CC BY
6
КОМПЬЮТЕРНЫЙ АНАЛИЗ ИМПЛИЦИТНЫХ ПРОЦЕССОВ ЖИЗНЕДЕЯТЕЛЬНОСТИ ЖИВЫХ ОРГАНИЗМОВ Макаров Л.М.1, Поздняков А.В.2 (Российская Федерация)
Макаров Леонид Михайлович - кандидат технических наук, профессор, кафедра интеллектуальных систем автоматизации и управления, Санкт - Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича;
2Поздняков Александр Владимирович - доктор медицинских наук, профессор, кафедра медицинской биофизики, Санкт-Петербургский государственный педиатрический медицинский университет,
г. Санкт-Петербург
Аннотация: в материалах работы рассмотрена возможность формирования оперативной оценки нарушений рабочих процессов нейронной структуры головного мозга человека, которые в современную эпоху проявляются в заболеваниях Альцгеймера и рассеянного склероза. В медицинской практике эти заболевания достаточно полно выявляется в томографическом исследовании, исполненном по технологии ЯМР. Наличие большого количества результатов натурных исследований с указанными заболеваниями актуализирует проблему оперативного анализа графических образов. В материалах работы показана возможность создания прогноза развития патологического состояния организма, с учетом факторов внешней среды и применения на практике большого комплекса терапевтических средств, понижающих темп развития заболеваний.
Ключевые слова: МРТ технология, заболевания Альцгеймера и рассеянного склероза, компьютерный анализ.
COMPUTER ANALYSIS OF IMPLICIT PROCESSES
VITAL ACTIVITY OF LIVING ORGANISMS Makarov L.M.1, Pozdnyakov A.V.2 (Russian Federation)
1Makarov Leonid Mikhailovich - Candidate of Technical Sciences, Professor,
DEPARTMENT INTELLIGENT AUTOMATION AND CONTROL SYSTEMS, ST. PETERSBURG STATE UNIVERSITY OF TELECOMMUNICATIONS NAMED AFTER PROF. M.A. BONCH-
BRUEVICH;
2Pozdnyakov Alexander Vladimirovich - doctor of medical sciences, Professor, DEPARTMENT OF MEDICAL BIOPHYSICS, ST. PETERSBURG STATE PEDIATRIC MEDICAL UNIVERSITY, ST. PETERSBURG
Abstract: in the materials of the work, the possibility of forming an operational assessment of violations of the working processes of the neural structure of the human brain, which in the modern era are manifested in Alzheimer's and multiple sclerosis diseases, is considered. In medical practice, these diseases are sufficiently fully detected in a tomographic examination performed using NMR technology. The presence of a large number of results offield studies with these diseases actualizes the problem of operational analysis of graphic images. The materials of the work show the possibility of creating a forecast of the development of the pathological state of the body, taking into account environmental factors and the use in practice of a large complex of therapeutic agents that reduce the rate of development of diseases.
Keywords: MRI technology, Alzheimer's and multiple sclerosis diseases, computer analysis.
УДК 004.89+577.3
Имплицитный характер процессов жизнедеятельности характеризуется множеством скрытых, не представленных в явном виде, показателях. На практике благодаря наличию аппаратных средств представляется возможным зафиксировать некоторые имплицитные показатели, характеризующие функциональное состояние внутренних подсистем организма. Наиболее ярко имплицитные процессы проявляются на нейронных структурах, в частности, головного мозга (ГМ)[1]. В историческом отношении первые аппаратные исследования ГМ проводились по методу электроэнцефалографии (ЭЭГ)[2].
Выделением разных групп амплитудно-частотного ритма создавалось общее понимание о рабочих процессах ГМ, где отчетливо просматривались период «бодрствования» и «сна». По результатам натурных исследований декларировалось, что частотные диапазоны выделенных периодов обладают различием. Если период сна характеризовался малой интенсивностью амплитудно-частотного диапазона, то в период бодрствования наблюдалась высокая интенсивность сигнала ЭЭГ, но другого частотного диапазо-
на. Столь простые и наглядные результаты многочисленных ЭЭГ исследований декларировали наличие имплицитных процессов в нейронных структурах головного мозга. При этом выделяя нижнюю и верхнюю границу частотного диапазона смены состояний организма отмечалась высокая вариабельность переходных процессов: от бодрствования ко сну и наоборот. Отмеченная вариабельность численных показателей переходного периода обычно соотносилась с индивидуальными особенностями рабочих процессов СГМ.
