CC BY
65
Рис. 4. Гастроинтестинальная стромальная опухоль с гладкомышечным типом дифференцировки. Умеренная цитоплазматическая экспрессия гладкомышечного актина опухолевыми клетками. (Иммуногистохимия, докраска ядер гематоксилином. Ув. 200.)
Заключение. Поскольку в онкологии постановка диагноза невозможна без морфологического исследования, то ответственность врача-патологоанатома велика: от его диагноза зависит выбор лечения. Внедрение нейросетевых интеллектуальных систем в практику клинико-диагностических исследований онкозаболеваний делает возможным для начинающих специалистов постановку верного диагноза, что обеспечит последующее правильное лечение больного, минимизирует врачебные ошибки.
Литература
1. Руанет В.В., Хетагурова А.К Информационные технологии в медицине.- М.: МАКСПресс, 2003.- 97с.
2. Dabbs D.J. Diagnostic immunogistochemistry. / Elsevier Inc., 2nd ed., 2006. P. 1-42.
3. Руанет В.В. и др. // Биомед. химия.- 2004.- Т. 50, прил. №1.- С. 163-171.
4. Дадашев С. и др.// ВНМТ.- 2006.- Т. XIII, №4.- С. 16.
5. Круглов В.В., Борисов В.В. Искусственные нейронные сети .- М.: Горячая линия - Телеком 2001.- 327с.
6. Каллан Р. Основные концепции нейронных сетей.- М.: Вильямс, 2001.- 287 с.
7. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере.- Новосибирск.: Наука, 1996.- 276 с.
8. Dabbs D.J. Diagnostic immunogistochemistry. / Elsevier Inc., 2nd ed.- 2006.- P. 1-42.
9. Taylor C.R., Cote RJ. Immunomicroscopy: A diagnostic Tool for the Surgical Pathologist.- 2006.- P. 1-74.
10. Братанчук С. и др. // Архив патол.- 2007.- №1.- С. 47.
11. Руанет В.В. Нейросетевые технологии в медикобиологических исследованиях.- Тула: ТулГУ, 2007.- 144 с.
12. Руанет В.В и др. // ВНМТ.- 2008.- №4.- С.154-158
13. Rosai and Ackerman’s surgical pathology. Elsevier Inc., 9th ed., 2004. P. 2461-2622.
14. Анурова О. и др.// Архив патол.-2006.-Т.68, №1.-С. 10.
15. Новицкая Т.А. и др. // Архив патологии.- 2006.- Т. 68. № 2.- С. 44^5.
16. Анурова О.А.// Современная онкология.- 2007.- Экстравыпуск.- С. 79-99.
17. Rosai and Ackerman’s surgical pathology. Elsevier Inc., 9th ed., 2004.- P. 615-872.
18. Fletcher C.D.M. Diagnostic histopathology of tumors. Churchill Livingstone Elsevier, 3d ed.- 2007.- P. 327^16.
19. Казанцева И.А. // Соврем. онкол.- 2007.- Экстравыпуск.- С. 50-78.
УДК 616.743; 617.53
НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИЕ И ВОПРОСЫ ИДЕНТИФИКАЦИИ В МЕДИЦИНСКИХ ИССЛЕДОВАНИЯХ (Часть I)
Г.В. ВОРОНИН*, Е.М. ПАЛЬЦЕВА*, В.В. РУАНЕТ**, А. А. ХАДАРЦЕВ***, А.К. ХЕТАГУРОВА**
Вопросы классификации и идентификации сложных систем, а так же предикции их поведения, частным случаем которой является постановка диагноза по данным клинико-диагностических исследований (КДИ), всегда вызывала горячие дискуссии в научном мире. Многие исследователи признают, что не совершенность процедуры оценки, особенно образной информации, удельный вес которой в КДИ постоянно возрастает, связана с процессами распознавания и описания объекта исследования [1].
**ММА им. И.М. Сеченова, Москва, Россия
.Медицинский Колледж РАМН, Москва, Россия ТулгУ, Тула, Россия
Распознавание является особой сферой человеческой деятельности, предполагающей не только специальное обучение, но и наличие соответствующего опыта, базирующегося на «багаже» практических знаний и интуиции1. Передача эмпирических знаний является одной из наиболее трудных задач при подготовке специалистов в областях знаний со слабо структурированным характером информации таких, например, как медицина. Предварительным условием эвристического2 познания является распознавание изучаемых явлений в самых различных вариантах и модификациях, вместе с тем новые данные, полученные в эвристической деятельности, сразу же используются для распознавания нового явления в практических целях. О влиянии эвристической деятельности на диагностику говорит и то, что фактически все методы научного исследования, возникающие в различных областях естествознания, используются не только исключительно для научного познания, но и в целях распознавания [3].
