Нейросетевой подход к автоматизации дифференциальной диагностики глазодвигательных нарушений при сочетании миастении и эндокринной офтальмопатии Текст научной статьи по специальности «Компьютерные и информационные науки»

Биомедицинская информатика

75

УДК 615.47-114:616-07-08 А. В. Волков, аспирант,

Московский авиационный институт (национальный исследовательский университет)

Нейросетевой подход к автоматизации дифференциальной диагностики глазодвигательных нарушений при сочетании миастении и эндокринной офтальмопатии

Ключевые слова: нейронные сети, сочетанная патология, интеллектуальная система. Key words: neural networks, combined pathology, intellegent system.

Рассматривается проблема повышения качества диагностирования заболеваний с сочетанием нескольких патологий, сходных по своему клиническому проявлению, за счет введения в диагностический процесс нейросетевого интеллектуального помощника, позволяющего повысить эффективность верификации и прогнозирования сочетанной патологии.

Введение

Сложнейший случай медицинской практики, представляющий наибольшие проблемы в диагностировании, — это патологии, имеющие сходные клинические проявления. Достоверная диагностика сочетанных патологий — результат консолидации двух уровней диагностических исследований: клинических и лабораторных. Особо значимым этапом в этой структуре является уровень клинической диагностики, поскольку дальнейшие исследования, гарантирующие окончательную верификацию диагноза, не очень эффективны и расточительны, если на этапе клинической диагностики не сформулирован предварительный диагноз, позволяющий использовать группу лабораторных исследований адресно.

Дифференциально-диагностический подход, являющийся основополагающим принципом современной практической медицины, к изучению клинических симптомов и синдромов особенно актуален при наличии у пациента двух или нескольких заболеваний со сходными клиническими признаками. Определение причинно-следственных связей и ведущей причины сочетанной патологии определяет выбор терапевтической тактики.

В практике эндокринологов и неврологов дифференциальная диагностика вызывают особые трудности при наличии у пациентов глазодвигательных нарушений (ГДН), которые наблюдаются у 75 % больных миастенией и у 40 % больных эндокринной офтальмопатией [1]. Клинические проявления ГДН у больных миастенией и у больных эндокринной офтальмопатией очень сходны, обе патологии имеют аутоиммунную природу. Однако имеются существенные различия в выборе методов их диагностики и способов лечения. При сочетании миастении и эндокринной офтальмопатии существенно усложняется верификация глазодвигательных нарушений.

Немногочисленные сведения [2, 5, 6] характеризуют диагностику только по одному из критериев (морфологическому или иммунологическому) в малых группах обследуемых (п = 3 ■ 10), хотя полученные данные, несомненно, представляют диагностическую ценность. Наиболее полный клинический дифференциально-диагностический алгоритм поиска причины ГДН у пациентов с соче-танной патологией был предложен в нашей стране в 2006 г. [7] и отличается использованием данных, охватывающих два уровня диагностического процесса. Результатом такого подхода оказался набор дифференциально-диагностических критериев и клинических особенностей течения эндокринной офтальмопатии, позволяющих верифицировать характер глазодвигательных нарушений и оптимизировать диагностическую и терапевтическую тактику у больных с сочетанием миастении и эндокринной офтальмопатии.

Тем не менее слабым местом остается выявление причины ГДН у пациентов с граничными или неявно выраженными (это, прежде всего, касается фармакологических проб) показателями на уровне

76

Биомедицинская информатика

лабораторных исследований и клиническими нарушениями. В этом случае требуются инструменты, способные внести ясность на известном уровне статистической значимости влияния того или иного диагностического признака, для проведения более точечного лабораторного исследования. Проблема заключается в том, что осуществить такое сужение не всегда можно с достаточной степенью достоверности, особенно если речь заходит о патологиях с малой частотой встречаемости, каковой и является данное глазодвигательное заболевание с сочетанием патологий.

