
1
S
X
,
3
,
1
1
S
X
,
1
,
2
2
S
X
,
3
,
2
2
S
X
,
1
,
3
3
S
X
,
2
,
3
3
S
X
.
Тогда
имеем
следующие
отношения
13
12
1
1
S
S
K
X
,
23
21
2
2
S
S
K
X
,
32
31
3
3
S
S
K
X
.
Таким
образом
,
для
произвольного
объекта
w
справедливо
одно
из
утверждений
1
1
X
w
K
w
,
2
2
X
w
K
w
,
3
3
X
w
K
w
.
Решающее
правило
задается
следующим
образом
:
3
1
2
1
1
1
1
1
x
w
x
w
x
w
x
w
x
x
(6),
3
2
1
2
2
2
1
1
x
w
x
w
x
w
x
w
x
x
(7),
2
3
1
3
3
3
1
1
x
w
x
w
x
w
x
w
x
x
(8)
Таким
образом
,
решающим
правилом
для
трех
классов
будет
одна
из
систем
неравенств
(6), (7), (8).
При
этом
,
если
объект
w
не
удовлетворяет
ни
одной
из
систем
неравенств
(6), (7), (8),
то
он
считается
нераспознанным
.
В
третьей
главе
диссертации
«
Разработка
программного
средства
“STS
”
и
его
экспериментальная
проверка
на
основе
классических
модельных
задач
»
рассматриваются
практические
вопросы
взаимосвязи
функциональной
структуры
и
модулей
программного
средства
,
приведен
метод
формирования
обучающей
и
контрольной
выборки
,
а
также
симптокомплексов
.
Приведены
результаты
решения
классических
модельных
задач
и
модельной
задачи
классификации
рака
молочной
железы
с
помощью
разработанного
программного
обеспечения
.
Функциональные
возможности
программного
средства
приведены
на
Рис
.1.
Программное
средство
“STS”
разработано
на
основе
архитектуры
MVC (Model View Controller).
Кроме
возможности
сравнения
точности
классификации
с
помощью
модулей
данное
программное
средство
позволяет
анализировать
время
,
затраченное
алгоритмами
на
обучение
и
классификацию
,
выбирать
информативные
симптокомплексы
и
по
ним
классифицировать
объекты
для
решения
задачи
ранней
диагностики
опухолевых
заболеваний
молочной
железы
.
Функциональная
структура
приведенного
выше
программного
средства
“STS”
состоит
из
различных
модулей
.
31
Диагностическая
часть
Серверная
часть
МБ
ББ
Интеллектуальный
анализ
данных
Обработка
медицинских
данных
Нормировка
Модуль
обработки
матриц
и
векторов
Алгоритм
выбора
информативных
симптокомплексов
Оператор
Клинические
обследование
Бимануальное
обследование
Ультразвуковое
обследование
Клиентская
часть
Классификатор
Выбора
информативных
симптокомплексов
Врач
Модуль
процедур
кластеризации
и
классификации
“
шар
Апполония
”
алгоритм
Гибрид
алгоритм
Статические
методы
распознавания
образов
Мастопатия
фиброаденома
Рис
. 1.
Функциональная
структура
программного
средства
«STS»
В
каждом
модуле
реализован
алгоритм
в
виде
библиотеки
и
каждый
модуль
программы
может
быть
модернизирован
автономно
.
Еще
одним
преимуществом
такой
структуры
является
модуль
с
возможностью
добавления
нового
алгоритма
классификации
объектов
.
В
таблице
1
приведена
формализация
классических
классификационных
модельных
задач
.
Таблица
1.
Формализация
модельных
задач
Наименование
задачи
Количество
классов
Количество
признаков
Количество
объектов
Хаберман
7
9
214
Диабет
(Pima)
2
8
768
Опухоль
молочной
железы
2 9 699
В
Таблице
2
приведены
результаты
решения
задач
«
диабет
»,
«
Хаберман
»,
«
опухоль
молочной
железы
»
с
помощью
известных
алгоритмов
(SVM, KNN, Navie Bayes)
и
алгоритма
на
основе
решающего
правила
“
шар
Аполлония
”.
Из
таблицы
видно
,
что
предлагаемый
алгоритм
решил
указанные
задачи
эффективнее
ряда
перечисленных
алгоритмов
классификации
.
Таблица
2.
