CC BY
50
Анналы хирургии. 2016; 21 (4)
DOI 10.18821/1560-9502-2016-21-4-231-234
Оригинальная статья
Оригинальные статьи
© Коллектив авторов, 2016 УДК 616.331/.34-002.44-092 Хасанов А.Г., Нуртдинов М.А., Гололобов Г.Ю.
О ПРОГНОЗИРОВАНИИ ОСЛОЖНЕНИЙ ЯЗВЕННОЙ БОЛЕЗНИ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
ГБОУ ВПО «Башкирский государственный медицинский университет» Минздрава России, кафедра хирургических болезней, ул. Ленина, 3, Уфа, 450000, Российская Федерация
Цель. Изучение возможности использования искусственных нейронных сетей в прогнозировании осложнений язвенной болезни.
Материал и методы. Для создания искусственных нейронных сетей применялось программное обеспечение с функцией самообучения. В основу работы положены данные 251 человека. Для работы использовался персептрон, обучение которого происходило с помощью алгоритма back-propagation.
Результаты. Смоделировано 10 однослойных персептронов с 34 входными нейронами, 19 скрытыми и 2 нейронами на выходе в каждом для контрольного заключения. Тестировались диагноз язвенной болезни, летальный исход, осложнения, перфорация и кровотечение. Входные нейроны соответствовали основным жалобам пациента при язвенной болезни. В тренировке участвовали 155 человек, из них 100 пациентов с язвой, 55 — без нее. В тест были включены 96 человек, из них 82 больных язвой, 14 — нет. При этом предсказание диагноза было верно в 86% случаев (13 ошибок), летального исхода — в 92% (8 ошибок), перфорации — в 84% (16 ошибок), кровотечения — в 87% (14 ошибок). Общая точность прогнозирования составила 87%.
Заключение. Высокая точность предсказания осложнений позволяет сделать вывод о полезности данного метода в медицине.
Ключевые слова: нейронные сети; предсказание; язвенная болезнь желудка и двенадцатиперстной кишки; кровотечение; перфорация.
Для корреспонденции: Нуртдинов Марат Акдасович, доктор мед. наук, профессор, E-mail: nurtdinovma68@mail.ru
Для цитирования: Хасанов А.Г., Нуртдинов М.А., Гололобов Г.Ю. О прогнозировании осложнений язвенной болезни на основе искусственных нейронных сетей. Анналы хирургии. 2016; 21 (4): 231—4. DOI: 10.18821/1560-9502-2016-21-4-231-234
Khasanov A.G., Nurtdinov M.A., Gololobov G.Yu.
PREDICTION OF COMPLICATIONS OF PEPTIC ULCER DISEASE BASED ON ARTIFICIAL NEURAL NETWORKS
Bashkir State Medical University, Chair of Surgical Diseases, Ufa, 450000, Russian Federation
Objective. To study the potential use of artificial neural networks in prediction of complications of peptic ulcer disease. Material and methods. For creation of the neural network simulation system the software with function of self-learning and self-awareness was used. The study was based on the data of 251 people. The learning of perceptron took place with the help of back-propagation algorithm.
Results. In the study 10 one-layer perceptrons were modeled with 34 input neurons, 19 hidden, and 2 neurons at the output of each for the control conclusion. Diagnosis of peptic ulcer disease, fatal outcome, complications, perforation and bleeding were tested. The input neurons corresponded to a patient's complaints during peptic ulcer disease. 155 people participated in the training program: 100 patients with peptic ulcer disease, 55 — control group. 96 people were included in the test: 82 patients with peptic ulcer disease, 14 — control group. Correctness of the predictions was 86% (13 errors) for diagnosis, 92% (8 errors) for fatal outcome, 84% (16 errors) for perforation, 87% (14 errors) for bleeding. The overall accuracy was 87%. Conclusion. The high prediction accuracy for complications allows to judge about the usefulness of this method in medicine. Keywords: neural networks; prediction; ulcer disease; bleeding; perforation. For correspondence: Nurtdinov Marat Akdasovich, MD, PhD, DSc, Professor, E-mail: nurtdinovma68@mail.ru
For citation: Khasanov A.G., Nurtdinov M.A., Gololobov G.Yu. Prediction of complications of peptic ulcer disease, based on artificial neural networks. Annaly khirurgii (Annals of Surgery, Russian journal). 2016; 21 (4): 231—4 (in Russ.). DOI: 10.18821/1560-9502-201621-4-231-234
Original article Information about authors:
Khasanov A.G., http://orcid.org/0000-0001-5870-8894 Nurtdinov M.A., http://orcid.org/0000-0001-7249-5901
Gololobov G.Yu., http://orcid.org/0000-0001-9279-8600
Funding. The study had no sponsorship.
