Реферат: Isbn 5-7262-0634 нейроинформатика 2006

ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 2

В.В. АРТЮХИН

Пензенский государственный педагогический университет им. В.Г. Белинского

Scar@sura.ru


НЕЙРОСЕТЕВАЯ ДИАГНОСТИКА

ВИРУСНОГО ГЕПАТИТА1


Аннотация

В данном исследовании рассмотрено применение искусственных нейронных сетей для диагностики вирусного гепатита и создание экспертной системы для проведения скрининга населения. Описан процесс подготовки данных для обучения сетей, исследование различных архитектур искусственных нейронных сетей и возможности программы.


Важной проблемой службы переливания крови является ранняя диагностика вирусного гепатита. Решение этой задачи мотивируется тенденцией значительного распространения гемотрансмиссивных заболеваний (заболеваний, передающихся при переливании донорской крови). В связи с постоянной трансформацией вирусов гепатита не представляется возможным выработать чёткие критерии диагностики этого заболевания [1]. По этой причине совершенствование методов лабораторной диагностики нередко задерживается.

Известны эффективные методы лабораторной диагностики вирусных гепатитов: иммуноферментный анализ (ИФА) и полимеразно-цепная реакция (ПЦР). Однако они являются дорогостоящими методами. Затраты на проведение ИФА и ПЦР превышают современные затраты на оказание лечебных мероприятий. Таким образом, с целью массового обследования населения (скрининга) применение иммуноферментного анализа и полимеразно-цепной реакции не является целесообразным. Поэтому необходимо использовать менее дорогостоящие и более доступные методы диагностики, в том числе, компьютерные методы диагностики. В медицине достаточно популярны статистические методы. Однако применение методов статистического анализа в рассматриваемой области имеет объективные ограничения из-за нечёткой трактовки моделей нормы, адаптации и патологии. Поэтому последние годы характеризуются широким применением нейросетевых технологий в медицинской практике [2, 3]. Следует указать, что нередко диагностическая эффективность прогнозных моделей варьирует в пределах 70 – 85 % [4]. Таким образом, важной задачей применения нейронных сетей в медицинских исследованиях является необходимость повышения достоверности прогноза.

Целью данной работы является исследование и создание нейронных сетей, позволяющих эффективно распознавать лабораторную характеристику вирусного гепатита для его скрининга, без привлечения дорогостоящих методов ИФА и ПЦР, а также создание экспертной системы для проведения скрининга.

Для достижения данной цели нами были выполнены эксперименты по обучению нейронных сетей с помощью 6 и 7 показателей, которые были выбраны врачом-экспертом. 6 показателей: билирубин, аспартатамино-трансфераза, аланинамино-трансфераза, щёлочная фосфатаза, гамма-глутамил-транспептидаза, тимоловая проба. 7 показателей: скорость оседания эритроцитов (СОЭ), общий белок, билирубин, аспартатамино-трансфераза (АСТ), аланинамино-трансфераза (АЛТ), щёлочная фосфатаза, тимоловая проба. В дальнейшем эксперимент был усложнён, и обучение нейронных сетей выполнялось на основе 25 клинико-лабораторных показателей, которые состоят из общих, биохимических исследований крови без их предварительного отбора:

общий анализ крови:

гемоглобин;

эритроциты;

цветовой показатель;

лейкоциты;

палочкоядерные нейтрофильные лейкоциты;

сегментоядерные нейтрофильные лейкоциты;

эозинофилы;

лимфоциты;

моноциты;

скорость оседания эритроцитов (СОЭ).

биохимический анализ крови:

общий белок;

мочевина;

билирубин;

глюкоза;

холестерин;

β-липопротеиды;

сиаловая кислота;

аспартатамино-трансфераза;

аланинамино-трансфераза;

щёлочная фосфатаза;

гамма-глутамил-транспептидаза;

тимоловая проба;

амилаза крови;

Нами учитывались такие показатели, как пол и возраст.

Материал и методы исследования.

Первую группу наблюдений составили 150 здоровых доноров отделения переливания крови, вторую – 150 больных вирусными гепатитами В и С в фазе репликации отделения гепатологии. Таким образом, обучающая и тестовая выборки были составлены следующими примерами: 75 доноров и 75 пациентов, страдающих вирусными гепатитами. Медицинские данные были статистически обработаны, отсутствующие лабораторные показатели выборки заменялись средними значениями по соответствующей группе, из исследования исключались выбросы для повышения точности диагностики.

