Донецкий Национальный Технический Университет Donetsk National Technical University
	Кораблинова Юлия Александровна Автореферат к магистерской работе Тема магистерской работы: Разработка компьютерной системы диагностики и прогнозирования исходов травм верхних конечностей человека на базе нейросетевого моделирования и телемедицинских технологий Руководитель: Скобцов Ю.А.

Конец ХХ - начало XXI века, безусловно, стали эпохой стремительно развивающихся компьютерных и информационных технологий. Вычислительная техника проникла во все сферы деятельности человека: медицину, экономику, машиностроение и т.д. Самый значительный прорыв, на мой взгляд, сделан в области медицинской диагностики. Объединение знаний специалистов компьютерных технологий, инженеров и врачей привели к созданию большого количества новых медицинских приборов, технологий и методик, а также усовершенствованию уже существующих систем.

Значительные изменения в этой сфере вызваны необходимостью существенного повышения качества диагностики в целях выявления заболеваний на ранних стадиях, что приведет как к сокращению уровней заболеваемости, так и к сокращению расходов на лечение больных.

В настоящее время существует большое количество диагностических систем для кардиологии, исследования заболеваний головного мозга (особенно компьютерная обработка реограмм и энцефалограмм), внутренних органов (преимущественно ультразвуковые исследования). Полнофункциональных компьютерных систем для диагностики травм верхних конечностей сейчас практически нет.

В данной работе предполагается создать экспертную систему для диагностики травм верхних конечностей. Исходными данными для этого будут являться обработанные изображения рентгенограмм. Актуальность этой работы состоит в том, что сегодня не существует программных продуктов, обрабатывающих рентгеновские снимки автоматически. Это делается врачом с применением линейки, вследствие чего возникает погрешность измерений. Кроме этого отсутствуют экспертные системы, которые позволяют поставить диагноз, одновременно учитывая результаты двух методов диагностики. Все сделанные с помощью программы замеры необходимо хранить в базе данных для возможности быстрого их просмотра и получения необходимой информации.

Скелет верхней конечности, skeleton membri superioris, делят на кости пояса верхней конечности, ossa cinguli membri superioris, в состав которых входят ключица, clavicula, и лопатка, scapula, и на кости, образующие скелет свободной верхней конечности, skeleton membri superioris liberi, к которым относятся плечевая кость, humerus, кости предплечья, ossa antebrachii, и кости кисти, ossa manus.

Кости верхних конечностей. Ключица.
1. Задний край
2. Грудинный конец
3. Поверхность грудинного сустава
4. Впадина реберно-ключичной связки
5. Передний край
6. Клювовидная бугристость
7. Трапецевидная линия
8. Поверхность акромиального сустава
9. Акромиальный конец
10. Тело


Кости верхних конечностей.
1. Лопатка
2. Плечевая кость
3. Локтевая кость
4. Лучевая кость
5. Запястье
6. Пясть
7. Пальцы
8. Кисть
9. Предплечье
10. Плечо
11. Лопатка
12. Ключица

Плечевая кость, humerus, длинная трубчатая кость. В ней различают тело и два конца - верхний и нижний. Тело плечевой кости, corpus humeri, в верхнем отделе округло, а в нижнем - трехгранно. В нижнем отделе тела различают заднюю поверхность, facies posterior, которая по периферии ограничена латеральным и медиальным краями, margo latera-lis et margo medialis, и переднюю, которая нерезко выраженным краем делится на две поверхности: переднюю медиальную, facies medialis anterior, и переднюю латеральную, facies lateralis anterior.