Процесс описания биологического объекта осуществляется с помощью набора признаков. Выбранные понятия лежат в основе формирования признакового пространства, являющегося основой диагностического процесса. К настоящему времени разработана довольно стройная научная система оценки качества и эффективности диагностики с учетом ее вероятностного характера. Она основана на взвешивании вероятностей возможных диагностических ошибок и их последствий, поэтому тесно связаны со статистическими методами, применяемыми для оценки медицинских данных. Но дело в том, что «вероятностный взгляд на мир» сопряжен с рядом допущений, которые оказывают негативное влияние на точность и адекватность принимаемых решений. В частности, при использовании методов классической статистики, применительно к результатам биологических экспериментов, в соответствии с традицией вероятностного подхода принято отбрасывать, а иногда даже не регистрировать результаты измерений, значительно - более чем в 3а раза (где а - среднеквадратичное отклонение) - отличающиеся от среднеарифметических величин, т.е. от математического ожидания. Вероятностный подход, бесспорно, принес огромную пользу медицине. Среднестатистические характеристики позволяют выяснять закономерности происхождения и развития многих процессов. Однако, в силу сложившихся традиций (сглаживания; аппроксимации монотонными функциями, не учитывающими возможной дискретности исследуемых выборок; исключение крайних значений и т.п.) статистическая обработка часто дает результаты, не применимые к анализу поведения конкретного биологического объекта, будь то человеческий организм в целом или характеристики его отдельных систем, полученные в ходе КДИ [5, 8]. По данным литературы, медицинские задачи, имеющие слабоалгоритмируемый, неявный характер, решаются вероятностными методами с точностью и удобством, недостаточными для их широкого практического применения при решении задач классификации сложных биологических систем и прогнозирования их поведения [11].
Поиск и внедрение в практику методов, позволяющих справиться с проблемами формализации и интерпретации экспериментальных данных, получаемых в ходе КДИ, является важной задачей. Любые медицинские исследования должны опираться на точную классификацию и идентификацию объекта изучения. Это, казалось бы, тривиальное утверждение не всегда является руководством к действию. Этому есть как объективные, так и субъективные предпосылки. К первым можно отнести следующее: во-первых, значительная часть исследований проводится на относительно немногочисленных, с точки зрения статистического анализа, тест-объектах, например, число пациентов, вовлеченных в клинико-диагностические исследования редко встречающихся патологий, может насчитывать единичные случаи; во-вторых, полиморфизм патогенеза у разных пациентов может сильно варьировать, и реально представляют его лишь немногие врачи, специализирующиеся на его изучении; в-третьих, существует немало заболеваний, диагностика которых представляет большие сложности т.к. они имеют схожие признаковые пространства и диагносту трудно классифицировать патологию по результату КДИ. Многолетний опыт проведения патоморфологических исследований показал, что при морфологической диагностике ряда онкозаболеваний часто возникают разные оценки исследуемого мате-
Специфическая способность «целостности охвата» условий проблемной 2ситуации.
Эвристика - система логических приемов и методических правил исследования, метод обучения, способствующий развитию творческого подхода.
риала и расхождения в диагнозе, связанные с рядом как объективных, так и субъективных факторов. Особую трудность в дифференциальной диагностике представляют опухоли, располагающиеся в одной и той же области, имеющие схожее гистологическое строение, однако относящиеся к различным группам [20].
Процедура проверки «трудного» случая может осуществляться аналитическим путем - консультация с экспертом; сравнение, например, имеющегося изображения (гистохимического препарата, электрофореграммы, рентгенограммы и т.п.) с признаками «эталонных случаев» (точно описанных и определенных примеров соответствующих патологий). Но каждый объект имеет свой уникальный образ, который и является объектом классификации, поэтому надежность такого определения не всегда высока. Это связано как с возможными ошибками, возникающими в процессе формализации информации, полученной при его описании, так и с наличием объектов с нетипичным состоянием признаков или же их отсутствием у каталожного экземпляра, используемого в качестве эталона. Во всех перечисленных подходах, в процесс распознавания начинают вноситься субъективные факторы. Это связано, в частности с тем что, идентификация изображения идет не аналитическим, а синтетическим путем. Необходимо отметить, что проблема достоверного описания изображений, в конечном итоге - выбора информативных признаков и формирования признакового пространства, несмотря на достигнутые определённые успехи, продолжает оставаться центральной проблемой распознавания не решенной, в целом, до настоящего времени [1]. Значительные сложности возникают при формализации данных цитогенетических, патогистохимических и т.п. исследований. Это обусловлено высокой вариабельностью морфологии клеток и клеточных структур; ограничениями в технических параметрах систем, используемых для взятия изображений; недостаточной контрастностью границ клеточных структур; утратой информации в плоских изображениях по сравнению с трехмерным оригиналом; неравномерной окрашенностью препаратов и др. [15].