Моделирование работы нейронных сетей осуществлялось при помощи среды программирования MatLab. Считывание данных из таблиц Excel и передачу их в массив ячеек MatLab осуществлялось функцией xlsread. Преобразование обучающего множества к стандартному виду [-1 1] для подачи на вход нейронной сети осуществлялось с помощью функции premnmx. Модификация тестового множества и приведение его к стандартному виду [-1 1] выполнялось с помощью функции tramnmx в масштабе обучающего множества с использованием минимального и максимального значений.

Целесообразно указать, что выбор построения архитектуры нейронной сети обычно производится на основе опыта и квалификации программиста, а также результатов экспериментов.

^ Результаты исследования. При обучении и тестировании двухслойной нейронной сети прямого распространения с сигмоидальными функциями активации были получены следующие результаты. Исследовалась работа нейронных сетей с различным числом слоев (1 – 2) и с разным количеством нейронов в каждом из слоёв. Оптимальный результат при использовании 6 показателей показала двухслойная сеть с 2 нейронами в скрытом слое, обеспечившая достоверность 90 %. Лучший результат при использовании семи показателей обеспечила сеть с двумя нейронами в скрытом слое. Достоверность при этом составила 88,7 %. Обучение двухслойной сети на 25 показателях проводилось на 3 алгоритмах: алгоритм обучения Левенберга-Марквардта, алгоритм автоматической регуляризации, алгоритм обучения с тестовым множеством. Наименьшую ошибку при диагностике по 25 показателям дает сеть, содержащая 2 нейрона в скрытом слое. Средняя ошибка по всем экспериментам равна 10,8 %, а наименьшая ошибка равна 8,7 %.

Дальше эксперименты проводились с применением персептрона с симметричной ступенчатой функцией активации hardlims и функцией адаптации adapt. При использовании 6 показателей полученный результат составил 92 %, при 7 – 91,33 %, при 25 – 88,7 %.

После того как была выбрана оптимальная архитектура нейронной сети и количество используемых показателей, обучение сети проводилось с использованием алгоритма градиентного спуска. Выбор данного алгоритма связан с тем, что остальные алгоритмы обучения требуют больших ресурсов компьютера, что не всегда выполнимо в условиях лечебных учреждений различного уровня. Поэтому целесообразно использовать более медленный, но менее ресурсоемкий алгоритм градиентного спуска. В связи с тем, что обучение производится очень редко, скорость обучения не имеет решающего значения. В ходе экспериментов подбиралось оптимальное значение шага обучения, обеспечивающее достижение приемлемой ошибки на тестовом множестве и достаточно гладкий процесс обучения. При использовании 6 показателей оптимальным оказался шаг обучения, равный 0,1. При этом ошибка сети на тестовом множестве составила 12 %. Для обучения потребовалось 6849 циклов обучения. При использовании 25 показателей оптимальный шаг обучения оказался равным 0,001. Сеть обучилась за 1332 цикла, ошибка на тестовом множестве составила 10 %.

Экспериментально подобранные архитектура и параметры нейронных сетей использованы при реализации нейросетевой экспертной системы. Система разработана в среде разработки Borland C++ Builder. Для хранения данных использована СУБД InterBASE.

Система позволяет проводить работу в режимах пользователя и администратора. В режиме пользователя система позволяет зарегистрировать пациента, ввести все необходимые данные, провести диагностику конкретного пациента, используя ранее обученную сеть и занести результаты диагностики в базу данных. В режиме администратора система позволяет обучить нейронную сеть, просмотреть все информационные карты обследования пациентов. Также администратор может управлять политикой безопасности в системе. Он может создать нового пользователя с определенными правами или создать новый пароль для уже существующего пользователя.

Рассмотрим возможности, предоставляемые системой.

При нажатии на кнопку «Первоначальная регистрация пациента» появляется форма «История болезни», содержащая три закладки: «Критерии госпитализации», «Информационная карта обследования» и «Данные стационарного обследования». Данная форма позволяет зарегистрировать впервые поступивших пациентов и добавить данные о уже занесенных в базу пациентах.

Закладка «Критерии госпитализации» содержит поля для ввода первичной информации о пациенте: номер амбулаторной карты, фамилия, имя, отчество, дата рождения, дата поступления, домашний адрес, место работы, профессия, пол, краткая история заболевания и жалобы больного, предварительный (рабочий) диагноз и сопутствующий диагноз.

