CC BY
21УДК 616.322-002.2-07: 616.316-008.8-073.584
DOI: 10.18692/1810-4800-2018-4-78-83
ДИАГНОСТИКА ХРОНИЧЕСКОГО ТОНЗИЛЛОФАРИНГИТА НЕЙРОСЕТЕВЫМ АЛГОРИТМОМ ПО ИНФРАКРАСНЫМ ЭНЕРГОИНФОРМАЦИОННЫМ ПОКАЗАТЕЛЯМ СЛЮНЫ
Портенко Г. М.1, Портенко Е. Г.1, Шматов Г. П.2
1 ФГБОУ ВО «Тверской государственный медицинский университет» Минздрава России, 170100, г. Тверь, Россия
(Зав. каф. оториноларингологии - засл. врач РФ, проф. Г. М. Портенко)
2 ФГБОУ ВО «Тверской государственный технический университет», 170026, г. Тверь, Россия (Зав. каф. информатики и прикладной математики - проф. Н. К. Жиганов)
DIAGNOSTIC OF CHRONIC TONSILLOPHARYNGITIS
WITH NEURAL NETWORK ALGORITNM BASED
ON INFRARED ENERGYINFIRMATION INDICATORS OF SALIVA
Portenko G. M.1, Portenko E. G.1, Shmatov G. P.2
1 Federal State Budgetary Institution of Higher Vocational Education Tver State Medical University of the Ministry of Healthcare of Russia, Tver, Russia
2 Federal State Budgetary Institution of Higher Vocational Education Tver State Technical University, Tver, Russia
Разработана технология эффективной диагностики хронического тонзиллофарингита на основе принципа инфракрасной спектрометрии в сочетании с вероятностной нейронной сетью по энергоинформационному показателю пробы слюны.
Ключевые слова: хронический тонзиллофарингит, инфракрасная спектрометрия, нейронная сеть, диагностика.
Библиография: 10 источника.
The authors developed a technology of effective diagnostics of chronic tonsillopharyngitis based on the principle of infrared spectrometry in combination with a probabilistic neural network based on energoinformational parameters of saliva sample.
Key words: chronic tonsillopharyngitis, infrared spectrometry. neural network, diagnostics.
Bibliography: 10 sources.
Диагностика хронического тонзиллита обладает сильно выраженной неопределенностью. При этом заболевании нет ни одного патогномо-ничного симптома [1, 2].
Диагностика хронического тонзиллофарингита с приемлемой достоверностью существующими методами становится трудно разрешимой [1, 3].
Научную основу предлагаемого метода составляют: исследования молекулярных особенностей водной составляющей биологической жидкости (слюны), проявляющихся при просвечивании образца инфракрасным электромагнитным излучением (метод инфракрасной спектрометрии), и обработка полученных данных современными обучающимися алгоритмами.
Метод ИК-спектрометрии получил широкое распространение [4, 5]. В последнее время убе-
дительно доказано, что даже кратковременные и незначительные химические и метаболические нарушения в организме, сопровождающие общесоматические патологические состояния, способны изменять внутримолекулярные и межмолекулярные взаимодействия и реологические свойства слюны.
Появление в медицинских учреждениях высокопроизводительных персональных компьютеров привело к возможности реализации в практической деятельности врача идей кибернетики. В частности, моделирование работы весьма простой биологической нервной системы привело к созданию искусственной нейронной сети. Под искусственной нейронной сетью подразумевается вычислительная структура, которая моделирует простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга,
способные к адаптивному обучению путем анализа исходных данных (обучающая выборка). Искусственная нейронная сеть оказалась высокоэффективной благодаря способности анализировать большие цифровые массивы и отыскивать закономерности в сложных медицинских данных. Нейронная сеть очень полезна при решении задач классификации (диагностики). Нейронные сети не программируются, но обучаются тому, как правильно решить диагностическую задачу.
Достоинства и возможности искусственных нейронных сетей способствовали их медицинскому применению в различных отраслях медицины [6].
Цель исследования. На основе метода инфракрасной спектрометрии и нейросетевого алгоритма разработать экспрессивную бесконтактную технологию диагностики хронического тонзиллофарингита,
Материалы и методы. В оториноларинго-логическом отделении Тверской областной клинической больницы нами были обследованы две группы пациентов в количестве 249 человек. Одна группа 56 человек - условно здоровые лица (контрольная группа, норма) - и 193 больных с клинически установленным хроническим тон-зиллофарингитом [3]. По возрасту, полу, социальной принадлежности и клиническим данным группы были репрезентативны. По результатам обследований были сформированы два типа групп (выборок): обучающая клиническая группа, предназначенная для настройки нейронной сети (50 условно здоровых человек и 180 человек больных хроническим тонзиллофарнгитом) и тестирующая клиническая группа, созданная для определения качества диагностической способности обученной нейросети (6 условно здоровых человек и 13 человек с хроническим тонзиллофа-рингитом).
