Автор: Солодуха Татьяна Владимировна

Название :

"Разработка специализированной компьютерной системы на базе нейронных сетей для прогнозирования последствий аллергических реакций"

Компьютерные системы медицинской и технической диагностики

Код специальности: 7.091505

Категория : Автореферат магистерской выпускной работы

Руководитель : Скобцов Ю.А.

    Хронические болезни органов пищеварения относятся к числу наиболее часто встречающихся заболеваний детского возраста. Распространенность их в настоящее время превышает 100 на 1000 детского населения.
      За последние 20 лет распространенность подобных заболеваний у детей выросла более чем на 30%. Причем, согласно материалам исследований, проведенных по унифицированной программе в Нижнем Новгороде, Москве, Иркутске, Новокузнецке, Ижевске, Уфе, Саратове, Ярославле, Минске, Киеве, Ташкенте, ее уровень не имеет существенных региональных особенностей.

      Очевидно, что ухудшение экологической обстановки, увеличение частоты аллергических заболеваний, режим повышенных нервно-психических нагрузок, испытываемых в дошкольных учреждениях и школах, малоподвижный образ жизни приводят к росту частоты заболеваний пищеварительного тракта. Таким образом, вопросы профилактики, ранней диагностики и лечения заболеваний органов пищеварения у детей в последние годы вышли за рамки собственно педиатрии и представляют собой сложную и большую медико-социальную проблему.

      Особое место среди инфекционных факторов риска занимает кишечный дисбактериоз, значимость которого в формировании и развитии болезней, в том числе и органов пищеварения, следует считать несомненной. Дисбактериоз - это изменение количества и состава физиологически необходимой для организма микрофлоры, при котором наблюдается снижение резистентности организма, что приводит к нарушению компенсаторных механизмов защиты и повреждению слизистой оболочки кишечной стенки.

      Лечение заболеваний органов пищеварения в детском возрасте относится к числу сложных, противоречивых и недостаточно изученных разделов педиатрии. Многогранность патогенетических механизмов диктуют необходимость проведения комплексной терапии болезней органов пищеварения у детей. Перечисленные проблемы, а также значительное число лекарственных средств, имеющихся в арсенале врача в настоящее время, ставят педиатров перед нелегким выбором оптимального варианта лечения.
      В каждом конкретном случае перед врачом стоит задача выбора рациональной программы терапии с учетом не только этиологии и патогенеза заболевания, но и множества других аспектов: возраста ребенка, особенностей его режима и диеты, психо-эмоционального состояния, сопутствующих заболеваний и т. д. Точных методов диагностики, тем не менее, до сих пор нет. А сколько всего параметров состояния больного могут в данном случае так или иначе помочь поставить правильный диагноз? Может ли врач в приемном покое быстро проанализировать все эти показатели вместе с взаимосвязями, чтобы принять решение о направлении больного отделение?

      В какой-то мере эту задачу помогут решить нейросетевые технологии, инструмент, способный помочь врачам, которые не в силах справиться с потоком данных, характеризующих состояние поступившего больного. Другой целью нейронных сетей является совершенствование диагностики. Идеальный метод диагностики должен иметь стопроцентные чувствительность и специфичность - во-первых, не пропускать ни одного действительно больного человека и, во-вторых, не пугать здоровых людей.

      Нейронные сети представляют собой нелинейные системы, позволяющие гораздо лучше классифицировать данные, чем обычно используемые линейные методы. В приложении к медицинской диагностике они дают возможность значительно повысить специфичность метода, не снижая его чувствительности.

      Основной целью выполнения выпускной магистерской работы является исследование проблемы дисбактериоза с помощью аппарата искусственных нейронных сетей. Сформулированная цель позволяет определить общую задачу - создание специализированной компьютерной системы. В свою очередь главную задачу можно разделить на составные части, перечень которых определяется следующим образом:

• описание похожих существующих систем в медицинской практике;
• формирование базы данных, отражающей основные характеристики состояния пациента;
• сравнение различных архитектур нейронных сетей и методов их обучения;
• определение нейронной сети, наиболее подходящей для решения задачи;
• объединение базы данных и нейронной сети в единый программный комплекс;
• формулирование выводов по работе.

