CC BY
38
Таблица 4
Результаты обработки данных аттрактора параметров кардиореспира-торной системы студентов до и после выполнения дозированных физической нагрузки и восстановления в 13-ти мерном фазовом пространстве
Интервалы Динамическая физическая нагрузка Асимметрия Динамическая физическая нагрузка
До После 5 мин 45 мин До После 5 мин 45 мин
X0 2.0 36.0 32.0 7.0 rX0 0.0357 0.1925 0.2277 0.0204
X1 12.0 12.0 13.0 11.0 rX1 0.0595 0.1786 0.0659 0.1299
X2 3.0 2.0 3.0 2.0 rX2 0.0238 0.0714 0.0952 0.0357
X3 30.0 32.0 27.0 29.0 rX3 0.0548 0.1138 0.0317 0.1133
X4 21378.0 1910.0 6046.0 6680.0 rX4 0.2501 0.0727 0.2634 0.1682
X5 9 958.0 2450.0 3712.0 9882.0 rX5 0.1833 0.2549 0.0787 0.2528
X6 6 806.0 415.0 679.0 3584.0 rX6 0.2263 0.1947 0.1752 0.2848
X7 7.1 35.10 19.90 10.0 rX7 0.1137 0.3531 0.1393 0.1636
X8 67.0 43.0 50.0 69.0 rX8 0.0640 0.0664 0.1329 0.1439
X9 22.0 512.0 443.0 78.0 rX9 0.1299 0.1617 0.2191 0.0311
X10 20.0 20.0 38.0 29.0 rX10 0.0607 0.0429 0.0564 0.0320
X11 18.0 26.0 11.0 9.0 rX11 0.0397 0.0082 0.0909 0.0317
X12 36.0 55.0 48.0 49.0 rX12 0.0893 0.1610 0.1131 0.1706
vX 4.24E+ 0023 1.18E+ 0024 4.54E+ 0024 7.27E+ 0023 rX 5856 650 1626 2923
Примечание: гХ - показатель асимметрии; уХ - общий объем параллелепипеда
Целесообразность использования физических нагрузок динамического характера в условиях Севера РФ для изменения вегетативного статуса оправдана и позволяет управлять состоянием функциональных систем организма.
Литература
1. Бальсевич В.К. Онтокинезиология человека.- М.: Теория и практика физ. культ., 2000.- 275 с.
2. Еськов В.М. и др. Программа идентификации параметров аттракторов поведения вектора состояния биосистем в т-мерном пространстве.- Свидетельство об официальной регистрации программы для ЭВМ № 2006613212. РОСПАТЕНТ.- М., 2006.
3. Карпман В.Л. и др. Исследование физической работоспособности у спортсменов.- М.: Физкультура и спорт, 1988.- 208 с.
4. Логинов С.И. Физическая активность: методы оценки и коррекции.- Сургут: СурГУ, 2005.- 342 с.
УДК 616.743; 617.53
НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИЕ И ВОПРОСЫ ИДЕНТИФИКАЦИИ В МЕДИЦИНСКИХ ИССЛЕДОВАНИЯХ (Часть II)
Г.В. ВОРОНИН*, Е.М. ПАЛЬЦЕВА*, В.В. РУАНЕТ**, А.А. ХАДАРЦЕВ***, А.К. ХЕТАГУРОВА**
В табл. представлен сравнительный анализ ЭС и интеллектуальных систем на базе нейросетевых технологий.