Сравнительный
анализ
алгоритма
на
основе
решающего
правила
«
шар
Аполлония
»
и
других
методов
Наименование
задачи
“
шар
Аполлония
” SVM KNN Naive
Bayes
Диабет
93,21%
92,33% 91,12% 89,62%
Хаберман
93,5%
92,11%
90,7% 88,56%
Опухоль
молочной
железы
94,72%
91,5% 93,5% 92,89%
32
Также
в
таблице
3
приведены
результаты
решения
этих
же
задач
алгоритмом
на
основе
решающего
правила
«
шар
Аполлония
»
с
различными
значениями
параметра
(
1
)
.
Таблица
3.
Точность
классификации
объектов
алгоритмом
на
основе
“
шар
Аполлония
”
при
различных
значениях
параметра
Наименование
задачи
Значения
параметра
=1.1
=1.05
=1.04
=1.03
=1.02
=1.01
Опухоль
молочной
железы
93,50% 94,00% 94,70% 94,72% 94,73%
94,72%
Диабет
83,43% 84,36% 89,13% 87,49% 88,53%
93,21
Хаберман
83,43% 84,36% 89,13% 87,49% 88,53%
93,5%
В
четвертой
главе
диссертации
«
Применение
программного
средства
“STS
”
для
решения
задачи
ранней
диагностики
опухолевых
заболеваний
молочной
железы
»
приведены
этапы
проведения
экспериментальных
исследований
по
выбору
и
классификации
информативных
симптокомплексов
,
а
также
результаты
сравнительного
анализа
модулей
(«
шар
Аполлония
», KNN,
гибридные
алгоритмы
)
программного
средства
"STS"
в
виде
таблицы
.
Для
проверки
работоспособности
разработанных
методов
и
алгоритмов
,
сравнительного
анализа
результатов
решения
задачи
классификации
на
основе
решающего
правила
“
шар
Аполлония
”, KNN
и
гибридных
алгоритмов
в
консультативной
поликлинике
онкологического
диспансера
Хорезмской
области
в
течение
2014-2015
гг
.
обследованы
82
женщины
.
Из
них
у
45
женщин
выявлена
мастопатия
,
у
32
женщин
–
фиброаденома
.
Предварительные
данные
описаны
в
виде
таблицы
,
которая
включает
в
себя
28
признаков
,
характеризующих
2
класса
объектов
-
мастопатию
и
фиброаденому
.
Первый
класс
1
X
состоит
из
45
объектов
,
второй
класс
2
X
–
из
41
объектов
,
28
2
1
,
...
,
,
ij
ij
ij
ij
x
x
x
x
–
j
-
ый
объект
с
опухолевым
заболеванием
молочной
железы
,
где
k
ij
x
–
k
-
ый
симптом
j
-
го
объекта
i
-
го
класса
;
i
m
–
количество
больных
класса
i
1,28
k
;
m
1,
j
;
2
,
1
i
i
.
Медицинская
трактовка
признаков
объекта
28
2
1
,
...
,
,
x
x
x
x
рассматриваемой
задачи
приведена
в
диссертации
.
Таблица
4.
Результаты
классификации
Алгоритм
Точность
классификациии
KNN
89,55%
“
шар
Аполлония
” 90,33%
гибридный
92,88
%
Данные
классифицированы
с
помощью
программного
средства
«STS»
и
проведен
сравнительный
анализ
полученных
результатов
.
В
Таблице
4
33
приводятся
результаты
решения
данной
задачи
с
помощью
алгоритма
классификации
на
основе
решающего
правила
“
шар
Аполлония
”,
алгоритма
KNN,
гибридного
алгоритма
(
выделен
лучший
результат
).
Выбор
набора
информативных
симптомов
при
диагностике
опухолевых
заболеваний
молочной
железы
для
каждого
класса
приводятся
на
Рис
. 2.
1-
класс
Фибродема
Опухолевые
заболевания
молочной
железы
1-
класс
Мастопатия
Симптомы
I
max
(
λ
)
10.
X
16
31.106
11.
X
12 15
47.576
12.
X
8 12 16
33.950
13.
X
8 12 15 16
31.602
14.
X
1 8 12 15 16
27.204
15.
X
1 8 11 12 15 16
23.244
16.
X
1 8 11 12 15 16 17
20.480
17.
X
1 8 11 12 15 16 17 20
18.555
18.
X
1 4 8 11 12 15 16 17 20
17.274
Симптомы
I
max
(
λ
)
10.
X
23
120.052
11.
X
15 23
121.315
12.
X
15 22 23
86.188
13.
X
15 22 23 28
64.185
14.
X
15 22 23 24 28
56.368
15.
X
10 15 22 23 24 28
46.716
16.
X
10 14 15 22 23 24 28
40.709
17.
