CC BY
23
2018, № 4
A.А. ХАЛАФЯН,
д.т.н., профессор кафедры прикладной математики, ФГБОУ ВО «Кубанский государственный университет», г. Краснодар, Россия, e-mail: statlab@kubsu.ru Л.Ю. КАРАХАЛИС,
д.м.н., профессор, профессор кафедры акушерства, гинекологии и перинатологии ФПК и ППС ФГБОУ ВО «Кубанский государственный медицинский университет» Минздрава России, г. Краснодар, Россия, e-mail: lomela@mail.ru Н.С. ПАПОВА,
аспирант кафедры акушерства, гинекологии и перинатологии ФПК и ППС ФГБОУ ВО «Кубанский государственный медицинский университет» Минздрава России, г. Краснодар, Россия, e-mail: Nelli.papova@mail.ru
B.А. АКИНЬШИНА,
к.п.н., доцент, доцент кафедры прикладной математики, ФГБОУ ВО «Кубанский государственный университет», г. Краснодар, Россия, e-mail: ak-vera@yandex.ru А.А. КОШКАРОВ,
начальник информационно-вычислительного отдела, ГБУЗ «Клинический онкологический диспансер № 1» Министерства Здравоохранения Краснодарского края, г. Краснодар, Россия, e-mail: koshkarov17@yandex.ru, koshkarov@kkod.ru
ПРОГНОЗИРОВАНИЕ СТАДИИ РАСПРОСТРАНЕНИЯ ЗАБОЛЕВАНИЯ У ПАЦИЕНТОВ, СТРАДАЮЩИХ АДЕНОМИОЗОМ, НЕЙРОННЫМИ СЕТЯМИ
УДК 519.711
Халафян А.А., Карахалис Л.Ю, Папова Н.С, Акиньшина В.А., Кошкаров А.А. Прогнозирование стадии распространения заболевания у пациентов, страдающих аденомиозом, нейронными сетями (ФГБОУ ВО «Кубанский государственный университет», г. Краснодар, Россия; ФГБОУ ВО «Кубанский государственный медицинский университет» Минздрава России, г. Краснодар, Россия; ГБУЗ «Клинический онкологический диспансер № 1» Министерства Здравоохранения Краснодарского края, г. Краснодар, Россия)
Аннотация. Аденомиоз - весьма распространенное гинекологическое заболевание, сопровождающееся, как правило, бесплодием. Есть проблемы с диагностикой заболевания, так как болезнь имеет различные клинические проявления, в том числе зачастую болезнь протекает бессимптомно. Из-за сложности диагностики по разным источникам его частота колеблется от 5% до 70%. Не менее сложной проблемой является определение стадии заболевания, определяющей тактику и стратегию лечения больных. По выборке из 84 больных, страдающих аденомиозом, посредством коэффициента ранговой корреляции Спирмена были выявлены показатели, взаимосвязанные со стадиями заболевания. В работе рассмотрено применение эвристической процедуры нейронные сети для прогнозирования по лабораторно-клиническим показателям стадии аденомиоза. Разработано программное приложение, которое позволяет предсказать стадию аденомиоза, не прибегая к гистерэктомии. Методологическая ценность работы в том, что на примере распространенного гинекологического заболевания показано, что применение современных средств анализа данных открывает широкие возможности решения прогностических задач определения принадлежности больных к определенным классам по стадиям или видам заболевания. Программные приложения, автоматизирующие процедуру классификации больных, могут лечь в основу различных систем поддержки принятия врачебных решений.
Ключевые слова: медицинская система поддержки принятия решений, нейронные сети, аденомиоз.
© А.А. Халафян, Л.Ю. Карахалис, Н.С. Папова, В.А. Акиньшина, А.А. Кошкаров, 2018 г.