Conflict of interest. The authors declare no conflict of interest.
Recieved 22 April 2016 Accepted 07 June 2016
Введение
С созданием экспертных систем начались массивные исследования в области искусственного интеллекта, которые остаются актуальными и на сегодняшний день. В 1977 г. E.A. Feigenbaum показал, что если информационные программы будут накапливать знания и опыт подобно специалистам, то они достигнут таких же высоких результатов [1]. Зарубежные авторы предлагают пользоваться искусственной нейронной сетью (ИНС), считая, что она не только превосходит диагностические возможности человека, но и является оптимальной среди большого количества алгоритмов [2]. Искусственная нейронная сеть — это раздел искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящим в нейронах живых существ. Ее важнейшая особенность заключается в параллельной обработке информации всеми звеньями и обусловливает ускорение процесса обработки информации. Другая, не менее важная, характеристика — способность к обучению и обобщению накопленных знаний. Натренированная на ограниченном множестве данных сеть способна обобщать полученную информацию и показывать хорошие результаты на данных, не использовавшихся в процессе обучения [3, 4]. Российские и зарубежные ученые-клиницисты уже добились определенных успехов в сфере прогнозирования различных исходов (диагнозов, осложнений) [1, 2, 5].
Язвенная болезнь желудка и двенадцатиперстной кишки остается одной из важнейших проблем современной хирургической гастроэнтерологии. На XXI Российской гастроэнтерологической неделе в 2015 г. отмечалось, что гастродуоденальные язвы являются одними из самых распространенных заболеваний органов пищеварения. По диспансерным данным, на учете состоят более 3 млн больных. Также отмечено, что от осложнений умирают около 6 тыс. человек в год [6].
Последнее десятилетие характеризуется резким снижением частоты плановых операций по поводу гастродуоденальных язв (более чем в 2 раза), но количество экстренных операций, выполняемых по поводу осложнений — перфораций и кровотечений, — увеличилось в 2 и 3 раза соответственно [7]. Иными словами, успехи консервативной терапии в целом не повлияли на частоту этих осложнений и вопросы хирургического лечения язвенной болезни, особенно с учетом возросшего количества ее осложненных
форм, будут еще долгое время актуальными [8, 9]. Все это свидетельствует о необходимости проведения ранней и современной диагностики. В настоящее время «золотым стандартом» диагностики является эндоскопическое исследование (фиброгастродуоде-носкопия) и R-логическое исследование [6, 7].
Цель данной работы — изучение возможности использования искусственных нейронных сетей в прогнозировании осложнений язвенной болезни.
Материал и методы
Для создания нейронной сети применено программное обеспечение с функцией самообучения. В основу работы положены данные 251 человека, 182 из которых имели язвенную болезнь, 60 — иную патологию, 9 были здоровы.
В рамках исследования использовали одну из простых архитектур ИНС в виде персептрона. Обучение персептрона происходило с помощью алгоритма обратного распространения ошибки (back-propagation).
ИНС состоит из нейронов, которые образуют слои. Обычно количество слоев равно трем: входной слой, на который подается вектор входных сигналов, скрытый слой и выходной слой, который выдает вектор контрольных сигналов. Однако далее такой персептрон будет называться однослойным, поскольку входной и выходной слои будут присутствовать в любом случае. Следует отметить, что любой персептрон с количеством слоев, большим одного, может быть заменен на аналогичный однослойный персептрон.
У однослойного персептрона веса скрытого слоя образуют матрицу весов WiJ, где i — номер нейрона скрытого слоя, j — номер нейрона выходного слоя, Wij — вес связи между ними. Матрица весов каждого слоя однозначно определяет персептрон. На рисунке 1 представлена схема типичного персептрона.