X
10 13 14 15 22 23 24 28
36.248
18.
X
5 10 13 14 15 22 23 24 28
32.012
λ
1
=(X
1
,X
4
,X
8
,X
11
,X
12
,X
15
,X
16
,X
17
,X
20
)
λ
2
=(X
5
,X
10
,X
13
,X
14
,X
15
,X
22
,X
23
,X
24
,X
28
)
Рис
. 2.
Набор
информативных
симптомов
фиброаденомы
и
мастопатии
В
первом
столбце
приведен
набор
информативных
симптокомплексов
и
количество
требуемых
-
симптомов
,
участвующих
в
наборе
симптокомплексов
.
Во
втором
столбце
приведено
значение
функционала
(3).
В
результате
,
при
=9
набор
симптокомплексов
для
класса
фиброаденомы
представляет
собой
)
,
,
,
,
,
,
,
,
(
20
17
16
15
12
11
8
4
1
1
x
x
x
x
x
x
x
x
x
,
для
класса
мастопатия
–
)
,
,
,
,
,
,
,
,
(
28
24
23
22
15
14
13
10
5
2
x
x
x
x
x
x
x
x
x
.
Анализ
результатов
показывает
,
что
для
каждого
класса
свойственно
наличие
невзаимосвязанных
симптокомплексов
.
Из
этих
симптокомплексов
общим
является
только
симптом
x
15
.
34
ЗАКЛЮЧЕНИЕ
Результаты
проведенного
диссертационного
исследования
по
теме
:
«
Алгоритмическое
обеспечение
классификации
симптомокомплексов
для
диагностики
опухолей
молочной
железы
»
сводятся
к
следующим
основным
выводам
:
1.
Усовершенствование
методов
и
алгоритмов
формирования
клинических
признаков
(
диагностических
симптокомплексов
)
опухолевых
заболеваний
молочной
железы
позволяет
эффективно
решать
задачи
классификации
и
кластеризации
объектов
предметной
области
.
2.
Разработаны
метод
и
алгоритм
частичного
перебора
комплекса
симптомов
,
соответствующих
классам
обучающей
выборки
,
с
помощью
решающего
правила
“
шар
Аполлония
”
для
ранней
диагностики
опухолевых
заболеваний
молочной
железы
,
что
позволяет
классифицировать
симптокомплексы
в
зависимости
от
стадии
протекания
болезни
и
принять
решение
по
оптимальному
лечению
опухолевых
заболеваний
молочной
железы
.
3.
Разработан
гибридный
алгоритм
классификации
симптомов
на
основе
совместного
использования
алгоритмов
Байеса
, KNN, «
шара
Аполлония
».
Данный
алгоритм
позволяет
повысить
точность
ранней
диагностики
,
сокращая
время
затрачиваемое
на
диагностику
за
счет
использования
программного
средства
,
а
также
начинать
своевременное
лечение
заболевания
на
ранних
этапах
.
4.
Разработанное
программное
средство
классификации
и
выбора
симптокомплексов
,
этапы
проведения
экспериментальных
испытаний
с
помощью
программ
и
решения
классических
модельных
задач
,
а
также
сравнительный
анализ
результатов
с
известными
алгоритмами
служать
для
поышения
эффективности
разработанных
методов
и
алгоритмов
.
5.
Разработаны
методы
и
алгоритмы
классификации
симптокомплексов
для
ранней
диагностики
опухолевых
заболеваний
молочной
железы
.
В
результате
этого
можно
оптимизировать
процесс
оказания
медицинских
услуг
в
плане
диагностики
опухолевых
заболеваний
,
что
позволяет
повысить
в
1,15
раза
точность
ранней
диагностики
опухолевых
заболеваний
молочной
железы
.
6.
На
основе
математической
обработки
базы
собранных
данных
о
больных
разработано
программное
средство
классификации
симптокомплексов
,
позволяющее
осуществить
раннюю
диагностику
,
прогнозирование
и
дифференциальную
диагностику
опухолевых
заболеваний
молочной
железы
.
7.
Разработаны
программное
средство
классификации
симптокомплексов
,
архитектура
программы
,
определена
функциональная
связь
между
программным
и
вычислительными
средствами
.
Проведенное
исследование
и
разработанный
програмный
средствам
продукт
дал
возможность
оптимального
совместного
использования
программного
комплекса
и
вычислительных
средств
,
позволяющих
проводить
раннюю
и
дифференциальную
диагностику
,
прогнозировать
исход
при
опухолевых
заболеваниях
молочной
железы
.