технологии
UDС 519.711
Khalafyan A.A., Karahalis L.Ju, Papova N.S., Akin'shina V.A., Koshkarov A.A. Forecasting the stage of adenomiosis with neural networks (Kuban State University, Krasnodar, Russia; Kuban State Medical University, Krasnodar, Russia; Krasnodar Regional Oncological Dispenser, Krasnodar, Russia)
Abstract. Adenomyosis is a widespread gynecological disease, which is often accompanied by infertility. There are problems with the diagnosis of the disease, since the disease has various clinical manifestations, including often asymptomatic course of the disease. Due to the complexity of the diagnosis and according to different sources, its frequency varies from 5% to 70%. An equally difficult problem is determining the stage of the disease. The stage determines the tactics and strategy of treating patients. A sample of 84 patients with adenomyosis, using the Spearman rank correlation coefficient, revealed indicators that are interrelated with the stages of the disease. In this work, the application of the heuristic procedure to neural networks for predicting the laboratory-clinical indicators of the adenomyosis stage is considered. A software application has been developed that allows you to predict the stage of adenomyosis without resorting to hysterectomy. The methodological value of the work is that, using the example of a common gynecological disease, it is shown that the use of modern data analysis tools opens up wide possibilities for solving prognostic problems of determining patients' belonging to certain classes according to the stages or types of the disease. Software applications that automate the procedure for classifying patients can form the basis of various systems of support for making medical decisions.
Keywords: medical decision support system, neural networks, adenomiosis.
ВВЕДЕНИЕ
Аденомиоз - в достаточной степени распространенное гинекологическое заболевание, одним из последствий которого является бесплодие. Есть определенные сложности с диагностированием стадий заболевания, а значит и с назначением своевременного и эффективного лечения. В работе рассмотрено применение эвристической процедуры, нейронные сети для прогнозирования по лабораторно-клиническим показателям стадии аденомиоза, разработано программное приложение, которое позволяет предсказать стадию аденомиоза, не прибегая к гистерэктомии.
Аденомиоз относится к одному из самых распространенных гинекологических заболеваний, частота его в связи с трудностями диагностики колеблется в широких пределах: от 5% до 70%, часто сопровождаясь бесплодием [1-3], [6-9]. Пациенты с аденоми-озом могут иметь разнообразные клинические проявления, в том числе тяжелые менструальные кровотечения, дисменорею, однако пациенты могут быть и асимптоматичными. На сегодняшний день не существует стандартных диагностических критериев визуализации, и выбор оптимального лечения является сложной задачей [11]. Исторически диагноз аденомиоза устанавливался женщинам репродуктивного возраста после гистерэктомии, однако применение дооперационной визуализации (ультразвуковое исследование, магнитно-резонансная томография, гистероскопия) позволило выяснить, что аденомиоз встречается и в подростковом возрасте [10]. Цель исследования - показать возможности нейронных сетей в прогнозировании стадии аденомиоза.
МАТЕРИАЛЫ И МЕТОДЫ
В качестве инструментария построения нейронных сетей использовали программу Neural Network в среде пакета STATISTICA. Программный модуль, автоматизирующий предсказание стадии аденомиоза больного был разработан в среде программирования Visual Basic for Aplications ( VBA).
Методы прикладной статистики построены на парадигме среднего - их ключевым элементом является среднее статистическое с показателями разброса. В основе большинства методов прикладной статистики лежат линейные математические модели. Нейронные сети - обучающиеся эвристические системы, имитирующие посредством математической нелинейной модели искусственного нейрона деятельность живых нейронных сетей [4]. Существует многообразие нейронных сетей по их топологии, функциям активации нейронов и по характеру связей между нейронами. Топология сети определяет количество и структуру слоев нейронов в сети, тип распространения сигнала между нейронами разных слоев и наличие связей в виде петель. В программе Neural Network пакета Statistica для задач классификации предусмотрены два типа двухслойных нейронных сетей с последовательными прямыми связями: радиально-ба-зисные функции (RBF) и многослойный персеп-трон (MLP). Для радиально-базисных функций требуется большая обучающая выборка, поэтому мы использовали многослойный, а именно, двухслойный персептрон, содержащий три слоя: входной скрытый и выходной. Сети с одинаковой топологией могут различаться весовыми коэффициентами в каждом нейроне.
Процесс определения значений весовых коэффициентов называется обучением сети, который основан на использовании обучающей выборки - данных о пациентах, включающих их стадии заболевания. Для увеличения прогностических свойств программа строила сети, предварительно разбив данные на
3 части - обучающую, контрольную и тестовую выборки, соответственно по 68, 8 и 8 человек. Обучение сети - это многократно повторяющийся итеративный процесс. На каждой итерации обучение осуществляется на обучающей выборке, результат обучения проверяется на контрольной выборке. После завершения процесса обучения сеть тестируется при помощи тестовой выборки. Поэтому, наиболее важными являются значения прогностических критериев на тестовой выборке.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
По выборке из 84 больных, страдающих аденомиозом, посредством коэффициента ранговой корреляции Спирмена были выявлены показатели, имеющие статистически значимые слабые, или умеренные корреляционные взаимосвязи с показателем, обозначающим стадию заболевания (Стадия) (таблица 1).
