Применение искусственных нейронных сетей в диагностике венозных заболеваний Текст научной статьи по специальности «Медицинские технологии»

нижних конечностей с высокой точностью, что прежде всего важно для врача-флеболога, проводящего диагностические мероприятия с помощью метода комбинированной термометрии. Полученный алгоритм диагностики важен как сам по себе, так и возможностью его применения в интеллектуальном комплексе диагностики венозных заболеваний.

Работа выполнена при финансовой поддержке Министерства образования и науки РФ по ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2012 годы» (госконтракт№2 16.513.11.3067)

Литература

1. Замечник, Т.В. Способ комбинированной термометрии и математические модели вероятностной диагностики заболеваний вен нижних конечностей / Т.В. Замечник, С.И. Ларин, А.Г. Лосев,

Н.С. Овчаренко // Вестник новых медицинских технологий-2009.- Т. XVI, №4.- С. 14-16.

2. Замечник, Т.В. Изучение надежности комбинированной термографии как метода диагностики состояния вен нижних конечностей / Т.В. Замечник, Н.С. Овчаренко, С.И. Ларин, А.Г. Лосев // Флебология.- 2010.- №3.- С. 20-23

3. Анисимова, Е.В. О некоторых характерных признаках в диагностике венозных заболеваний нижних конечностей методом комбинированной термометрии / Е.В. Анисимова, Т.В. Замечник, А.Г. Лосев, Е.А. Мазепа // Вестник новых медицинских технологий.- 2010.- ^XVIII.- №2.- С. 329-330

ABOUT ONE MATHEMATICAL MODEL OF DIAGNOSTICS OF VENOUS DISEASES ACCORDING TO THE COMBINED THERMOMETRY

E.V. ANISIMOVA, T.V. ZAMECHNIK, A.G. LOSEV

Volgograd State University Volgograd State Medical University

This article is about development of combined thermometry methodology basics in diagnosis of venous diseases. In this article the main aim was to find and verify the most important for an accurate diagnosis pathology features. The application of this features leads to 95% accuracy in diagnosis. Also, their use as a knowledge base will serve as an essential part in the creation of intelligent diagnostic system.

Key words: mathematical model, combined thermometry.

УДК 615.47, 004.891, 519.23

ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ДИАГНОСТИКЕ ВЕНОЗНЫХ ЗАБОЛЕВАНИЙ

Д.А. ВЕДЕНЯПИН, А.Г. ЛОСЕВ*

Данная работа посвящена изучению проблем диагностики заболеваний вен нижних конечностей. В частности в ней представлен один из методов классификации наблюдений, полученных методом комбинированной термометрии - нейронные сети. В результате исследований было установлено, что нейронные сети являются достаточно эффективным методом диагностики варикозных заболеваний вен нижних конечностей, а получаемая точность допускает их использование в экспертных комплексах

Ключевые слова: Нейронные сети, диагностика венозных заболеваний, комбинированная термометрия.

Патологию вен нижних конечностей в настоящее время причисляют к «болезням цивилизации», в том числе и потому, что число страдающих нарушениями венозного оттока исчисляется миллиардами. Рентгенологические методы и ультразвуковое дуплексное сканирование не решили проблему ранней диагностики и динамического контроля над течением венозных заболеваний, по причине инвазивности и небезопасности первых и высокой стоимости последних. В настоящее время приоритетными в медицине являются неинвазивные и безопасные, как для пациента, так и для медицинского персонала, способы диагностики. Одним из таких методов является комбинированная термометрия [1,2,3], применяемая с диагностическими целями в различных областях медицины и доказавшая свою высокую информативность и абсолютную безвредность. Ее использование для выявления заболеваний вен нижних конечностей является достаточно новым диагностическим методом. Данная методика послужила

* Волгоградский государственный университет, 400062, г. Волгоград, пр-т Университетский, 100

основой к созданию современного интеллектуального комплекса диагностики. При разработке подобных комплексов традиционно применяется сочетание различных методов медицинской диагностики и математического моделирования. Одной из основных проблем, которые должен решать подобный диагностический комплекс - это классификация данных наблюдений. В настоящее время существует достаточно большое число математических методов решения этих задач: параметрические и непараметрические методы классификации с обучением и без обучения, кластерный анализ, нейронные сети, методы теории нечетких множеств и другие.

