Навігація
Головна
 
Головна arrow Техніка arrow БІОТЕХНІЧНІ СИСТЕМИ МЕДИЧНОГО ПРИЗНАЧЕННЯ
Переглянути оригінал

АВТОМАТИЗОВАНА ДІАГНОСТИКА, ЗАСНОВАНА НА НЕЙРОННИХ МЕРЕЖАХ

При визначенні вхідних параметрів, які необхідні для роботи автоматизованої системи діагностики, заснованої на нейронних мережах, аналізують історії хвороб з різних клінік, дані літератури. Отриманий набір вхідних характеристик (вектор стану пацієнта) відображає, клінічний мінімум обстеження пацієнта, який використовується

Результати обробки даних за допомогою алгоритму К внутрішньогрупових середніх ( а ) і нечіткої кластеризації (б) при діагностиці ранніх артритів

Мал. 10.8. Результати обробки даних за допомогою алгоритму К внутрішньогрупових середніх ( а ) і нечіткої кластеризації (б) при діагностиці ранніх артритів

лікарями в практичній діяльності. Найбільш часто застосовують: гемоглобін, тромбоцити, ШОЕ, холестерин, тригліцериди, ліпіди високої (ЛПВГТ) і низькою (ЛПНЩ) щільності, сечову кислоту (в крові, сечі), кліренс, загальний білок, креатинін, С-реактивний білок, ревматоїдний фактор, ЕКГ, ЕХО-КГ, індекс органів, індекс маси тіла, УЗД, рентгено-та томограми органів, локалізацію ураження.

Для збору клінічних даних з обстеження пацієнта розробляють анкету, яку заповнюють набором вхідних характеристик. Анкету вводять в комп'ютер, який видає автоматичний діагноз, який є відповіддю.

При постановці завдання для навчання нейронних мереж виходять з того, що система діагностики повинна вибирати один або кілька передбачуваних діагнозів із заданого набору на підставі характеристик пацієнта під час вступу до клініки. Наприклад, як вже було зазначено, в разі артритів ставлять чотири діагнозу - норма, РА, ПА і пса.

Для обчислювальних експериментів створюють набори з декількох нейронних мереж - по числу можливих діагнозів. Наприклад, при артритах - це набір з чотирьох нейронних мереж. У кожному наборі одна нейронна мережа є четирехклассовий класифікатор, який видає в якості відповіді один діагноз з чотирьох, а решта три нейронні мережі - бінарні класифікатори, які навчаються відрізняти кожен з розглянутих діагнозів від всіх інших.

Загальна схема навчання нейронної мережі включає в себе кілька етапів. З навчальної вибірки береться приклад поточних характеристик (які мають в сукупності вектор вхідних сигналів) пацієнта з встановленим діагнозом (спочатку першим), які подаються на вхідні синапси навченою нейронної мережі. Зазвичай кожна вхідна характеристика оброблюваного прикладу надходить на один відповідний вхідний синапс.

Нейронна мережа працює за наступною циклічної процедури.

  • 1. Виробництво нейронною мережею заданої кількості тактів функціонування, при цьому вектор вхідних сигналів поширюється по зв'язках між нейронами (пряме функціонування).
  • 2. Вимірювання сигналів, виданих тими нейронами, які вважаються вихідними.
  • 3. Інтерпретація виданих сигналів і обчислення оцінки, що характеризує відмінність між виданими мережею і необхідним відповідями, які є в прикладі. Оцінка визначається за допомогою відповідної функції оцінки: чим менше оцінка, тим краще розпізнано приклад і ближче до необхідного виданий мережею відповідь. Рівність оцінки нулю слово, яке потрібно відповідність виданого і необхідного відповідей досягнуто. При цьому тільки що ініціалізувати (ненавчених) нейронна мережа може згенерувати правильну відповідь тільки абсолютно випадково.
  • 4. Якщо оцінка прикладу дорівнює нулю, нічого не робиться. В іншому випадку на підставі оцінки обчислюють поправочні коефіцієнти для кожного синаптического ваги матриці зв'язків, після чого проводять підстроювання синаптичних ваг (зворотне функціонування). У корекції синаптичних ваг і полягає навчання.
  • 5. Перехід до такого прикладу задачника і повторення перерахованих вище операцій. Прохід по всіх прикладів навчаю ^ щей вибірки з першого по останній вважається одним циклом навчання.