35
SCIENTIFIC COUNCIL AWARDING SCIENTIFIC
DEGREES DSc.27.06.2017.
Т
.07.01 AT TASHKENT
UNIVERSITY OF INFORMATION TECHNOLOGIES
TASHKENT UNIVERSITY OF INFORMATION TECHNOLOGIES
RUZIBAEV ORTIK BAXTIYROVICH
ALGORITHMIC SUPPORT CLASSIFICATION SYMPTOCOMPLEXES
FOR EARLY DIAGNOSIS OF BREAST TUMOR DISEASES
05.01.04 – Mathematical and software of computers, complexes and computer
networks
DISSERTATION ABSTRACT THE DOCTOR OF PHILOSOPHY (PhD)
ON TECHNICAL SCIENCES
Tashkent-2017
36
The theme of doctor of philosophy (PhD) on technical sciences was registered at the Supreme
Attestation Commission at the Cabinet of Ministers of the Republic of Uzbekistan under number
В
2017.1.PhD/T50.
The dissertation has been prepared at Tashkent University of Information Techologies.
The abstract of the dissertation is posted in Three languages (Uzbek, Russian, English (resume)) on
the website www.tuit.uz and an the website of «ZiyoNet» Information and educational portal
www.ziyonet.uz.
Scientific supervisor:
Nishanov Akhram Hasanovich
doctor of technical sciences
Official opponents:
Muhamedieva Dilnoza Tulkinovna
doctor of technical sciences, professor
Turaqulov Xolbuta Abilovich
doctor of technical sciences, professor
Leading organization: Tashkent State Technical University
The defense will take place “_____” ________________ 2017 at _________ the meeting of
Scientific council No. DSc.27.06.2017.
Т
.07.01 at Tashkent University of Information Technologies
(Address: 100202, Tashkent city, Amir Temur street, 108. Tel.: (+99871) 238-64-43, fax: (+99871) 238-
65-52, e-mail: tuit@tuit.uz).
The dissertation can be reviewed at the Information Resourse Centre of the Tashkent University of
Information Technologies (is registered under No._____). (Address: 100202, Tashkent city, Amir Temur
street, 108. Tel.: (+99871) 238-64-43, fax: (+99871) 238-65-52).
Abstract of dissertation sent out on “____” ______________ 2017 y.
(mailing report No. ___ on “____” ______________ 2017 y.).
R.Kh.Khamdamov
Chairman of the scientific council
awarding scientific degrees,
doctor of technical sciences, professor
F.
М
.Nuraliev
Scientific secretary of scientific council
awarding scientific degrees,
doctor of technical sciences
H.N.Zayniddinov
Chairman of the academic seminar under the
scientific council awarding scientific degrees,
doctor of technical sciences, professor
37
INTRODUCTION (abstract of PhD dissertation)
The aim of the research work
is to develop functional dependencies
between mathematical methods, algorithms and software for classification of
symptocomplexes for early diagnosis of breast tumor diseases.
The object of the research work.
symptocomplexes and databases of tumor
diseases of the breast, intellectual analysis processes for the early diagnosis of
these diseases.
Scientific novelty of the research work.
The scientific novelty of the study
is as follows:
The classifier has been created for assessing the state of oncological diseases
of the breast on the basis of statistical methods of pattern recognition;
A modified algorithm for classifying objects has been developed on the base
of decisive rule "Apollonius ball";
The method and the algorithm of a private search for choozing of the most
informative symptoms have been developed for solving the problem of
classification of objects;
The hybrid algorithm has been developed based on the joint application of
Bayesian algorithms, KNN, "Apollonia ball" by optimizing the clinical features of
breast tumor diseases;
The requirements for the architecture of the program and computing
facilities, software based on algorithms, methods for selecting informative
symptocomplexes and classification has been developed.
Implementation of the research results.