Из всего разнообразия базовых принципов, на которых строятся интеллектуальные системы, мы остановили свой выбор на искусственных нейронных сетях. В отличие от систем, основанных на знаниях, которые могут дать пользователю определенный ответ, соответствуют или нет рассматриваемые характеристики характеристикам, заложенным в базе правил, нейросеть проводит анализ информации и предоставляет возможность оценить, согласуются ли имеющиеся данные с характеристиками, которые она научена распознавать. Они успешно дополняют некоторые «слабые стороны» статистических методов, например, их слабые адаптивные свойства, в частности, при распознавании образов [3, 6, 7]. Принципиальное отличие нейросетевых технологий от вероятностных способов обработки информации состоит в замене строго алгоритмированного пошагового анализа данных на параллельную обработку всего массива информации и в замене программирования на обучение. Искусственные нейронные сети применяются для идентификации и классификации информации в случае ограниченных, неполных и нелинейных источников данных. При их разработке основная цель сводилась к ми-
**ММА им. И.М. Сеченова, Москва, Россия
.Медицинский Колледж РАМН, Москва, Россия ТулгУ, Тула, Россия
нимизации прямого влияния экспериментатора на процесс нахождения решения, так что главным преимуществом нейронных сетей можно считать их потенциальную способность вырабатывать собственные решения. Как правило, искусственные нейронные сети (ИНС) используется тогда, когда неизвестен точный вид связи между входными и выходными данными. Их использование дает возможность устранить наиболее сложную часть разрешения проблемной ситуации - формализацию задачи и строить математическое представление путем обучения сети на экспериментальных данных, таким образом удается избежать идеализации полученных результатов2.
Они предлагают относительно простую технологию порождения алгоритмов решения проблемных ситуаций путем обучения, в этом их основное преимущество. ИНС способны моделировать нелинейные задачи, т.е. задачи классификации, когда классы нечетко разграничены между собой, и задачи регрессии, в которых сложно провести границу между группами данных [3, 7, 9]. В некоторых областях медицины, находящихся на стадии феноменологического описания и накопления данных, где недостаток формальных знаний может быть «скомпенсирован» богатым фактическим материалом, нейросетевые алгоритмы могут устанавливать причинно-следственные зависимости, служить для пополнения знаний на основе имеющихся фактических данных и являться средством поддержки интеллектуальных возможностей экспертов-медиков. Нейросетевые технологии являются, пожалуй, единственным подходом способным привнести в системы поддержки принятия и выполнения решений подобие человеческой интуиции, так необходимой в медицине. Одним из активно развивающихся направлений обработки и управления информацией является интеллектуальный анализ данных, получивший в англоязычной литературе название
- «knowledge discovery» [8].
Таблица
Сравнительный анализ ЭС и ИС
ЭС ИС на базе НС
Источник знаний Формализованный опыт эксперта, выраженный в виде логических утверждений, правил и фактов, принимаемых системой. Совокупный опыт эксперта-учителя, отбирающего примеры для обучения + «индивидуальный опыт», обучающейся на этих примерах системы.
Характер знаний Формально-логическое знание в виде правил. Ассоциативное знание в виде связей между нейронами сети.
Развитие знаний В форме расширения совокупности правил и фактов (базы знаний). В форме обучения на дополнительной последователь-ностипримеров с уточнением границ категорий и формированием новых категорий.
Роль эксперта Задает, на основе правил, полный объем знаний экспертной системы. Отбирает характерные примеры, не формулируя специально основания своего выбора.
Роль системы Поиск цепочки фактов и правил для доказательства суждения. Формирование индивидуального опыта в форме классов или категорий3, получаемых на основе примеров и категоризации образов
Под «knowledge discovery in databases» (ADD) понимают обнаружение: 1 - новых знаний в базах данных; 2 - какого-либо нетривиального процесса идентификации достоверных, новых, потенциально полезных и хорошо понимаемых образцов (структур) в данных. Под процессом KDD понимают многошаговую систему процедур, включающую: 1 - подготовку данных; 2 -поиск образцов в базе данных; 3 - оценку извлеченного знания; 4
- корректировку знания; 5 - итерацию4 процедур. Т.е. можно говорить о том, что в настоящее время существует тенденция
2 Применение теории вероятности в медико-биологических исследованиях чаще всего сводится к вычислению вероятностей, т.е. идеализированных относительных частот некоторых событий.
