CC BY
95
Сидорова М.А., Ерушова Н.А., Истомина Т.В. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА ДИАГНОСТИКИ ТРОМБОЗОВ И ЭМБОЛИЙ НА ОСНОВЕ ПАРАМЕТРОВ БИОХИМИИ КРОВИ
В настоящее время одной из важнейших проблем медицины является высокая смертность населения России из-за сердечно-сосудистых заболеваний. Причем, если в Европе имеет место тенденция к снижению данного показателя, то в нашей стране количество людей, страдающих сердечно-сосудистыми заболеваниями, каждый год увеличивается на 1 - 2% [1]. Кроме того, данный класс заболеваний практически всегда сопровождается нарушениями гемодинамики и, конкретно, тромбозами, опасными увеличением риска внезапной смерти вследствие острой закупорки жизненно важных сосудов с последующим некрозом тканей, инфарктом или инсультом. В связи с этим особую значимость приобретает проблема качественной диагностики тромбозов и эмболий с целью своевременного предотвращения осложнений данных заболеваний.
Не смотря на обилие различных методов и средств диагностики тромботических состояний, практически всегда процесс постановки диагноза длителен и сопряжен с множественными анализами крови и, повторяющимися через определенный промежуток времени, томографическими, ангиографическими или другими неинвазивными методами. Вместе с тем, все эти исследования в некоторых случаях не могут дать адекватный результат, хотя и требуют затрат времени и материальных ресурсов, поэтому для назначения комплекса диагностических мероприятий целесообразно производить скрининговое исследование, позволяющее получить предварительный диагноз и с достаточной точностью определить вероятность возникновения той или иной патологии.
Система скринингового исследования, разрабатываемая авторами, создается на основе нейронных сетей, производящих систематизацию параметров биохимии крови и разделение их на нормальные и патологические.
Нейронные сети представляют новое направление в практике создания биотехнических систем. Теория нейронных сетей развивается в течение последнего полувека, но практическое ее применение стало возможно только в последние 10-15 лет, когда была создана необходимая элементная база для реализации нейронных сетей. В настоящее время могут быть построены искусственные нейронные сети для решения таких задач, которые являются трудными как для компьютеров, построенных по традиционной схеме, так и для человека [2].
В рассматриваемом случае нейронная сеть должна решать задачу распознавания по параметрам биохимии крови «нормы» и «патологий». На вход нейронной сети подаются значения шести разных параметров, характеризующих свертывающую способность крови. Предполагается, что параметры получены путем исследования проб крови с помощью гемокоагулометра для каждого отдельного пациента. Таким образом, нейронная сеть должна анализировать значения параметров свертывания и классифицировать состояние каждого отдельного пациента в выборке как нормальное или патологическое.
В случае выявления патологических состояний, другая сеть производит дальнейшую классификацию и выявляет у пациента либо склонность к кровоточивости, либо склонность к тромбообразованию.
Работа сети состоит в вычислении выходов сети на основе известных входов с целью формирования желаемого отображения вход/выход. Конкретная задача определяет число входов и число выходов сети. Кроме числа нейронов в выходном слое сети, для проектировщика важно число нейронов в каждом слое. Большее количество нейронов в скрытых слоях обеспечивает более мощную сеть. Если должно быть реализовано линейное отображение, то следует использовать нейроны с линейными функциями активации. При этом надо помнить, что линейные нейронные сети не могут формировать нелинейные отображения. Использование нелинейных функций активации позволяет настроить нейронную сеть на реализацию нелинейных связей между входом и выходом.
Сети со смещением позволяют формировать более сложные связи между входами и выходами, чем сети без смещения. Например, нейрон без смещения, когда все входы нулевые, будет всегда задавать вход функции активации равным нулю, однако нейрон со смещением может быть обучен так, чтобы при тех же условиях задать вход функции активации произвольной формы. В многослойных сетях часто применяются нелинейные сигмоидальные функции активации [3].
При решении с помощью нейронных сетей прикладных задач необходимо собрать достаточный и представительный объем данных для того, чтобы обучить нейронную сеть решению задач. Обучающий набор данных - это набор наблюдений, содержащих признаки изучаемого объекта [2].
В рассматриваемом случае в качестве входных значений выбирается матрица размером 6*100, где 6 - количество параметров (нейронов сети), 100 - число пациентов, для которых проводились исследования. В
данном случае принимаем, что исследования не дублировались и для каждого пациента выявлено только по одному значению шести параметров.