Results of this research work in
the form of software tools, algorithms and a method of classification of symptom
complexes for early diagnosis of breast tumor diseases, as well as heuristic
methods for selecting important symptoms from a complex of symptoms
characterizing the medical facilities being studied, have been implemented:
The software tool for the classification of symptomatic complexes of early
diagnosis of breast tumors was introduced into the Khorezm regional branch of the
Republican Specialized Scientific and Practical Medical Center of Oncology and
Radiology (certificate No. 33-8/6501 of the Ministry for Development of
Information Technologies and Communications on September 28, 2017). It’s
introduction allowed to classify the symptom complexes depending on the stage of
the disease during early diagnosis and decision-making on the optimal treatment of
breast tumors;
The algorithms and method for classification of symptocomplexes have been
introduced into the multidisciplinary central hospital of the Khazorasp district of
the Khorezm region (certificate No. 33-8 / 6501 of the Ministry for Development
of Information Technologies and Communications on September 28, 2017). The
results of the implementation made it possible to optimize the process of providing
medical services, as well as to raise 1.15 times the accuracy of early diagnosis of
breast tumors based on a model survey of patients;
The methods and a software tool for categorizing the level of the disease
have been introduced into healthcare practice, in particular, in Samarkand city
38
hospital No. 2 in Samarkand region (certificate No. 33-8/6501 of the Ministry for
Development of Information Technologies and Communications on September
28, 2017). The results of the implementation made it possible to carry out early
diagnostics, prognostication and differential diagnostics of breast tumors on the
basis of mathematical processing of the database of collected data on patients;
Pattern recognition models for the early diagnosis and classification of
symptoms of breast tumors have been introduced into the Republican Specialized
Scientific and Practical Medical Center of Oncology and Radiology (certificate No.
33-8 / 6501 of the Ministry for Development of Information Technologies and
Communications on September 28, 2017). The results of the implementation
showed the possibility of using the pattern recognition model to improve the
accuracy of early detection of breast tumor diseases, to treat the disease at the
initial stage and to shorten the time of diagnosis by software tools based on the
developed algorithms.
Structure and volume of the dissertation.
The dissertation consists of an
introduction, three chapters, conclusion, references and appendices.
The volume of
the dissertation is 120 pages.
39
ЭЪЛОН
ҚИЛИНГАН
ИШЛАР
РЎЙХАТИ
СПИСОК
ОПУБЛИКОВАННЫХ
РАБОТ
LIST OF PUBLISHED WORKS
I
бўлим
(
Часть
I; Part I)
1.
Рўзибоев
О
.
Б
.,
Хўжаев
О
.
Қ
.,
У
.
А
.
Хасанов
Таянч
векторлар
усули
асосида
классификациялаш
хатоликлари
таҳлили
//
Узб
.
журнал
«
Проблемы
информатики
и
энергетики
». –
Ташкент
, 2013. –
№
3-4. –
С
. 82-89.
(05.00.00;
№
5).
2.
Рўзибоев
О
.
Б
.,
Хўжаев
О
.
Қ
.
Исследование
и
программная
реализация
метода
ближайших
соседей
//
Химическая
технология
.
Контроль
и
управление
. –
Ташкент
, 2014. –
№
2. –
С
. 84-89. (05.00.00;
№
12).
3.
Рахманов
А
.
Т
.,
Акбаралиев
Б
.
Б
.,
Рўзибоев
О
.
Б
.,
Хасанов
У
.
А
.
Об
одном
модифицированном
способе
решения
задачи
классификации
//
Химическая
технология
.
Контроль
и
управление
. –
Ташкент
, 2014. –
№
4(58). –
С
. 85-
92. (05.00.00;
№
12).
4.
Нишанов
А
.
Х
.,
Акбаралиев
Б
.
Б
.,
Рўзибоев
О
.
Б
.,
Хўжаев
О
.
Қ
.
Сравнительный
анализ
алгоритмов
на
основе
нечеткого
метода
k-
средних
с
применением
различных
метрик
//
Химическая
технология
.
Контроль
и
управление
. –
Ташкент
, 2014. –
№
6(60). –
С
. 78-82. (05.00.00;
№
12).
5.
Уроков
Ш
.
У
.,
Рўзибоев
О
.
Б
.
Методы
решения
задачи
медицинской
диагностики
//
Вестник
ТУИТ
. –
Ташкент
, 2015. –
№
3(35). –
С
. 103-107.
(05.00.00;
№
10).
6.
Рўзибоев
О
.
Б
.
Методы
нечеткой
кластеризации
данных
с
учётом
ошибки
разделения
на
кластеры
//
Химическая
технология
.
Контроль
и
управление
.
–
Ташкент
, 2017. –
№
1(73) –
С
. 75-82. (05.00.00;
№
12).
7.
Nishanov A.X., Ro’zibayev O.B. Finding optimal k based on errors in nearest
neighbor algorithm// Computing Science and Technology International Journal.
USA, 2014. –
№
1. –
С
.1-6. (05.00.00;
№
7)
8.
Рўзибоев
О
.
Б
.,
Бурхонов
Р
.
А
.,
Мардиев
У
.
Р
.
Исследование
и
программная
реализация
метода
усредняющего
фильтра
для
обработки
медицинских
изображений
//
Узб
.
