CC BY
43
ФИЗИКА______________________________________________
УДК 004.8.032.26 И.А. Драгун, Г.Г. Устинов, П.М. Зацепин Нейросетевые методы оценки степени операционного риска
Понятие «операционный риск» определяется по большей части тяжестью состояния при определенном заболевании и травматичностью и переносимостью предстоящей операции. В настоящее время не применяется единой методики оценки тяжести состояний больных. До сих пор применяются существующие не для всех заболеваний балльные методы расчетов коэффициентов тяжести состояний, но при современных темпах компьютеризации медицины необходимость внедрения более точных математических методов становится все очевиднее.
Исходными данными для подобных задач являются статистическая информация, содержащаяся в историях болезни — набор качественных и количественных значений инструментальных и лабораторных показателей, а также заключения экспертов. Трудность обработки подобной информации обусловлена следующими основными факторами:
1) формализованных качественных или количественных данных о тяжести состояния больного или степени риска операции нет;
2) около 50% показателей являются качественными;
3) информация об отдельном пациенте часто оказывается неполной (представлен не весь набор показателей).
Оценку операционного риска можно провести, спрогнозировав послеоперационное состояние пациента, тогда количественной оценкой тяжести предоперационного состояния будет вероятность послеоперационного состояния. Также операционный риск можно оценить, проведя дифференциальную диагностику всех возможных осложнений основного заболевания.
В качестве количественной оценки степени операционного риска предлагается использовать вероятность наиболее тяжелого послеоперационного состояния, например, летального исхода. Травматичность и переносимость операции, упомянутые выше, будут неявным образом содержаться в статистических данных уже прооперированных пациентов.
Для оценки риска состояния больных нами разработана программная оболочка «МЕДЭКС ПЕРТ», способная вероятностно проводить дифференциальную диагностику альтернативных
послеоперационных состояний на основе предоперационных данных.
В программе реализованы три алгоритма, основанные на следующих непараметрических вероятностно-статистических стратегиях распознавания образов: стратегия Вальда,стратегия Байеса и модифицированная стратегия Байеса, также называемая «многошаговый байесовский алгоритм» [1]. Все три алгоритма в качестве ответа дают вероятность либо отношение вероятностей принадлежности предъявленного образа рассматриваемым состояниям. Степень операционного риска определяется вероятностью наиболее тяжелого послеоперационного состояния. Применение данных алгоритмов не требует знаний или предположений о характере распределений плотности вероятности признаков. Предварительная обработка данных сводится к кодированию качественных показателей. Стратегия Вальда и многошаговый байесовский алгоритм предполагают ранжирование признаков по информативности, которал вычисляется по формуле Кульбака. Процесс обучения заключается в нахождении оптимального разбиения диапазонов значений признаков на интервалы и вычисления плотностей вероятности для каждого интервала.
Для обучения вышеуказанных алгоритмов из 594 историй болезни был собран статистический материал о 26 наиболее значимых, по мнению экспертов, биопоказателях больных механической желтухой для двух групп больных. Первая группа (состояние — 473 пациента, выписанных из больницы после операции. Вторая (состояние А2)~ 121 пациент, умершие после операции.
Усредненные результаты обучения всех трех стратегий для групп А, и А2следующие: проценты правильных диагнозов - 82,35 и 71,59% соответственно; проценты неправильных диагнозов -15,11 и 25,41% соответственно; проценты неопределенных диагнозов - 2,33 и 2,18% соответственно.
Известно, что для решения задач классификации и прогнозирования существуют более точные методы, основанные на технологиях нейронных сетей.
Одним из достоинств данной технологии анализа данных следует считать возможность обучения нейросети зависимостям между показа-
Нейросетевые методы оценки степени операционного риска
телями объекта и его состояниями, не предполагая использования какой-либо модели поведения объекта. Все, что в данном случае необходимо - конкретные факты поведения объекта, содержащиеся в обучающем множестве [2]. Суть любого алгоритма обучения нейронных сетей -подстройка параметров сети для решения определенной задачи.
Структура связей любой многослойной нейросети такова, что каждый искусственный нейрон принимает сигналы всех показателей и передает обработанную информацию всем другим нейронам. Таким образом, обученная нейронная сеть, кроме информации о зависимости между биопоказателями пациентов и их состояниями, содержит также информацию о зависимости показателей между собой. И хотя эту информацию очень редко удается интерпретировать, например, для решения других задач, сам факт возможности учета зависимости выгодно отличает нейросети от других методов анализа данных. Применение нейронных сетей также позволяет выделить наиболее информативные для решения задачи показатели [2].
Процесс обработки данных историй болезни с использованием нейронных сетей включает следующие этапы:
1) кодирование значений качественных показателей;
2) восстановление отсутствующих значений показателей;
3) нормировка значений показателей;
4) обучение нейросети требуемой архитектуры;
5) интерпретация результатов.
Статистическая информация, содержащаяся
в историях болезни, должна быть предварительно обработана - входные значения нейросети должны быть числовыми и не содержать пропусков. Восстановить отсутствующие значения показателей можно при помощи нейронных сетей, способных распознавать многомерные векторы. Нормировка значений показателей требуется для приведения значений всех показателей к одному диапазону, чаще всего это диапазон [1...1]. Диапазон выходных значений нейросети соответствует диапазону входных значений.
Для оценки степени операционного риска наиболее оправданным представляется использование двух архитектур нейросетей - это многослойные персептроны и вероятностные RBF-сети.
Вероятностные RBF (Radial Basis Function) нейросети используют в качестве базиса активационных функций нейронов радиально-симметричные функции, типичным примером которых является функция Гаусса. Используя в качестве входных значения признаков, плотности вероятности которых нормально распределены, в качестве выходных значений сети, мы получим вероятности диагностируемых или прогнозируемых состояний. Следовательно, предварительно выделив наиболее тяжелое состояние, мы имеем возможность вероятностной нейросете-вой оценки операционного риска.
В отличие от уже реализованных в системе «МЕДЭКСПЕРТ» алгоритмов, применение архитектуры RBF-сетей накладывает ограничение на вид распределений плотности вероятности используемых признаков, тем самым уменьшая количество обучающей информации. В то же время зависимости между входными показателями будут учтены, что должно повысить качество диагностики.
Многослойный персептрон - наиболее изученная и широко используемая архитектура нейронных сетей для решения задач классификации. Данная архитектура не накладывает ограничений на вид распределений вероятности показателей. Обучение многослойного персепт-рона всегда является обучением с учителем и чаще всего ведется по алгоритму обратного распространения ошибки [2]. Значения выходного слоя нейронов многослойного персептрона являются нечеткими и носят смысл функций принадлежности [3]. Поэтому для классификации многослойный персептрон часто дополняют набором пороговых функций в качестве интерпретатора.
Тот факт, что значения выхода нейросети являются нечеткими, снимает необходимость рассмотрения только альтернативных послеоперационных состояний. Таким образом, применение многослойных персептронов для диагностики и прогнозирования дает возможность исследования пограничных состояний, например, различных осложнений основного заболевания.
Литература
1. Генкин А.А. Новая информационная технология анализа медицинских данных. СПб., 1999.
2. Горбань А.Н. Нейронные сети на персональном компьютере / АН. Горбань, Д.А. Россиев. Новосибирск, 1996.
3. Драгун И А. О возможности нейронечеткой оценки степени операционного риска / И.А. Драгун, В.В. Поляков, Г.Г. Устинов, П.М. Зацепин // Нейроинформатика и ее приложения : тр. XII Всерос. семинара. Красноярск, 2004.
