На сьогоднішній день онкологічні захворювання утримують друге місце в списку причин смертності
(після серцево-судинних). Тому один з головних напрямків сучасної медицини – діагностика онкологічних захворювань кровотворних тканин, зокрема
лімфогранулематозу (Хвороби Годжкина).
При онкологічних захворюваннях, як правило, проводиться хіміотерапія в сполученні з променевою терапією. Дози і схема лікування рекомендується стандартно.
Але якщо за якимись причинами позитивний результат не буде досягнутий, то весь курс необхідно буде повторювати, але при цьому збільшити дози чи застосувати
схему більш сильної дії. По-перше, це дорого; по-друге, дія хіміотерапії дуже токсична, і повторне лікування організм може не витримати. Знаючи заздалегідь
прогноз результату лікування, можна коректувати дози відразу, а не експериментувати над здоров'ям пацієнта.
Метою роботи є розробка нейромережі для прогнозування результату лікування Хвороби Годжкіна.
Хвороба Годжкіна (лімфогранулематоз)— це пухлинне захворювання, при якому первинно поражається лімфатична система.
Пухлинним субстратом лімфогранулематозу є гігантська клітка Березовського-Штернберга.
Відповідно до обсягу пухлинної маси виділені три прогностичні групи: хворі зі сприятливим, проміжним і несприятливим прогнозом.
Вибір обсягу лікування для кожної прогностичної групи залежить не тільки від стадії хвороби, але і від сукупного набору прогностичних ознак,
у якому стадія хвороби є одним із цих ознак.
Сьогодні в медичній діагностики достатньо широко застосовуються нейронні мережі (НМ). НМ являють собою нелінійні системи, що дозволяють набагато краще
класифікувати дані, чим звичайно використовувані лінійні методи. У додатку до медичної діагностики вони дають можливість значно підвищити специфічність
методу, не знижуючи його чутливості.
НМ здатні працювати з великим набором параметрів, вплив яких на постановку діагнозу людині неможливо оцінити, вони так само здатні приймати рішення,
полягаючись на сховані закономірності, що виявляються ними, у багатомірних даних. Відмітна властивість нейромереж полягає в тому, що вони не програмуються - не використовують ніяких правил висновку для постановки діагнозу, а навчаються робити це на прикладах.
Діагностика є приватним випадком класифікації подій, причому найбільшу цінність уявляє класифікація тих подій, які відсутні в навчальному нейромережевому
наборі. Тут виявляється перевага нейромережевих технологій - вони здатні здійснювати таку класифікацію, узагальнюючи колишній досвід і застосовуючи його в нових випадках.
Сьогодні існує багато прикладів використання нейромереж для медичних прогнозів.
Ту і Гуэрир навчили двошаровий персептрон розділяти хворих на три групи ризику, з огляду на їхній вік, стан, функціональний стан лівого шлунку,
ступінь складності майбутньої операції і наявність супутніх захворювань. З тих пацієнтів, яких мережа віднесла до групи малого ризику затримки в реанімації, тільки 16,3% дійсно провели в ній більш двох днів. У той же час понад 60% з тих, кого мережа віднесла в групу підвищеного ризику, виправдали несприятливий прогноз.
Різноманітні можливості застосування нейромереж у медицині, і різноманітна їх архітектура. На основі прогнозу віддалених результатів лікування захворювання
тим чи іншим методом можна вибрати один з них. НМ можна використовувати і для прогнозу дії різних розроблювальних засобів лікування. Вони вже успішно застосо
вуються в хімії для прогнозу властивостей з'єднань на основі їх молекулярної структури. Дослідники з Національного інституту раку в США використовували НМ
для пророкування механізму дії препаратів, застосовуваних при хіміотерапії злоякісних пухлин. Помітимо, що існують мільйони різних молекул, які необхідно
досліджувати на предмет їхньої антиракової активності. Фахівці Інституту рака розбили відомі онкологічні препарати на шістьох груп відповідно до механізму
дії на ракові клітки і навчили багатошарові мережі класифікувати нові речовини і розпізнавати їх дію. У якості вихідних даних використовувалися результати
експериментів по придушенню росту кліток з різних пухлин. Нейромережева класифікація дозволяє визначити, які із сотень щодня апробуємих молекул варто вивчати
далі в дуже дорогих експериментах.
Метою роботи є створення системи, яка здатна допомогти лікарю вибрати тактику лікування. Прогностична функція системи полягає в прогнозі
результату лікування на підставі вхідних даних, отриманих при огляді лікарем.
Для підбору оптимальної схеми лікування та прогнозування результату застосовуємо нейронну мережу, яка здатна порівнювати за зразком та використовує механізм
навчання.
Користувач нейронної мережі підбирає репрезентативну вибірку, а потім запускає алгоритм навчання, що автоматично сприймає структуру даних. При цьому від
користувача, звичайно, потрібен якийсь набір знань про те, як треба відбирати та підготовляти дані та інтерпретувати результати, однак рівень знань,
необхідний для успішного застосування нейронних мереж, набагато скромніше, ніж наприклад, при використанні традиційних методів статистики.
Розроблена система може використовуватись для підбору схеми лікування в онкологічному відділені кровотворних тканин.
E-mails:
skobtsov@kita.donntu.ru
vasyaeva@tr.dn.ua
|