      Проблема дисбактериоза привлекала и будет привлекать специалистов на поиски ее решения. Сложность заключается в том, что специалисты, работающие в этом направлении являются медиками. Они предпочитают использовать наиболее простые методы анализа закономерностей. Поэтому применение нейронных сетей для исследования дисбактериоза и выявления каких-либо зависимостей является новым. Подобный подход еще не использовался, и это позволяет говорить о его новизне и актуальности.

      Нейросети оказываются способными принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных. Отличительное свойство нейросетей состоит в том, что они не программируются - не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В этом смысле нейросети совсем не похожи на другие экспертные системы.
      Диагностика является частным случаем классификации событий, причем наибольшую ценность представляет классификация тех событий, которые отсутствуют в обучающем нейросеть наборе. Здесь проявляется преимущество нейросетевых технологий - они способны осуществлять такую классификацию, обобщая прежний опыт и применяя его в новых случаях.

      В качестве метода исследования в работе используется теория нейронных сетей. Приведены различные варианты построения многослойных нейронных сетей, для которых используется несколько алгоритмов обучения. В результате выбирается оптимальная структура сети и способ ее обучения. Для моделирования сетей используется пакет прикладных программ Neural Network Toolbox ядра системы MATLAB 6. Критериями сравнения служат минимизация ошибки обучения, уменьшение времени обучения, выполнение условий тестирования.

      Дисбактериоз кишечника — фоновое состояние, наблюдающееся при развитии или способствующее возникновению хронических заболеваний желудочно-кишечного тракта, хронических аллергических заболеваний, а также фактор ослабления местного и общего иммунитета. Данное состояние может временно возникать почти у любого человека и проходить без нарушения самочувствия и без последствий. При неблагоприятном развитии ситуации дисбактериоз кишечника может сопровождаться клиническими проявлениями дисфункции ЖКТ, псевдоаллергическими реакциями.

      В большинстве случаев коррекция дисбактериоза приводит к улучшению состояния больного, но иногда нарушения в составе нормальной кишечной флоры не требуют микробиологической коррекции, поскольку вмешательство врача менее оправданно, чем выжидательная тактика.

      Состояние микрофлоры кишечника у детей до трех лет очень вариабельно. Различные факторы, такие как прорезывание зубов, ОРВИ, введение новых продуктов, могут повлечь за собой нарушения состава микрофлоры кишечника. Эти отклонения могут быть временными и не приводить к нарушениям функций кишечника. Если дисбактериоз кишечника не сопровождается стойкими проблемами со стороны желудочно-кишечного тракта (запоры, поносы, непереваренная пища, слизь или зелень в кале, непереносимость каких-то продуктов, боли и вздутие живота, обильные срыгивания или рвоты, снижение аппетита), аллергическими реакциями (экзема, атопический дерматит, пищевая аллергия), отставанием в развитии, то можно избрать выжидательную тактику и лечения не проводить. Но при этом необходимы контрольные исследования фекалий на состояние микрофлоры, позволяющие узнать, какая идет динамика и хватает ли организму собственных сил для выравнивания баланса кишечной микрофлоры.

      Таким образом, в данном исследовании начальными сведениями были характеристики состояния пациента, согласно которым необходимо отнести обследуемого к одной из 5 групп больных, а также прогнозировать дольнейшее течение заболевания.

      Широкий круг задач, решаемый нейронных сетей (НС), не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные НС, функционирующие по различным алгоритмам.
      Модели НС могут быть программного и аппаратного исполнения (в работе строится сеть первого типа).
      Несмотря на существенные различия, отдельные типы НС обладают несколькими общими чертами.

      Во-первых, основу каждой НС составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рисунке. Каждый синапс характеризуется величиной синаптической связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости.

     Текущее состояние нейрона определяется, как взвешенная сумма его входов:

      Выход нейрона есть функция его состояния: y = f(s)

      Нелинейная функция f называется активационной и может иметь различный вид, как показано на рисунке 2. Одной из наиболее распространеных является нелинейная функция с насыщением, так называемая логистическая функция или сигмоид (т.е. функция S-образного вида)[2]:

      При уменьшении a сигмоид становится более пологим, в пределе при a=0 вырождаясь в горизонтальную линию на уровне 0.5, при увеличении a сигмоид приближается по внешнему виду к функции единичного скачка с порогом T в точке x=0. Из выражения для сигмоида очевидно, что выходное значение нейрона лежит в диапазоне [0,1].