журнал
«
Проблемы
информатики
и
энергетики
». –
Ташкент
, 2014. –
№
3-4. –
С
. 112-116. (05.00.00;
№
5).
9.
Латипова
Н
.
Х
.,
Рўзибаев
О
.
Б
.,
Караханов
Н
.
А
.
Анализ
основных
видов
архитектур
информационных
систем
//
Вестник
ТУИТ
. –
Ташкент
, 2015. -
№
2(34). –
С
. 52-56. (05.00.00;
№
10).
10.
Рўзибоев
О
.
Б
.,
Эшметов
С
.
Дж
.
Исследование
и
анализ
алгоритмов
на
основе
нечеткого
метода
k-
ближайшего
соседа
с
применением
различных
метрик
при
диагностике
рака
молочной
железы
//
Наука
и
мир
. –
Волгоград
, 2016. –
С
. 102-108. Global Impact Factor,
№
5, IF=0,325.
40
II
бўлим
(
Часть
II; Part II)
11.
Акбаралиев
Б
.
Б
.,
Рўзибоев
О
.
Б
.,
Хўжаев
О
.
Қ
.,
Саидрасулов
Ш
.
Н
. Moodle
тизими
базаси
элементлари
кесимида
data mining
усулларидан
фойдаланган
ҳолда
ўқитувчи
фаолиятини
баҳолаш
//
Вестник
ТУИТ
. –
Ташкент
, 2014. -
№
2(34). –
С
. 11-17. (05.00.00;
№
10).
12.
Рахманов
А
.
Т
.,
Рўзибоев
О
.
Б
.
К
решению
задачи
классификации
для
трёх
классов
//
Наука
и
мир
. –
Волгоград
, 2015. –
С
. 21-26.
13.
Алиева
Д
.
А
.,
Орзикулов
С
.
Б
.,
Рузибаев
О
.
Б
.,
Юсупов
Б
.
Д
.
Информационное
обеспечение
онкологической
службе
Узбекистана
//
Журнал
теоритической
и
клинической
медицины
. –
Ташкент
, 2016. -
№
(5).
–
С
. 13-15. (14.00.00;
№
3).
14.
Urokov Sh.U, Ruzibaev O.B. Methods of expert estimates of taking collegial
diagnostic decisions//
Наука
и
мир
. –
Волгоград
, 2015. –
С
. 29-32.
15.
Khujayev O.Q., Allamov O.T., Ruzibayev O.B. Selection of architecture and
training algorithms of neural networks for classification task solutions//
Международной
конференции
«The Next Generation of Mobile, Wireless
and Optical Communication Networks with Application to Information and
Communication Technologies ICI-2013», –
Ташкент
, 2013.,
www.ieeexplore.ieee.org
16.
Khujayev O.Q., Allamov O.T., Ruzibayev O.B. Algorithm to the method of
partial search in solving the problem of routing in telecommunication
networks//
Международной
конференции
«The Next Generation of Mobile,
Wireless and Optical Communication Networks with Application to
Information and Communication Technologies ICI-2013», –
Ташкент
, 2013. –
www.ieeexplore.ieee.org
17.
Рўзибаев
О
.
Б
.,
Ураков
Ш
.
У
.,
Мардиев
У
.
Р
.
Методы
решения
задачи
медицинской
диагностики
//
Современные
инструментальные
системы
,
информационные
технологии
и
инновации
Сборник
научных
трудов
XII-
ой
Международной
научно
-
практической
конференции
. –
Курск
, 2015. –
С
. 398-403.
18.
Ruzibaev O.B., Khujayev O.Q., Asrayev M.A. Comparing different data
mining techniques for medical data classification//
Международной
конференции
«
Перспективы
развития
информационных
технологий
ITPA-
2014», –
Ташкент
, 2014. –
С
. 222-227.
19.
Ruzibaev O.B., Sayfullayev SH.B. An overview of free data mining software
tools//
Международной
конференции
«Perspectives for the development of
information technologies ITPA-», –
Ташкент
, 2014. –
С
. 194-198.
20.
Khujayev O.Q., Ruziboyev O.B., Allamov O.T. Vrachlar faoliyatini yaxshilash
uchun CDSS (clinical decision support system) lar va ularning metodologik
asoslari haqida//
Актуальные
проблемы
прикладной
математики
и
информационных
технологий
Ал
-
Хорезми
:
Материалы
Международной
научной
конференции
. –
Самарканд
, 2014. –
С
. 117-118.
21.
Рузибаев
О
.