При проходженні циклу кожен приклад має свою оцінку. Крім того, розраховують сумарну оцінку безлічі всіх прикладів навчальної вибірки. Якщо після проходження декількох циклів вона дорівнює нулю, то навчання вважається закінченим, в іншому випадку цикли повторюються. Число циклів навчання, також як і час повного навчання, залежать від багатьох чинників - розміру навчальної вибірки, числа вхідних параметрів, виду завдання, типу і параметрів нейронної мережі і навіть від випадкового розкладу синаптичних ваг при ініціалізації мережі.

Для навчання нейронних мереж беруть досить велику вибірку прикладів, дані для яких взяті з історій хвороби пацієнтів з підтвердженими діагнозами. Частина прикладів (-30%) з підтвердженими діагнозами залишають для тестування нейронної мережі.

При розробці автоматизованої системи діагностики ранніх артритів (вибірка з 200 прикладів) прогностична здатність нейронної мережі після стартового навчання склала 84%. Ретельний розбір помилкових діагнозів (16%) виявив такі закономірності.

Основне число помилок виникає при введенні в тестуючу вибірку пацієнтів з реактивним артритом (РеА), однозначний класифікатор мережі відносив пацієнтів до групи РА. При цьому неправильний діагноз набирав вагу (суму вихідних сигналів нейронів мереж, відповідальних за даний клас), що знаходиться на другому місці.

Таким чином, система діагностики, заснована на нейронних мережах, виявилася ефективною при діагностиці заздалегідь певної групи артритів і малоефективною при тестуванні стороннім безліччю. Як випливає з досвіду нечіткої кластеризації, системи нечіткої логіки є більш потужними в плані класифікації для даного завдання. У зв'язку з цим запропоновано використовувати гібридні мережі.

Гібридна мережа - це нейронна мережа з чіткими сигналами, вагами і активаційною функцією, але з об'єднанням за допомогою /-норми, / -конорми або деяких інших безперервних операцій. Входи, виходи і ваги гібридної мережі - речові числа, що належать відрізку [0, 1].

Процес навчання гібридної мережі аналогічний методу зворотного поширення помилки, але з поправкою на правила роботи з характеристичними функціями трикутної форми.

В результаті реалізації системи діагностики ранніх артритів на гібридних мережах її прогностична здатність склала 94%. При введенні сторонніх захворювань в навчену мережу формувався додатковий кластер з властивостями, характерними для цього класу.

Проведений аналіз значущості навчальних даних по раннім артритів показав, що двома найбільш значущими характеристиками є: рівень сечової кислоти (0,89) і ревматоїдний фактор (0,91). На основі цього аналізу були відкинуті мало- значущі характеристики: температура, зниження маси тіла, лімфоцити, імуноглобуліни (> 0,2). Як значущих залишені 24 характеристики стану пацієнта.

 
Переглянути оригінал
< Попередня   ЗМІСТ
 
Дисципліни
Агропромисловість
Аудит та Бухоблік
Банківська справа
БЖД
Географія
Документознавство
Екологія
Економіка
Етика та Естетика
Журналістика
Інвестування
Інформатика
Історія
Культурологія
Література
Логіка
Логістика
Маркетинг
Медицина
Нерухомість
Менеджмент
Педагогіка
Політологія
Політекономія
Право
Природознавство
Психологія
Релігієзнавство
Риторика
Соціологія
Статистика
Техніка
Страхова справа
Товарознавство
Туризм
Філософія
Фінанси
Пошук