Один из путей решения данной проблемы заложен в расшифровке феномена зрительного восприятия человека. Исходное изображение, создаваемое любой системой цифровой записи изображения, субъективно всегда хуже, чем то, что видит исследователь при микроскопировании. Связано это с тем, что человеческий мозг довольно сложно обрабатывает изображение, т.к. на протяжении жизни учится их обрабатывать и анализировать. В этой ситуации разница между «смотреть» и «видеть» весьма существенна. Исследователь может всю жизнь смотреть на перегруженные электрофореграммы, на слишком толстые мазки, на флуоресцентные препараты с чудовищным фоновым свечением и при этом правильно классифицировать объект изучения. Тренированный мозг может научиться извлекать информацию из плохого препарата, «улучшая» изображение, а при переходе к работе с видеосистемой «настройки» мозга перестают действовать. Цифровое изображение - это не обработанная человеческим мозгом картинка, а изображение такое, какое оно есть [10].
Еще более сложная ситуация возникает при обращении к эксперту. На начальном этапе развития экспертных и интеллектуальных систем большинству теоретиков и разработчиков казалось, что проблема получения знаний может быть успешно решена посредством диалога инженера по знаниям с экспертом, специалистом в прикладной области, в процессе приобретения от него знаний3. Но здесь проявился общеизвестный теперь парадокс, чем более квалифицирован специалист, тем менее он способен объяснить свои рассуждения. Разработчики таких систем столкнулись с рядом задач, где специалист может описать на формальном языке «механизм» принятия решений, но не желает раскрывать свои профессиональные тайны, служащие источником его благосостояния и процветания [16]. Процессы извлечения знаний трудно поддаются формализации и больше являются искусством, чем наукой, т.к. в каждом случае, консультирующий, например, инженер по знаниям, сталкивается с рядом трудностей: неудачный способ извлечения знаний, не совпадающий со струк-
Наряду с термином «приобретение» сегодня широко используются и другие термины для обозначения этого процесса, например: «извлечение», «получение», «добыча», «формирование знаний». В англоязычной литературе используются в основном два термина - acquisition (приобретение) и elicitation (извлечение, выявление, установление). Если процесс получения знаний от источника осуществляется без использования компьютерных средств поддержки этого процесса, то уместно говорить об извлечении знаний. Если процесс получения знаний осуществляется с использованием специальных программных средств, то уместно говорить о приобретении знаний.
турой знаний в данной области; упрощение картины признакового пространства экспертом; неумение наладить контакт с экспертом; терминологические проблемы; отсутствие целостной системы знаний и неадекватная модель представления знаний; неувязки организационного, финансового и др. характера. Степень объективизации результатов классификации и идентификации зависит от механизмов получения информации, которые лежат в основе формирования признакового пространства. В системе диагностики важны процедуры идентификации, опирающиеся на объективные механизмы распознавания, включающие использование математических процедур и информационных технологий.
Все живые организмы характеризуются наличием материального обмена с окружающей средой, т.е. относятся к открытым системам (ОС)4. Разумеется, биологические ОС имеют специфические отличия от других, например, технических, однако, общим для всех перечисленных структур является принадлежность к открытым системам, что проявляется в наличии ряда формально аналогичных черт в их функционировании. Глубокая аналогия часто возникает не только в отношении собственно ОС, обладающих прямым обменом веществ с окружающей средой, но и в отношении систем, «открытых» в смысле поступления и переработки информации, т.е. систем изучаемых кибернетикой. Теория открытых систем, кибернетика, теория информации, теория линейного программирования - все это близко связанные теории различного вида систем, объединенных некоторыми общими признаками организации. Во всех случаях рассматриваются сложные совокупности взаимосвязанных элементов, образующих систему, независимо от ее физической природы и механизма взаимной связи составных частей [2]. Любая система имеет свои свойства и характер поведения в зависимости от собственного состояния (состояния компонент, образующих систему) и внешних условий.
Если все возможные проявления системы сводятся к сумме проявлений ее компонент, то такая система является простой, несмотря на то, что число ее компонент велико. Для описания простых систем традиционно применяются методы анализа, состоящие в последовательном расчленении системы на компоненты и построение моделей более простых элементов. Таковым в своей основе является метод математического моделирования, в котором модели описываются в форме уравнений, а предсказание поведения системы основывается на их решении. Другой тип систем характеризуется тем, что при объединении компонент в систему возникают качественно новые свойства, которые не могут быть установлены путем анализа свойств компонент. В них при вычленении компонент могут быть потеряны принципиальные свойства, а при добавлении компонент возникают качественно иные свойства. Эти системы называют сложными. Модель сложной системы, основанная на принципах анализа, будет неустранимо неадекватной изучаемой системе, т. к. при разбиении системы теряются качественные особенности. Выход из положения - построение модели на основе синтеза компонент. Синтетические модели - единственная альтернатива в медицине [11].