Таблица 1 Ранговые корреляции Спирмена
Отмеченные
корреляции
Показатели значимы на уровне p < 0,05
Стадия
Дисменорея 0,729
Длительность менструального цикла -0,207
Длина матки 0,383
Толщина матки -0,204
Число фолликулов -0,219
Некровоточащие гетеротопии 0,457
Кровоточащие гетеротопии -0,546
Неровный рельеф слизистой полости матки -0,359
Разволокненные мышцы -0,223
Опущение стенок влагалища и матки 0,327
Острая респираторно-вирусная инфекция -0,292
Первые 5 показателей - количественные; остальные 6 - качественные, принимающие значения да, нет. Дисменорея, характеризующая интенсивность болей в животе при спаз-
>
технологии
мах матки измеряется по визуально-аналоговой шкале (ВАШ) в баллах в диапазоне от 0 до 10. Учитывая широкий диапазон изменения, дисменорею при проведении статистических исследований рассматривали как количественный показатель. Больные в группах по степени выраженности тяжести заболевания - стадиям 1, 2, 3, были представлены соответственно в количестве 24, 35 и 25 человек. Стадии заболевания были установлены при помощи проведенного в послеоперационном периоде гистологического исследования.
Программой было сгенерировано более 50 сетей. Для выбора лучшей сети анализировали параметры 5 лучших сетей, которые отображены в таблице 2.
Архитектура двухслойного персептрона указана в столбце 2. Первое число указывает на количество переменных в модели сети, вычисляется как сумма числа количественных показателей (5) и числа качественных (6), умноженных на 2, так как принимают два значения - да, нет. Второе и третье - число скрытых и выходных нейронов в модели. В трех последующих столбцах таблицы отображены производительности сетей в трех выборках. Чем больше производительность, тем точнее прогноз. Максимально возможная производительность
равна 100%. В последних столбцах указаны алгоритм обучения нейронных сетей, функция ошибки, функции активации скрытых и выходных нейронов. Для всех нейронных сетей, указанных в таблице, был использован алгоритм обучения Бройдена-Флетчера-Гольдфарба-Шанно (Broyden-Fletcher-Goldfarb-Shanno) -BFGS, итерационный квазиньютоновский метод численной оптимизации. Цифра рядом с наименованием алгоритма обучения указывает на количество итераций, за которые сеть была обучена. В столбце 7 таблицы указана функция ошибки SOS, используемая в процессе обучения - корень из суммы квадратов отклонений предсказанной переменной от исходной. В программе предусмотрены следующие функции активации: тождественная (,identity), логистическая (logistic), гиперболическая (hyperboliC), экспонента (exponentially), синус (sinus), тождественная (identity), софтмакс -обобщенная логистическая (softmaX).
Анализ производительности обучающей, контрольной и тестовой выборок показал, что наилучшими прогностическими свойствами обладают сети под номером 3 и 4. Для выбора наилучшей из них был произведен сравнительный анализ ошибок классификации, приведенных в таблице 3.
Таблица 2
Характеристики пяти лучших сетей классификации
Номер сети Топология Обучающая произв. Тестовая произв. Контрольная производитель -ность Алгоритм обучения Функция ошибки Функция активации нейронов скрытого слоя Функция актив выходного слоя
1 MLP17-3-3 94,328 100,000 50,000 BFGS49 SOS Exponentially Logistic
2 MLP17-7-3 92,647 100,000 50,000 BFGS53 SOS Exponentially Identity
3 MLP17-9-3 94,117 100,000 75,000 BFGS37 SOS Logistic Identity
4 MLP 17-10-3 95,588 100,000 62,500 BFGS69 SOS Exponentially Exponentially
5 MLP 17-3-3 95,588 100,000 50,000 BFGS60 SOS Exponentially Logistic
Таблица 3
Ошибки классификации нейронных сетей 3 и 4*
Предсказанные классы Предсказанные классы
по модели нейронной сети 3 по модели нейронной сети 4
Стадия J Стадия 2 Стадия 3 Стадия J Стадия 2 Стадия 3
Стадия 1 20 0 0 20 0 0
Стадия 2 4 33 0 4 34 1
Стадия 3 0 2 25 0 1 24
*строки - предсказанные классы, столбцы - исходные
Из таблицы 3 видно, что обе сети допустили одинаковое количество ошибок классификации - 6. С точки зрения применяемой методики лечения ошибочное отнесение пациента к стадии 3 опасно, т.к. подразумевает хирургическое вмешательство. Так как у сети 3 таких ошибочных классификаций две, а у сети 4 - одна, для дальнейшего анализа была выбрана сеть под номером 4 - MLP 17-10-3, топология которой представлена на рис. 1.
