CC BY
134
нейросетевой подход
при решении медико-биологических проблем
NEURAL NETWORK APPROACH ТО THE SOLUTION OF BIOMEDICAL PROBLEMS
H.C. Резниченко
N.S. Reznichenko
Нейросетевое прогнозирование, синдром дефицита внимания с гиперактивностью (СДВГ), диагностика, нейронные сети, медико-биологические исследования, математическая модель. Проведен обзор научных статей, посвященных актуальной проблеме автоматизации процесса диагностики в медицине и психологии. Представлены результаты апробации применения нейросетевого подхода в диагностике синдрома дефицита внимания и гиперактивности.
Neural network prediction, attention deficit hyperactivity disorder (ADHD), diagnostics, neural networks, medical and biological researches, mathematical model.
We have conducted a review of scientific articles on the topical problem of the automation of the process of diagnosis in medicine and psychology and presented the results of the approbation of the application of the neural network approach to the diagnosis of attention deficit hyperactivity disorder.
С развитием информационных технологий и аппаратного обеспечения широкое распространение получили компьютерные методы диагностики, как вспомогательные, предоставляющие специалисту числовые показатели, так и экспертные системы, непосредственно предназначенные для постановки диагноза. Применение компьютерных методов диагностики позволяет успешно решать такие актуальные задачи, как обработка текстовой документации, хранение и обработка баз данных статистики, помощь в своевременном установлении диагноза и выборе эффективной тактики лечения.
Проблемами автоматизации процесса медицинской диагностики занимались В.Я. Гельман, A.B. Дюк, B.C. Медведев, В.П. Карп, A.B. Андрей-ченков, Е.В. Гублер, А.И. Галушкин, В.В. Круглов, Дж.Ф. Люгер, Н. Бейли, С. Хайкин, К. Оуэне и др. Значительный интерес представляют работы O.K. Хмельницкого, В.В. Ковалева, Ю.А. Фесенко, в которых предложены принципы алгоритмизации медицинского исследования, на протяжении многих лет использующиеся для стандартизации действий врача в процессе постановки диагноза. Несмотря на обилие публикаций в области автоматизации диагностического процесса, вопросы повышения качества принимаемых диагностических решений и со-
кращения времени их получения продолжают оставаться актуальными [Лоренц, 2011, с. 64].
Данные, полученные с использованием новейших методов исследований, зачастую обладают значительной структурной сложностью, большими объемами и вероятностью неоднозначной интерпретации. При попытке использовать для анализа такого рода данных стандартные логические алгоритмы с однозначностью вывода, основанные на наборах формальных правил, разработчики диагностических методов сталкиваются с трудоемкостью и долговременностью создания и внесения изменений, узконаправленностью полученных методов и их слабой помехоустойчивостью.
Принципиально иным подходом к обработке и интерпретации данных, а также к накоплению, хранению и использованию опыта квалифицированных специалистов являются адаптивные системы, основанные на компьютерной имитации интуиции: вывода результата без логического оформления путей его получения. Для практической реализации таких систем применяются искусственные нейронные сети [Маланчук, 2010, с. 115].
Нейронные сети представляют собой математические модели либо их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических
нейронных сетей [Шеожев, 2004, с. 154; Жуков, 2000, с. 8]. Одно из главных преимуществ нейронных сетей - это возможность обучения. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Сейчас нейронные сети с успехом применяются многими специалистами в разнообразных слабоформализу-емых задачах, там, где классические методы математики и статистики малоэффективны.
Применению нейронных сетей (НС) для решения медико-биологических проблем уделяется все большее внимания [Шеожев, 2004, с. 150; Жуков, 2000, с. 6; Руанет, 2007, с. 46; Соломаха и др., 2010, с. 171; Евдокименко, 2005, с. 257; Гор-бань, Россиев, 1996 с. 184]. В практической медицине нейросетевые системы находят применение в диагностике сердечно-сосудистых заболеваний: для анализа электрокардиосигнала [Истомина, Истомин, 2010, с. 12]; в диагностике инфаркта миокарда [Прасолова, 2008, с. 15; Усков, 2006, с. 18]; артериальной гипертензии [Ме-динцев, 2005, с. 7]; при прогнозировании течения сердечно-сосудестой патологии и осложнений инфаркта миокарда [Горбань, Россиев, 1996 с. 84] и др.
