Возрастающая роль описторхоза в патологии человека прежде всего в эндемичных районах, существующие трудности диагностики обусловливают поиск новых подходов к выявлению этой инвазии. На примере анализа имеющихся иммунологических сдвигов у больных описторхозом, проявляющиеся изменением количественного содержания сывороточных иммуноглобулинов A , M и G, нами предпринята попытка применения нейронных сетей в лабораторной диагностике описторхоза. Для построения нейронных сетей использована компьютерная система проведения математических расчётов MatLab (её приложение Neural Network Toolbox). Исходные данные - два набора результатов анализа уровней иммуноглобулинов G, A , M. Первый набор - контрольная группа (с отрицательным тестом на описторхоз). Второй набор - содержит примеры с положительным тестом на описторхоз. На данном этапе решения задачи была использована одна из самых простых архитектур - многослойный персептрон. Теоретически достаточно трёх слоёв для решения любой достаточно сложной задачи прогнозирования, поэтому сеть содержит три слоя. Передаточные функции нейрона выбирались из следующих соображений : поскольку достоверно не известно, какие из факторов положительно влияют на ответ, а какие отрицательно (т.е. являются тормозящими) передаточные функции у всех нейронов одинаковы - th(x) - гиперболический тангенс , который принимает значения от -1 до 1. Это позволяет сети эффективнее выделять возбуждающие и тормозящие факторы. Опыты показали, что нейронная сеть с данной передаточной функцией обучается быстрее. Значения на выходе меняются от -1 до 1, поэтому эти числа приняты за классификаторы. Единица соответствует отрицательному тесту на описторхоз, минус единица положительному. В результате работы была создана программа на встроенном языке программирования Matlab. Здесь приведены выдержки из содержательной части программы с описанием (опущена интерфейсная часть). P=Input % матрица[3 x 25] - матрица входных переменных ( предъявляемые данные) T=Output % вектор-строка [25] вектор выходных значений ( требуемые данные ) [P,meanp,stdp]=prestd(P) %стандартизация входных переменных относительно среднего и дисперсии % данная процедура облегчает процесс обучения net=newff(minmax(P), [5 6 1]. {'tansig' ' tansig' 'tansig' }) %создана новая сеть согласно описания net.trainParam.epochs=500 % указание предельного количества циклов обучения net.trainParam.goal=0.01 % указание требуемой точности прогнозирования net=train(net,P,T) % обучение сети x=NewInput % вектор столбец новых (пронормированных относительно meanp и stdp) значений  y=sim(net,x) %ответ сети для вектора х  Результатом применения технологии явилось создание программного продукта на языке Matlab, включающего в себя графический интерфейс пользователя, с возможностями адаптации нейронной сети, ввода новых данных, вывода диагностических сообщений " болен - здоров". Полученные диагностические заключения позволяют рассматривать данную технологию весьма перспективной для постановки комплексного диагноза описторхоза.