CC BY
44
УДК 681.3
АСПЕКТЫ ПОСТРОЕНИЯ НЕЙРОСЕТЕВОЙ МОДЕЛИ ДИАГНОСТИКИ ПАЦИЕНТОВ С ПАТОЛОГИЕЙ ШЕЙНОГО ОТДЕЛА ПОЗВОНОЧНИКА
Р.Л. Баранов, О.В. Родионов, В.Н. Фролов
В статье рассматриваются вопросы разработки нейросетевой модели постановки диагноза у пациентов с патологией шейного отдела позвоночника, используемой при выборе тактики лечения вертебрально-базилярной недостаточности
Ключевые слова: вертебрально-базилярная недостаточность, нейросетевое моделирование, обработка данных
В настоящее время вертебрально-базилярная недостаточность (ВБН) рассматривается, как обратимое нарушение функций мозга, вызванное уменьшением кровоснабжения области, питаемой позвоночными и основной артериями. Тем самым подчеркивается сосудистая природа данного состояния, и внимание врача акцентируется на необходимости установления характера фонового сосудистого заболевания. У ряда больных повторные транзиторные ишемические атаки (ТИА), перенесенные малые инсульты в вертебрально-базилярной системе приводят к формированию стойкого неврологического дефицита, в рамках различной выраженности дисциркуляторной энцефалопатии.
Патогенез ВБН разнообразен, среди ведущих причин ее развития следует отметить стенозирую-щее поражение внечерепного отдела позвоночных артерий. Возможно вовлечение в патологический процесс и более проксимального сосудистого русла - подключичных или безымянных артерий. В подавляющем большинстве случаев нарушение их проходимости вызвано атеросклеротическим процессом. Относительно реже наблюдается воспалительное поражение сосудистой стенки (болезнь Такаясу и другие артерииты), расслоение артерии, фиброзно-мышечная дисплазия. Следует также учитывать возможность сдавления подключичной артерии гипертрофированной лестничной мышцей. Риск развития ВБН возрастает при наличии врожденных аномалий развития сосудистого русла (ги-по- или аплазия внутримозговых или позвоночных артерий, их патологическая извитость). В этих условиях резко ограничены возможности коллатерального кровоснабжения в условиях поражения магистральной артерии.
На современном этапе удельный вес вертебрально-базилярной недостаточности среди всех нарушений мозгового кровообращения составляет 25-30%, однако она недостаточно хорошо диагностируются из-за ограниченных возможностей лечащего врача (ЛВ) в области обработки большого количества клинических признаков и данных
Баранов Роман Леонидович - ВГТУ, канд. техн. наук, доцент, тел. (4732) 46-76-99
Родионов Олег Валерьевич - ВГТУ, д-р техн. наук, профессор, тел. (4732) 46-76-99
Фролов Вадим Николаевич - ВГТУ, д-р техн. наук, профессор, тел. (4732) 46-76-99
большого числа обследований, и его субъективностью в постановке диагноза.
С другой стороны, возможности современных компьютеров обеспечивают высококачественную обработку данных в таких трудно формулируемых областях как медицина. В связи с этим, применение ЭВМ для автоматизации принятия клинических решений открывает новые возможности для повышения точности диагностики за счет систематичности и полноты используемых данных и возможности совместного использования данных из разных источников, а также для повышения надежности клинических решений на основе моделирования физиологических процессов и алгоритмического обеспечения, ориентированного на данную локальную область медицины.
Традиционная параметрическая статистика требует для адекватного прогноза либо очень большого объема известных данных, либо очень сильных предположений о виде функций распределения, поэтому естественным является желание иметь единую парадигму построения различных эмпирических моделей, решающих задачи предсказания и классификации.
Большинству перечисленных требований удовлетворяет подход, основанный на применении искусственных нейронных сетей (ИНС).
Развитием математического моделирования медицинских систем и процессов, а также использование различных алгоритмов распознавания для классификации и постановки диагноза привело к использованию искусственных нейронных сетей.
Основная задача моделирования состоит в подборе сети, адекватно прогнозирующей совершенно новые наблюдения. Сеть с небольшим количеством весов может оказаться недостаточно гибкой, чтобы смоделировать имеющуюся зависимость. Однако, слишком большое количество нейронов и слоев позволяет моделировать очень сложные функции, но это часто приводит к переобучению сети, когда модель будет давать совершенно правильные ответы, но только на тех примерах, которым её обучили.