Нейросети находят всё более широкое применение и в онкологии: при оценке состояния иммунного статуса у больных острым нелимфобласт-ным лейкозом [Манчук, 2010, с. 77]; прогнозировании отдаленных результатов лечения больных раком молочной железы [Хусаинова, 2010, с. 9]; дифференциальной диагностике опухолей щитовидной железы [Полоз и др. с.8,]; анализе лабораторных показателей крови для получения диагностической информации в экспериментальной и клинической онкологии [Боженко и др., 2004, с. 27].
Есть опыт применения нейротехнологий в диагностике патологий желудочно-кишечного тракта [Локтюхин, Черепнин, 2009, с. 20], синдрома эндогенной интоксикации [Соломаха и др., 2010, с. 56] вирусного гепатита [Артюхин, 2007, с. 4], а также типов инсульта и дифференциальной диагностике рака печени и артритов [Масалов и др., 2010, с. 17; Лазарев, Свиридов, 2011 с. 114]. Апробирована нейросетевая модель в прогнозировании уровня гемоглобина у пациентов после хирургической операции [Милова, 2010, с. 29],
В ряде работосвещен опытприменения нейро-сетевых технологий в оптимизации системы скри-нингового, диагностического, лечебного и прогностического этапов врачебной практики. Внедрение нейросетевых систем на каждом из этапов медицинской практики позволяет точно определять необходимость и объем исследований, способствует рациональному использованию диагностических и лечебных средств, более индивидуализированному планированию и осуществлению адекватного лечения [Соломаха и др., 2010, с.36; Локтюхин Свиридов, 2009, с. 20; Acciani et al., 1993, p. 453].
Применение нейросетей для исследований в области нейрофизиологии строится на похожих принципах функционирования нейросетей и нервных структур живых организмов [Янкина, 2005, с. 5]. С помощью нейросети осуществлена попытка моделирования простейшей нервной систем [Пальянов, Диберт 2009, с. 216], ассоциативной памяти [Короткий, 2002, с. 275] и внутримозговых связей [Лазарев, Свиридов, 2011, с. 64]. Проводились нейросетевые исследования шизофрении и роли дефицита дофамина в ее развитии [Пятакович, Якдиченко, 2010, с. 62; Tsung-Ung et al., 2006, p. 33].
Несмотря на вышеизложенное, при создании диагностических систем и автоматизации медико-биологических исследований данные методы и алгоритмы сейчас используются нечасто. При этом подобных работ в сфере психологии крайне мало. И.О. Дубынин (2006) описал применение нейросетевых построений в практической работе психолога. Была показана возможность применения нейросети для определения статуса интеллектуальной одаренности учащихся на основании ответов на личностный опросник [Дубынин, 2006, с. 5].
М.А. Беребина и C.B. Пашкова (2006) построили нейросети для дефференциальной диагностики и прогноза нарушений психической адаптации сотрудников силовых структур. Однако подобных исследований в сфере медицинской психологии и дефектологии нам найти не удалось [Беребин Пашков, 2006, с. 41].
В связи с этим нами предпринято экспериментальное исследование, целью которого являлось изучение возможностей применения нейросетево-го подхода в диагностике синдрома дефицита внимания с гиперактивностью (СДВГ) у детей 5-7 лет.
В настоящее время СДВГ рассматривается как ней-робиологическое нарушение, этиология и патогенез которого носят комбинированный характер. Однако из-за особенностей развития и поведения ребенка в каждом индивидуальном случае диагностика заболевания, несмотря на выраженные симптомы, в целом затруднена [Грибанов, 2004, с. 37; Заваденко, 2008, с. 34; Чутко и др., 2010, с. 58].
Понятно, что максимально точная диагностика является важнейшей предпосылкой эффективной помощи ребенку с любым заболеванием. Существующая неудовлетворенность решения этой проблемы в отношении СДВГ определяет актуальность разработки новых подходов и алгоритмов ранней диагностики этого синдрома. Диагностический процесс при данной патологии довольно сложен, требует времени и высокой квалификации, поэтому для его автоматизации нами применен нейро-сетевой классификатор.
Формирование набора параметров для обучения нейросети производилось на основе полномасштабного обследования детей с СДВГ. Были отобраны показатели, которые, по современным представлениям, наиболее часто встречаются у детей с данной патологией. Это такие показатели, как: диагностические критерии СДВГ по общепринятой классификации DSM-IV (Пилюгина Л.В., 2005); шкалы оценки степени гиперактивности, импульсивности и нарушения внимания SNAP-iY (J. Swanson, 1992); психологический тест TOVA (Ю.Д. Кропотов, 2003); показатели электроэнцефалографического обследования (Л.С. Чутко, 2004, A.R. Clarke, et al., 2001). В качестве входных данных при обучении нейросети была обучающая выборка предложенных нами параметров СДВГ, каждый из которых представлял собой набор симптомов. Диагноз являлся показателем вероятности наличия СДВГ. Обучающая выборка включала примеры с заранее известными ответами.