Пусть X — вектор входных значений размерностью n; W, V — матрицы весов скрытого и выходного слоев соответственно; Y — вектор контрольных значений на выходе персептрона размерностью m; p — количество нейронов в скрытом слое; S — вектор значений на входе выходного слоя. Персеп-трон вычислит вектор контрольных значений следующим образом:
sj=Fd%-х), чгрфьО'
i=l
]=1
Анналы хирургии. 2016; 21 (4)
DOI 10.18821/1560-9502-2016-21-4-231-234
Оригинальная статья
Скрытый слой
Входной вектор
Смещение скрытого слоя
Рис. 1. Схема однослойного персептрона
где В является функцией активации, являющейся какой-нибудь нелинейной функцией, например сигмоидом:
Как было сказано выше, для обучения персеп-трона используется алгоритм обратного распространения ошибки. В процессе обучения на каждом шаге определяется ошибка вычисления веса какого-либо слоя:
ш ¡1
Е=\Ц(УГУР2,
/=и=1
где уу и у*■ — требуемые и вычисленные контрольные значения на у'-ом выходе персептрона при 1-ом наборе обучающей выборки. Затем для каждого веса вычисляется его изменение:
. „ йЕ
д
где п — скорость обучения, подбираемая вручную.
Таким образом, после нескольких итераций и достижения нужного порога точности обучение прерывается и персептрон считается обученным [2, 7].
Результаты
Было смоделировано 10 однослойных персеп-тронов с 34 входными нейронами, 19 скрытыми и 2 нейронами на выходе в каждом для предсказания контрольного заключения (Х35—38, для каждого создавалась своя сеть). Тестировались диагноз язвенной болезни, летальный исход, осложнения, требующие незамедлительного хирургического вмешательства, — перфорация и кровотечение (рис. 2).
Входные нейроны: XI — пол, Х2 — возраст, локализация болей (Х3 — эпигастральная область, Х4 — правое подреберье, Х5 — левое подреберье, Х6 — спина, Х7 — лопатка, Х8 — по всему животу, Х9 — другое место), Х10 — иррадиация в плечо, Х11 — иррадиация в спину, Х12 — интенсивность, Х13 — боли до приема пищи (голодные боли), Х13
— боли после приема пищи (Х14 — сразу, Х15 — через полтора-два часа), Х16 — ночные боли, Х17 — изжога, отрыжка (Х18 — воздухом, Х19 — съеденной пищей), Х20 — боль усиливалась, Х21 — боль прекращалась в горизонтальном положении, Х22
— боль усиливалась при наклонах, Х23 — тошнота, Х24 — рвота, Х25 — запоры, Х26 — жидкий стул, Х27 — метеоризм, Х28 — курение, Х29 — систолическое давление, Х30 — диастолическое давление, Х31 — пульс. Также учитывались лечение амбула-торно (Х32) или стационарно (Х33) в прошлом, язвенный анамнез при поступлении (Х34). Контрольные нейроны: Х35 — летальный исход, Х36 — язвенная болезнь, Х37 — кровотечение, Х38 — перфорация. В тренировке участвовали 155 человек, из них 100 пациентов с язвой, 55 — без нее. В тест включены 96 человек, из них 82 больных язвой, 14 — нет. Результаты прогнозирования представлены в таблице.
Точность прогнозирования клинического диагноза составила 86%, что является хорошим результатом. Точность предсказания летальности — 92%; такой результат объясняется небольшим количеством летальных исходов в тестируемой выборке. Особенно хорошо прогнозируются осложнения — перфорация и кровотечение (84 и 87% соответственно).
Общая точность предсказания составила 87%. Адекватность данного результата подтверждается тем, что у зарубежных исследователей, работающих с ИНС в медицине, точность находится примерно на таком же уровне [2, 5].
Результаты прогнозирования с использованием искусственных нейронных сетей (общая точность — 87%)
Контрольные нейроны Количество верных прогнозов Количество ошибок Точность прогноза, %
Клинический диагноз 83 13 86
Летальный исход 88 8 92
Перфорация 86 16 84
Кровотечение 92 14 87
Заключение
Таким образом, высокая точность прогнозирования осложнений (84% для перфорации и 87% для кровотечений) позволяет сделать вывод о полезности данного метода в медицине. Появляется возможность тестировать курируемых пациентов на данной ИНС, прослеживать возможные осложнения и подбирать наиболее оптимальную тактику лечения язвенной болезни. ИНС позволяет отслеживать незначительные нюансы течения болезни и сильно оптимизирует работу врача. Внедрение
ИНС может повлечь за собой снижение рисков осложнений множества заболеваний.