Процедура принятия решений в диагностическом процессе, - частный случай более общего принципа - анализа свойств неопределенности. Он становится превалирующим при принятии решений для разрешения проблемных ситуаций5, т.к. в биологии на уровне индивидуальных организмов «случайность» обусловлена сущностью самого биообъекта, что является наиболее важной особенностью информации, получаемой в ходе медикобиологических исследований.
Многофакторное воздействие на биообъект ведет к тому, что при формализации информации от него исследователь будет иметь дело с некоторой поверхностью отклика, которая может иметь весьма сложный профиль, далекий от линейной зависимости. Поэтому традиционные статистические методы обработки полученной информации не всегда дают желаемый эффект [12].
На рис. приведен пример, который сложно решить с помощью методов классической статистики. Из рис. видно, что множества «Свой» и «Чужие» линейно неразделимы. Это означает, что в задачах классификации не всегда оправдано выделять «главные» и «второстепенные» (информативные и неинформативные) параметры наблюдения. Следует учитывать все контро-
Открытые системы - системы, в которых происходит обмен веществом, энергией или информацией с внешней средой.
Осознание какого-либо противоречия в процессе деятельности, например, невозможность выполнить теоретическое или практическое задание с помощью ранее усвоенных знаний
лируемые параметры. Каждый из них (пусть даже «плохой» для «Своего») для некоторого «Чужого-К» может оказаться очень эффективным в смысле идентификации, т.к. именно его «Чужой-К» и не может хорошо имитировать под «Своего». На рис. эта ситуация отображена множеством пересекающихся линейных границ, проекций, разделяющих множества гиперплоскостей.
Геометрическую интерпретацию имеет широкий спектр задач классификации и прогнозирования в разных областях медицинской диагностике, когда в многомерном пространстве признаков определяют области, например, патогенеза как подмножества геометрических образов, определяющих законы поведения многомерных объектов. С точки зрения синергетического подхода задачи прогнозирования и классификации отличаются тем, что исследуемые структуры классов могут сильно пересекаться; классы состояний меняют свое положение в пространстве признаков; доступные для измерения признаки могут измеряться в разных шкалах (порядка, наименований, интервалов); число исходных признаков может быть избыточно или недостаточно; природа используемых признаков может быть нечеткой; задача классификации может иметь принципиально нечеткий характер. Их решение с использованием вероятностных методов анализа часто затруднительно, а под час просто невозможно [5, 7].
Примером такого рода проблем являются вопросы формализации, интерпретации и формирования выводов по итогам проведения КДИ с использованием био-, гистохимических, цитогенетических и других методов исследования, основанных на оценке изображений, полученных при использовании молекулярно-генетических маркеров. Итоги исследований представлены в виде изображений (электрофореграмм, фотографий хромосом и т.п.). При оценке образной информации для идентификации объекта и/или статистической обработки данных, наибольшие сложности возникают при попытках их формализации [12, 15].
Классические методы планирования многофакторных экспериментов советуют либо выбирать область функции, близкую к линейной, либо найти такое преобразование факторов или изучаемой функции отклика, при которой эта зависимость оказывается близкой к линейной. При этом возрастает объем экспериментальных данных. Математическая статистика применима дишь тогда, когда можно построить функцию распределения. Методы непараметрической статистики позволяют строить модели систем при большом наборе экспериментальных данных (достаточного для доказательства статистических гипотез о характере распределения) и при относительно равномерном распределении параметров в пространстве. Однако при высокой стоимости эксперимента или невозможности получения нужного количества данных (при разрешении редких проблемных ситуаций, таких, как идентификация малоизученных биообъектов или редких патологий, построении моделей экологических катастроф и т.п.), их высокой зашумленности, неполноте и противоречивости, вероятностные подходы могут быть малоэффективными [11].
Кроме перечисленных выше ограничений, связанных с вероятностным подходом к обработке и интерпретации информации, получаемой в процессе работы со сложными системами, существует ряд ограничений, связанных с субъективными особенностями, характеризующими «аппарат», анализирующий получаемую информацию, т.е. с исследователем. На процесс оценки результатов исследований, вообще на процедуру принятия решений (ППР), в значительной степени влияют особенности человеческого интеллекта. Человеческий мозг не приспособлен для выполнения большого объема вычислений в процессе анализа сложных систем, состоящих из цепочек взаимосвязей, из-за чего при работе с комплексной и изменяющейся во времени информацией эффективность принятия решений снижается. Кратковременная память человека способна оперировать не более чем
с 7±2 факторами. Следить за изменением большого числа взаимосвязанных факторов человеческий мозг не может. На процесс принятия решений воздействие оказывают так называемые когнитивные деформации6, свойственные памяти человека [19].