Установление таких простых и адекватных описаний сложного комплекса нейронных процессов в СГМ сформировало понятия о «норме и патологии», которые характеризуют энергетические затраты организма на поддержание гемостаза. Вводя понятие гомеостаза, в терминах и понятиях статистики, декларируется не только возможность численного описания разных состояний организма, но и отдельных подсистем, в частности СГМ.
В терминах нейрофизиологии эти понятия позволяют установить «некоторый обобщенный» - «средневзвешенный» показатель интенсивности рабочих процессов нейронной структуры в разных отделах головного мозга, с учетом случайного проявления набора факторов [3]. В таком понимании рассматриваемый показатель интенсивности рабочих процессов на выделенном фрагменте нейронной сети действительно обладает вариабельностью, оценить которую возможно используя аксиоматические правила теории вероятности. Основные положения теории вероятности, установленные П. Лапласом в 1812 г. постулируют наличие в природной среде двух абсолютно различных состояний физических объектов: порядка и хаоса. Вероятность обнаружения изменения состояния, на протяжении длительного времени наблюдения за состоянием объекта, в данной теории оценивается значением примерно равным нулю. Этот постулат позволяет констатировать, что в Природе существует множество объектов, физическое состояние которых постоянно меняется. Это суждение применимо и к живым объектам Природы.
Развивая эти представления, введем понятие о «стабильном - мало изменчивом состоянии» объекта или системы, состоящей из нескольких элементов. Наличие такого объекта, содержащего несколько элементов, можно обнаружить в природной среде и охарактеризовать как кластер, обладающий очень малым показателем вариабельности свойств, при условии близкого сходства свойств всех элементов, образующих кластер. В терминах современной термодинамики такое состояние объекта, содержащего практически не различимые по свойствам элементы, характеризуется малым значением дисперсии, что соответствует представлению о «высокой компактности кластера» [4, 5].
Это понятие позволяет иначе взглянуть на процессы в биологической системе. Высокий показатель компактности кластера, характеризуемый некоторым незначительно меняющимся значением дисперсии, позволяет констатировать наличие факта о малых энергетических затратах биологической системы, стремящейся сохранить состояние гомеостаза. Это важное понятие в системном анализе событий, формирующих процессы жизнедеятельности организма. Появление некоторых факторов разного происхождения, способных понизить компактность кластера и тем самым инициализировать большую интенсивность энергетических процессов, будет стремится повысить уровень дисперсии. Такая ситуация возникает как при естественной реакции живого организма, так и в случае патологии. При естественной активации отдельных фрагментов нейронной сети СГМ, например, в случае необходимости создания ответной реплики на внешний фактор, может наблюдаться кратковременное увеличение значения дисперсии нейронного кластера, охватывающего некоторую часть мозговой структуры.
В случае патологии состояния нейронного кластера может характеризоваться как высоким, так и низким значением дисперсии наблюдаемым относительно длительный период. Эти состояния относят к очагу воспаления нейронной структуры [6]. Для СГМ такие состояния соотносят с изменением активности нейронной сети, фактически с изменением проводимость нейронного волокна.
Относительно простые описания фрагментов патологии на СГМ выделяются методом магнитно-резонансной томографии (МРТ). Повышение оценок дисперсии на выделенном фрагменте соотносят с увеличением интенсивности рабочих процессов фрагментов нейронной сети. Напротив, понижение оценок дисперсии соотносят с ухудшением работы выделенного фрагмента нейронной сети.
Этиология таких суждений создается на биофизической основе описания рабочих процессов нейрона, обладающего миелиновой оболочкой, поддерживающей электроизоляционные свойства нейрона. Патологический процесс на СГМ проявляется в том, что происходит избирательное повреждение миелиновой оболочки, обволакивающей нервные волокна. Понижение электроизоляционных свойств группы нейронов ухудшает проводимость фрагментов нейронной сети, что и является проявлением патологии, обнаруживаемой методом МРТ.
Для МРТ исследования характерно, что в неоднородном магнитном поле, создающимся томографом на СГМ, величина магнитного поля в разных участках нейронной сети будет различна. Этот физический эффект позволяет воспроизводить «послойное» изображение СГМ [7, 8]. Это так называемые пространственные срезы СГМ, воспроизводимые в терминах математической модели МРТ. Меняя соотношения интенсивности магнитного поля и частоты, можно воспроизвести много фреймов - послойных изображений (рис. 1).
А
В
□ □ □ □
О
с
Рис. 1. Фрейм - одиночный кластер СГМ.
