Б. С. Куралбаев*, Б. Г. Султанова**, Т. Ю. Каменева***,

Д. Н. Беляшов****, А. В. Тищенко****

*Центральная клиническая больница Медицинского Центра Управления Делами Президента Республики Казахстан

**Научный Центр Урологии им. академика Б.У. Джарбусынова

***Институт математики Министерства науки и высшего образования Республики Казахстан

В последнее время значительно возросло значение информационного обеспечения самых разных медицинских технологий, поэтому разработка и внедрение информационных систем в медицину является на сегодняшний день одной из самых актуальных задач.

Разработка математических методов решения медико-биологических задач ведется уже не одну сотню лет. Несмотря на то, что наиболее популярные из этих методов до сих пор активно используются в теоретической медицине и клинической практике они не нашли широкого применения. Это связано, во-первых, с тем, что они ориентированы на обработку групповых данных, слабо применимых к отдельным объектам, а во-вторых, с особенностями самой медико-биологической информации. Решения в медицинских задачах зависят от большого количества неравнозначных факторов. Поэтому, даже в тех немногих случаях, когда удается построить правила вывода, связывающие условия задачи с решением, метод, как правило, хорошо работает только на той группе объектов, по которой он был получен.

Способность решать плохо формализуемые задачи и обучаться – это атрибуты новых нейросетевых технологий. Поэтому, задачи медицины стали идеальным полем для их применения.

В данной работе нейросеть использовалась для разработки методики оперативной диагностики патологии печени и желчного пузыря.

Исходная выборка содержала 302 анкетированных истории болезни пациентов с установленным диагнозом. Каждая анкета содержала следующие группы признаков: жалобы (субъективные признаки - 25); состояние языка; печень (пальпация); УЗИ печени; желчный пузырь; комьютерная томография; холестография; ОАК (9); ОАМ (13); биохимические анализы (28); коагулограмма (6).

Субъективные признаки были агрегированы в четыре группы: интоксикация: потливость, общая слабость, быстрая утомляемость, снижение работоспособности; печеночный дискомфорт: тошнота, чувство сухости или горечи во рту, снижение аппетита, отрыжка, неустойчивый стул, вздутие живота, похудание; болевой синдром: тупая боль в правом подреберье, эпигастрии после еды, физической нагрузки, переохлаждения; печеночно-клеточная недостаточность: лихорадка, кровотечение из десен, носа, подкожное кровоизлияния, меноррагии, зуд кожи, потемнение мочи, осветление кала, желтуха, дерматит, ксатомы, пульмарная эпитерма, сосудистые звездочки.

Эксперименты велись с двумя вариантами обучения. В первом варианте, обучающая выборка разбивались на 2 класса – холецистит и гепатит. Анкеты, которые содержали 2 заболевания, классифицировались по основному заболеванию. Второй вариант содержал три класса: класс №1 – холецистит (93 анкеты); класс №2 - гепатит (152 анкеты); класс №3 - смешанный диагноз (57 анкет).

В соответствии с указанными выше вариантами вначале была создана нейросеть с 49-ю признаками (Нейросеть А). В группах субъективных признаков, признаку нейросети присваивалось значение 1, если наблюдалось два и более симптома, и 0 - в противном случае.

Данная сеть обучалась только на двух классах: холецистит и гепатит; смешанный диагноз (класс №3) не различался. Для обучения использовалось 292 примера (анкеты), 10 анкет было оставлено для тестирования. Надежность сети была доведена до 1.

Из 10 примеров, оставленных для контрольного теста, были распознаны 6 примеров, в остальных 4 примерах сеть спутала классы. Таким образом, распознавание сети составило 60%. Минимальный процент уверенности сети в принадлежности анкеты данному классу 73 %, максимальный процент уверенности 93 %.

В соответствие со значимостью признаков, были отобраны 20 наиболее значимых. На этих признаках проводилось дообучение. Надежность сети была доведена до 1,2. В обучении использовалось 292 примера (анкеты), 10 анкет, как и ранее, использовалось для тестирования.

В этом случае, при тестировании были распознаны 6 примеров, оставленных для контрольного теста, то есть процент распознавания сети 60 %. Минимальный процент уверенности сети в принадлежности примера данному классу 86 %, максимальный 94%.

В соответствие со вторым вариантом классификации, была создана новая нейросеть (Нейросеть В) с 50-ю признаками, один из которых, как и ранее, – ответ сети. Для группы субъективных признаков бинарные цифровые значения присваивались следующим образом: если наблюдался один и более симптом, признаку нейросети присваивалось значение 1, в другом случае – 0.

Данная сеть обучалась на трех классах: холецистит, гепатит и смешанный диагноз. Для обучения использовалось 292 примера (анкеты), 10 анкет было оставлено для тестирования. Надежность сети была доведена до 1.5 единиц из двух максимально возможных. При обучении использовалась техника ударов - распространенный метод “закаливания” сети, при котором обученная сеть подвергается воздействию случайных значений.

В этом случае, все 10 примеров, оставленных для контрольного теста, были распознаны нейросетью. Любопытно заметить, что в процессе обучения нейросеть относила часть анкет, принадлежащих классу №3, к классу №2. Это происходило из-за того, что в этих анкетах, преобладали признаки, присущие гепатиту т.е. классу №2. После до-обучения сети, этот эффект исчез.

Минимальный процент уверенности сети В в распознавании классов 81 %, максимальный процент уверенности 97 %.

Как и прежде, после обучения были отобраны 20 наиболее значимых признаков. Они были использованы для дальнейшего обучения, при надежности, равной 1.

В дообучении использовалось 288 примеров (анкет); 14 анкет использовалось для тестирования. В этом случае, при тестировании были распознаны все 14 примеров, оставленных для контрольного теста. Минимальный процент уверенности сети в принадлежности примера данному классу 83 %, максимальный 97 %.

Далее был проведен эксперимент по дальнейшему уменьшению числа признаков. Из 20 упомянутых признаков были выбраны лишь 10, наиболее значимых. Надежность сети была доведена до 1. Распознавание сети в этом случае 100 %. Минимальный процент уверенности сети 83 %, максимальный 97 %.

Результаты тестирования сетей А и В показали, что: оптимальное число классов для нейродиагностики – 3 (сеть В); число признаков, при условии 100 % распознавания и диапазоне уверенности (83 % - 97 %.), может быть сведено к десяти.

1.Султанова Б.Г., Макаренко Н.Г., Емельянова И.В., Тищенко А.В. Разработка алгоритма и применение нейронной сети для донозоологической диагностики поражений почек. Авторское свидетельство. Казахстан. №373, 27 июля. 1998.

2.Gorban A.N., Rossiev D.A., Gilev S.E. et al. Medical and physiological applications of MultiNeuron neural simulator // Proceedings of World Congress on Neural Networks-1995 (WCNN’95).- Washington, 1995.- V.1, P.170-175.

3.Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Наука. Новосибирск. 1996. 276с.