      Во-вторых, принцип параллельной обработки сигналов, который достигается путем объединения большого числа нейронов в так называемые слои и соединения определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно.

      Очевидно, что все весовые коэффициенты синапсов одного слоя нейронов можно свести в матрицу W, в которой каждый элемент wij задает величину i-ой синаптической связи j-ого нейрона. Таким образом, процесс, происходящий в НС, может быть записан в матричной форме: Y=F(XW) где X и Y - соответственно входной и выходной сигнальные векторы, F( V) - активационная функция, применяемая поэлементно к компонентам вектора V.

      Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера. Чем сложнее НС, тем масштабнее задачи, подвластные ей.

      Выбор структуры НС осуществляется в соответствии с особенностями и сложностью задачи. Для решения некоторых отдельных типов задач уже существуют оптимальные, на сегодняшний день, конфигурации. Если же задача не может быть сведена ни к одному из известных типов, необходимо решать проблему синтеза новой конфигурации. При этом можно руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом выделенных слоев;введение обратных связей наряду с увеличением возможностей сети поднимает вопрос о динамической устойчивости сети; сложность алгоритмов функционирования сети также способствует усилению мощи НС. Вопрос о необходимых и достаточных свойствах сети для решения того или иного рода задач представляет собой целое направление нейрокомпьютерной науки. Так как проблема синтеза НС сильно зависит от решаемой задачи, дать общие подробные рекомендации затруднительно. В большинстве случаев оптимальный вариант получается на основе интуитивного подбора.

      Нейронные сети нашли применение во многих областях техники, где они используются для решения многочисленных прикладных задач: в космонавтике и аэронавтике, в автомобилестроении, в банковском деле, в военном деле, в электронике, в финансовом деле, в страховом деле, в промышленном производстве, в медицине, в нефтегазовой промышленности, в робототехнике, при передаче данных. В самой медицинской отрасли примеры применения нейронных сетей нельзя назвать единичными.

      Примером программы диагностики служит пакет кардиодиагностики, разработанный фирмой RES Informatica совместно с Центром кардиологических исследований в Милане. Программа позволяет осуществлять неинвазивную кардиодиагностику на основе распознавания спектров тахограмм. Тахограмма представляет собой гистограмму интервалов между последовательными сердцебиениями, и ее спектр отражает баланс активностей симпатической и парасимпатической нервной системы человека, специфично изменяющейся при различных заболеваниях. Так или иначе, уже сейчас можно констатировать, что нейронные сети превращаются в инструмент кардиодиагностики - в Англии, например, они используются в четырех госпиталях для предупреждения инфаркта миокарда.

      В университете штата Висконсин разработали нейросетевую систему фильтрации электрокардиограмм, позволяющую подавлять нелинейный и нестационарный шум значительно лучше, чем ранее использовавшиеся методы. Дело в том, что нейросеть хорошо предсказывала шум по его значениям в предыдущие моменты времени.

      Особое внимание уделяется сердечно-сосудистым заболеваниям, поскольку именно они занимают первое место в списке причин смертности. На втором месте находятся онкологические заболевания. Одно из главных направлений, в котором сейчас идут работы по использованию нейронных сетей, - диагностика рака молочной железы.

      Обнаружение опухоли осуществляется в ходе распознавать первичного рентгенографического анализа молочной железы (маммографии). Исследователи из университета Дьюка обучили нейронную сеть маммограммы злокачественной ткани на основе восьми особенностей, с которыми обычно имеют дело радиологи. После лечения рака молочной железы возможны рецидивы возникновения опухоли. Нейросети уже помогают эффективно их предсказывать. Подобные исследования проводятся на медицинском факультете Техасского университета. Обученные сети показали свои способности выявлять и учитывать очень сложные связи прогностических переменных, в частности, их тройные связи для улучшения предсказательной способности.