На передней медиальной поверхности тела, несколько ниже середины его длины, располагается питательное отверстие, foramen nutricium, которое ведет в дистально направленный питательный канал, canalis nutricius. Несколько выше этого отверстия, на передней латеральной поверхности тела, находится дельтовидная буристость, tubero-silas deltoidea, место прикрепления дельтовидной мышцы, m. deltoideus. На задней поверхности тела кости, позади дельтовидной бугристости, проходит борозда лучевого нерва, sulcus nervi radialis. Она имеет спиральный ход и направлена сверху вниз и изнутри кнаружи. Верхний конец, или проксимальный эпифиз, extremitas superior s. epiphysisproximalis, утолщен и несет на себе полушаровидной формы головку плечевой кости, caput humeri, поверхность которой обращена кнутри, кверху и несколько кзади. Периферия головки отграничена от остальной части кости неглубоким кольцеобразно идущим сужением - анатомической шейкой, collum anatomicum. Ниже анатомической шейки на передненаружной поверхности кости располагаются два бугорка: снаружи - большой бугорок, tuberculum majus. а изнутри и немного спереди - малый бугорок, tuberculum minus. Нижняя периферия каждого бугорка переходит в одноименный гребень: гребень большого бугорка, crisia tuberculi majoris, и гребень малого бугорка, crista tuberculiminoris. Направляясь вниз, гребни достигают верхних отделов тела и вместе с бугорками ограничивают хорошо выраженную межбугорко-вую борозду, sulcus intertubercularis, в которой залегает сухожилие длинной головки двуглавой мышцы плеча, tendo capitis longi m. bicipitis brachii. Ниже бугорков, на границе верхнего конца и тела кости, находится небольшое сужение - хирургическая шейка, collum chi-rurgicum. которая соответствует зоне эпифиэарного хряща. Нижний конец, или дистальный эпифиз, extremitas inferior, s. epiphysis distalis, сдавлен в переднезаднем направлении. Дистальная область этой части кости несет в латеральном отделе шаровидной формы головку мыщелка плечевой кости. capitalum humeri, с которой сочленяется головка лучевой кости. Рядом с этим возвышением находится блок плечевой кости, trochlea humeri, который сочленяется с блоковой вырезкой локтевой кости. На передней поверхности нижнего конца плечевой кости над блоком располагается венечная ямка, fossa coronoidea, a над capitulum humeri - лучевая ямка. fossa radialis, на задней поверхности - ямка локтевого отростка, fossa olecrani. Периферические отделы нижнего конца плечевой кости заканчиваются латеральным и медиальным надмыщелками. epi-condylus lateralis et epicondylus medialis. Медиальный надмышелок развит сильнее. На его задней поверхности находится борозда локтевого нерва, sulcus nervi ulnaris. Надмыщелки и борозда локтевого нерва хорошо прощупываются под кожей.

Рентгенодиагностика - Распознавание повреждений и заболеваний различных органов и систем человека на основе получения и анализа их рентгеновского изображения.

При этом исследовании пучок рентгеновских лучей, проходя через органу и ткани, поглощается ими в неодинаковой степени и на выходе становится неоднородным. Поэтому, попадая затем на экран либо пленку, обуславливает эффект теневой экспозиции, состоящей из светлых и более темных участков тела.

На заре рентгенологии областью ее применения были только органы дыхания и скелет. Сегодня диапазон гораздо шире: желудочно-кишечный, желчный и мочевой тракты, почки, кровеносные и лимфатические сосуды и др.

Основные задачи рентгенодиагностики: установить, имеется ли у пациента какое-либо заболевание и выявить его отличительные признаки, чтобы дифференцировать с другими патологическими процессами; точно определить место и степень распространенности поражения, наличие осложнений; дать оценку общему состоянию больного.

Органы и ткани организма отличаются друг от друга плотностью и способностью к рентгеновскому просвечиванию. Так, хорошо, видны кости и суставы, легкие, сердце. При рентгене же желудочно-кишечного тракта, печени, почек, бронхов, сосудов, естественная контрастность которых недостаточна, прибегают к искусственной, специально вводя в организм безвредные рентгеноконтрастные вещества. К ним относятся сульфат бария, йодистые органические соединения. Их принимают внутрь (когда исследуют желудок), вводят в кровеносное русло внутривенно (при урографии почек и мочевых путей) или непосредственно в полость органа (например, при бронхографии).