Нейросеть обучилась различать здоровых детей и детей с синдромом дефицита внимания и гиперактивностью на 25 примерах - это данные психологических карт обучающихся Центра диагностики и консультирования г. Красноярска в возрасте от 5 до 7 лет (9 - здоровых, 16 - с диагнозом СДВГ). Для тестирования обученной сети использовались данные 18 психологических карт детей младшего школьного возраста от 6 до 8 лет с диагнозом
СДВГ, не участвовавших в обучении. В процессе тестирования мы получили следующие результаты: в двенадцати случаях нейросеть показала вероятность наличия СДВГ у детей. В других случаях оценка вероятности наличия данного синдрома показала низкий результат. Таким образом, при апробации уже на небольшой выборке нейросеть выдавала правильный прогноз более чем в 70 % случаев. В дальнейшем для улучшения результата необходимы увеличение объема обучающей выборки и проведение повторного обучение нейросети. Анализ значимости обучающих параметров выявил, что наиболее важными показателями, влияющими на принятие решения, являются показатели электроэнцефалографического обследования.
Результаты первого этапа исследования показали перспективность использования апробированной диагностической системы. Дальнейшая разработка и внедрение в практику экспертного нейросетевого комплекса позволят значительно повысить эффективность диагностического процесса мозговых расстройств в первичном звене. Широкое внедрение данной методики позволит своевременно произвести максимально точную диагностику, что является важнейшей предпосылкой эффективной помощи ребенку с СДВГ.
Библиографический список
1. Артюхин В.В. Нейросетевая система диагностики вирусного гепатита: автореф. дис. канд. тех. наук: 05.13.11 / Пенз. гос. пед. ун-т им. В.Г. Белинского. Пенза, 2007. 22 с.
2. Беребин М.А., Пашков С.В. Опыт применения нейросетевых моделей в целях прогноза психической дезадаптации // Вестник ЮУрГУ. 2006. № 14. С. 41-45.
3. Боженко В.К., Сотников В.М., Сергеев И.Е., Шишкин A.M. Использование многопараметрических методов анализа лабораторных показателей крови для получения диагностической информации в экспериментальной и клинической онкологии // Вестник российского научного центра ренгенорадиологии. 2004. № 3. С. 27-32.
4. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, Сибирская издательская фирма РАН, 1996. 276 с.
5. Грибанов A.B. Синдром дефицита внимания с гиперактивностью у детей. М.: Академ. Проект, 2004. 176 с.
6. Дубынин И.А. О некоторых теоретических и практических аспектах применения искусственных нейронных сетей для обработки психологических данных // Лаборатория математических моделей в психологии и педагогике МГППУ. 2006. 58 с.
7. Евдокименко В.Н. Компьютерные технологии сбора, обработки и анализа данных медико-биологических исследований. М.: МАИ, 2005. 436 с.
8. Жуков Л.А. Технология нейросетевого решения прикладных классификационных задач в экологии, биологии, медицине: автореф. дис. ... канд. тех. наук: 05.13.16 / Сиб. гос. технолог, ун-т. Красноярск, 2000. 20 с.
9. Заваденко H.H. Школьная дезадаптация при синдроме дефицита внимания с гиперактивностью и дислексии: диагностика и коррекция // Качество жизни. Медицина. 2008. № 1. С. 34-42.
10. Истомина Т.В., Истомин Б.А. Применение ней-росетевыхтехнологий для анализа электрокар-диосигнала // Нейрокомпьтеры. 2010. № 11. С. 11-17.
11. Короткий С. Нейронные сети: основные положения. СПб., 2002. 357 с.
12. Лазарев В.М., Свиридов А.П. Нейросети и нейрокомпьютеры: монография. М., 2011. 131 с.
13. Локтюхин В.Н. Черепнин A.A. Поддержка принятия решений на основе нейронечет-кой технологии при диагностике заболеваний желудочно-кишечного тракта // Биотехносфера. 2009. №2. С. 20-23.
14. Лоренц В.А. Эффект влияния качества нейронов сети на параметры её обучения // Вестник КГПУ им. В.П. Астафьева. 2011. № 4. С. 63-69.
