Актуальность работы, цели и задачи исследования. Целью моей магистерской работы является разработка компьютерной системы психиатрической диагностики и прогнозирования исходов на базе нейросетевого моделирования. С чем связан данный выбор? Дело в том, что ускоренный темп жизни, возросшая нагрузка на нервную систему, ухудшение экологии окружающей среды привели к тому, что многие люди находятся под влиянием постоянного стресса, что способствует распространению эндогенных и экзогенных психозов. И именно поэтому необходима ранняя диагностика психических заболеваний и их профилактика. Эндогенные психозы - это такие психозы, которые нельзя обнаружить общемедицинскими методами и при которых не удается установить психологических связей с психотравмирующей ситуацией (шизофрения и маниакально-депрессивный психоз МДП). В последние десятилетия в отечественной психиатрии МДП диагностируется редко, а некоторые психиатры этот диагноз не ставят вообще. Под действием различных факторов клиническая картина психозов характеризуется множеством различных факторов и их взаимосвязями. Количественный анализ всего многообразия факторов и принятие решений невозможно без автоматизированной информационной системы. Использование современных информационных технологий позволит повысить эффективность как диагностических решений, так и лечебно- профилактических мероприятий. На сегодняшний день имеются диагностические системы в области распознавания заболеваний желудочно - кишечного тракта, сердечно - сосудистой системы, неврологических и других заболеваний. Мной сделана попытка создания компьютерной системы по распознаванию МДП и хронических стрессовых состояний (КСПДиП).
   Диагностика и прогнозирование - процедуры, разработанные врачами задолго до появления ЭВМ. Опыт психиатрии показывает, что диагностика и прогноз должны осуществляться с учетом многих характеристик больного, причем очень важно учитывать их сочетания. А это заставляет учитывать огромное число таких сочетаний. Ясно, что врачу не под силу обработать такой объем данных. Психиатрам поневоле приходится огрублять, обобщать, часто не используя всех возможностей информации, содержащейся в исходных сведениях о больных. Поэтому только с использованием кибернетических методов и применением ЭВМ у психиатров появилась возможность прогнозирования " в полную силу".

Принципы при разработке КСПДиП:

1. Процесс принятия решения должен сочетать объективность, присущую математическим методам анализа, а также знания и профессиональный опыт врача- психиатра.
2. Принятие решений во всех случаях осуществляется только врачом, КСПДиП осуществляет выбор диагностику и прогнозирование и предоставляет результаты врачу для окончательной оценки.
3. Процесс общения пользователей-врачей с системой и выбор решения происходит в режиме диалога, чем достигается реализация основополагающего принципа принятия решений, положенного в основу данной системы- сочетание объективного и индивидуального мышления.

   
Методы исследования. В данной работе я использую метод прогнозирования МДП на основе данных динамики церебрального и клинического кровообращения с нагрузкой и без нагрузки по реоплетизмографической методике. Этот выбор связан с тем, что исследования, проводимые отечественными учеными, показали, что этот метод наиболее информативен при психических нарушениях. Суть метода заключается в следующем: больному делается реограмма с записью фоновых данных и регистрацией вазоциркуляторных параметров при различных воздействиях: укол иглой, нейтральное для этого больного слово и эмоционально - значимое слово, а также через час после приема анаприлина. Фиксируется реографический индекс (РИ), то есть величина кровенаполнения, индекс эластичности (ИЭ), характеризующий состояние сосудистой стенки; плетизмографический индекс- индекс растяжимости (ИР)- способность тканей сопротивляться растяжению в зависимости от степени кровоснабжения этих тканей, а также скорость изменения кровотока     Еще раз отмечу то, что только новые информационные технологии позволяют создать объективные способы диагностики состояний и, кроме того, используя обратные связи, оценить эффективность применения новых методов решения. Прогностическая модель-это обобщенная идеализированная схема, которая описывает связи исходных данных больного с течением болезни во времени. Сравнивая прогнозы исходов для разных способов лечения, можно выбрать наилучший, оптимальный вариант лечения, индивидуальный лекарственный ключ. Как уже говорилось ранее, для наиболее оптимального диагноза, необходим полный анализ существующих параметров, данных. В данном диагностическом блоке происходит исследование патологического процесса корреляционными методами . Рассмотрим на примере реализацию этого метода. Построим признаковое пространство по показателям реакции на эмоционально- значимые слова. Функциональный признак - прогноз, выраженный в баллах по методу экспертных оценок. Принимается следующая шкала: от 0 до 1 балла - соответствует слабо витализированной депрессии. При построении математических моделей, прогнозирующих течение заболевания, по криптограмме значимого слова, вычисляем корреляционные матрицы.   Последний столбец обеих матриц показывает корреляционную зависимость исхода (степени депрессии) от показателей криптограммы. Наиболее тесная корреляционная связь в первой модели между ИЭ и исходом, а во второй между j и исходом. Противоположный характер наблюдается между первым и четвертым факторами и исходом в первой модели и второй моделях. Составляем соответствующие системы линейных уравнений для определения коэффициентов регрессии. Регрессионный анализ позволяет установить по исходной информации вид зависимости между исследуемой характеристикой и влияющими на нее переменными. Решая систему по методу Гаусса, определяем коэффициенты:

1. а1=-0,08 а2=0,01 а3=-0,58 а4=0,88
2. а1=-0,76 а2=0,19 а3=0,95 а4=-0,35

Сравнивая абсолютные значения коэффициентов, заключаем, что в первой модели наибольшую информативность имеет а4 (ИР), а во второй а3 (j). Прогностические многофакторные регрессионные модели имеют следующий вид:
У=-0,04 Х1+0,004 Х2- 0,07 Х3+4,79 Х4+ 4,99 - без анаприлина
У=-0,29 Х1+ 0,07 Х2+ 0,05 Х3- 1,61 Х4 - 2,17 - с анаприлином
Проверка надежности полученных регрессионных моделей на контрольной выборке (п=45) показала, что первая модель дала 69,4 % совпадений, вторая-82,5 %. Таким образом, по выбранным показателям криптограммы с нагрузкой анапрелином получен более достоверный результат. Подставляем РИ=Х1, ИЭ=Х2, j=Х3, ИР=Х4 в уравнения и находим значение у. Если y<=1, то депрессия слабо выражена, y>1, то вероятность выраженной депрессии существенно выше. Таким образом, получили интегральную прогностическую оценку психических расстройств и выбрали наиболее эффективный индивидуальный набор лечебных мероприятий.
Итак, о состоянии пациента можно судить не только по субъективным характеристикам описательного характера, но и по объективным характеристикам, полученным при помощи метода реоплетизмографии , в совокупности в виде математической модели. Рассматриваемый метод следует, в первую очередь, использовать при выборе индивидуальной терапии, а также для изучения комплексного действия факторов внешней среды, для количественного описания множественных причинно-следственных связей.
Нейросетевое моделирование в медицинских исследованиях.
В последние годы для решения задач, требующих построения математических моделей в задачах распознавания образов, достаточно часто применяют методы нейросетевого моделирования. Применение этих методов доказало свою эффективность и при решении задач диагностики, классификации и прогнозирования в медицине. Как Вы знаете, нейронные сети пытаются воспроизвести структуру человеческого мозга, состоящего из большого числа нейронов, соединенных многочисленными связями. Базовыми элементами нейронной сети являются искусственные нейроны, которые, соединяясь между собой при помощи связей, образуют сложные структуры, применяющиеся к задачам моделирования-нейронные сети. Под искусственным нейроном понимается структура, имеющая N входов (вектор) и один выход Y. Искусственный нейрон вначале вычисляет взвешенную сумму V входных величин по формуле: ,где Wi- вес i- той связи, Wo- пороговая величина. На основе полученного значения V вычисляется выходное значение искусственного нейрона Y по формуле: где f(V)- функция активации искусственного нейрона. В настоящее время чаще всего применяется так называемая сигмоидная функция активации, принимающая значения в интервале (0,1): В данной системе применяется обучение с учителем. При этом выходное значение модели Y, зависящее от набора входных значений Х определяется не по правилам, а с помощью примеров, образующих обучающее множество. Это множество состоит из набора примеров, с указанием значений входных параметров и выходного параметра (выходных параметров), которое желательно получить. Обучение с учителем можно рассматривать как решение оптимизационной задачи, где в качестве целевой функции выбрана функция ошибок Е (среднеквадратическая ошибка). Здесь,m- число примеров обучающего множества, Di-желаемое значение выхода i- го примера, Yi-значение, полученное в модели при заданной матрице весовых коэффициентов Wpq,, где p- номер элемента нейронной сети, q- номер его связи. Минимизация величины Е осуществляется с помощью градиентных методов. При этом Wpq корректируется либо после обработки каждого примера, как это происходит в наиболее распространенном методе обратного распространения ошибки, либо после прохождения всех примеров (эпохи обучения)- метод быстрого распространения. Изменение веса происходит в направлении, обратном направлению наибольшей крутизны изменения функции ошибок Е: где t- номер итерации, e- величина, определяющая скорость обучения. Важное значение для успешного рещения задачи моделирования имеет правильный выбор архитектуры и степени сложности сети. Работа над этим выбором будет производиться мной при построении сети и я буду придерживаться следующих принципов:

1. Начинать моделирование следует с нейронной сети небольших размеров, которая, например, состоит из входного и выходного слоя с линейной функцией активации. .Далее постепенно увеличивать количество скрытых слоев и искусственных нейронов в каждом слое, сравнивая более сложные модели с линейной регрессией. Обычно считают, что когда нейронная сеть очень быстро (за малое число итераций) достигает эффекта переобучения, то ее размер необходимо уменьшить, а если нейросетевая модель выдает большую ошибку на обучающем множестве, то ее необходимо усложнить. И таким образом, перебирая топологии сети различной сложности, найти оптимальный вариант.
2. При выборе количества обучающих примеров, надо пользоваться правилом, что общее число весов нейросетевой модели всегда должно быть меньше числа обучающих примеров, в противном случае сеть просто запомнит входные данные и утратит способность к обобщению. Особо следует остановиться на задаче классификации. Задача двоичной классификации может быть решена на сети с одним выходным элементом, который может находиться в состоянии 1 или 0.Для задачи со многими классами необходимо разработать способ их кодирования. Один из возможных способов заключается в том, чтобы кодировать к-классов с помощью к-мерных наборов, приписывая I- той компоненте значение 1, если пример принадлежит I-му классу, и 0 в противоположном случае. Другой способ заключается в разбиении задачи с к классами на к*(к-1) подзадач, содержащих только по два класса. Окончательное присваивание элементу I-го номера класса осуществляется булевой функцией, на вход которой подаются выходы подзадач.Разделяющие способности модели при этом возрастают, хотя в этом случае число выходных элементов растет как к^2.

Заключение и перспективы исследования.     В результате проведенный научных поисков я еще раз удостоверилась в том, что выбранная тема является актуальной, а главное - перспективной. Еще раз отмечу то, что только новые информационные технологии позволяют создать объективные способы диагностики состояний и, кроме того, используя обратные связи, оценить эффективность применения новых методов решения. Разрабатываемая диагностическая система позволит в будущем диагностировать не только МДП, но и другие психические заболевания.

Литература

1. В.Н. Казаков, Ю.Е. Лях, И.И. Кутько, О.А. Панченко, А.М. МАнуйлова, В. Г. Гурьянов. Теоретические и практические аспекты автоматизированной информационной системы депрессии,Донецк: "Лебедь".-2001.
2. В. П. Блохина, С. В. Васильева. Возможности математического моделирования в психиатрии с применением ЭВМ //Журн. невропатол. и психиатрии им. С. С. Корсакова.- 1990.
3. А. Ежов, В. Чечеткин. Нейронные сети в медицине //Открытые системы.- 1997.
4. И.И. Кутько. Построение математических моделей на основе реоплетизмографии в диагностике МДП//Всесоюз. конференция "Реализация математических методов с использованием ЭВМ в клинической и экспериментальной медицине".-М.,1983.