Еще одним фактором, влияющим на скорость принятия и эффективность принимаемых решений, является ограниченность объема информации. Лицу, принимающему решение (ЛПР), например врачу, необходимо, по возможности, знать все об изучаемом объекте и внешней, по отношению к объекту среде. Но информация, на основании которой ему приходится принимать решения, является неоднородной в силу гетерогенности как самого объекта, так и внешнего окружения [12, 19].
ЛПР всегда оказывается в ситуации выбора. Поэтому классификация, идентификация, систематика, всегда носят вероятностный характер. На стадии формирования признакового пространства, исследователь выделяет проблемную ситуацию. Затем выдвигает варианты ее решения - гипотезы. Дальнейший этап -оценка и контроль выдвинутых гипотез. Исследователь выбирает ту гипотезу, которая наиболее точно соответствует истинному состоянию объекта. С учетом субъективности оценок результатов исследований, с учетом уровня интеллекта, эмоционального типа и опыта исследователя, становится очевидным, что диагностика носит вероятностный характер, а заключение исследователя всегда неопределенно и по своей сути субъективно. В этой связи не удивительно, что процедура принятия решений, помимо медиков и биологов, вызывает интерес у самых разных специалистов: инженеров, физиков, математиков, философов и психологов. Для этого есть, по крайней мере, три причины.
Первая состоит в том, что уровень технических возможностей позволил не только значительно расширить круг физических явлений и химических реакций, используемых для идентификационных исследований и, благодаря этому, существенно объективизировать процесс выявления характеристик биологического объекта, но так же автоматизировать некоторые этапы процесса классификации. В процессе распознавания все большее значение приобретают технические и информационные решения.
Вторая - уровень информационного потока часто не дает возможности для «опыта», продукта длительного осмысления полученной информации, нужного для разрешения возникающих проблемных ситуаций. Например, специалисты Silicon GraphicsR утверждают, что в ближайшие пять лет объём данных, необходимых для принятия решения, вырастет в 15-20 раз.
Третья - стремление понять мыслительные процессы, благодаря которым идет процедура принятия решений вообще и классификации в частности. Изучив эти процессы, можно сделать диагностику более точной, быстрой и эффективной. Для ЛПР необходимо умение использовать информационные технологии, соединяющие опыт и интуицию - интеллектуальные системы (ИС) поддержки принятия решений на базе искусственного интеллекта, т.е. интеллектуальные системы (ИС) [11, 12, 14, 19].
Использование интеллектуальных систем (ИС) для хранения и актуализации информации позволяет выявить самые значимые взаимозависимые факторы в больших массивах данных, избежать когнитивных деформаций. Функциональное предназначение мнемических процессов в системах поддержки принятия и выполнения решений заключается в обеспечении быстрой актуализации необходимой в конкретной ситуации информации; ситуативной избирательности памяти; надлежащего объема памяти и поддержания ее в рабочем состоянии при возрастающем утомлении; структурирования единиц информации (паттернов7) в памяти по их взаимосвязям; удержания в памяти противоречивой информации. Центральным звеном в их развитии является создание систем автоматизации, принятия и выполнения решений в многоуровневых и многокомпонентных ситуациях [6, 19].
Подавляющее большинство автоматических систем управления или идентификации, разработанных в прошедшем XX веке, обязаны своим существованием теории управления, построенной на глубоком аналитическом понимании законов математики и физики. Этот «классический» подход строится на том, что положение точки (объекта управления или классификации) в про-
К ним относятся: эвристика доступности (более вероятно то событие, которое легче вспомнить); эвристика конкретности (более значима простая и понятная информация); эффект Ирвина (большая вероятность наступления желаемого события); эвристика репрезентативности (более оятно событие, которое соответствует опыту человека) аттерн - объединение сенсорных стимулов, воспринимаемое человеком как принадлежащее некоторому классу объектов.
странстве признаков известно абсолютно. Далее формальные математические преобразования позволяют получить математическую зависимость входов и выходов для системы управления или идентификации. Однако при всей изощренности наработанного математическою инструментария, областью применения «классических» методов управления остаются сравнительно простые объекты управления с очевидными свойствами. Попытки аналитически описать более тонкие свойства объектов управления (технических и естественных открытых систем), особенно когда свойства подобных объектов плохо определены априори, быстро приводят к катастрофическому усложнению математических моделей, связанному с «проклятием размеренности8». Ситуацию в целом не спасают ни эвристические приемы, ни рост эффективности вычислительной техники. На практике объекты идентификации, которые плохо формализуются, свойства которых плохо известны или изменяются в процессе функционирования, являются типичными [17].