Рис. J. Топология нейронной сети MLP 17-10-3
Число слоев в сети 3, промежуточный слой Y. содержит 10 элементов j = 10). На первом слое X (i = 17) - 17 нейронов, соответствующих входным показателям. Первые 5 показателей -количественные, им соответствует 5 первых нейронов входного слоя X. Остальные 6 показателей - качественные, принимающие значения да, нет, им соответствует 12 нейронов. На последнем слое Qk, (к = 3) - 3 нейрона, которые соответствуют трем стадиям заболевания.
В таблице 4 предоставлена развернутая информация о прогностических возможностях выбранной сети по трем выборкам - обучающей, контрольной и тестовой: общее количество больных (Total) по каждой стадии, верно (Correct) и неверно (Incorrect) классифицированных в абсолютных и относительных (%) величинах. Из таблицы следует, что в обучающей выборке, состоящей из 68 чел., нейронной сетью верно классифицированы 64 (94,118%) больных. При этом все больные стадии 3 классифицированы верно, 16 больных (84,21%) стадии 1 и 28 больных (96,551%) стадии 2 также классифицированы правильно. В тестовой выборке нет ошибочных классификаций, в контрольной выборке 2 ошибочные классификации.
Для определения структуры ошибочных классификаций в обучающей и контрольной выборке следует обратиться к таблице 5, столбцы которой обозначают исходные классы, а строки - предсказанные.
Из таблицы следует, что в обучающей выборке трое больных стадии 1 классифициро-
>
и информационные
технологии
Результаты классификации
Таблица 4
Обучающая выборка
Стадия 1 Стадия 2 Стадия 3 Total
Total 19 29 20 68
Correct 16 28 20 64
Incorrect 3 1 0 4
Correct (%) 84,21 96,551 100,000 94,118
Incorrect (%) 15,79 3,448 0,000 5,882
Тестовая выборка
Стадия 1 Стадия 2 Стадия 3 Total
Total 3 3 2 8
Correct 3 3 2 8
Incorrect 0 0 0 0
Correct (%) 100 100 100 100
Incorrect (%) 0 0 0 0
Контрольная выборка
Стадия 1 Стадия 2 Стадия 3 Total
Total 2 3 3 8
Correct 1 3 2 6
Incorrect 1 0 1 2
Correct (%) 50 100 66,666 75
Incorrect (%) 50 0 33,333 25
Таблица 5
Матрица ошибок классификации
Обучающая выборка
Стадии заболевания Стадия 1 Стадия 2 Стадия 3
Стадия 1 16 0 0
Стадия 2 3 28 0
Стадия 3 0 1 20
Контрольная выборка
Стадии заболевания Стадия 1 Стадия 2 Стадия 3
Стадия 1 1 0 0
Стадия 2 1 3 1
Стадия 3 0 0 2
ваны неверно как больные стадии 2, одна больная стадии 2 также неверно классифицирована как больная стадии 3. В контрольной выборке одна больная стадии 1 классифицирована неверно как больная стадии 2, одна
больная стадии 3 также неверно классифицирована как больная стадии 2.
Следует обратить внимание на то, что все ошибочные классификации между смежными стадиями, возможно это связано не
с недостатком нейронной сети, а с тем, что больные пребывают в состояниях определяемых, как промежуточные стадии заболевания. Общий процент правильно идентифицированных больных составил 93%, при этом на тестовой выборке доля правильно идентифицированных больных составила 100%, поэтому можно утверждать, что построена вполне адекватная сетевая модель для прогнозирования возможной стадии аденомиоза. В среде программирования Visual Basic for Aplications (VBA) был разработан программный модуль [5], позволяющий по совокупности 11 выделенных показателей автоматизировать процесс прогнозирования стадии произвольного больного по обученной нейронной сети. Как пример, рассмотрим работу программы на примере больной стадии 3, данные которой не были использованы при обучении и тестировании нейронной сети. Стартовое окно программы для ввода 5 количественных и 6 качественных показателей пациента, используемых в качестве входных значений нейронной сети, изображено на рис. 2.