      Значительного результата в прогнозе лечения рака яичника добился известный голландский специалист Герберт Каппен из университета в Нимегене (он использует в своей работе так называемые Машины Больцмана - нейросети для оценки вероятностей).

      Исследователи из медицинской школы в Кагаве (Япония) обучили нейросеть, которая практически безошибочно прогнозировала по предоперационным данным результаты резекции печени у больных печеночно-клеточной карциномой.

      В Троицком институте инновационных и термоядерных исследований (ТРИНИТИ) в рамках реализуемого Министерством науки проекта создания нейросетевых консультационных систем была разработана нейросетевая программа, которая выбирает метод лечения базальноклеточного рака кожи (базалиомы) на основе долгосрочного прогноза развития рецидива.

      Нейросети можно использовать и для прогноза действия различных разрабатываемых средств лечения. Они уже успешно применяются в химии для прогноза свойств соединений на основе их молекулярной структуры. Исследователи из Национального института рака в США использовали нейросети для предсказания механизма действия препаратов, применяемых при химиотерапии злокачественных опухолей. Для решения аналогичной задачи использовались и сети Кохонена.

      Уделяется время изучению молекулярных и генетических причин развития заболеваний. В ТРИНИТИ была разработана система, в которой для поиска скрытых повторов и оценки роли мутаций в последовательностях ДНК используются модификации нейросетей Хопфилда. Есть надежда, что этот подход можно будет использовать для обобщенного спектрального анализа последовательностей данных весьма общего вида, например, для анализа электрокардиограмм.

      Разумеется, здесь приведен далеко не полный перечень примеров использования технологий искусственных нейронных сетей в медицине. В стороне осталась психиатрия, травматология и другие разделы, в которых нейросети пробуются на роль помощника диагноста и клинициста. Но из всего вышесказанного можно сделать вывод, что при исследовании дисбактериоза нейронные сети помогут ответить на многие вопросы и способствуют получению качественных результатов.

      При описании программного продукта можно выделить две его составные части:

1.       База данных (таблицы Paradox, оформление пользовательского интерфейса выполнено в среде Delphi 5). Представляет программу, предлагающую для общения с пользователем оконный интерфейс. Возможности:

   • занесение сведений о пациентах;

   • получение текущих отчетов;

   • статистическая обработка информации.

         Можно выделить как еще одну возможность - функцию преобразования хранимой информации в формат, удобный для подачи на входы нейронной сети.

2.       Смоделированная в среде MATLAB 6 нейронная сеть. Эта часть включает в себя все программы, составленные для моделирования различных типов нейросетей. Программа для оптимального варианта модели имеет расширенные возможности. Построение каждого варианта состоит из выбора следующих значений: модели сети, количества слоев сети, количества нейронов в слое, активационной функции, метода обучения, количество шагов в обучении. предельно допустимой погрешности. Обученная сеть способна на основании опыта предыдущих пациентов составить заключение для вновь поступившего пациента.

      Создание данных программ с помощью разных программных средств затрудняет возможность их объединения в одно целое, но в каждой предусмотрено выполнение функций для облегчения работы пользователя с программами.

При выполнении можно сформировать перечень результатов (как уже полученных, так и предполагаемых). Подобный список будет выглядеть следующим образом:

1. Применен нейронных сетей для обработки информации по заболеванию - дисбактериоз;

2. Исследованы возможностипостроения различных моделей нейронных сетей для решения поставленной задачи;

3. Получение оптимальной модели нейронной сети;

4. Создана база данных для хранения и обработки сведений о заболевании;

5. Формулирование выводов по результатам проделанной работы.

1. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6.: ДИАЛОГ-МИФИ, 2002.-496 с.

2. А. Ежов, В. Чечеткин Нейронные сети в медицине. Открытые системы 4/97

3. Дьяконов В., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник. - СПб .: Питер, 2001. -480 с.

4. Коровина Н. А., Вихирева З. Н., Захарова И. Н., Заплатников А. Л. Профилактика и коррекция нарушений микробиоценоза кишечника у детей раннего возраста. М., 1995.

5. Дисбактериоз кишечника. Методические рекомендации. Московский стоматологический институт, 1998.