Такая методика создания и анализа фреймов исполняется по технологии пленочных оцифрованных слоев - пленок (Slick). Пленочный фрейм - Slick, создается в цифровом формате в виде набора кластеров, каждый из которых содержит четыре элемента. Такой метод анализа фреймов МРТ позволяет проводить анализ физического состояния биотканей организма, в том числе и СГМ. При этом учитывают тот факт, что биофизические показатели любых биотканей обладают отличиями, которые и проявляются в разных значениях показателей, полученных в радиочастотном отклике на выделенном из четырех элементов фрагменте изображения объекта исследования.
Изображение, полученное по технологии МРТ представляется цифровым массивом созданным компьютером. При визуальном просмотре изображения пользуются термином «интенсивность отклика», иначе говоря, сигнала. С физической точки зрения этот термин устанавливает понятие интенсивности лучистого потока, который соотносится с яркостью свечения на экране монитора определенным типом живой биоткани. Яркие (более белые) ткани являются гиперинтенсивными, более темные — гипоинтен-сивными. Данные термины, представленные в цифровом виде, можно рассматривать как численные показатели дисперсии.
В терминах биологической термодинамики дисперсия и энтропия обладают общим физически понятием [9]. Низкое значение дисперсии характеризует высокий уровень стабильности состояния системы, который соотносится с малым уровнем энергетического потенциала. Для такой системы характерно проявление низкого уровня активности рабочих процессов, которые могли бы изменить общее состояние. Эти представления в терминах биофизики позволяют декларировать наличие «малых интенсивностей отклика» на внешние воздействия. Обнаружение такого фрагмента на СГМ в МРТ исследовании следует рассматривать как случай фиксации на нейронной структуре кластера низкого уровня энтропии. Такой случай вполне адекватно соотносится с реальным состоянием фрагмента нейронной структуры при наличии разрушений миелиновой оболочки.
Следуя эти представлениям, рассмотрим набор аналитических процедур для СГМ реализуемых на цифровом массиве данных МРТ исследования. Положим, что любой массив данных МРТ, созданный в цифровом формате, можно представить набором кластеров из четырех элементов, расположенных в квадрате с вершинами A, B, C, D. Формализм воспроизводимых суждений о физическом состоянии кластера в оценке дисперсии осуществляется на основе расчета показателя Q, вычисляемого по выражение (1). В физическом отношении показатель Q характеризует дисперсию упаковки элементов кластера, содержащего четыре элемента. Введенные понятия позволяют декларировать справедливость суждения, согласно которому, меньшее значение дисперсии кластера характеризует меньшую интенсивность рабочих процессов выделенного фрагмента нейронной сети. В таком понимании меньшее значение дисперсии следует рассматривать как «деградацию нейронной ткани» выделенного фрагмента СГМ.
На практике использование метода Slick для анализа цифрового массива данных полученных по результатам исследования СГМ по технологии МРТ позволяет создавать лаконичные суждения с возможностью указания геометрических размеров выделенных фрагментов. Типичные, с точки зрения практиче-
(AB*CD+AD*BC)-(AC*BD) =Q
(1)
ской медицины, нарушения СГМ соотносят с рассеянным склерозом и болезнью Альцгеймера, которые хорошо обнаруживаются посредством исследований по технологии ЯМР.
Типичный фрейм СГМ полученный посредством технологии МРТ, демонстрирует возможность визуально выделить нескольких областей (Ь, с, d, e, Г) демиелинизации при рассеянном склерозе (рис. 2), а обширная область (а) характеризует нормальную СГМ. Выделенные области обладают разными размерами и дислокацией в СГМ.
Рис. 2. Области интереса в СГМ при рассеянном склерозе.
Основы проявления заболеваний соотносят с нарушениями рабочих процессов СГМ и деменцией, разрушающей пространственные связи нейронной сети. Фактически деменция на нейронной сети инициализирует множественные пространственные нарушения группы нейронов (кластеров), ответственных за создание семантического набора суждений и поведенческих реакций организма.
Для выделенных областей СГМ воспроизведем цифровой набор кластеров (табл. 1), полученных по технологии МРТ (рис. 2). Используя выражение (1), воспроизведем расчетные значения показателя Q.
Область (а) нормального развития СГМ можно охарактеризовать двумя кластерами с соответствующими наборами показателей интенсивности, по которым вычисляется значение показателя Q (табл. 1.)
Таблица 1. Расчетные значения дисперсии.