В качестве исследуемого биологического материала использовалась слюна пациента. Слюна собиралась путем сплевывания в пробирку в количестве не менее 10 мл. Забор слюны осуществляется без стимуляции утром натощак через 15 минут после полоскания ротовой полости дистиллированной водой. Если предполагалось, по каким-либо причинам проводить отложенное исследование (накопление данных о группе пациентов, транспортировка образцов в лабораторию, иные причины), то проба слюны замораживалась и хранилась при температуре -20 °С.
Измерение спектральных характеристик слюны проводилось модернизированным отечественным лабораторным инфракрасным фурье-спектрометром ФСМ 1201 (диапазон 400-7800 см-1; разрешающая способность по частоте 1 см-1; интерферометр с самокомпенсацией) с доработанным базовым программным обеспечением [2, 6].
Проба слюны помещалась в ванночку, дно которой образовано призмой из ZnSe (селенид цинка), в которой были созданы условия для применимости метода многократного нарушенного полного внутреннего отражения (МНПВО) инфракрасного излучения. Метод МНПВО представляет собой высокоточный аналитический инструмент исследования химического состава биологических жидкостей. Толщина поглощающего слоя воспроизводится с высокой точностью, в отличие от толщины оптических кювет, и находится в диапазоне 5-10 мкм.
Рабочим являлся диапазон длин волн 9301570 см-1, в котором с шагом 20 см-1 с частотным разрешением 8 см-1 в течение 16 секунд регистрировалось 256 спектров по 32 отсчета в каждом.
Таким образом, состояние пациента ассоциировалось с ансамблем из 32 случайных процессов, который преобразовывался в три вектора: вектор средних значений, вектор дисперсий и вектор информационных оценок распределений вероятностей процессов, являющихся компонентами энергоинформационного показателя пробы слюны.
Эти векторы анализировались тремя вероятностными нейронными сетями с одинаковой структурой. Диагностическое решающее правило формировалось по логическому объединению выходных откликов всех сетей (рис. 1).
Обработку результатов измерения спектральных данных проб слюны и моделирование нейронной сети проводили IBM совместимым компьютером с процессором Pentium Dual-Core CPU E6700 с операционной системой Windows 7 Ultimate 64-bit в вычислительной среде системы компьютерной математики MatLab R2013b с пакетом расширения Neural Network Toolbox [7].
Обсуждение. Известно, что вода обладает рядом особых свойств, отличающих ее от других жидкостей. Эти свойства обычно связывают со способностью молекул воды образовывать водородные связи. Образованием водородных связей,
Рис. 1. Схема этапов энергоинформационного анализа пробы слюны:
1 - проба слюны; 2 - призма МНПВО; 3 - спектрометр ФСМ 1201; 4 -матрица спектров (256 строк и 32 столбца); 5 - вектор средних значений (32 элемента); 6 - вектор дисперсий (32 элемента); 7 - вектор информационных оценок (32 элемента); 8-10 - вероятностные нейронные сети; 11 - блок решающего правила.
в частности, объясняют предполагаемую склонность молекул воды к образованию кластеров различных размеров, что приводит к нестабильности во времени спектральных параметров тонкого слоя воды [6]. Причиной такой нестабильности (динамики) спектральных параметров являются действия сверхмалых количеств веществ, находящихся в воде и вызывающих неустойчивость ее структуры [4].
В настоящем исследовании в качестве исходного исследуемого математического объекта используется матрица спектров 4 (рис. 1). Матрица отражает структурно-динамическую организацию водной компоненты слюны, которая, в свою очередь, порождена процессами, протекающими в организме пациента, следовательно, она является сигналом, переносящим информацию от организма через пробу слюны представленным цифровым массивом. Модель такого сигнала включает ансамбль из 32 случайных (шумовых) процессов [8].
Далее вычисляются числовые характеристики случайных процессов. Вектор средних значений и вектор дисперсий, которые характеризуют энергетическое свойство ансамбля. Также вычисляется количественная информационная оценка (количество информации) каждого случайного процесса как мера энтропии эмпирического распределения вероятностей процесса [9]. Таким образом, формируется энергоинформационный показатель, состоящий из трех самостоятельных, но взаимосвязанных векторов 5, 6, 7 (рис. 1). В ре-
зультате таких преобразований состояние каждого из обследованных пациентов будет характеризоваться тремя 32-элементными векторами.
