РУС

ENG

Автореферат к магистерской работе

Актуальность

Острая боль в груди. Скорая помощь доставляет больного в приемный покой, где дежурный врач должен поставить диагноз и определить, действительно ли это инфаркт миокарда. Опыт показывает, что доля пациентов, перенесших инфаркт среди поступивших с аналогичными симптомами, невеликa. Точных методов диагностики, тем не менее, до сих пор нет. Электрокардиограмма иногда не содержит явных признаков недуга. А сколько всего параметров состояния больного могут так или иначе помочь поcтавить в данном случае правильный диагноз? Более сорока. Может ли врач в приемном покое быстро проанализировать все эти показатели вместе с взаимосвязями, чтобы принять решение о направлении больного в кардиологическое отделение? В какой-то мере эту задачу помогают решать нейросетевые технологии. Статистика такова: врач правильно диагностирует инфаркт миокарда у 88% больных и ошибочно ставит этот диагноз в 29% случаев. Ложных тревог (гипердиагностики) чересчур много. История применения различных методов обработки данных для повышения качества диагностики насчитывает десятилетия, однако лучший из них помог сократить число случаев гипердиагностики лишь на 3%. Получение прогноза осложнений позволяет врачу целенаправленно проводить профилактику, усилить наблюдение за больным, скорректировать режим физической активности пациента (особенно в предполагаемые сроки возникновения осложнения).

Обзор существующих исследований

В 1990 году Вильям Бакст из Калифорнийского университета в Сан-Диего использовал нейронную сеть - многослойный персептрон - для распознавания инфаркта миокарда у пациентов, поступающих в приемный покой с острой болью в груди. Его целью было создание инструмента, способного помочь врачам, которые не в силах справиться с потоком данных, характеризующих состояние поступившего больного. Другой целью может быть совершенствование диагностики. Свою задачу исследователь усложнил, поскольку анализировал данные только тех пациентов, кого уже направили в кардиологическое отделение. Бакст использовал лишь 20 параметров, среди которых были возраст, пол, локализация боли, реакция на нитроглицерин, тошнота и рвота, потение, обмороки, частота дыхания, учащенность сердцебиения, предыдущие инфаркты, диабет, гипертония, вздутие шейной вены, ряд особенностей ЭКГ и наличие значительных ишемических изменений. Сеть продемонстрировала точность 92% при обнаружении инфаркта миокарда и дала только 4% случаев сигналов ложной тревоги, ошибочно подтверждая направление пациентов без инфаркта в кардиологическое отделение. Итак, налицо факт успешного применения искусственных нейронных сетей в диагностике заболевания. В течение последних пятидесяти лет внимание клиницистов и ученых привлечено к возможности прогнозирования течения заболеваний сердечно-сосудистой системы. Это, прежде всего, связано с наличием реальных возможностей для предупреждения и успешной терапии целого ряда осложнений в случае своевременного их прогнозирования. Ряд авторов для прогнозирования использовали клинические, клинико-лабораторные и клинико-инструментальные данные. Другие исследователи, используя клинические данные, применяли различные математические методы. Были предложены методы прогнозирования с вычислением прогностических индексов, применялись дискриминантный анализ алгоритм распознавания образов. Однако, приходится констатировать, что полученные в этих работах результаты часто не находили широкого практического применения. Это можно объяснить сложностью и громоздкостью некоторых прогностических правил; использованием для прогнозирования результатов наблюдения за больным на протяжении всего периода болезни, вплоть до момента развития осложнения; невозможностью дообучения и совершенствования прогностических экспертных систем на новых данных; использованием для прогнозирования сложных дорогостоящих диагностических исследований, проведение которых возможно далеко не во всех клиниках. Многих вышеперечисленных недостатков лишена методика компьютерных нейронных сетей (НС), получившая достаточно широкое распространение в конце XX века. Однако широкому признанию предшествовала почти четверть-вековая кропотливая работа по превращению теоретических основ методики в целый раздел информатики.

Цель и задачи работы

В мире существует большое количество программных продуктов, которые основаны на нейронных сетях и помогают врачам диагностировать заболевания. Но недостатком этих программ является то, что они обучаются на данных различных регионов. Нейронная сеть, обученная на примерах Америки и ставящая там правильный диагноз не подойдёт для нашего региона. Поэтому целью магистерской работы будет создания нейросети, адекватной нашим условиям.

