Состояние вопроса. Многолетний исследовательский труд различных научных школ позволил сформировать значительный информационный массив сведений о возрастных изменениях различных тканей и органов. Созданные цифровые базы данных содержат большой набор разнородных показателей, которым необходим многофакторный полигональный анализ для построения эмпирической модели диагностики возраста. Следует учитывать, что показатели, описывающие возрастные изменения, являются «зашумленными», так как происходящие в постнатальном онтогенезе морфологические изменения тканей и органов не всегда являются следствием старения. Влияние целого ряда факторов приводит к вариативности цифровых значений исследованных признаков и, как прямое следствие, к значительным расхождениям между биологическим и хронологическим возрастом. Возникает вопрос о способах совокупной оценки комплекса признаков. В настоящее время большинство методических подходов базируются на использовании множественных уравнений регрессии. С позиции современных информационных технологий применение линейного регрессионного анализа следует признать утратившими актуальность. Подобные модели не являются масштабируемыми, не обладают достаточной степенью адаптивности и гибкости, а при увеличении количества признаков в исходных данных не всегда позволяют отследить взаимосвязи между параметрами. Необходимо использовать методы, позволяющие обрабатывать гетерогенные формации цифровых показателей возрастных изменений и обнаруживать нелинейные и нетривиальные зависимости, которые достаточно сложно найти, используя только общепринятые стандартные подходы, на основании методов описательной статистики. В условиях чрезвычайных ситуаций с массовыми человеческими жертвами очевидны разнородный характер, потенциальные значимые погрешности в исходных данных и другие сложно формализуемые особенности обрабатываемой информации, что приводит к невозможности или нецелесообразности применения отдельных методик и требует применения совокупности разных по принципу обработки информации математических методов для расчета возраста.
Одним из наиболее перспективных вариантов является использование ММО. Глобальная цифровизация как общепризнанный тренд развития общества предполагает активное использование ММО, в том числе для решения прикладных медицинских задач.
Активное использование в современном информационном пространстве междисциплинарного подхода с объединением набора знаний и компетенций способно существенно повысить качество итогового результата вне зависимости от сложности задачи. В области медицины такими примерами могут послужить информационные технологии. Аналитическая обработка медицинских данных с помощью современных ММО является одним из самых востребованных направлений.
В научной литературе присутствует большое количество статей по данному направлению. В систематическом обзоре G. Arji и соавт. (2019) на основе метаанализа 502 научных публикаций с 2000 по 2017 г. дана оценка использования ММО в медицине, выполнено сравнение упоминаемых классов задач (рис. 3.1) и применяемых алгоритмов машинного обучения (рис. 3.2) [195].
&hide_Cookie=yes)
Рис. 3.1. Распределение по годам упоминаемых классов задач в рассматриваемых научных публикациях (Arji G. et al., 2019)
&hide_Cookie=yes)
Рис. 3.2. Распределение по годам упоминаемых алгоритмов машинного обучения в рассматриваемых научных публикациях (Arji G. et al., 2019)
Наиболее упоминаемый класс задач — Classification, под которым понимается отнесение объекта к одной или нескольким заранее известным группам — классификация. Чаще всего использовались следующие алгоритмы классификации: дерево решений и случайный лес, метод опорных векторов, нейронные сети и байесовские сети.
В работе М. Fernandez-Delgado и соавт. (2014) проведена оценка 179 классификаторов из 17 семейств (дискриминантный анализ, байесовский, нейронные сети, деревья решений, случайные леса и другие ансамбли, обобщенные линейные модели, ближние соседи, частичные наименьшие квадраты и регрессия главных компонент, логистическая и мультиномиальная регрессия и другие методы) с использованием 121 набора данных. Наилучшими оказались классификаторы алгоритма случайного леса: максимальная точность порядка 90% была достигнута в 84,3% наборов данных [244].
На фоне достаточного количества опубликованных работ о применении алгоритмов классификации в медицинской сфере аргументированное обоснование предпочтения того или иного алгоритма отсутствует [197, 225, 318, 352, 357, 405]. Также следует отметить, что применительно к задачам судебной медицинской идентификации личности вообще и диагностике возраста в частности алгоритмы классификации ранее не использовались.