Показания к рентгеновскому исследованию чрезвычайно широки. Выбор оптимального метода определяется диагностической задачей в каждом конкретном случае. Начинают, как правило, с рентгеноскопии или рентгенографии.

Реография - (буквальный Перевод: "рео" - поток, течение и его графическое изображение). Метод исследования кровообращения, основанный на измерении пульсовой волны, вызванной сопротивлением стенки сосуда при пропускании электрического тока. Применяется в диагностике различного рода сосудистых нарушений головного мозга, конечностей, легких, сердца, печени и др.

Реография конечностей используется при заболеваниях периферических сосудов, сопровождающихся изменениями их тонуса, эластичности, сужением или полной закупоркой артерий. Запись реограммы производят с симметричных участков обеих конечностей, на которые накладывают электроды одинаковой площади, шириной 1020 мм. Чтобы выяснить приспособительные возможности сосудистой системы, применяют пробы с нитроглицерином, физической нагрузкой, холодом.

В ходе выполнения магистерской работы планируется создание экспертной системы для диагностики травм верхних конечностей.

Для правильной постановки диагноза необходимы размеры каналов в различных отделах верхней конечности и пространственные соотношения в них. Все необходимые размеры получает врач с помощью обработки рентгенограмм.

Обработка изображений будет производиться с помощью разработанного в работе программного обеспечения, которое будет иметь следующие возможности:

2. измерение пространственных соотношений и углов в верхней конечности;

3. формирование отчетов с выведением всех необходимых соотношений между костями для последующего определения вида хирургического вмешательства и типа лечения;

4. постановка диагноза на основе сделанных измерений с использованием экспертной системы.

Программное обеспечение планируется разрабатывать на языке программирования высокого уровня Delphi 6.0.

Экспертную систему целесообразно реализовать с применением математического аппарата - нейронные сети. Имеется 45 экспериментальных данных, полученных в ходе практической деятельности врачей. Для обучения нейронной сети будет использован набор обучающих данных из 30 выборок и 15 выборок отнесем к тестирующим примерам, для проверки правильности обучения и испытания полученной системы. Для реализации нейросетевого моделирования используется прикладной пакет MatLab 6.0. По результатам проведенных экспериментов будет рекомендована оптимальная структура нейронной сети для использования в разрабатываемой экспертной системе.

Обученную нейросеть планируется подключить к разработанному и созданному интерфейсу программы.

Данные на входы нейронной сети будут считываться из файла. Возможность записи в файл по результатам сделанных замеров на рентгенограмме и компьютерной томограмме будет предусмотрена в разработанной программе.

Экспертная система (ЭС) - это система, объединяющая возможности компьютера со знаниями и опытом эксперта в такой форме, что система может предложить разумный совет или осуществить разумное решение поставленной задачи. ЭС обладает способностью пояснять ход своих рассуждений в понятной для спрашивающего форме.

Главное достоинство ЭС - возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.

Применение экспертных систем в медицине наиболее эффективно при решении задач диагностики, интерпретации данных, прогнозировании течения заболеваний и осложнений, мониторинга течения заболевания и планирования лечебно-диагностического процесса. С позиции разработчика экспертной системы, отличие задач диагностики (и интерпретации данных) от задач прогнозирования заключается в том, что в первом случае по значениям признаков или примерам осуществляется поиск причин, объясняющих эти значения или примеры, а во втором - по наблюдаемым значениям признаков осуществляется поиск следствий, к которым они могут привести. Современные экспертные медицинские системы поддерживают интеграцию с другими видами медицинских информационных систем, в частности с обучающими информационными системами и системами для лабораторных исследований.

После проведенного анализа существующих медицинских экспертных систем была сделана следующая классификация:

- системы, выполняющие задачу диагностики больного; используются, в основном, на этапе определения болезни, перед началом лечения;

- системы, выполняющие задачу прогнозирования результатов применения тех или иных средств лечения больного; используются на этапе определения болезни, перед началом лечения;

- системы, прогнозирующие результаты массовых способов лечения (прививки, вакцинация); используется на начальном периоде, для прогноза результата лечения;

- системы, прогнозирующие развитие массовых заболеваний (эпидемий)

Наиболее важным компонентом ЭС является база знаний, как правило, "переменная" часть системы, которая может пополняться и модифицироваться инженерами знаний. Существует несколько способов представления знаний в экспертной системе. Наиболее распространенный способ представления знаний: правила и факты.