Имеется «неклассический» подход, при котором объект рассматривается не как «точка» в пространстве признаков, а лишь как информацию об этой «точке». Классификация при этом сводится к формальной работе с этой информацией. Рассуждения образуют формализованную эвристику извлечения зависимостей причинно-следственного типа из баз слабо структурированных фактов. Извлечение знаний типа «причина - следствие» основано на принципе: «сходство фактов порождает сходство эффектов и их повторяемость» (это отлично от вероятностного подхода к анализу данных: «повторяемость эффектов определяет сходство фактов»). Аналитические функциональные зависимости параметров заменяются априорными или эмпирическими знаниями, или результатами обучения на примерах. К таким методам относятся экспертные системы, нейронные сети, генетические алгоритмы, системы нечеткой логики, системы с подкрепляющим обучением, системы «искусственной жизни» и др. [6, 12, 19, 17].
Одной из областей в сфере исследовании искусственного интеллекта в 60-80-е годы прошлого века были экспертные системы. Такие системы основывались на моделировании процесса мышления (на представлении, что процесс мышления построен на манипуляциях с символами). Скоро стало ясно, что подобные системы, хотя и могут принести пользу в некоторых областях, но не «схватывают» некоторые ключевые аспекты человеческого интеллекта. Согласно одной из точек зрения, причина этого состоит в том, что они не воспроизводили структуру мозга. Чтобы создать искусственный интеллект, необходимо построить систему с похожей архитектурой. Построение моделей мышления, включающих в себя как рекурсивную схему процессов получения и анализа информации о мире, постановке целей и задач, обучения и организации поведения, так и физическое устройство, способное выполнять эти процессы в реальном времени, было и остается одной из важнейших задач информатики [4].
Новые решения научных и прикладных задач возникают как результат соединения и взаимодополнения ранее не связанных идеями блоков на стыке дисциплин. Качественный переход знаний в результате таких исследований сродни изобретению и приводит к интегрированию знаний на более высоком уровне. Науки о живом занимают в междисциплинарных исследованиях особое место. Привычными становятся такие термины из этой области, как эволюционное программирование, автономные интеллектуальные агенты, клеточные автоматы, искусственная жизнь. Одним из примеров такого симбиоза могут служить искусственные нейронные сети [6, 11]. ИС представляют собой особую категорию технологий, сочетающих такие методы, как нейронные сети, генетические алгоритмы, нечеткие системы, системы динамического структурного моделирования. Их общим свойством является то, что они имитируют процессы, имеющие место в природе. Именно от биологически инспирированных подходов ожидается основной вклад в развитие информационных технологий и робототехники. Основные области применения ИС связаны с поддержкой принятия решений [6]. ИС - это класс экспертных систем, ориентированный на тиражирование опыта специалистов-экспертов в слабоформализованных областях знаний, где качество принятия решений зависит от уровня экспертизы (медицина, биология и др.). Ключевыми характеристиками
ИС, определяющими их применение в человеческой деятельности, являются: способность к обучению; способность к адаптации; гибкость; «прозрачность» толкования (объяснение); способность открывать новое. Всеми этими возможностями ИС обладают по своей внутренней структуре и свойствам, моделирующим природные процессы. Но не все ИС соединяют в себе одновременно все эти характеристики. Каждая из них по совокупности свойств не является универсальной и имеет свои сильные и слабые стороны [17, 19]. Экспертные оценки наиболее часто используемых ИС представлены на рис. 2.
СлЖЙПХНКС&.'ШШ
ЦгартотлЮтамя рщялакврвбошавдаы гаого
Нелинейный рост количества необходимых наблюдений при росте количества переменных, которое мешает моделировать линейные зависимости в случае большого количества переменных.
Рис. 2. Экспертные оценки ИС: НС - нейронные сети; ГА - генетические алгоритмы; ФС - нечеткие системы; ЭС - статистические экспертные системы; СД - метод системной динамики
Различия в характере экспертных и ИС обуславливают различия в сферах их применения. Традиционные экспертные системы (ЭС) основаны на четкой логике и применяются в предметных областях с хорошо структурированными знаниями. Они не имеют механизмов, позволяющих автоматически выучивать правила, которыми пользуются. Статические ЭС, например, не могут адаптироваться к изменениям в среде функционирования и не могут самообучаться на таких изменениях. В медицине специалисты описывают свои знания как нечеткие и интуитивные, с трудом переводят их на язык простых правил, поэтому создание и применение ЭС, основанных на обычной логике затруднительно, а часто просто невозможно. ИС применяются в задачах с плохо структурированной информацией, например, при распознавании образов, рукописного текста, анализе речи и т.д.
Литература
1. Автандилов Г.Г. Медицинская морфометрия.- М.: Медицина, 1996.
2. Анохин П.К. // Мат-лы IV Всерос. научно-техн. конф. «Нейроинформатика -2003».- М., 2003.- С. 40-57.
3. Ануфриев А.Ф. // Вопросы психол.- 1994.- № 2.-С. 123-131.
4. Вайнцвайг М.Н., Полякова МН. / В кн.: Проблемы интеллектуального управления - общесистемные, эволюционные и нейросетевые аспекты.- М., 2003.- С. 79-83.