Цель исследования - решение задачи классификации наблюдений, полученных методом комбинированной термометрии с помощью нейронных сетей.

Материалы и методы исследования. Обследование пациентов проводится посредствам последовательного измерения кожной (ИК-диапазон) температуры и глубокой микроволновой термометрии (РТ-диапазон) в 12 симметричных точках, расположенных по задней поверхности обеих голеней пациента, в положении пациента «лежа на животе» и «стоя». Точки измерения были выбраны, исходя из анатомического строения голени и внутреннего кровотока ноги, следующим образом. Первые три точки расположены: на вершине латеральной головки икроножной мышцы (1), в подколенной ямке (2), на вершине медиальной головки икроножной мышцы (3). Второй ряд точек расположен: по центру латеральной головки икроножной мышцы (4), между головками икроножной мышцы (5), и по центру медиальной головки икроножной мышцы (6). Третий ряд точек расположен в нижней части икроножной мышцы - латерально (7), в центре (8) и медиально (9). Последние точки измерения температуры находятся на наружной стороне ахиллова сухожилия в области латеральной лодыжки (10), по центру ахиллова сухожилия (11) и по его внутренней поверхности в области медиальной лодыжки (12).

В результате исследований, проведенных в течение последних лет, была создана база термографических данных пациентов. Она состоит из контрольной группы здоровых и группы больных с различной патологией вен нижних конечностей. На ее основе, с помощью экспертных оценок, была создана обучающая выборка, содержащая термографические данные 210 голеней пациентов. Среди них 84 здоровых голеней пациентов и 126 голеней больных.

Результаты и их обсуждение. При создании искусственных нейронных сетей одним из наиболее важных этапов построения является нахождение ее входных параметров. После статистической обработки базы данных термографических исследований, был выявлен ряд величин, значений которых характеризуют наличие (отсутствие) асимметрии температурных полей голеней пациентов, а также наличие (отсутствие) зон повышенной (пониженной) температуры голени пациента. Именно эти величины и были использованы в качестве входных параметров нейронных сетей в данной работе. Перечислим их: разность средней температуры голени и температуры в точке (2) при измерении в ИК-диапазоне в положении «лежа»; разность средней температуры в точках (10), (11), (12) и средней температуры голени при измерении в ИК-диапазоне в положении «стоя»; разность температуры в точке (12) и средней температура голени при измерении в ИК-диапазоне в положении «стоя»; разность температуры в точке (2) и максимальной температуры в остальных точках при измерении в РТ-диапазоне в положении «стоя»; разность температуры в точке (12) и средней температуры голени при измерении в РТ-диапазоне в положении «лежа»; разность температуры в точке (11) и средней температуры голени при измерении в ИК-диапазоне в положении «стоя»; разность средней температуры голени и температуры в точке (1) при измерении в ИК-диапазоне в положении «лежа»; разность температуры в точке (1) и максимальной температуры в остальных точках при измерении в ИК-диапазоне в положении «стоя»; разность температуры в точке (4) и максимальной температуры в остальных точках при измерении в РТ-диапазоне в положении «лежа»; разность температуры в точке (3) при измерении в РТ-диапазоне в положении «стоя» и температуры в точке (3) при измерении в РТ-диапазоне в положении «лежа»; разность температуры в точке (10) и средней температуры голени при измерении в ИК-диапазоне в положении «лежа»; разность температуры в точке (2) при измерении в РТ-диапазоне в положении «стоя» и температуры в точке (2) при измерении в РТ-диапазоне в положении «лежа»; разность температуры в точке (4) при измерении в ИК-