В нашем исследовании решение задачи диагностики хронического тонзиллофарингита будем искать с помощью вероятностной нейронной сети обладающей высокими характеристиками классификатора и способностью быстро обучаться на ограниченном наборе исходных данных.
Техническая реализация нейросетевого алгоритма представляет собой параллельную вычислительную систему. В исследовательской практике алгоритм эмулируют специализированным программным обеспечением. Для создания вероятностной нейронной сети в системе компьютерной математики MatLab предназначена функция:
net = newpnn (X, group),
где Х - транспонированные векторы 5, 6, 7; group - колонка индексов состояния пациента: 1 - норма, 2 - хронический тонзиллит.
Функция newpnn возвращает переменную net типа структуры ячеек, описывающую структуру нейронной сети.
Формирование архитектуры, которая одинакова для всех нейронных сетей (рис. 2) и их обучение происходило в процессе изучения сетями векторов энергоинформационного показателя обучающей клинической группы.
Вероятностная нейронная сеть имеет три слоя: входной, радиально-базисный и выходной.
Выходной слой
Рис. 2. Архитектура вероятностной нейронной сети.
Во входном слое никаких преобразований исходных данных не происходит. Радиально-базисный слой состоит их радиальных элементов (radbas), реализующих так называемые ядерные функции. Чаще в качестве ядерных функций берут функции гауссовского вида. Выход сети (compet) можно интерпретировать как оценки вероятности принадлежности состояния пациента к определенному классу (норма или хронический тонзиллофарингит). Вероятностная нейронная сеть учится оценивать функцию плотности вероятности. Задача оценки плотности вероятности относится к области байесовской статистики. Если вектор энергоинформационного показателя пробы слюны пациента с некоторым состоянием расположен в данной точке пространства, тогда в этой точке есть определенная плотность вероятности. Группы из рядом расположенных точек свидетельствуют, что в этом месте плотность вероятности большая. В методе ядерных оценок в точке, которая отвечает состоянию каждого пациента, помещается радиально-базисная функция, потом они все суммируются и в результате получается оценка для общей плотности вероятности. Наибольшая оценка общей плотности вероятности, относящаяся к одному из индексов, определяет диагностируемое состояние организма.
Моделирование вероятностной нейронной сети обучающей клинической выборкой выполняется функцией
А = sim (net, X),
где А - вектор индексов состояний пациентов сформированный сетью net по спектральным данным обучающей выборки.
Апостериорная вероятность принадлежности конкретной пробы слюны, по результатам инфракрасной спектрометрии и нейросетевому анализу, к состоянию пациента рассчитывается в блоке решения 11 (см. рис. 1).
После обучения методом обратного распространения ошибки нейронную сеть net можно использовать для классификации результата спектрального анализа пробы конкретного пациента, не входящего в обучающую выборку.
Числовые характеристики диагностики хронического тонзиллофарирнгита нового пациента обученными нейронными сетями представлены в табл. 1.
Оценим эффективность решающих правил [10] диагностики хронического тонзиллофарин-гита. Точность диагностики по решающим правилам, под которой понимают относительную частоту правильного отнесения пациентов обучающей выборки к своему индексу (табл. 1), приведена в табл. 2.
Характеристики эффективности диагностики вычисляются по формулам:
чувствительность - это относительная частота отнесения истинно больного тонзиллофарин-гитом к состоянию «больной»: 100а /(а + b) = 100 ■ 178 / 180 = 98,9%;
специфичность - это относительная частота отнесения условно здорового пациента к состоянию «здоровый»: 100d / (с + d) = 100 ■ 48 / 50 = 96,0%;
Т а б л и ц а 1
Оценка результатов диагностики хронического тонзиллофарингита нейросетевым алгоритмом
Корректная диагностика (%) Контрольная группа Хронический тонзиллофарингит
Контрольная группа (n = 50) 96,0 48 2
Хронический тонзиллофарингит (n = 180) 98,9 2 178
Общая 98,3 50 180
Т а б л и ц а 2
Частоты для диагностируемых состояний
Группы пациентов обучающей выборки Результаты диагностики по решающим правилам Всего
Больной Здоровый
Больной а b a + b
178 2 180
Здоровый с d с + d
2 48 50
Всего а + с b + d a + b + с + d
180 50 230
точность - это относительная частота принятия безошибочных решений, как по отношению к здоровому пациенту, так и больного тонзил-лофарингитом: 100 (а + d) / (а + Ь + с + d) = = 100 ■ (178 + 48) / 230 = 98,3%;
ложноотрицательный ответ (ошибка первого рода) - это относительная частота отнесения состояния «больной» к состоянию «здоровый»: 100Ь / (а + Ь) = 100 ■ 2 / 180 = 1,1%;
ложноположительный ответ (ошибка второго рода) - это относительная частота отнесения состояния «здоровый» к состоянию «больной»: 100с / (с + d) = 100 ■ 2 / 50 = 4%.