Выбор нейросети “правильной” сложности сводится к двум рецептам: использование контрольных выборок и экспериментирование. Механизм контрольной кросс-проверки заключается в том, что некоторая часть обучающих наблюдений резервируется, т. е. подгонка коэффициентов моде-
ли и поиск минимума ошибки сети по ним не осуществляется. Эти измерения, используются только для независимого контроля результата и называются контрольной выборкой. Если разбиение на обучающее и контрольное множества было выполнено однородно, то, по мере того как сеть обучается, ошибка обучения и ошибка на контрольном множестве будут одновременно уменьшаться. Если же контрольная ошибка перестала убывать или даже стала расти, это указывает на то, что сеть стала чересчур точно аппроксимировать данные и наступает фаза переобучения. В этом случае следует уменьшить число ^-элементов или слоев сети.
Описанные проблемы с локальными минимумами и выбором размера сети приводят к тому, что в практической работе с ИНС приходится экспериментировать с большим числом различных вариантов конфигурации.
Обучение нейросети осуществлялось с помощью пакета Бе^йог 5.0.
Всё множество исходных данных было разделено на три подмножества: обучающее, тестовое и валидационное. Обучение проводилось в режиме с кросс-проверкой на тестовом подмножестве. Вали-дационное подмножество использовалось в качестве дополнения для независимого контроля качества обученной нейронной сети. В качестве функции активации была выбрана сигмоида.
Для оценки состояния пациента использовалась совокупность показателей, характеризующих степень выраженности физиологического изгиба шейного отдела позвоночника: Х1 - верхний угол лордоза (ВУЛ, град.); Х2 - нижний угол лордоза (НУЛ, град.); Х3, Х4, Х5, Х6, Х7, Х8 - расстояния от прямой АТЫ, соединяющей позвонок С1 и ТЫ, до позвонков С2-С7 соответственно (мм).Граф полученной нейронной сети, включает в себя 8 входных и 1 выходной узел, а также скрытый слой из 5 нейронов.
Таблица сопряжённости для обучающей выборки представлена на рис. 1, а для тестового множества на рис. 2.
A | ® я а 1®
Граф нейросети X Что-если < Обучающий набор
group т - п - й? | s | "t
Классифицировано
Фактически 1 2 3 Итого
1 30 30
2 И 44
3 ШЁ 21
Итого 30 44 21 95
Рис. 1. Таблица сопряжённости для обучающей выборки
ща@ % в ш \т
Г раф нейросети X Что-если К Обучающий набор X
group jj 1Ш - © - ЙР Z ' й |
Классифицировано
Фактически 1 2 з Итого
1 8 8
2 11
3 И 4
Итого 8 12 3 23
Рис. 2. Таблица сопряжённости для тестового множества
В процессе проверки разработанной нейросе-тевой модели выявлен один случай неверной постановки диагноза в тестовой и контрольной выборке, что соответствует достоверности постановки диагноза на уровне 96,7% и говорит о её высокой точности.
Литература
1. Дунин-Барковский В.Л. Информационные процессы в нейронных структурах. - М.: Наука, 1978.
2. Фролов В.Н. Управление в биологических и медицинских системах: Учеб. пособие / Под ред. д-ра техн. наук, проф. Я.Е. Львовича и д-ра мед. наук, проф. М.В. Фролова. Воронежский гос. техн. ун-т. Воронеж, 2001. 327с.
3. Тагер И. Л. Рентгенодиагностика заболеваний позвоночника. - М.: «Медицина», 1983. 208 с.
Воронежский государственный технический университет
ASPECTS OF CONSTRUCTION NEURAL NETWORK OF MODEL OF DIAGNOSTICS OF PATIENTS WITH THE PATHOLOGY OF THE CERVICAL DEPARTMENT
OF THE BACKBONE
R.L. Baranov, O.V. Rodionov, V.N. Frolov
In article questions of development neural network models of statement of the diagnosis at patients with a pathology of a cervical department of the backbone, tactics of treatment used at a choice vertebral-basilair insufficiency are considered
Key words: vertebral-basilair insufficiency, neural network modelling, data processing