диапазоне в положении «стоя» и температуры в точке (4) при измерении в ИК-диапазоне в положении «лежа»; разность температуры в точке (9) и максимальной температуры в остальных точках при измерении в ИК-диапазоне в положении «стоя»; латерально-медиальный градиент при измерении в РТ-диапазоне в положении «стоя»; осцилляция температуры при измерении в ИК-диапазоне в положении «стоя»; разность средней температуры точек (10), (11), (12) и средней температуры точек (7), (8), (9) при измерении в ИК-диапазоне в положении «стоя»; разность средней температуры точек (7), (8), (9) и средней температуры точек (4), (5), (6) при измерении в ИК-диапазоне в положении «стоя»; разность средней температуры точек (4), (5), (6) и средней температуры точек (1), (2), (3) при измерении в ИК-диапазоне в положении «стоя»; разность средней температуры точек (1), (2), (3) и средней температуры точек (10), (11), (12) при измерении в ИК-диапазоне в положении «стоя»; наличие отека (если имеется -

1, в противном случае - -1);наличие варикозного расширения вен (если имеется - 1, в противном случае —1);наличие боли (если имеется - 1, в противном случае - -1); наличие кожных изменений (если имеется - 1, в противном случае - -1).

Для построения нейронных сетей, способных решать подобные задачи, необходимо сформировать их топологии, определить механизм обучения и алгоритм тестирования. На основе анализа проблемы и вычислительных экспериментов, в качестве функции активации была выбрана сигмоидальная функция. По результатам проведенных тестов было принято решение остановиться на модели двухслойной нейронной сети прямого распространения и алгоритме обратного распространения в качестве обучающего.

В процессе тестирования наилучшие результаты в диагностике «Здоров/Болен» показала нейронная сеть следующей топологии: полносвязная сеть прямого распространения с 4 нейронами в первом слое и 2 нейронами во втором слое с 24 входными параметрами, описанными выше.

На выходе нейронной сети ожидаем набор из двух значений (x1,x2), которые принадлежат интервалу (0,1). Если нейронная сеть возвращает (x1,x2) такие, что x1 больше 0.5 и x2 меньше 0.5, то диагноз голени «Норма». В остальных случаях считается, что диагноз голени пациента «Болен».

При нахождении оптимальной топологии нейронной сети был выбран следующий метод проверки результатов обучения. Из обучающей выборки последовательно исключаются пациенты. Затем нейронная сеть последовательно для каждого исключенного пациента обучается на получившейся выборке, после чего считается процент верно диагностированных пациентов.

В результате была построена искусственная нейронная сеть, которая позволила получить следующие диагностические результаты.

При диагностике «Здоров/Болен» из 210 голеней было верно продиагностировано 171. Точность составила 81%, чувствительность 84.1%, специфичность 77.3%.

Дополнительно приведем результаты проверки нескольких других топологий нейронных сетей и входных параметром с которыми производилось сравнение во время выбора оптимальной структуры. Одной из расмотренных нейронных сетей была двухслойная полносвязная сеть прямого распространения с 6 нейронами в первом слое и 2 нейронами во втором слое с 24 входными параметрами. Точность диагностики составила 73%, чувствительность 77%, специфичность 67.8%. Другим примером может служить двухслойная полносвязная нейронная сеть прямого распространения с 5 нейронами в первом слое и 2 нейронами во втором слое с 24 входными параметрами. Точность диагностики составила 74.7%, чувствительность 80%, специфичность 66.7%. Следующим примером может служить двухслойная полносвязная нейронная сеть прямого распространения с 3 нейронами в первом слое и 2 нейронами во втором слое с 24 входными параметрами. Точность диагностики составила 76.7%, чувствительность 83.3%, специфичность 66.7%.

Использование найденных 24 входных параметров вместо, кажущихся очевидными, 48 входных параметров - результатов термографических измерений, качественно улучшает диагностику. В частности, использование найденной оптимальной структуры нейроной сети с 4 нейронами в первом слое и 2 нейронами во втором слое, но с 48 входными параметрами - результатами термографических измерений, дало худшие результаты. А именно, точность диагностики составила 66.7%, чувствительность 73.8%,

специфичность 56%.