5. Еськов В.М. др. Синергетика в клинической кибернетике. Ч. I. Теоретические основы системного синтеза и исследований хаоса в биомедицинских системах.- Самара: ОФОРТ, 2006.
6. Калмыков В.Л. и др. // Биомед. химия.- 2004.- Т. 50, прил. № 1.- С. 195-203.
7. Кочанова Т.Н., Фомин Б.Ф. Реконструктивный анализ поведения сложных систем по эмпирическим данным.- СПб: СПбГЭТУ, 1997.
8. Ланг Т. // Врач и информационные технологии.- 2005.-№5.- С. 70-77.
9. Михайлов В.Н и др. Компьютерные системы гистологической диагностики.- М.: ЦнИИАТОмИнФОРМ, 2002.
10. Россиев ДА. / В кн.: Нейроинформатика.- Новосибирск: Наука, 1998.- С. 138-211.
11. Руанет В.В. Нейросетевые технологии в медикобиологических исследованиях.- Тула: ТулГУ, 2007.
12. Руанет В.В., Хетагурова А.К. Информационные технологии в медицине - введение в медицинскую нейроинформатику.- М.: МАКСПресс, 2003.
13. Руанет В.В. и др. // Биомед. химия.- 2004.- Т. 50, прил. №1.- С. 163-171.
14. Рыбина Г.В. Проектирование систем, основанных на знаниях МИФИ.- М., 2000.
15. Терехов С.А. / В кн.: Нейроинформатика.- Новосибирск: Наука, 1998.- С. 98-137.
16. Фролов Ю.В. Интеллектуальные системы и управленческие решения.- М., 2000.
17. Fletcher C.D.M. Diagnostic histopathology of tumors. Churchill Livingstone Elsevier, 3d ed.- 2007.- P. 327^16.
УДК 616.3
ОСОБЕННОСТИ СОЦИАЛЬНО-СРЕДОВЫХ КОМПОНЕНТОВ КОМП-
ЛАЙНСА У ПОДРОСТКОВ С БРОНХИАЛЬНОЙ АСТМОЙ В СОВРЕМЕННЫХ УСЛОВИЯХ
Е.Ю. ЛЕОНОВА, Ю.А. АЛЕКСЕЕВА, С.В. ЖУКОВ, Е.Г. КОРОЛЮК*
Бронхиальная астма (БА) является ведущей патологией среди аллергических заболеваний. По данным эпидемиологических исследований, этим заболеванием страдает от 2 до 13% детского населения [1-5]. Причем удельный вес подростков, страдающих БА, составляет от 36 до 40% всех детей с этим заболеванием [6]. Длительный контроль за БА: ступенчатый подход к образованию родителей и больных детей. Сотрудничество (комп-лайнс) - один из главных аспектов успешного контроля астмы [4]. С целью изучения особенностей социально-средовых компонентов комплайнса у подростков с БА в современных условиях с учетом микросоциального окружения и индивидуальных особенностей личности мы обследовали 433 подростка в возрасте 11-16 лет. В основную группу вошли 165 подростков с БА (Ш-1У групп здоровья) в период ремиссии; 268 подростков составили контрольную группу (1-11 групп здоровья). Сбор информации осуществлялся с помощью социологического анкетирования, психодиагностического тестирования и индивидуального интервьюирования подростков [7, 8, 9]. На основе данных клинико-
анамнестического, социально-средового и психологического обследования была проведена оценка информативности и диагностической ценности 82 факторов.
К компонентам комплайнса, встречающимся в научной литературе, мы добавили ряд составляющих, являющихся актуальными для подростков с БА. И проанализировали частоту встречаемости данных компонентов. Мы относили в группу с нарушением комплайнса подростков при наличии более чем 30 % отрицательных показателей от всех изучаемых нами компонентов.
Наиболее часто нарушение комплайнса у подростков с БА отмечалось по следующим компонентам: недостаточная социальная адаптация, склонность к лечению нетрадиционными способами, недостаточная медико-социальная коммуникабельность, отсутствие готовности поделиться своими проблемами по заболеванию с кем-либо. Однако нами была отмечена парадоксальная взаимосвязь между такими нарушениями комплайнса как приверженность к нетрадиционным способам лечения и склонность к медико-социальной изоляции на фоне высокой медикосоциальной информированности и доверия к тактике и стратегии лечащего врача. Несколько реже у подростков с БА были выявлены такие нарушения комплайнса, как готовность оплачивать и проводить свое лечение. Снижение финансовой готовности оплачивать лечение можно объяснить с одной стороны дороговизной препаратов (ингаляторов), а с другой стороны - нежеланием лечиться, что подтверждается снижением частоты встречаемости среди подростков с БА такого компонента комплайнса как готовность проводить лечение. Может быть это связано с тем, что мотивацию лечения как «доминанту» современному подростку с БА навязывают его родители, а ритм современного общества эту «доминанту» не признает. А сам подросток, страдающий БА, осознанно не пришел к лечению своей болезни. В связи с этим нарушается оптимальное сотрудничество (комплайнс) с врачом, с родителями, с обществом, то есть с микросоциумом.