Правила в базе знаний имеют вид:

Действие S исполняется, если А истинно. Правила в базе знаний служат для представления эвристических знаний, т.е. неформальных правил рассуждения, вырабатываемых экспертом на основе опыта его деятельности. Разрабатываемая в работе экспертная система строится с использованием аппарата нейронных сетей и отличается тем, что база знаний не является переменной частью. Это связано с тем, что нейронная сеть обучается один раз по имеющейся базе знаний (обучающая выборка) и в последующем только используется для прогнозирования исхода заболевания. Если в базе знаний появляются новые правила, то необходимо разработчикам системы переобучать нейронную сеть и в дальнейшем для диагностики использовать уже эту обученную сеть.

Неявные задачи медицины и биологии явились идеальным полем для применения нейросетевых технологий, и именно в этой области наблюдается наиболее яркий практический успех нейроинформационных методов.

В приложении к медицинской диагностике нейронные сети дают возможность значительно повысить специфичность метода, не снижая его чувствительность. 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 большинстве задач диагностики, дифференциальной диагностика, прогнозирования, выбора стратегии и тактики лечения и др. достаточно легко набрать необходимое количество примеров для обучения НС. Медицинские задачи практически всегда имеют несколько способов решения и "нечеткий" характер ответа, совпадающий со способом выдачи результата нейронными сетями.

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.

С началом применения нейроалгоритмов возможно новый виток развития получит актуальная проблема диагностики злокачественных новообразований.

На сегодня созданы нейросетевые экспертные системы для классификации опухолей молочной железы (определение доброкачественная опухоль или злокачественная) по данным маммографии (сканограмма молочной железы). По данным, которые приводят авторы, точность такого вывода до применения нейросети составляла не более 75%. При тестировании системы, нейросеть, анализирующая сканограмму, давала правильный ответ в 100% случаев. При тестировании изображение, получаемое в результате метода, представляется в виде матрицы точек размером 1024х1024 пиксела с 10-битовой шкалой яркости. Изображение подается на нейросеть, имеющую 2 входных, 80 "скрытых" и 2 выходных нейрона. При этом один из выходных нейронов "отвечает" за доброкачественную опухоль, другой за злокачественную. Диагноз определяется в зависимости от выходного нейрона, выдавшего больший по величине ответ. Столь высокий процент правильности распознавания, возможно, случаен, и объясняется недостаточным количеством примеров, использовавшихся при обучении и тестировании нейросети (по 10 примеров). Однако даже при такой малой обучающей выборке нейросеть выигрывала по сравнению с традиционным методом интерпретации сканограммы.

Диагностика и лечение онкологических заболеваний, а также разработка новых медикаментозных средств несомненно представляют собой важнейшую область применения нейросетевых технологий. Однако в последнее время среди исследователей и врачей растет осознание того факта, что будущие успехи должны быть тесно связаны с изучением молекулярных и генетических причин развития заболеваний.

Нейросети довольно давно активно применяются в анализе геномных последовательностей ДНК, в частности для распознавания промоторов - участков, предшествующих генам и связываемых с белком РНК-полимераза, который инициирует транскрипцию. Их используют для дифференциации кодирующих и некодирующих участков ДНК (экзонов и интронов) и предсказания структуры белков.

В 1996 году было сделано открытие, связавшее фундаментальные исследования в молекулярной генетике с проблемой патогенеза и лечения самого распространенного онкологического заболевания - базальноклеточного рака кожи. Исследователи обнаружили в девятой хромосоме человека ген (PTC), мутации в котором, в отличие от гена p53, вызваны воздействием ультрафиолета и являются причиной развития опухоли. Ключом к открытию стало изучение так называемого заплаточного гена, изменения в котором стимулировали дефекты развития плодовой мушки и тот факт, что у детей, также страдающих дефектами развития костной ткани (базальный невусный синдром), часто имеются множественные базалиомы.