Однако трудности дифференциальной диагностики ГДН у пациентов с подозрением на наличие комплексной патологии с минимальными клиническими проявлениями и пограничными данными эхографического, электрофизиологического и фармакологического исследований предопределили актуальность применения систем, позволяющих надежно работать в условиях отсутствия явных клинических проявлений. Из этого вытекает необходимость автоматизировать процесс диагностики и создать систему поддержки принятия решений врача, оснащенной системой интеллектуального анализа, для определения диагноза с просчитанным уровнем достоверности. Оптимальным инструментом для решения поставленной задачи являются искусственные нейронные сети.

Однако в практической работе с нейронными сетями существуют большие проблемы в создании рабочих моделей, обученных на выборках малых объемов. И если узловые точки, образуемые данными диагностических признаков конкретного больного с верифицированным диагнозом, будут надежно определятся в текущем объеме выборки, то каждый новый пациент может быть проигнорирован сетью в том смысле, что его уникальная связь не будет воспринята как значимый сигнал. Следовательно, мы получим шаблонную оценку, которая для данного пациента будет ложной.

Преодолеть эту проблему действенно можно только с помощью увеличения самого объема выборки или использования шума, заставляющего нейросеть работать в условиях «густых», неопределенных сред, в которых она должна, на приемлемом уровне значимости, отыскивать абсолютный минимум функции ошибки.

вычислений, быстрота функционирования, возможность использования обученной сети на схожих классах задач и др. Непосредственное же применение на практике в основном осуществляется за счет ней-ропакетов (Statistica Neural Networks, NeuroSolution, Brain Maker, NeuroShell и др.), нейромодулей (Excel Neural Package, Neural Network Toolbox, пр.) и специализированных нейросетевых конструкций, разработанных непосредственно под задачу.

Нейропакеты и нейромодули являются хорошим средством предварительной оценки данных, так называемого разведочного анализа, с последующей возможностью построения нейросети под задачу на их основе. В то же время нейропакеты не являются дешевым средством анализа, стоимость их может доходить до 60 000 дол. [8], при этом множество функций, заложенных в нейропакете, останется неиспользованными. Подобное расточительств исключается при создании специализированных приложений, разрабатываемых под конкретную задачу.

В предлагаемом исследовании, которое является первым приближением к созданию полноценного интеллектуального помощника, применялся разведочный анализ. При определении оптимальной структуры нейронной сети для решения задачи верификации значимых признаков в структуре дифференциальной диагностики ГДН у больных с сочетанной патологией была проведена оценка показателей клинического, эхографического, электрофизиологического и фармакологического обследований [7].

Структура и алгоритмы нейросетевого модуля

Тестирование входного набора данных, образующего вектор X{n = 100, m = 53}, где n — пациенты, у которых достоверно установлено наличие заболевания; m — диагностические признаки, проходило с использованием нейросетевого пакета Statistica Neural Network у4.0е и нейросетевого модуля статистического пакета Statistica. В результате тестирования входного вектора наибольшую адекватность продемонстрировала нейронная сеть — трехслойный персептрон (MLP). Формирования выходного набора данных сети осуществляется по формуле

Нейросетевой подход к оценке данных

Теория нейронных сетей достаточно развита, регулярно выполняются научные работы, публикуются статьи. Не ослабевает поток программного продукта и всевозможных нейросетевых приложений, что определяется возможностями сетей, среди которых наиболее привлекательными являются надежность работы в условиях отсутствия формализованных связей, способность к самообучению, параллельность

^ = f

Nj ->,

XW

L j =1

jj-k j - k

- e;

jj -k

(1)

где У — выходной вектор; Ж — вес связи; у — выход нейрона; е — смещение; Ь — номер нейрона; N — число нейронов в слое; ] — номер слоя; к — число слоев при Ь = 1, 2, ..., N; ] = 1, 2, ..., К; / — многопараметрическая функции активации,

f (s) = Pi

S\+ p2

+ P3-

(2)

№ 5-6(23-24)/2012 |

биотехносфера

Биомедицинская информатика

Входной и скрытый слои были обучены методом обратного распространения ошибки, выходной слой — алгоритмом сопряженных градиентов. Именно такая многошаговая структура оптимизации сети обусловлена необходимостью избежать попадания в локальный минимум, что и было достигнуто.