3 Эти две интеллектуальные задачи (классификацию и категоризацию данных) следует отличать друг от друга. Термин класс можно определить, как совокупность предметов или понятий (образов), выделенных и сгруппированных по определенным признакам или правилам. Термин классификация подразумевает отнесение некоторого образа к классу, выполняемое по этим формальным правилам по совокупности признаков. Категория же (если отвлечься от специфического философского характера этого понятия) определяет лишь некоторые общие свойства образов и связи между ними. Задача категоризации, т.е. определения отношения данного образа к некоторой категории, гораздо менее определена, чем задача отношения к классу. Границы различных категорий являются нечеткими, расплывчатыми, и обычно сама категория понимается не через формальное определение, а только в сравнении с другими категориями. Границы классов, напротив, определены достаточно точно - образ относится к данному классу, если известно, что он обладает необходимым числом признаков, характер-4ных для этого класса.
4 Результат неоднократно повторяемого применения какой-либо математической процедуры.
интеллектуализации электронных хранилищ данных и приближение их возможностей к базам знаний. Актуальным становится не только удобный для научного пользователя интерфейс, простой и эффективный поиск, сортировка информации, размещение в локальных и глобальных сетях, но и достаточно сложная обработка данных. В качестве такой обработки может выступать поиск информации по нечетко сформулированным запросам, анализ и сложное сопоставление данных, получение экспертных оценок и прогнозов, автоматическая генерация моделей на базе полученной информации и т. д. Эффективным аппаратом для решения широкого спектра таких задач выступают ИНС, которые позволяют провести кластеризацию информации, значительно сжать ее объем, существенно облегчить работу с готовой базой [2, 8].
Нейросетевые технологии, как инструмент решения задач прогнозирования и классификации, имеют следующие преимущества: 1 - отпадает необходимость детализированной разработки программного обеспечения; 2 - позволяют решать задачи, для которых отсутствуют соответствующие теоретические модели или эвристические правила, определяющие алгоритм решения; 3
- обладают способностью адаптироваться к изменениям в условиях функционирования, в том числе и к возникновению заранее не предусмотренных факторов; 4 - позволяют аппроксимировать целевые функции по набору конечных значений; 5 - позволяют решать задачи оптимизации - сокращение числа варьируемых параметров проектируемого объекта; 6 - способны работать даже в том случае, когда часть входных данных об объекте отсутствует и/или входные данные заданы неточно; 7 - эффективно решают проблемы пропуска данных и маленького массива опытных данных, которые актуальны для всех областей естествознания и могут являться лимитирующими факторами при обработке информации статистическими методами [3, 9]. СНейросетевые технологии являются, пожалуй, единственным подходом, способным привнести в системы поддержки принятия решений подобие человеческой интуиции, так необходимой в медикобиологической сфере человеческой деятельности [4].
Однако при всех положительных сторонах нейросетевых классификаторов выделяют и ряд их недостатков: 1 - при обучении сетевая модель может быть настроена на локальный экстремум качества, тогда как существует, не достигнутый, глобальный экстремум с лучшими показателями качества классификации, а для достижения наилучших результатов рекомендуется экспериментировать с различными типами нейронных структур, причем, как экспериментировать, заранее не известно; 2 - полученная в ходе обучения классификация может сильно отличаться от естественной и не пониматься пользователем, для которого решается задача, и, наоборот, получаемые решения могут не выделять классов, переходных зон и других структурных образований, интересующих пользователя; 3 - при создании систем поддержки принятия решений надо решать задачи классификации с использованием единой базы знаний, когда целесообразно использовать уже имеющиеся решающие правила, объединяя их в различные коллективы, что для сетевых нейронных структур является очень трудоемкой задачей, сводящейся к неоправданно затягивающейся процедуре полного переобучения этих структур [7].
С целью устранения этих и других недостатков, присущих различным подходам к решению задач прогнозирования, идентификации и диагностики, предлагается объединять подходы, основанные на анализе структур многомерных данных (разведочный анализ) и подходы, использующие нечеткую логику принятия решений, включая нечеткие нейронные сети, попутно решая вопрос о приведении различных популярных решающих правил к единой форме представления в рамках нечетких решающих структур. Такой подход позволяет понять, какими свойствами и особенностями обладают изучаемые многомерные структуры (категории, классы, образы и т.п.) и осмысленно выбрать тип таких решающих правил, которые обеспечивают понимаемую и хорошо интерпретируемую практическим пользователем классификацию. На первом этапе производится разведочный анализ, позволяющий изучить геометрическую структуру классов в пространстве информативных признаков, имея в виду под структурой взаимоположение объектов различных классов на обучающей выборке. На втором этапе под известную структуру классов и типы признаков выбираются носители и параметры частных функций принадлежностей решающих задачи классификации по подпространствам и областям исходного пространства признаков. При этом выбор осуществляется с таким расчетом,
чтобы при заданной сложности классификатора каждая частная функция принадлежности на каждом технологическом шаге принятия решений обеспечивала бы максимально возможную уверенность классификации или прогнозирования [1, 4, 5].