Б
.,
Хужаев
О
.
Б
.,
Асраев
М
.
А
.,
Исследование
метода
нечетких
c
-
средних
используя
среду
MATLAB//
Актуальные
проблемы
прикладной
41
математики
и
информационных
технологий
Ал
-
Хорезми
:
Материалы
Международной
научной
конференции
. –
Самарканд
, 2014. –
С
. 146-150.
22.
Ruzibayev O.B., Yaxshiboyev D.S., Sayfullayev Sh.B., Research and analysis
decision tree algorithm classifier for breast cancer diagnosis//
Актуальные
проблемы
прикладной
математики
и
информационных
технологий
Ал
-
Хорезми
:
Материалы
Международной
научной
конференции
. –
Бухара
,
2016. –
С
. 146-150.
23.
Рўзибаев
О
.
Б
.,
Худоёров
Л
.
Н
.,
Хамракулов
Ю
.
Б
.
Мобильные
приложение
медицинского
справочника
часто
встречающихся
//
Информационные
и
коммуникационные
технологии
в
образовании
и
науке
Сборник
материалов
V
Международной
научно
-
практической
конференции
. –
Бирск
, 2016. –
С
. 147-149.
24.
Ruzibayev O.B., Yaxshibaev D.S. Comparative study of Naive Bayes
classifiers in breast cancer database//
Перспективы
развития
информационных
технологий
Сборник
материалов
ХХ
X
Международной
научно
-
практической
конференции
. –
Новосибирск
, 2016. –
С
. 128-134.
25.
A.X.Nishanov, O.B.Ruzibaev, Nguyen H.Tran Modification of Decision Rules
"Ball Apolonia" The Problem of Classification// International Conference on
Information Science and Communications Technologies ICISCT 2016. –
Tashkent. – Session 3: Application of Information and Communications
Technologies AICT.
26.
Ruzibayev O.B., Boboyev L.B., Khujayev O.Q. Comparative analyzing
features selection methods for data mining tasks//
Интеллектуальные
системы
для
индустриальной
автоматизации
:
Материалы
Восьмой
Всемирной
конференции
WCIS-2014. – Tashkent, 2014. – P. 332-338.
27.
Рўзибоев
О
.
Б
.,
Асраев
М
.
А
. KNN
усулида
эффектив
К
қийматини
топиш
ва
дастурий
таъминотини
яратиш
//
Ахборот
технологиялари
ва
телекоммуникация
тизимларини
самарли
ривожлантириш
истиқболлари
.
Республика
илмий
-
техник
конференцияси
.
Ташкент
– 2014 –
С
. 274-276.
28.
Нишанов
А
.
Х
.,
Рўзибоев
О
.
Б
.,
Мухсинов
Ш
.
Ш
.,
Классификация
масаласини
ечишда
таянч
вектор
машинаси
усули
ва
алгоритми
//
Инновацион
ғоялар
,
технологиялар
ва
лойиҳаларни
ишлаб
чиқишга
тадбиқ
этиш
муаммолари
мавзусидаги
IV
Республика
илмий
-
техник
конференцияси
.
Жиззах
– 2012 –
С
. 255-256.
29.
Рўзибоев
О
.
Б
.,
Караханов
Н
.
А
.
Классификация
масаласини
ечишда
“
Аппалон
шари
”
ҳал
қилувчи
қоида
усули
ва
дастурий
таъминоти
ҳақида
//
Республика
научно
-
техническая
конференция
«
Фан
,
таълим
ва
ишлаб
чиқариш
интеграциясида
ахборот
-
комуникация
технологияларини
қўллашнинг
ҳозирги
замон
масалалари
», II-
часть
. –
Нукус
, 2015 –
С
.407-
409.
30.
Рўзибоев
О
.
Б
.,
Мардиев
У
.
Р
.
Разработка
и
программная
реализация
по
определения
лицо
объекта
среде
JAVA//
Республиканская
научно
-
техническая
конференция
«
Проблемы
информационных
и
телекоммуникационных
технологий
», II-
часть
. –
Ташкент
, 2016 –
С
.117-
120.
42
31.
Хўжаев
О
.
Қ
.,
Рўзибоев
О
.
Б
.,
Алламов
О
.
Т
.
Маълумотларни
интеллектуал
таҳлили
дастурий
таъминотлари
қўлланилиш
соҳалари
ва
уларнинг
қиёсий
таҳлили
//
Материалы
Республиканского
научно
-
практического
семинара
«XXI
век
–
век
инновационно
–
интеллектуальных
идей
», –
Ташкент
, 2014 –
С
.19-21.