Непосредственно обучение сети проводится в несколько этапов:

1) согласно исходному набору данных формируются входы X = (хд, Х1, ..., хы)т и желаемые выходные сигналы 6 = (60, 01, ..., 6^)т, которые образуют обучающее множество {X6^}.

2) в диапазоне (0; 1) произвольно задаются весовые коэффициенты и смещения сети;

3) далее происходит вычисление текущего выходного сигнала слоя:

N -к

S Ё k )).;

1 . \ 1 J-k J-k I 1

Yk=1

4) оценка ошибки сети определена как

dyi.

К = (K-yik) drL;

ik n ik ds-

iJ

5) уточнение значения весовых коэффициентов:

если у- = 6n, то Wj = const; если y- = 0, 6n = 1, то Wj (t + 1) = Wj (t) + x.; если yu = 1, 6n = 0, то w-j (t + 1) = Wj (t) - x.,

где г — номер итерации;

6) настройка синаптических весов в текущем слое происходит в соответствии с (3), а общая коррекция — согласно (4) с уточнением параметра, позволяющего реализовывать алгоритм в реальном масштабе времени:

^wi (г) = -"(( к(г-1) + (1-ц)8. );(3)

Щ (г) = (г -1) + д^ (г), (4)

1к 1к 1к

где л — коэффициент скорости обучения 0 < л < 1; ц — коэффициент инерционности.

Для стабильно качественного функционирования алгоритма необходимо несколько итераций, в данном случае достаточно трех прогонов, чтобы полноценно сформировать таблицу весов.

Обсуждение результатов проведенных исследований

На дееспособность сети указывает равномерное распределение ошибки на обучающем (4,5 %) и контрольном (3,9 %) множествах. Коэффициент ошибки хоть и близок по значению, но демон-

стрирует тенденцию к снижению, что, безусловно, является показателем эффективной работы сети.

Нейросетевая модель позволяет правильно классифицировать 87 % примеров, на которых она не обучалась. То есть нейросеть устойчиво классифицирует набор данных, не входящий в обучающее множество, что подразумевает способность сети прогнозировать.

Следующая задача — определение группы признаков, значимо влияющих на формирование диагноза. Шкала зависимостей параметров, используемых в дифференциальной диагностике, у больных с комплексной патологией представлена ниже.

Уровень влияния диагностических признаков

Гиперемия конъюнктивы................ 0

Диплопия .......................... 1

Птоз.............................. 1

Увеличение полей взора в пробе с введением про-зерина (правый глаз):

верхне-наружное................... 1

нижне-наружное................... 1

нижне-внутреннее.................. 1

Увеличение полей взора в пробе с введением про-зерина (левый глаз):

верхне-наружное................... 1

нижне-наружное................... 1

нижне-внутреннее.................. 1

Отек РБК:

правый глаз....................... 0

левый глаз........................ 0

Отек экстраокулярных мышц:

правый глаз....................... 0

левый глаз........................ 0

Стаж эндокринной офтальмопатии (1—3 месяц) 0,7142857 Степень ограничения движения глазного яблока (5-15°).......................... 0,7142857

Следует отметить, что общий список диагностических признаков, который, как было указано, составляет 53 наименования, в результате оптимизации претерпел серьезные изменения. Полученные результаты дают некоторые основания для пересмотра классической процедуры дифференциально-диагностического исследования, хотя, конечно, полученные данные нуждаются в дополнительных уточнениях, которые будут проходить по мере увеличения пациентов, протестированных с помощью программы.

В приведенной таблице оформлены три градации уровня влияния, среди которых обозначенные нулем подразумевают влияние, но недостаточно выраженное для того, чтобы считать его весомым фактором, указывающим на наличие сочетанной патологии.