Рис. 3. Схема работы с массивом трудноформализуемой информации
Заключение. В Медицинском колледже РАМН, ММА им. И. М. Сеченова, НИИНМТ, уже несколько лет ведутся исследования по внедрению нейросетевых технологий в процесс формализации, анализа и интерпретации информации, получаемой в ходе медицинских исследований. В ходе работы была разработана универсальная, комплексная и детальная методология применения ИНС для обработки и интерпретации информации, полученной в ходе клинико-диагностических исследований (КДИ) на широком спектре объектов и методов исследования (биохимические, методы молекулярного маркирования генома, цитогенетические, иммуногистохимические). Разработан ряд оригинальных подходов по использованию разных типов нейросетей: метод количественной оценки схожести исследуемых образцов в выбранной системе параметров, основанный на применении самоорганизующихся карт признаков; использование сети Кохонена для решения задач моделирования, возникающих в ходе медикобиологических исследований; тандемное применение сети Кохо-нена, и многослойного персептрона для повышения надежности применения нейросетевого подхода в задачах прогнозирования и классификации; тандемное применение статистических, и нейро-сетевых подходов при анализе изучаемого множества, что способствует объективизации его таксономической картины; разработан алгоритм работы с массивом трудноформализуемой информации, который доказал свою эффективность при работе с разными типами баз данных (рис. 3); разработана методология преподавания нейроинформатики как отдельного курса, при подготовке специалистов-медиков.
Применение разных типов искусственных нейронных сетей позволило создать несколько интеллектуальных систем поддержки принятия и выполнения решений (ИСППВР) на базе ИНС, для анализе информации, получаемой при: 1 - использовании электрофоретических методов исследования белков и фрагментов ДНК; 2 - использовании данных цитогенетических и иммуноги-стохимических исследований; 3 - оказании паллиативной помощи; а также целого ряда учебных ИСППВР. Средний показатель правильных ответов систем составляет 93,64%, при независимой экспертизе5, что соответствует общепринятым нормам правильных ответов на тестовой выборке при решении неформализованных задач в разных проблемных областях [3, 6].
Выводы. Доказана универсальность нейросетевого подхода и показана целесообразность его применения для обработки информации, полученной в ходе КДИ на широком спектре объектов и методов исследования. Разработана комплексная система методических подходов и рекомендаций, основанных на использовании нейросетевых технологий (НСТ), позволяющая автоматизировать и кардинально ускорить обработку информации, получаемой в ходе КДИ. Внедрение НСТ в процесс обработки и интер-
Определение тестируемых образцов с помощью соответствующих интеллектуальных систем проводили пользователи (10-15 человек), прослушавшие, разработанный нами, курс нейроинформатики для специалистов медико-биологического профиля. Работа всех разработанных системы подвергалась проверкам подобным образом.
претации информации повышает объективность оценки результатов проводимых исследований и принимаемых на их основе решений и прогнозов. НСТ позволяют интенсифицировать экспериментальные исследования и поднимают их на новый организационный уровень, снимая при этом необходимость привлечения внешних специалистов из области математики, программирования, системной аналитики и др. НСТ делают доступным для специалистов средней подготовленности (уровня компетенции) участие в процессе принятия решений по результатам сложных аналитических методов исследования (анализ электрофоретических спектров белков, методы молекулярного маркирования генома, иммуногистохимический и цитогенетический анализ).
