Поиск оптимальной модели искусственного интеллекта для решения задач медицинской диагностики является, как правило, длительным процессом. В данной статье приведены результаты исследования применимости систем нейро-нечеткого вывода ANFis и NEFClass в качестве классификаторов для задачи распознавания изображений анализов мокроты, окрашенных по методу Циля – Нильсена. Система ANFis представлена тремя функциями и рассматривалась на примере своей реализации в программе Matlab. Система NEFClass рассматривалась на примере реализации в программе NefClass-PC. Был проведен сравнительный анализ алгоритмов обучения рассматриваемых нейро-нечетких систем по критериям величин среднеквадратичной ошибки, точности классификации и частоты ошибок. Признаковое описание экспериментальной выборки составлено из характеристик цвета и формы. В работе приведены результаты работы классификаторов при различных наборах параметров вектора признаков. Полученные результаты находятся в диапазоне достаточных требований к своему качеству и свидетельствуют о применимости нейро-нечетких моделей классификации к задаче диагностики туберкулеза. Сделано заключение о том, что использование моделей нейро-нечеткой логики может стать основой для построения оптимального классификатора для задачи распознавания изображений анализов мокроты, окрашенных по методу Циля – Нильсена.

Finding an optimal model of artificial intelligence for valid diagnosis is mostly a prolonged process. This article presents the results of experiment for using neuro-fuzzy system as classifiers for image recognition of sputum smear samples obtained using a light microscope. The ANFis system represent by three models. We use the Matlab implementation of the ANFis system and the NefClass-PC implementation of the NEFClass system. The comparison of these algorithms has been performed using values of the mean-square error, classification accuracy and error rate as criteria of the quality of classification. The extracted features are described by color and shape characteristics. The paper presents the results of classification for different sets of parameters of the feature vector. The results indicate the effectiveness of using the neuro-fuzzy classification models for diagnosing tuberculosis. The proposed system can be used for building an optimal intelligent system for detection and classification of Ziehl-Nielsen stained images.