Закладка «Информационная карта обследования» содержит поля для ввода результатов общего, биохимического и иммунологического анализов крови. При занесении анализов не обязательно заполнять все поля, для диагностики вирусного гепатита главное иметь данные о билирубине, аспартатамино-трансферазе, аланинамино-трансферазе, щелочной фосфатазе, гамма-глутамил-транспептидазе и тимоловой пробе.

Закладка «Данные стационарного обследования» содержит поля для ввода информации о пациенте на момент окончания лечения: название отделения, номер истории болезни, номер обследования, дата выписки, койко-день, компьютерный диагноз, основной клинический диагноз, осложнения и рекомендации.

Разработанная система имеет механизм обучения. При нажатии на кнопку «Обучение многослойной сети» открывается форма, позволяющая пользователю управлять обучением нейронной сети. В системе предусмотрена настройка администратором параметров обучения сети. При нажатии на кнопку «Параметры обучения» перед пользователем открывается форма, позволяющая настроить параметры обучения сети. Пользователь может выбрать вариант обучения сети по 6 или 25 показателям. Также можно задать количество нейронов скрытого слоя, цель и шаг обучения. Можно установить максимальное количество циклов обучения и границы для интерпретации ответов сети.

После задания всех параметров следует подготовить данные для обучения сети. Для этого следует нажать на кнопку «Подготовка к работе обучающих данных» на форме «Обучение нейронной сети». После нажатия этой кнопки будет сформировано обучающее и тестовое множество. Затем все данные будут масштабированы. Далее необходимо создать нейронную сеть, удовлетворяющую заданным ранее параметрам. Для этого необходимо нажать кнопку «Создание сети». При нажатии на эту кнопку происходит создание сети с заданными параметрами. Также происходит инициализация сети, то есть случайным образом задаются первоначальные значения для всех весов и смещений в сети. Значения весов и смещений лежат в интервале [-1;1]. После инициализации сети пользователь может увидеть значения всех весов и смещений.

При нажатии на кнопку «Обучение» запускается процесс обучения сети. По завершении обучения пользователь увидит количество циклов, потребовавшихся для обучения и ошибку сети на обучающем множестве. Также можно увидеть выход сети при подаче конкретного вектора.

После обучения необходимо протестировать обученную сеть. При нажатии на кнопку «Тестирование» на обученную сеть подается тестовое множество и вычисляется значение ошибки на этом множестве. Если ошибка сети на тестовом множестве оказывается больше установленной пользователем величины, процесс обучения следует повторить. Обучение происходит до тех пор, пока ошибка сети на тестовом множестве не станет меньше установленной.

Разработанная нейросетевая экспертная система позволяет диагностировать вирусный гепатит по 6 или 25 показателям.

Ввод данных для диагностики может осуществляться двумя способами, независимо от количества используемых показателей:

1) загрузка информации из базы данных;

2) ввод данных с клавиатуры.

Для проведения диагностики необходимо загрузить обученную сеть. После нажатия кнопки «Поставить диагноз», данные пациента будут поданы на вход сети и обработаны. В окне «Компьютерный диагноз» пользователь увидит диагноз, поставленный сетью и степень уверенности сети в правильной диагностике. На основании диагноза будут выданы рекомендации. Если данные для диагностики были загружены из базы данных, то после проведения диагностики необходимо занести компьютерный диагноз в базу.

Тестирование разработанной экспертной системы на реальных данных показало результаты, практически совпадающие с результатами, полученными при использовании MATLAB.


Список литературы


Калнберзс В.К. Гемотрансфузия в современной хирургии / В.К. Калнберзс, М.В. Калнберза, Ю.В. Жукова // Проблемы гематологии и переливания крови, 1999. – №2. – С. 9 – 10.

Горбань А. Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев. – Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. – 276 с.

Статистический и нейросетевой методы идентификации и прогнозирования в медицине / В.Б. Лифшиц, Т.И. Булдакова, С.И. Суятинов, С.В. Колентьев // Информационные технологии. – 2004. – №3. – С. 60 – 63.

Щетинин В.Г. Применение компьютерных «нейронных сетей» в клинической лабораторной диагностике / В.Г. Щетинин, А.А. Соломаха // Клиническая лабораторная диагностика. 1998. №10. С. 21 – 33.




1 Работа выполнена в рамках гранта А04-3.16-625 «Нейросетевая диагностика вирусного гепатита у хирургических больных» для поддержки научно-исследовательской работы аспирантов вузов Федерального агентства по образованию.

УДК 004.032.26(06) Нейронные сети