Широкое внедрение нейросетевых технологий в научнопрактическую деятельность должно представлять интерес для многих естественнонаучных дисциплин, базирующихся на активном эксперименте и требующих использования современных теоретических и технологических подходов к обработке и интерпретации полученной информации.
Литература
1 . Еськов В. М. и др. Синергетика в клинической кибернетике.- Ч. I. Теоретические основы системного синтеза и исследований хаоса в биомедицинских системах.- Самара: ОФОРТ, 2006.
2.Ланкин Ю.П. / В сб. Первой нац. конф. «Информационновычислительные технологии в решении фундаментальных научных проблем и прикладных задач химии, биологии, фармацевтики и медицины (ИВТН-2002)».- М., 2002.- С. 138-139.
3.Россиев Д.А. / В кн.: Нейроинформатика.- Новосибирск: «Наука», 1998.- С. 138-211.
4Руанет В.В. Нейросетевые технологии в медикобиологических исследованиях.- Тула: ТулГУ, 2007.
5.Руанет В.В. и др. // ВНМТ.- 2007.-№ 2.- С. 148-149.
6.Рыбина Г.В. Проектирование систем, основанных на знаниях МИФИ.- М., 2000.
7.Терехов С.А. // В кн.: Нейроинформатика.- Новосибирск: Наука, 1998.- С. 98-137.
8.Фин В.К. // Новости искусств. интеллекта.- 2004.- №3.-С. 49-57.
9.Фролов Ю.В. Интеллектуальные системы и управленческие решения.- М., 2000.
УДК 616-091.8
ОСОБЕННОСТИ ОКИСЛИТЕЛЬНОГО МЕТАБОЛИЗМА НЕЙТРОФИ-ЛОВ У КРЫС С ПНЕВМОНИЕЙ, ПРОТЕКАЮЩЕЙ В УСЛОВИЯХ ВВЕДЕНИЯ ГИДРОКОРТИЗОНА И АДРЕНАЛИНА НА ФОНЕ ПОНИЖЕННОЙ ПРОДУКЦИИ ИНСУЛИНА
Л.В. ВОХМИНЦЕВА*
Обладая широким спектром функций (фагоцитоз, респираторный взрыв, секреция защитных белков и ферментов деградации) нейтро-филы играют важную роль в организме в норме и при разных патологических состояниях. Изучение функциональных свойств нейтро-филов важно потому, что они представляют собой первый эшелон «доиммунной» защиты от инфекции, а также от трансформированных или поврежденных клеток организма и изменение их свойств может определять направленность, характер и тяжесть течения воспалительного процесса.
В регуляции функциональной активности клеток, участвующих в реализации воспалительной реакции организма помимо медиаторных систем участвуют и эндокринные железы [4, 11]. Выделяя гормоны, они оказывают влияние не только на течение всех фаз этого компенсаторно-приспособительного процесса, но и обуславливают коррекцию метаболизма повреждённых орга-нов-мишеней.Динамика и исход воспалительного процесса во многом зависит от функциональной активности полиморфноядерных лейкоцитов, санирующая активность которых обусловлена продукцией активных метаболитов кислорода.
Цель работы - исследование влияния адаптивных гормонов на окислительный метаболизм нейтрофилов в условиях экспериментальной пневмонии.
Исследования проведены на самцах крыс Вистар массой 200-220 г (ЦНИЛ Новосибирского госмедуниверситета). Содер-
* Новосибирский ГМУ, 690091, г. Новосибирск, Красный проспект, 52, Контактные телефоны: 8(383)2731785
жание, питание, уход за животными и выведение из эксперимента осуществляли в соответствии с требованиями «Правил проведения работ с использованием экспериментальных животных» (Приложение к приказу МЗ СССР от 12.08.1077 г. №755). Животные были на полноценном общевиварном рационе со свободным доступом к воде. Животным 1-й группы (n=12) моделировали пневмонию интратрахеальным введением под эфирным наркозом суспензии сефадекса А-25 («Pharmacia Uppsala», Швеция) в дозе 0,5 мг/100 г; 2-й группе крыс (n=12) вводили гидрокортизон (0,3* 10-9 М/100 г) и адреналин (0,6* 10-6 М/100 г) в течение 3 дней через неделю после введения аллоксана (120 мкг/100 г массы тела). Этой группе животных сефадекс А-25 вводили на следующий день после последнего приёма гормонов. Крыс выводили из опыта на 2, 10 и 20 сутки после заключительного воздействия. Контролем служил материал от интактных животных (n=16), находившихся на общевиварном рационе.