Поиски возможностей прогнозирования осложнений, которые могут возникнуть в госпитальный период инфаркта миокарда, очень актуальны и являются одной из наиболее сложных задач кардиологии. Прогнозирование необходимо осуществлять при поступлении больного в стационар, сразу же после проведения стандартных методов обследования. Оно должно быть быстрым, проводиться неоднократно в процессе наблюдения за больным по мере поступления новых данных о его состоянии. Получение прогноза осложнений позволяет врачу целенаправленно проводить профилактику, усилить наблюдение за больным, скорректировать режим физической активности пациента (особенно в предполагаемые сроки возникновения осложнения). Прогноз может определять более длительное и интенсивное лечение антикоагулянтами при угрозе тромбоэмболических осложнений, антиаритмическими препаратами - для профилактики аритмий. При создании базового ядра ЭС прогнозирования осложнений инфаркта миокарда выбрано 4 вида осложнений, достаточно частых и/или довольно опасных. Это фибрилляция предсердий, тромбоэмболические осложнения, перикардит и возникновение/усугубление хронической СН. Постановка задачи происходила исходя из необходимости прогнозировать возможность возникновения каждого из четырех выбранных осложнений в отдельности и возможного срока его появления, считая от момента поступления больного в стационар. Таким образом, задача разбивается на 8 подзадач, четыре из которых решаются нейросетями-классификаторами (возникновение осложнений), и четыре - нейросетями-предикторами (сроки возникновения осложнений). Были выбраны 32 обучающих параметра, отражающие клиническое состояние больного инфарктом миокарда на момент поступления в клинику, данные анамнеза и результаты лабораторных и функциональных исследований: возраст, пол, глубина и локализация инфаркта (по данным электрокардиографии), количество инфарктов в анамнезе, характеристика предшествующей стенокардии, наличие и тяжесть гипертонической болезни и сердечной недостаточности, наличие в анамнезе нарушений сердечного ритма и проводимости, эндокринных заболеваний, тромбоэмболий, хронического бронхита, концентрация калия и натрия в крови, частота сердечных сокращений, характеристика выбранных показателей ЭКГ, размеры отделов сердца по данным эхокардиографии [1].

Математическая модель

В качестве математической модели исследований была выбрана многослойная полносвязная нейронная сеть с прямым распространением сигнала и нелинейными функциями активации, т.к. многослойная сеть выигрывает по вычислительной мощности перед однослойной только в том случае, когда функция активации в скрытых слоях именно нелинейна [2]. Структура такой сети представлена на следующем рисунке:

Нейронная сеть состоит из множества структурных элементов, называемых искусственными нейронами. Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. На рисунке представлена модель, реализующая эту идею.

Хотя сетевые парадигмы весьма разнообразны, в основе почти всех их лежит эта конфигурация. Здесь множество входных сигналов, обозначенных x1, x2,…, xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w1, w2,…, wn, и поступает на суммирующий блок, обозначенный ?. Каждый вес соответствует «силе» одной биологической синаптической связи. (Множество весов в совокупности обозначается вектором W.) Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход, который мы будем называть NET. В векторных обозначениях это может быть компактно записано следующим образом: NET = XW [2].

Сигнал NET далее, как правило, преобразуется активационной функцией F и дает выходной нейронный сигнал OUT.

В качестве оценки погрешности используется функционал следующего вида:

В качестве метода обучения нейронной сети используется генетический алгоритм. Этот метод лишен недостатка, присущего сети обратного распространения. Мысль о том, что нейронные сети могут обучаться с помощью генетического алгоритма, высказывалась различными исследователями. Первые работы на эту тему касались применения генетического алгоритма в качестве метода обучения небольших однонаправленных нейронных сетей, но в последующем было реализовано применение этого алгоритма для сетей с большей размерностью. Как правило, задача заключается в оптимизации весов нейронной сети, имеющей априори заданную топологию. Веса кодируются в виде двоичных последовательностей (хромосом). Каждая особь популяции характеризуется полным множеством весов нейронной сети. Оценка приспособленности особей определяется функцией приспособленности, задаваемой в виде суммы квадратов погрешностей, т.е. разностей между ожидаемыми (эталонными) и фактически получаемыми значениями на выходе сети для различных входных данных. Имеются два важнейших аргумента в пользу применения генетических алгоритмов для оптимизации весов нейронной сети. Прежде всего, генетические алгоритмы обеспечивают глобальный просмотр пространства весов и позволяют избегать локальные минимумы [3]. Кроме того, они могут использоваться в задачах, для которых информацию о градиентах получить очень сложно либо она оказывается слишком дорогостоящей. Эволюционный подход к обучению нейронных сетей состоит из двух основных этапов. Первый из них - это выбор соответствующей схемы представления весов связей. Он заключается в принятии решения - можно ли кодировать эти веса двоичными последовательностями или требуется какая-то другая форма. На втором этапе уже осуществляется сам процесс эволюции, основанный на генетическом алгоритме. После выбора схемы хромосомного представления генетический алгоритм применяется к популяции особей (хромосом, содержа¬щих закодированное множество весов нейронной сети) с реализацией типового цикла эволюции, состоящего из четырех шагов.