Нейросетевые методы обработки применяются для лабораторных анализов и тестов. Так существует нейросетевой метод интерпретации лабораторных данных биохимического анализа крови. При этом заметны существенные преимущества нейронных сетей в сравнении с линейным дискриминантным анализом, которым параллельно обрабатывались данные.

В 1990 году одна американская фирма установила в реанимационном отделении одной из больниц штата Мичиган экспертную систему "Apache - III". Ее цель - прогнозирование исхода заболевания у больных, находящихся в тяжелом состоянии. Для прогноза в компьютер необходимо ввести 27 параметров больного: первичный диагноз, симптомы, степень утраты сознания, наличие или отсутствие СПИД и других заболеваний. После этого система выдает вероятность выживания больного в диапазоне от 0 до 100 процентов. Ценность применения системы заключается в том, что она позволяет очень быстро оценить динамику изменения состояния больного, незаметную "на глаз". Например, можно получить ответ у системы до и после введения какого-либо лекарства, и, сравнив ответы, посмотреть, будет ли наблюдаться эффект от терапии. Без программы же изменение состояния иногда не удается обнаружить в течение нескольких дней. Тестирование показало, что 95% прогнозов, которые делает программа, сбываются с точностью до 3%, что значительно точнее, чем у лучших врачей. Необходимо отметить, что система была обучена на данных, взятых из историй болезней 17448 пациентов, лечившихся в 40 больницах штата в 1989 году. Очевидно, что если качество работы системы обеспечивается таким большим объемом выборки, возможности перенастройки системы не слишком велики. Идеология авторов, создавших эту систему, заключается в как можно большем охвате различных примеров и вариантов (сбор данных в 40 больницах), а не в возможности индивидуализации системы к конкретной клинике. Поэтому данная система не способна к подучиванию в процессе работы, опыт "зашит" в нее жестко. Это может быть существенным недостатком при установке программы в регионы, резко отличающиеся по социально- географическим условиям от тех, где проводилось обучение. Кроме того, огромный массив примеров для обучения повышает стоимость программы.

Прогностические нейросетевые модели могут также использоваться в демографии и организации здравоохранения. Создана экспертная система, предсказывающая, умрет ли человек (в возрасте 55 лет и старше) в ближайшие 10 лет. Прогноз делается по результатам ответов на 18 вопросов анкеты. В анкету включены такие вопросы, как раса, пол, возраст, вредные привычки, семейное положение, семейный доход. 4 из 18 вопросов выявляют индекс массы тела (body mass index) в различные периоды жизни респондента. Индекс рассчитывается как отношение веса к квадрату роста (индекс более 27 кг/м считается тучностью). Повышенное внимание к этому показателю говорит о его значимости для прогноза жизни.

Анализ публикаций о применении нейросетевых технологий в медицине показывает, что практически отсутствуют какие-либо методологии разработки нейросетевых медицинских систем, о чем свидетельствует как отсутствие работ такого профиля, так и огромное разнообразие подходов к нейросетевым алгоритмам обучения и архитектурам нейронных сетей. Это подтверждает то, что медицинская нейроинформатика как наука находится еще, в основном, на стадии накопления фактического материала.

Одной из самых сложных задач для нейросетей в практической медицине является обработка и распознавание сложных образов, например рентгенограмм. На сегодняшний день существует экспертная система интерпретации рентгенограмм груди у новорожденных с выбором одного и более диагнозов из 12.

Разработка специализированного компьютерного обеспечения осуществляется в направлении исследования травм верхних конечностей на базе нейросетевого моделирования с помощью рентгенограмм.

Также существует возможность обследования больных с данными диагнозами травм для проведения исследований в данном направлении и выявления погрешностей данного метода.

Литература