Особенно любопытной является группа «второй значимости». Отдельный акцент сети именно на слабо проявленных симптомах говорит о способности модели учитывать самый важный аспект в диагностике — начальную стадию развития патологии. И что, безусловно, ценно, в диапазоне [0; 1] сеть гибко оценила эту группу факторов. Также стоит отметить практически равное количество признаков, характеризующих активность и тяжесть заболевания.

Биомедицинская информатика

Полученные результаты анализа говорят о способности модели устойчиво верифицировать вектор смешанных данных анамнеза и фармакологических проб, выделяя значимые признаки для формирования диагноза. В свою очередь, найденные зависимости подтверждены лабораторными исследованиями, приведенными в литературе [7], что подразумевает эффективность нейросетевого подхода в вопросе диагностики сочетанной патологии и дает возможность оснастить врача инструментом, позволяющим ему вовремя идентифицировать редкую и сложную патологию. Это, в свою очередь, позволит оказать своевременное лечение и предотвратить не только гипотетическую инвалидность у пациента, но и летальный исход в случае латентных наследственных иммунных заболеваний.

Выводы

1. Полученная нейросетевая модель правильно классифицирует 96 % данных, на которых она не проходила обучение, что говорит об уверенной работе алгоритмов в среде с недетерминированными связями.

2. Определена группа признаков, наиболее значимо влияющих на формирование диагноза у пациентов с сочетанием миастении и эндокринной офтальмопатии, что позволяет оптимизировать процедуру диагностики.

3. В результате анализа нейронной сетью выделены в особую группу признаки с минимальными эхографическими, электрофизиологическими и клиническими нарушениями, что дает основания предполагать способность сети к диагностике на ранней стадии комплексной патологии.

4. Разработанная модель рассматривается как помощник врача, средство предварительной диагностики при исследовании проблемы глазодвигательных нарушений у больных с сочетанной патологией миастении и эндокринной офтальмопатии и

других, схожих с ней по сложности, комплексных патологий, но ни в коем случае речь не идет о подмене врача нейросетью.

5. Полученная система может быть использована как для тестирования студентов в образовательных программах медицинских вузов, так и для повышения квалификации специалистов текущей практики.

Все это дает возможность говорить о целесообразности применения компьютерных помощников на основе нейронных сетей как дополнительного и важного инструмента помощи врачу в дифференциальной диагностике ГДН при сочетании миастении и эндокринной офтальмопатии и в случаях схожих сочетанных патологий.

| Литература |

1. Зефирова Г. С. Заболевания щитовидной железы. М, 1999. 215 с.

2. Eye muscle antibodies in patients with ocular myasthenia gravis: possible mecchanism inflammation in acetylcholine-receptor antibodi-negative patients. / K. G i n j i, C. S h k o l n i c, T. B e d n a r s z u k [et al.] // Clin. Immunol. Immunopathol. 1998. Vol. 87(3). P. 276-81.

3. Differential susceptibility of the ocular motor system to disease / H. J. K a m i n s k i, C. R. R i c h m o n d s, L. L. K u s n e r, H. M i t s u m o t o // Ann. 2002. Vol. 956. P.42-54.

4. Kusuhara T., Nakajima M., Imamura A. Ocular myasthenia gravis assotiated with euthyroid ophthalmopathy // Muscule Nerve. 2003. Vol. 28(6). P. 764-766.

5. Increased freqency of euthyroid ophthalmopathy in patients with Graves disease associated with myasthenia gravis / M. M a r i n o, G. B a r b e s i n o, A. P i n c h e r a [et al.] // Thyroid. 2000. Vol. 10(9). P. 799-802.

6. Raef H., Ladinsky M., Arem R. Concomitant euthyroid Graves' ophthalmopathy and isolated ocular myasthenia gravis // Postgrad-Med-J. 1990. Vol. 66(780). P. 849-52.

7. Закутняя В. H. Дифференциальная диагностика глазодвигательных нарушений у больных с эндокринной офтальмо-патией, миастенией и заболеваниями щитовидной железы. М., 2006.

8. http: //www.softmagazin.ru/vendorInfo.aspx?id=207&page=1

№ 5-Б(23-24)/2012 |

биотехносфера