Кластер a Показатель Показатель
Ql Q2
182,3 154,2 562 128,5 95 ,3 942,88
115,3 135,3 137,3 108,9
Рассматриваемый кластер (а) визуально выделен на двух фрагментах фрейма (рис. 2), где идентифицируется как Qla и Q2a «норма» (табл. 1).
Область (Ь) соотносится с кластером, характеризующим, по визуальной оценке, наличие заболевания «рассеянный склероз» (табл. 2). Расчетный показатель этого кластера обладает отличием от показателей Qla Q2a «норма».
Таблица 2. Расчетные значения дисперсии.
Кластер Ь Показатель
Qb
45 ,3 42,1 14,72
34,5 39,1
Таблица 3. Расчетные значения дисперсии.
Кластер c Показатель
Qc
28,9 30,1 7,8
45,9 39,4
Таблица 4. Расчетные значения дисперсии.
Кластер d Показатель
Qd
45 ,8 39,8 1,2
42,1 41,9
Таблица 5. Расчетные значения дисперсии.
Кластер e Показатель
Qe
12,9 15 ,3 6,24
11,2 13,8
Таблица 6. Расчетные значения дисперсии.
Кластер f Показатель
Qf
156,9 154,2 18,63
132,8 125,9
Отметим, что полученные результаты достаточно полно отражают существо процесса разрушения миелиновой оболочки нейронов, в некоторых участках СГМ. Действительно, расчетные показатели Q1 и Q2, по визуальной оценке, на исходном изображении фрейма, соотносятся с нормальной структурой нейронной сети. Формализм такого суждения создается на основе выражения (2). Где Qп и Qн характеризуют патологическое и нормальное состояние нейронной сети, соответственно.
Оп < «1, 02) < о н
(2)
Там, где, по визуальной оценке, фрейма сохраняется естественный набор рабочих процессов, отчетливо воспроизводятся высокие показатели дисперсии - показателя Qн. Факт совпадения результатов визуального и компьютерного анализа фрейма демонстрирует надежность полученных оценок. При этом возможность получения численных показателей для разных участков фрейма позволяет объективно выделить две группы нейронных структур: патологии, где низкий уровень Q и «нормы», где отмечаются высокие значения Q.
Столь простые правила вывода суждений о состоянии нейронной ткани СГМ позволяют проводить несколько повторных исследований, результаты которых будут отражать изменение биофизических свойств нейронов. Периодический мониторинг СГМ, по технологии МРТ, позволяет создавать адекватные прогнозы развития заболевания, что в свою очередь, обеспечивает выбор оптимальных терапевтических мероприятий.
Действительно, наличие современных многочисленных фреймов, в частности, рассеянного склероза по материалам МРТ, указывает на наличие «нечетких» суждений, которые компилируются в терминах генетической восприимчивости, факторов внешней среды и психофизиологических расстройств. Акцентируя внимание на биохимическом информационном канале сопряжения разных функциональных подсистем организма отчетливо проявляется ведущая роль нейротрансмиттеров, интенсивность рабочих процессов которых можно оценить дисперсией, порождающей возможность воспроизвести достоверные суждения о нарушениях в СГМ.
Следуя этим представлениям, констатируем, что для медицинской практики, оперирующей неполным набором понятий о этиологии нарушений СГМ представляется чрезвычайно важным обладать
возможностью создавать количественные показатели функционального состояния нейронных структур, ответственных за жизнедеятельность организма.
Список литературы /References
1. Огнев И.В. Ассоциативные память, среды, системы. М. 2016
2. Беар М. Нейронауки. Исследование мозга. Диалектика. М. 2021
3. Китаев В.М. Лучевая диагностика заболеваний головного мозга. М. 2022
4. Савельев С.В. Атлас мозга человека. М. 2022
5. Броневич А.Г. Нечеткие модели анализа данных и принятия решений. М. 2022
6. Горбаченко В.И. Интеллектуальные системы: нечеткие системы и сети. М. 2022
7. Флегонтов А.В. Моделирование задач принятия решений при нечетких исходных данных. М. 2020
8. Макаров Л.М., Поздняков А.В., Разинова А.А., Гребенюк М.М., Позднякова О.Ф., Ерохин М.В. Морфо-метрический анализ структур головного мозга. Визуализация в медицине. 2021. Т. 3. № 3.
9. Макаров Л.М. Поздняков А.В. Computer synthesis of neurotransmitter images. Proceedings of Telecommunication Universities. 2022. Т. 8. № 2.