На основе приведенных оценок эффективности выработанные решающие правила диагностики хронического тонзиллофарингита следует признать весьма успешными. Пациенты контрольной группы выявлены на 96,0%. Два человека из контрольной группы отнесены к состоянию «больной», что потребует для них проведения дополнительного обследования. Все пациенты, имеющие клинически подтвержденный тонзиллофарингит, диагностированы на 98,9%.
Два человека с хроническим тонзиллофаринги-том отнесены к условно здоровым людям.
Общая успешная диагностика по всем пациентам (учтена ошибка отнесения условно здорового пациента к больному тонзиллофаринги-том и больного к здоровому) будет составлять: (48 + 178) / 230 = 98,3%.
Результаты проверки тестирующей выборкой показали, что из 6 человек условно здоровых правильно диагностированы 5, одному пациенту диагноз условно здоровый был поставлен с вероятностью 76,0%. Из 13 человек больных хроническим тонзиллофарингитом диагностированы без ошибок 12 человек и один больной с вероятностью 85,0%.
Результаты проведенных исследований и разработанная технология позволяют уже на основе полученных экспериментальных данных проводить быструю диагностику хронического тон-зиллофарингита и могут служить основой для дальнейшего развития спектральных методов экспресс-анализа диагностики заболеваний и контроля лечения.
Выводы
Разработанная технология на основе принципа ИК-спектрометрии, аппаратная часть которой реализована на базе отечественного фурье-спектрометра ФСМ 1201 в сочетании с вероятностной нейронной сетью по энергоинформационному показателю пробы слюны, позволяет с высокой эффективностью диагностировать наличие (или отсутствие) у пациента хронического тонзиллофарингита.
ЛИТЕРАТУРА
1. Портенко Г. М., Портенко Е. Г., Шматов Г. П. Новая технология диагностики и лечения хронического тонзиллита. Тверь, 2008. 222 с.
2. Цветков Э. А. Аденотонзиллиты и их осложнения. Лимфоэпителиальное глоточное кольцо в норме и патологии. СПб.: ЭЛБИ, 2003. 123 с.
3. Портенко Г. М., Шматов Г. П. Хронический тонзиллофарингит и информационная технология его диагностики // Рос. оториноларингология. 2017. № 6 (91). С. 100-106.
4. Использование ИК-спекроскопии в медицине, экологии и фармации / Под ред. проф. А. В. Каргаполова. Тверь: Триада, 2003. 216 с.
5. Портенко Г. М., Портенко Е. Г., Портенко Ю. Г., Шматов Г. П. Современный метод диагностики в медицине в виде инфракрасной спектрометрии биологических жидкостей // Рос. оториноларингология. 2008. № 4 (35). С. 152-157.
6. Bigatti L. O., Ho L., Hoffman D. [et. al.]. Automatic identification of glaucomatous visual field patterns with Artificial Neural Network // IOVS. 2001. N 4. S. 231.
7. Дьяконов В. П., Круглов В. В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulinr 5/6. Инструменты искусственного интеллекта и биоинформатики. Серия «Библиотека профессионала». М.: СОЛОН-ПРЕСС, 2006. 456 с.
8. Перегудов Ф. И., Тарасенко Ф. П. Введение в системный анализ. М.: Высш. шк., 1989. 367 с.
9. Елесеева И. И. Общая теория статистики. М.: Финансы и статистика, 2005. 656 с.
10. Юнкеров В. И., Григорьев С. Г. Математико-статистическая обработка данных медицинских исследований. СПб.: ВМедА, 2002. 266 с.
REFERENCES
1. Portenko G. M., Portenko E. G., Shmatov G. P. Novaya tekhnologiya diagnostiki i lecheniya khronicheskogo tonzillita [A new technique of diagnostics and treatment of chronic tonsillitis]. Tver', 2008. 222 (in Russian).
