Марченко Борис Игоревич – д.м.н., доцент; профессор Института нанотехнологий, электроники и приборостроения; кафедра техносферной безопасности и химии; врач-эпидемиолог отделения социально-гигиенического мониторинга филиала
ул. Б. Садовая, д. 105/42, г. Ростов-на-Дону, 344006, Российская Федерация
ул. Б. Проспект, д. 16-а, г. Таганрог, 347930, Российская Федерация
Boris I. Marchenko, Dr. Sci. (Med.), Associate Professor; Professor, Department of Technosphere Safety and Chemistry, Institute of Nanotechnologies, Electronics and Equipment Engineering; the Department of Technosphere Safety and Chemistry; epidemiologist
105/42 Bolshaya Sadovaya Street, Rostov-on-Don, 344006, Russian Federation
16-а Bolshoi Prospekt Street, Taganrog, 347930, Russian Federation
Плуготаренко Нина Константиновна – к.т.н., доцент; заведующая кафедрой техносферной безопасности и химии Института нанотехнологий, электроники и приборостроения
ул. Б. Садовая, д. 105/42, г. Ростов-на-Дону, 344006, Российская Федерация
Nina K. Plugotarenko, Cand. Sci. (Eng.), Associate Professor; Head of the Department of Technosphere Safety and Chemistry, Institute of Nanotechnologies, Electronics and Equipment Engineering
105/42 Bolshaya Sadovaya Street, Rostov-on-Don, 344006, Russian Federation
Семина Олеся Александровна – магистрант Института нанотехнологий, электроники и приборостроения
ул. Б. Садовая, д. 105/42, г. Ростов-на-Дону, 344006, Российская Федерация
Olesja A. Semina, Master’s Degree Student, Department of Technosphere Safety and Chemistry, Institute of Nanotechnologies, Electronics and Equipment Engineering
105/42 Bolshaya Sadovaya Street, Rostov-on-Don, 344006, Russian Federation
Введение. Обеспечение дальнейшего роста эффективности системы социально-гигиенического мониторинга требует интеграции современной методологии анализа риска здоровью населения с комплексом адаптированных унифицированных традиционных и инновационных аналитических методов, а также тесного информационного взаимодействия с системой экологического мониторинга.
Цель: апробация и оценка точности прогнозирования заболеваемости злокачественными новообразованиями посредством искусственной нейронной сети.
Материалы и методы. Анализируемые временные ряды представлены сведениями из статистических отчетных форм о злокачественных новообразованиях в городе Таганроге Ростовской области. Использованы две модели прогнозирования – регрессионная и посредством искусственной нейронной сети прямого распространения сигнала типа многослойного персептрона. Искусственная нейронная сеть со 117 нейронами в скрытом слое создана в среде пакета прикладных программ Matlab R2021a с набором инструментов для синтеза и анализа нейронных сетей Neural Network Toolbox, при ее обучении применен алгоритм Левенберга – Марквардта.
Результаты. Апробация двух моделей прогнозирования выполнена на обучающих выборках различной продолжительности – 34 года и 15 лет. При сравнительной оценке точности прогнозов на 2018 и 2019 гг. рассчитывались абсолютные и относительные погрешности. Точность нейросетевой модели прогнозирования выше, чем регрессионной модели, как по сумме злокачественных новообразований, так и по большинству отдельных локализаций. Так, абсолютные погрешности прогнозов на 2018 год при применении регрессионной и нейросетевой моделей составляли 17,05 и 1,49 на 100 тысяч населения, на 2019 год – соответственно 39,07 и 4,42 на 100 тысяч населения. Точность прогноза снижалась при уменьшении продолжительности временного ряда и удалении от границ обучающей выборки.
Заключение. Искусственная нейронная сеть типа многослойного персептрона прямого распространения сигнала обеспечивает более точные прогнозы при использовании минимума входной информации по сравнению с результатами применения регрессионной модели, что является ее несомненным преимуществом.
Introduction: Ensuring a further improvement of efficiency of the public health monitoring system requires integration of the modern health risk analysis methodology with a complex of adapted unified traditional and innovative analytical methods and data exchange with the environmental monitoring system.
Objectives: The study aimed to test and assess the accuracy of predicting the incidence of malignant neoplasms using an artificial neural network.
Materials and methods: The analyzed time series are presented by information from statistical reporting forms on malignant neoplasms in the city of Taganrog, Rostov Region. We applied a regression model and a forecasting modeling technique based on a feedforward artificial neural network of a multilayer perceptron type. An artificial neural network with 117 neurons in a hidden layer was created in the environment of the Matlab R2021a application package with a set of tools for the synthesis and analysis of neural networks Neural Network Toolbox using the Levenberg-Marquardt algorithm for its learning.
Results: Approbation of two forecasting models was carried out on learning samples of different duration including 15 and 34 years. In a comparative assessment of the accuracy of forecasts for 2018 and 2019, absolute and relative errors were estimated. The accuracy of the neural network forecasting model was higher than that of the regression model both for the total of malignant neoplasms and for most cancer sites. The absolute errors of forecasts for 2018 when using regression and neural network models were 17.05 and 1.49 per 100,000 population, for 2019 – 39.07 and 4.42, respectively. The prediction accuracy dropped with a decrease in the time series duration and an increase in the distance from the boundaries of the learning sample.
Conclusions: The feedforward artificial neural network of the multilayer perceptron type provides more accurate predictions using minimal input information compared to the regression model, which is its undoubted advantage.
The authors declare that there are no conflicts of interest present.