32.
Рўзибоев
О
.
Б
.,
Мардиев
У
.
Р
.,
Хамдамбеков
У
.
О
.,
Асамов
М
.
К
.
Разработка
программного
обеспечения
по
определению
лица
объекта
среде
Python//
V
ІІ
Международная
научно
-
практическая
интернет
-
конференция
«
Актуальные
научные
исследования
в
современном
мире
»,–
Переяслав
-
Хмельницкий
, 2015 –
С
.21-27.
33.
Nishanov A.H., Ruzibaev O.B., Amanova M.A. Image recognition APIs// V
ІІ
Международная
научно
-
практическая
интернет
-
конференция
«
Актуальные
научные
исследования
в
современном
мире
»,–
Переяслав
-
Хмельницкий
, 2016 –
С
.5-10.
34.
Нишанов
А
.
Х
.,
Рузибаев
О
.
Б
.,
Бегмербеков
У
.
Об
одном
нечетком
способе
кластеризации
данных
с
учётом
ошибки
разделения
// «
Алгебра
,
амалий
математика
ва
ахборот
технологиялари
масалалари
»,–
Республика
илмий
конференцияси
материаллари
. -
Наманган
, 2016 –
б
. 222-225.
35.
Рузибаев
О
.
Б
.,
Алламов
О
.
Т
.,
Хужаев
О
.
К
.,
Эгамбердиев
Н
.
А
.,
Программа
определения
степени
ошибок
с
,
помощью
алгоритма
ближайшего
соседа
//
Свидетельство
о
депонировании
объектов
интеллектуальной
собственности
Регистрационной
№
1426.
г
.
Ташкент
36.
Рузибаев
О
.
Б
.,
Караханов
Н
.
А
.,
Эгамбердиев
Н
.
А
.,
Юлдшаев
З
.
Б
.,
Нарзиев
Н
.
Б
.
Программа
разделения
объектов
на
классы
с
помощью
“
Шар
Апполона
”//
Свидетельство
о
депонировании
объектов
интеллектуальной
собственности
Регистрационной
№
1942.
г
.
Ташкент
37.
Кабулов
Р
.
В
,
Рузибаев
О
.
Б
.
Программный
комплекс
для
классификации
и
кластеризации
интервальных
данных
//
Свидетельство
о
депонировании
объектов
интеллектуальной
собственности
Регистрационной
№
2080.
г
.
Ташкент
38.
Нишанов
А
.
Х
.,
Хужаев
О
.
К
.,
Адамов
Э
.
И
.,
Рузибаев
О
.
Б
.,
Алламов
О
.
Т
.
Фуқаролар
ўзини
–
ўзи
бошқариш
органлари
ишини
автоматлаштириш
ва
маълумотлар
базасини
интеллектуал
таҳлил
қилиш
учун
дастурий
таъминот
//
Агентство
по
интеллектуальной
собственности
РУз
,
Свидетельство
DGU 02901, 10.12.2014
г
.
39.
Рўзибоев
О
.
Б
.,
Маннонов
Х
.
И
.,
Хамрақулов
Ю
.
Б
. “Android
операцион
тизими
учун
кўп
учрайдиган
касалликлар
тиббий
маълумотномасининг
мобил
иловаси
//
Агентство
по
интеллектуальной
собственности
РУз
,
Свидетельство
DGU 04154, 05.01.2017
г
.
40.
Рўзибоев
О
.
Б
.,
Хўжаев
О
.
Қ
.,
Тажимов
С
.
Ш
. “CDSS” –
клиникал
қарор
қабул
қилишни
қўллаб
–
қувватлаш
дастури
//
Агентство
по
интеллектуальной
собственности
РУз
,
Свидетельство
DGU 04667,
11.08.2017
г
.
43
Автореферат
"
Муҳаммад
ал
-
Хоразмий
авлодлари
"
илмий
-
амалий
ва
ахборот
таҳлилий
журнали
таҳририяи
таҳрирдан
ўтқазилди
ва
ўзбек
,
рус
тилларидаги
матнларини
мослиги
текширилди
.
Бичими
: 84
х
60
1
/
16
. «Times New Roman»
гарнитура
рақамли
босма
усулда
босилди
.
Шартли
босма
табоғи
: 2,75.
Адади
100.
Буюртма
№
35.
«
ЎзР
Фанлар
академияси
Асосий
кутубхонаси
»
босмахонасида
чоп
этилди
.
100170,
Тошкент
,
Зиёлилар
кўчаси
, 13-
уй
.