На рис. 3 отображено окно вывода ре зультата прогнозирования возможной стадии заболевания.
* -- — Результаты прогноза ШМ'
Наиболее вероятно, что у больного стадия 3
ок |
Рис. 3. Окно вывода результатов прогноза
ВЫВОДЫ
На примере выборки из 3 групп больных по степени выраженности тяжести заболевания аденомиозом - стадиям 1, 2, 3, представленных соответственно в количестве 24, 35 и 25 человек, показаны возможности нейронных сетей в прогнозировании стадии аденомиоза. Для автоматизации работы нейронной сети разработан автономный программный модуль.
Рис. 2. Окно ввода данных пациента
>
технологии
Несомненно, применение современных средств анализа данных, реализованных в виде статистических пакетов, открывает самые широкие возможности решения задач предсказания принадлежности больных к определенным классам по совокупности клинических показателей. Создание по разработанным алгорит-
мам программных приложений автоматизирует процедуру классификации и, делает возможным их использование медицинским персоналом, не имеющим специализированной подготовки в области анализа данных. Подобные приложения могут лечь в основу различных систем поддержки принятия врачебных решений.
ЛИТЕРАТУРА
1. Адамян Л.В. Роль ароматазы в развитии генитального эндометриоза / Л.В. Адамян, М.М. Сонова, О.Н. Логинова, К.Н. Арсланян // Акушерство, гинекология, репродукция. - 2016. - № 4, Том 10. - С. 39-48.
2. Арутюнян А.Ф. Современные аспекты патогенетически обоснованной терапии адено-миоза / А.Ф. Арутюнян, С.Н. Гайдуков, В.Н. Кустаров // Педиатр. - 2016. - Том 7, № 3. - С. 92-97.
3. Дамиров М.М. Генитальный эндометриоз: взгляд практикующего врача / М.М. Дами-ров, О.Н. Олейникова, О.В. Майорова // - М.: БИНОМ, 2013. - 152 с.
4. Нейронные сети STATISTICA Neural Networks. Методология и технологии современного анализа данных: учебное пособие. 2-е изд., перераб. и доп. / под редакцией В.П. Боровикова // М.: Горячая линия - Телеком, 2008. С. 392.
5. Прогнозирование стадии аденомиоза методом нейронные сети / А.А. Халафян, Л.Ю. Карахалис, В.А. Акиньшина, Е.Ю. Пелипенко, Н.С. Папова; - Свидетельство о государственной регистрации программы для ЭВМ № 2018612547. Федеральная служба по интеллектуальной собственности, патентам и товарным знакам. Зарегистрировано 19.02.2018.
6. Стрижаков А.Н. Доброкачественные заболевания матки / А.Н. Стрижаков, А.И. Давыдов, В.М. Пашков, В.А. Лебедев // - 2-е изд. перераб. и доп. - М.: ГЭОТАР-Медиа, 2014. - 312 с.
7. Эндометриоз: диагностика, лечение и реабилитация. Клинические рекомендации / под ред. Л.В. Адамян // - Москва, 2013. - 86 с.
8. Adenomyosis and its impact on women fertility / Elisabetta Garavaglia, Serafini Audrey, Inversetti Annalisa, Ferrari Stefano, Tandoi lacopo, Corti Laura, Candiani Massimo // Iran J Reprod Med. - 2015. - Vol. 13, № 6. - P. 327-336.
9. Pathogenesis of adenomyosis: an update on molecular mechanisms / S. Vannuccini, C. Tosti, F. Carmona, S.J. Huang, C. Chapron, S.W. Guo, F. Petraglia // Reprod Biomed Online. - 2017. - pii: S1472-6483 (17) 30296-1. doi: 10.1016/j.rbmo.2017.06.016.
10. Ryan G.L., Stolpen A., Van Voorhis B.J. An unusual cause of adolescent dysmenorrhea. Obstetrics and gynecology. 2006; 108(4): 1017-1022.
11. Struble J. Adenomyosis: a clinical review of a challenging gynecologic condition / J. Struble, S. Reid, M.A. Bedaiwy // J Minim Invasive Gynecol. - 2016. - Vol.23(2). - P. 164-85. doi: 10.1016/j.mig.2015.09.018.