Нейронные сети работают с числовыми данными, взятыми, как правило, из некоторого ограниченного диапазона. Диапазоны данных были взяты авторами с учетом границ «нормы - патологии» параметров свертывания.
Значения параметров генерировали случайным образом с использованием MSExcel / Сервис / анализ данных / Генерация случайных чисел. Распределение выбрали равномерным с целью обеспечения эффективности распознавания нейронной сетью нормальных и патологических значений параметров. С помощью генератора случайных чисел были сформированы значения ошибки измерений, которая составляет 2% от максимальной измеряемой величины (погрешность прибора). К каждому значению параметра прибавляли соответствующую ему случайную ошибку измерения. В конечном итоге получили набор значений измеряемых параметров, из которого в последующем сформировали матрицу входных значений.
Для решения задачи систематизации параметров свертывания, авторы создали двухслойную нейронную сеть, в которой есть входной слой, скрытый и выходной (входной слой обычно не учитывается). Количество нейронов во входном слое равно шести. Число нейронов выходного слоя определяется решаемой задачей: для задач обнаружения и разбиения на два класса количество выходов, а, следовательно, и нейронов в выходном слое, равно двум.
В двухслойной сети, обучаемой по методу обратного распространения ошибки, рекомендуется использовать сигмоидальную функцию активации [2].
После того как определено количество слоев сети и число нейронов в каждом из них, нужно назначить значения весов и смещений, которые минимизируют ошибку решения. Это достигается с помощью процедур обучения. Путем анализа имеющихся в распоряжении входных и выходных данных веса и смещения сети автоматически настраиваются таким образом, чтобы минимизировать разность между желаемым сигналом и полученным на выходе в результате моделирования. Эта разность носит название ошибки. Таким образом, процесс обучения - это процесс подгонки параметров той модели процесса или явления, которая реализуется нейронной сетью. Ошибка обучения для конкретной конфигурации нейронной сети определяется путем прогона через сеть всех имеющихся наблюдений и сравнения выходных значений с целевыми значениями [2].
Для того чтобы обучить нейронную сеть, в MSExcel была создана матрица размерностью 100*6, содержащая как нормальные, так и патологические значения параметров свертывания - обучающее множество.
Помимо обучающего множества в МБЕхсе1 авторами разработана матрица желаемых результатов. На рисунках 1 - 5 представлена структура нейронной сети пе11.
I МнЬ'имгк
Рисунок 1. Нейронная сеть netl
Рисунок 3. Структура слоев нейронной сети
Рисунок 4. Учет весовых коэффициентов первого слоя
Рисунок 5. Учет весовых коэффициентов второго слоя
Задачей сети пеЬ1 является обнаружение нормы и патологии. Сеть обучается таким образом, чтобы на выходе 1 была единица, а на выходе 2 - ноль, в случае, если входные параметры в норме, и наоборот, если входные параметры соответствуют «области патологии».
После того как сеть обучена, необходимо проконтролировать ее работу, то есть оценить эффективность работы нейронной сети в задаче обнаружения (классификации). С этой целью использовались контрольные и тестовые множества. Нейронная сеть пе12 создается и функционирует аналогично сети пеЬ1, и предназначена для разделения патологических состояний.
Таким образом, совокупность двух нейронных сетей позволяет производить поэтапную систематизацию параметров биохимии крови, в результате которой на первом этапе выявляется отклонение тех или иных параметров от нормы, а на втором выделяются две области «патологии». В конечном итоге ставится предварительный диагноз о наличии или отсутствии патологических состояний системы гемостаза. При этом для использования нейронных сетей не требуется наличия специальных аппаратных средств в учреждениях здравоохранения. Обработка параметров биохимии крови проводится на обычном ПК.
В настоящее время авторами ведутся работы по созданию дружественного интерфейса, позволяющего использовать нейронные сети даже неподготовленному пользователю, а также значительно упростить процедуры формирования матрицы параметров, используемых для работы сети, ее обучения, тестирования и контроля.
ЛИТЕРАТУРА
1. Розина Н. Атеротромбоз - необходимо действовать - публикации // Фармацевтический вестник. - 2006. - №14 .
2. Медведев В. С., Потемкин В. Г. Нейронные сети. МАТЬДБ 6. - М.: ДИАЛОГ - МИФИ, 2002.
3. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы. - М.: Горячая линия -
Телеком, 2006.