Окислительный метаболизм нейтрофилов оценивали с помощью спонтанного НСТ-теста (сНСТ-тест) в модификации Д.Н. Маянского [1]. Результат выражали в процентах диформазан-положительных нейтрофилов от общего числа подсчитанных клеток. Для определения функционального резерва нейтрофилов использовали индуцированный НСТ-тест (зНСТ-тест) [1], для этого в среду инкубации дополнительно добавляли суспензию зимозана (конечное разведение 10 мкг/100 мкл). Результат выражали в процентах диформазан-положительных клеток на 100 нейтрофилов и в единицах индекса стимуляции, который рассчитывали отношением значений зНСТ-теста к сНСТ-тесту. Для приготовления гомогената образцы ткани лёгких растирали в фарфоровой ступке с предварительно истолчённым стеклом при 4° С и суспендировали в 9 объёмах 0,25 М раствора сахарозы с 0,001 М ЭДТА, рН 7,4. Стекло и оставшиеся неразрушенные соединительно-тканные элементы удаляли центрифугированием (1000 об/мин в течение 3 мин) при охлаждении. Надосадочную часть гомогената лёгких использовали для определения содержания малонового диальдегида (МДА) и восстановленного глута-тиона (GSH). Активность свободно'-радикальных процессов оценивали по содержанию малонового диальдегида в сыворотке крови и гомогенате лёгких, концентрацию которого определяли по образованию триметинового комплекса при взаимодействии МДА с тиобарбитуровой кислотой по методу М.С. Gutteridgel и T.R. Tickner (1978), и выражали в нмоль МДА на 1 мл сыворотки и в нмоль МДА на 1 мг белка в гомогенате лёгких. Содержание восстановленного глутатиона в гомогенате лёгких и гемолизате определяли методом I. Kagiw и K.C. Mirfit (1960). Концентрацию GSH выражали в гомогенате лёгких в мкмоль на 1 г белка, в гемолизате - в мкмоль на 1 мл крови. Содержание белка в гомогенате лёгких определяли по методу J.H. Lowry с соавт. (1951) и выражали в г/л. В качестве стандарта использовали бычий сывороточный альбумин («Serva», Германия).
При статистическом анализе данных использовались следующие показатели вариационной статистики: среднее арифметическое значение (М), стандартная ошибка среднего значения (m). Определение достоверности различий сравниваемых параметров между разными выборками проводили с использованием непарного критерия Стьюдента (достоверным считали различия при р<0,05). Основным продуцентом активных метаболитов кислорода в очаге воспаления служит НАДФН-оксидаза нейтрофи-лов. Для оценки активности последней и интенсивности зависимых окислительных процессов проведён НСТ-тест и исследованы содержание малонового диальдегида (интегрального показателя процессов липопероксидации) в сыворотке крови и гомогенате лёгких, уровень основного внутриклеточного антиоксиданта и ключевого метаболита в антиоксидантной защиты лёгких - восстановленного глутатиона в гомогенате лёгких и гемолизате.
На всех сроках эксперимента у крыс с пневмонией, протекающей без гормональных нарушений, показатели спонтанного НСТ-теста были значительно выше, чем у интактных животных (табл.1). Максимальное повышение сНСТ-теста и стимулированного зимозаном НСТ-теста наблюдали на 10 сутки с момента введения сефадекса А-25, которое составило 272% для сНСТ-теста и 150% для зНСТ-теста. К 20 суткам эксперимента показатели спонтанного и стимулированного НСТ-тестов оставались высокими. Следует отметить, что на 20 день значения зНСТ-теста практически не отличались от таковых в сНСТ-тесте, что свидетельствует о резком снижении резерва биоцидности нейтрофилов