15. Маланчук И.Г. О структуре нейронной сети при построении устного высказывания // Вестник КГПУ им. В.П. Астафьева. 2010. № 1. С. 115-119.
16. Манчук В.Т., Смирнова О.В. Использование методов нейросетевого моделирования и дис-криминантного анализа для оценки состояния иммунного статуса у больных острым нелим-фобластным лейкозом // Якутский медицинский журнал. 2010. № 2. С. 77-79.
17. Масалов О.П., Реброва О.Ю., Редько В.Г. Ней-роэволюционный метод диагностики типов инсульта // Нейрокомпьтеры. 2010. № 1—2. С. 17-22.
18. Мединцев В.Г. Алгоритмизация выбора тактики лечения сердечно-сосудистых поражений на основе оптимизационно-прогностического моделирования: автореф. дис. ... канд. тех. наук: 05.13.01 / Воронеж, гос. тех. ун-т. Воронеж, 2005. 25 с.
19. Милова К.А. Прогнозные оценки уровня гемоглобина у хирургических больных средствами нейронных сетей // Нейрокомпьтеры. 2010 № 5-6. С. 29-36.
20. Пальянов А.Ю., Диберт A.A. Программная среда для изучения и моделирования нейромы-шечной системы нематоды С. Eiegans в физическом окружении // Перспективы систем информатики: рабочий семинар «Наукоемкое программное обеспечение», 2009. С. 215-220.
21. Полоз Т.Л., Шкурупий В.А., Полоз В.В., Демин A.B. Результаты количественного цитологического анализа строения фолликулярных опухолей щитовидной железы с помощью компьютерных и нейросетевых технологий // Вестник Российской академии медицинских наук: 2006. № 8. С. 7-10.
22. Прасолова А.Е. Математическое и программное обеспечение обработки многомерных данных нейронными сетями: автореф. дис. . канд. тех. наук: 05.13.11 / Курск, гос. ун-т. Курск, 2008. 27 с.
23. Пятакович Ф.А., Якунченко Т.И. Способ диагностики успешности и эффективности биоуправ-ляемого игрового тренинга по динамике отношения пульса и дыхания на основе использования обучающихся нейронных сетей // Международный журнал по иммунореабилитации. 2010. Т. 12, № 2. С. 226.
24. Руанет В.В. Нейросетевые технологии в медико-биологических исследованиях. Тулг Изд-во ТулГу, 2007. 194 с.
25. Соломаха A.A., Горбаченко В.И., Митрошен А.Н. Нейросетевая диагностика и прогнозирование риска осложнений в клинической медицине: монография. Пенза: Информационно-издательский центр Пензенской государственной технологической академии, 2010. 166 с.
26. Усков В.М. Применение нейронного моделирования в диагностике и лечении осложнений инфаркта миокарда // Вестник новых медицинских технологий. 2006. № 2. С. 18-20.
27. Хусаинова Г.Н. Прогнозирование отдаленных результатов лечения больных раком молочной железы с учетом клинико-иммуноморфологических критериев и гормонального статуса: автореф. дис.... канд. мед. наук: 14.01.12 / Казан, гос. мед. академия. Уфа, 2010. 24 с.
28. Чутко Л.С., Сурушкина С.Ю., Анисимова Т.И., Айтбеков К.А. Клиническая типология синдрома дефицита внимания с гиперактивностью // Экология человека. 2010. № 11. С. 58-60.
29. Шеожев A.M. Разработка нейросетевых алгоритмов для автоматизации медико-биологических исследований: дис.... канд. тех. наук: 05.13.18. Нальчик, 2004. 137 с.
30. Янкина Н.Н. Нейросетевой динамический анализ биологических тканей и жидкостей: автореф. дис.... тех. наук: 05.13.01, 05.11.17 / Пенэ. гос. ун-т. Пенза, 2005. 24 с.
31. Acciani G., Bellomo A., Chiarantoni Е., Paradiso А. Validation of neural network analysis to predict prognosis in breast cancer patients // Proceedings of the 36th Midwest Symposium on Circuits and Systems. 1993. Vol. 1. P. 453-456.
32. Hussain A.S., Yu X.Q., Johnson R.D. Application of neural computing in pharmaceutical product development // Pharm. Res. 1999. V. 8, №. 10. P. 1248-1252.
33. Tsung-Ung W. Woo, Spencer K., McCarley R.M. Bad Brain Vibes: Disturbances of Inhibitory Neural Circuits and Gamma Oscillations in Schizophrenia // World Congress of Psychiatric Genetics, 2006. P. 33-37.