У обследованных нами подростков с БА наиболее часто встречались такие компоненты комплайнса, как доверие к медперсоналу и достаточная эффективность ранее проводимого лечения. При этом реже были выявлены удовлетворенность от назначенного лечения и психологическая совместимость с медперсоналом. Получаются «ножницы».
Может быть «ложное» (неосознанное) доверие к медперсоналу, а так же доверие к тактике и стратегии лечащего врача скрывают за собой какие-либо личностные не до конца решенные
проблемы современного подростка с БА. Что в дальнейшем может вести к психологической несовместимости с медперсоналом и к недостаточной удовлетворенности от лечения. Хотя подростки с БА в большинстве случаев старались использовать современные препараты, но при этом пользовались ими не регулярно и не всегда своевременно обращались за помощью к медперсоналу. Может, это связано с отношением (противопоставлением) своего «я» к болезни, отсутствием оптимального сотрудничества с микросоциумом. Что подтверждалось снижением готовности поделиться своими проблемами по заболеванию с кем-либо.
У 26,7% обследованных с БА комплайнс был нарушен по следующим компонентам: нерегулярное проведение базисной терапии пролонгированными ингаляторами; склонность к лечению нетрадиционными способами; недостаточная медикосоциальная коммуникабельность; приверженность к медикосоциальной изоляции; недостаточная финансовая готовность оплачивать лечение; отсутствие решимостти лечиться; отсутствие удовлетворенности от лечения; не всегда своевременное обращение за медицинской помощью к медперсоналу; отсутствие готовности поделиться своими проблемами по заболеванию.
У подростков (28 респондентов), у которых ряд критериев тяжести БА соответствовал более тяжелому течению заболевания по классификации на фоне базисной терапии современными препаратами в 85,7% случаев было выявлено нарушение соци-ально-средовых компонентов комплайнса, в то время, как у подростков (73 респондентов) у которых все выявленные критерии тяжести БА полностью соответствовали уровню тяжести по классификации комплайнс был нарушен лишь в 16,4 % случаев.
Полученные данные говорят о наличии у подростков, страдающих БА, ряда особенностей которые в дальнейшем могут способствовать нарушению комплайнса и вести к снижению уровня здоровья и качества жизни. Проводя лечение и реабилитацию подростков с БА, не надо забывать о необходимости коррекции социально-средовых аспектов комплайнса.
Литература
1 .Астафьева Н. и др// Интерастма.- М.,1998.- №30.- С 1-2.
2.Балаболкин И.И. и др. // Мат-лы научно-практ. конф. педиатров России «Фармакотерапия в педиатрии».- М., 2005.-С. 42-43.
3.ГеппеНА. и др. // М.: ММА.- 1993.- С. 54—55.
4.Глобальная стратегия лечения и профилактика бронхиальной астмы. Национальные институты США. Национальный институт сердца, легких и крови. / Под ред. А.Г. Чучалина.- М., 2002.- 160 с.
5.Rieger C.et al. Paediatrische Pneumologie, Berlin, Springer, 1999.- 1157s.
6.Юхтина Н.В. и др. // Пульмонология детского возраста: проблемы и решения. М/ - Иваново, 2003.- Вып.3.- С. 109-111.
1.Дербенев Д. П. Автореф. дисс. ... д.м.н.- М, 1998.- 45 с.
8Жуков С.В. Сб. мат-лов Всерос. университетской научно-практ. конф. по медицине.- Тула, 2002.- С. 72.
9.Леонова ЕЮ., С.В. Жуков // Мат-лы 5 Рос. конгр. «Современные технологии в педиатрии и детской хирургии».- М., 2006.- С. 279.
УДК 616.127 - 005.8
СОЦИАЛЬНО-ПСИХОЛОГИЧЕСКИЕ ОСОБЕННОСТИ БОЛЬНЫХ, ПРЕДШЕСТВУЮЩИЕ РАЗВИТИЮ ИНФАРКТА МИОКАРДА
Ю.В. ЖЕНЧЕВСКАЯ., В.И. ШАРОБАРО*
В России ~70% населения находится в условиях длительно -го хронического психосоциального стресса высокого и среднего уровня, являющимся независимым фактором риска развития инфаркта миокарда (ИМ); высокий уровень стресса способствует росту числа депрессивных и тревожных расстройств [1-4]. В ряде исследований выявлена четкая взаимосвязь между хроническим или выраженным беспокойством и депрессией и развитием ишемической болезни сердца (ИБС), в том числе ИМ; эта ассоциация не зависит от социально - экономического статуса [5, 8, 9-11].
* Тверская ГМА
* Смоленская ГМА, кафедра госпитальной терапии