Выводы. Полученные результаты могут иметь достаточно широкое применение. Прежде всего, они важны для специалиста, проводящего диагностические мероприятия с помощью метода комбинированной термометрии.

Работа выполнена при финансовой поддержке Министерства образования и науки РФ по ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2007-2012 годы» (госконтракт № 16.513.11.3067)

Литература

1. Замечник, Т.В. Способ комбинированной термометрии и математические модели вероятностной диагностики заболеваний вен нижних конечностей / Т.В. Замечник, С.И. Ларин, А.Г. Лосев, Н.С. Овчаренко // Вестник новых медицинских технологий.-2009.- Т. XVI.- №4.- С. 14-16.

2. Замечник, Т.В. Изучение надежности комбинированной термографии как метода диагностики состояния вен нижних конечностей / Н.С. Замечник, Н.С. Овчаренко, С.И. Ларин, А.Г. Лосев // Флебология.- 2010.- №3.- С. 20-23

3. Анисимова, Е.В. О некоторых характерных признаках в диагностике венозных заболеваний нижних конечностей методом комбинированной термометрии / Е.В. Анисимова, Т.В. Замечник, Е.А. Лосев, Е.А. Мазепа // Вестник новых медицинских технологий.- 2011.- ^XVIII.- №2.- С. 329-330

APPLICATION OF NEURAL NETWORKS IN DIAGNOSIS OF VENOUS DISEASE

D.A. VEDENYAPIN, A.G. LOSEV Volgograd State University

This article is about the problems of veins diseases diagnostics. The author uses neural networks as a classification method of observations obtained by the combined thermometry methodology. Experiments showed that neural networks are very effective method for diagnosing vein disesases. Obtained neural network can be used in expert systems because of high accuracy of this method.

Key words: Neural networks, diagnosis of varicose disease, combined thermometry.

УДК 616.314.18-002.4-092

ЦИТОКИНОВЫЕ МАРКЕРЫ ЭФФЕКТИВНОСТИ ОРТОПЕДИЧЕСКОГО ЛЕЧЕНИЯ ПАЦИЕНТОВ, СТРАДАЮЩИХ ХРОНИЧЕСКИМ ГЕНЕРАЛИЗОВАННЫМ ПАРОДОНТИТОМ

Е.И. ГУБАНОВА, В.И. ШЕМОНАЕВ, И.А. ФАСТОВА,

О.А. КУЗНЕЦОВА*

Исследование посвящено влиянию интерлейкинов на развитие воспаления при непереносимости зубных протезов. Определены уровни ряда цитокинов в десневой и ротовой жидкостях у пациентов с непереносимостью зубных протезов на фоне хронического генерализованного пародонтита. Сделаны выводы о необходимости поиска дополнительных диагностических критериев для выявления непереносимости зубных протезов.

Ключевые слова: непереносимость зубных протезов, хронический генерализованный пародонтит, интерлейкины

Ортопедическое лечение является неотъемлемой частью комплексной терапии хронического генерализованного пародонтита (ХГП). Оно позволяет жевательное давление, приходящееся на отдельные зубы, перераспределить на весь зубной ряд и является одним из способов патогенетической терапии ХГП [5].

Известно, что изменение функции жевания при ХГП обусловливает нарушение гистофункциональных корреляций в системе зуб-пародонт, проявляющееся нарушением кровообращения за счет изменения тонуса сосудов и, как следствие, развитие реактивной, а затем застойной гиперемии. В очаге воспаления сосудистые реакции способствуют формированию воспалительного экссудата. Ведущим по функциональной значимости в клеточном ансамбле воспалительного экссудата оказывается макрофаг, который выступает как продуцент целого ряда цитокинов [1,2]. Цитокиновый состав в очаге воспаления детерминирует динамику развития воспалительной реакции.

* ГБОУ ВПО Волгоградский государственный медицинский университет Минздравсоцразвития России, 400131, г. Волгоград, пл. Павших Борцов, д. 1