1. Декодирование каждой особи (хромосомы) текущего поколения для восстановления множества весов и конструирование соответствующей этому множеству нейронной сети с априорно заданной архитектурой и правилом обучения.

2. Расчет общей среднеквадратичной погрешности между фактическими и заданными значениями на всех выходах сети при подаче на ее входы обучающих образов. Эта погрешность определяет приспособленность особи (сконструированной сети); в зависимости от вида сети функция приспособленности может быть задана и другим образом.

3. Репродукция особей с вероятностью, соответствующей их приспособленности, либо согласно их рангу (в зависимости от способа селекции - например, по методу рулетки или ранговому методу).

4. Применение генетических операторов - таких как скрещивание, мутация и/или инверсия для получения нового поколения.


Блок-схема, иллюстрирующая эволюцию весов [3]:

Планируемые результаты

Планируется обучить нейронную сеть на примерах, предоставленных отделением неотложной кардиологии на базе ИНВХ им.Гусака за 10 лет наблюдений. Предполагается добиться точности реакции нейросети не менее 80%.
Точность сети, обученной на основе градиентных методов обучения не превысила 70%. Достижение более высоких результатов может быть достигнуто путём перехода к эволюционным методам обучения.
Таким образом мы будем иметь нейросеть-классификатор, определяющую возникновение осложнений, и нейросеть-предиктор,определяющую сроки возникновения осложнений с определённой точностью.

Заключение

Эволюция методов научно-практического предвидения прогноза заболеваний, их исходов в результате лечения, обусловила развитие самостоятельного направления – прогнозирования в медицине. Ранее, что предшествовало диагностике, врачами древности и средних веков осуществлялось накопление разрозненных фактов, констатация естественных исходов заболеваний и попытки классифицировать их по доминирующим симптомам. В XIX веке было впервые показано, что применение математического анализа в медицине способствует достижению точности получаемых результатов. Отечественными учёными этот тезис был также подтверждён на практике. Современное научное предвидение является интегрирующейся отраслью знаний с такими разделами науки: топографическая анатомия и оперативная хирургия, иммунология, лучевая диагностика, эндоскопия, биофизика, лабораторная диагностика, трансфузионная медицина и т.д. Для реализации задач прогнозирования в настоящее время используются следующие методы системного анализа: статистические, дискриминантный анализ, метод наименьших квадратов, вариационные ряды, моделирование, нейроноподобные сети. Компьютерная нейросетевая диагностика является оптимальным средством выбора для проведения прогнозирования в условиях неполной информации. Это относится к случаям, состоящим из наблюдений клинического характера [4]. Именно этот тип компьютерной диагностики и был принят за основу магистерской работы.

Список литературы

1. Россиев Д.А., Головенкин С.Е., Шульман В.А., Матюшин Г.В. Прогнозирование осложнений инфаркта миокарда нейронными сетями. // Нейроинформатика и ее приложения. Материалы III Всероссийского рабочего семинара. 6-8 октября 1995 г. Красноярск.- 1995.- С.128-166. http://cache.rcom.ru/~dap/nneng/nnlinks/book2/gl5.htm

2. Уоссерман Ф. Нейрокомпьютерная техника: теория и практика/ Пер с англ. Зуева Ю.А., Точенова В.А. – М.:Мир, 1992.

3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы, и нечёткие системы – М.:Горячая линия-Телеком, 2004 г.-С.250-306.

4. Соломаха А., Артюхин В. Современные нейросетевые технологии в медицине - Пенза, Россия, 2004

5.  Mitchell M. An introduction to genetic algorithms. London, Cambridge 1999.

6. http://www.basegroup.ru