Финансирование. Исследование не имело спонсорской поддержки.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Литература
1. Назаренко Г.И., Осипов Г.С., Назаренко А.Г., Молодчен-ков А.И. Интеллектуальные системы в клинической медицине. Синтез плана лечения на основе прецедентов. Информационные технологии и вычислительные системы. 2010; 1: 24—35.
2. Kamruzzaman S.M., Ahmed Ryadh Hasan, Abu Bakar Siddiquee. Md. Ehsanul Hoque Mazumder. Medical diagnosis using neural network. 3rd International Conference on Electrical & Computer Engineering ICECE. 2004, 28-30 December 2004, Dhaka, Bangladesh: 537-40.
3. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика; 2002.
4. Akhmetsin R.M., Giniyatullin V.M., Kirlan S.A. Identification of structures of organic substances by means of complex-valued per-ceptron. Optical Memory and Neural Networks. 2012; 21 (1): 11-6.
5. Soreide K., Thorsen K., Soreide J.A. Predicting outcomes in patients with perforated gastroduodenal ulcers: artificial neural network modelling indicates a highly complex disease. Eur. J. Trauma Emerg. Surg. 2015; 41: 91-8.
6. Якубчик Т.Н. Клиническая гастроэнтерология. Учебное пособие. Гродно: ГрГМУ; 2011.
7. Нуртдинов М.А. Оптимизация комплексного лечения язвенной болезни желудка и двенадцатиперстной кишки в хирургической клинике. Дис. ... д-ра мед. наук. Уфа; 2005.
8. Афендулов С.А., Журавлев Г.Ю. Хирургическое лечение больных язвенной болезнью. М.: ГЭОТАР - Медиа; 2008.
9. Хасанов А.Г, Суфияров И.Ф., Мусин А.Р. и др. Прогнозирование рецидива язвенного гастродуоденального кровотечения. Вестник Российской военно-медицинской академии. 2013; 3 (43): 20-2.
References
1. Nazarenko G.I., Osipov G.S., Nazarenko A.G., Molodchenkov A.I. Intelligent systems in clinical medicine. Synthesis based on the treatment plan as a precedent. Informatsionnye tekhnologii i vychis-litel'nye sistemy (Information Technologies and Computer Systems, Russian journal). 2010; 1: 24-35 (in Russ.).
2. Kamruzzaman S.M., Ahmed Ryadh Hasan, Abu Bakar Siddiquee. Md. Ehsanul Hoque Mazumder. Medical diagnosis using neural network. 3rd International Conference on Electrical & Computer Engineering ICECE. 2004, 28-30 December 2004, Dhaka, Bangladesh: 537-40.
3. Osovskiy S. Neural networks for information processing. Moscow: Finansy i statistika; 2002 (in Russ.).
4. Akhmetsin R.M., Giniyatullin V.M., Kirlan S.A. Identification of structures of organic substances by means of complex-valued per-ceptron. Optical Memory and Neural Networks. 2012; 21 (1): 11-6.
5. Soreide K., Thorsen K., Soreide J.A. Predicting outcomes in patients with perforated gastroduodenal ulcers: artificial neural network modelling indicates a highly complex disease. Eur. J. Trauma Emerg. Surg. 2015; 41: 91-8.
6. Yakubchik T.N. Clinical gastroenterology. Textbook. Grodno: Grod-nenskiy gosudarstvennyy meditsinskiy universitet; 2011 (in Russ.).
7. Nurtdinov M.A. Optimization of complex treatment of gastric ulcer and duodenal ulcer in the surgical clinic. Diss. ... doctor med. sci. Ufa; 2005 (in Russ.).
8. Afendulov S.A., Zhuravlev G.Yu. Surgical treatment of patients with peptic ulcer disease. Moscow: GEOTAR - Media; 2008 (in Russ.).
9. Khasanov A.G., Sufiyarov I.F., Musin A.R. et al. Prediction of recurrence of gastroduodenal ulcer bleeding. Vestnik Rossiyskoy voenno-meditsinskoy akademii (Bulletine of Russian Military Medical Academy, Russian journal). 2013; 3 (43): 20-2 (in Russ.)
Поступила 22.04.2016 Принята к печати 07.06.2016