2. Tsvetkov E. A. Adenotonzillity i ikh oslozhneniya. Limfepitelial'noe glotochnoe kol'tso v norme i patologii [Adenotonsillites and complications thereof. Lymphoepithelial pharyngeal ring in normal state and pathology]. SPb.: ELBI, 2003. 123 (in Russian).
3. Portenko G. M., Shmatov G. P. Khronicheskii tonzillofaringit i informatsionnaya tekhnologiya ego diagnostiki [Chronic tonsillopharyngitis and the informational technology of its diagnostics]. Rossiiskaya otorinolaringologiya. 2017;6(91):100-106 (in Russian).
4. Ispol'zovanie IK-spekroskopii v meditsine, ekologii i farmatsii. Pod red. prof. A. V. Kargapolova [The use of IR-spectroscopy in medicine, environmental science and pharmacology Ed.: Prof. A. V. Kargapolov]. Tver': Triada, 2003. 216 (in Russian).
5. Portenko G. M., Portenko E. G., Portenko Yu. G., Shmatov G. P. Sovremennyi metod diagnostiki v meditsine v vide infrakrasnoi spektrometrii biologicheskikh zhidkostei [The present-day method of diagnostics in medicine in the form of infrared spectrometry of body fluids]. Rossiiskaya otorinolaringologiya. 2008;4(35):152-157 (in Russian).
6. Bigatti L.O., Ho L., Hoffman D. [et. al.]. Automatic identification of glaucomatous visual field patterns with Artificial Neural Network. IOVS. 2001;4:231.
7. D'yakonov V. P., Kruglov V. V. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulinr 5/6. Instrumenty iskusstvennogo intellekta i bioinformatiki [The instruments of artificial intelligence and bioinformatics]. Seriya «Biblioteka professionala». M.: SOLON-PRESS, 2006. 456 (in Russian).
8. Peregudov F. I., Tarasenko F. P. Vvedenie v sistemnyi analiz [Introduction into systemic analysis]. M.: Vysshaya shkola, 1989. 367 (in Russian).
9. Eleseeva I. I. Obshchaya teoriya statistiki [The general theory of statistics]. M.: Finansy i statistika, 2005. 656 (in Russian).
10. Yunkerov V. I., Grigor'ev S. G. Matematiko-statisticheskaya obrabotka dannykh meditsinskikh issledovanii [Mathematical and statistical processing of results of medical studies]. SPb.: VMedA, 2002. 266 (in Russian).
Портенко Геннадий Михайлович - заслуженный врач РФ, доктор медицинских наук, профессор, заведующий кафедрой оториноларингологии ФГБОУ ВО «Тверской государственный медицинский университет» Минздрава России. Россия, 170100, г. Тверь, Советская ул., д. 4; тел. 8 (4822) 77-54-40, e-mail: gennadijj-portenko@yandex.ru
Портенко Елена Геннадьевна - доктор медицинских наук, доцент, профессор кафедры оториноларингологии ФГБОУ ВО «Тверской государственный медицинский университет» Минздрава России. 170100, г. Тверь, Советская ул., д. 4; тел. (4822) 7754-14; E-mail: gennadijj-portenko@yandex.ru
Шматов Геннадий Павлович - кандидат технических наук, доцент кафедры информатики и прикладной математики ФГБОУ ВО «Тверской государственный технический университет». 170026, Тверь, Набережная А. Никитина, д. 22, тел. 8 (4822) 52-64-37, e-mail: gshmatov@yandex.ru
Gennadii Mikhailovich Portenko - the Honored Doctor of the Russian Federation, MD, Professor, Head of the Chair of Otorhinolaryngology of Federal State Budgetary Institution of Higher Vocational Education Tver State Medical University. Russia, 170100, Tver, 4, Sovetskaia str., tel.: 8 (4822) 77-54-40, e-mail: gennadijj-portenko@yandex.ru
Elena Gennad'evna Portenko - MD, Associate Professor, Professor of the Chair of Otorhinolaryngology of Federal State Budgetary Institution of Higher Vocational Education Tver State Medical University. Russia, 170100, Tver, 4, Sovetskaia str., tel.: 8 (4822) 77-54-40, e-mail: gennadijj-portenko@yandex.ru
Gennadii Pavlovich Shmatov - Candidate of Engineering Sciences, Associate Professor of the Chair of Informatics and Applied Mathematics of Federal State Budgetary Institution of Higher Vocational Education Tver State Technical University. 170026, Tver, 22, Naberezhnaia A. Nikitina str., tel.: 8 (4822) 52-64-37, e-mail: gshmatov@yandex.ru
