CC BY
43
УДК 681.3
РАЗРАБОТКА НЕЙРОСЕТЕВОЙ МОДЕЛИ ДИАГНОСТИКИ ПАЦИЕНТОК С ВНУТРЕННИМ ЭНДОМЕТРИОЗОМ, МИОМОЙ МАТКИ И ОПУХОЛЬЮ ЯИЧНИКОВ
Е.И. Новикова, О.В. Родионов
Статья посвящена разработке модели рационального принятия решения для диагностики внутреннего эндометриоза, миомы матки и опухолей яичников на основе нейросетевого моделирования с целью повышения эффективности процесса диагностики данных патологических состояний
Ключевые слова: гинекологические заболевания, сеть Кохонена, нейросетевое моделирование
Самым распространенным среди гинекологических заболеваний является эндометриоз, встречается у 6 - 44 % женщин, страдающих бесплодием и перенесших лапароскопию и лапаротомию. Миома матки
- доброкачественная гормонозависимая опухоль у женщин репродуктивного возраста. Миома матки составляет до 30 % гинекологических заболеваний. Опухоли и опухолевидные образования яичников -занимают второе место среди других опухолей женских половых органов. Большинство опухолей яичников доброкачественные, на их долю приходится 75
- 87 % всех истинных опухолей яичников. Сочетание внутреннего эндометриоза с миомой матки наблюдается у 55 - 85 % больных, а сочетание опухолей яичников и миомы матки - у 40 - 83 % больных.
Оценка функционального состояния пациенток проводилась на трех условно выделяемых иерархических уровнях: по клиническим показателям на основе опроса пациентов, бимануальное исследование и результаты ультразвукового обследования, на предмет риска возникновения внутреннего эндометриоза, миомы матки и опухолей яичников.
Выделение типологических групп по состоянию развития гинекологических заболеваний проводилось с использованием сети Кохонена.
Самоорганизующиеся карты представляют собой мощный аналитический инструмент, объединяющий в себе - кластеризацию и проецирование, т.е. визуализацию многомерных данных на плоскости. Сеть Кохо-нена распознает кластеры в многомерных обучающих данных и относит все данные к тем или иным кластерам, используя алгоритм проецирования с сохранением топологического подобия. При этом те элементы выборки, которые находятся в относительной близости в исходном многомерном пространстве, оказываются рядом и в пространстве с более низкой размерностью.
Сеть Кохонена имеет всего два слоя: входной и выходной, составленный из радиальных нейронов упорядоченной структуры (выходной слой называют также слоем топологической карты). Нейроны выходного слоя располагаются в узлах двумерной сетки с прямоугольными ячейками.
Процесс обучения заключается в подстраивании весов синапсов методом последовательных приближе-
Новикова Екатерина Ивановна - ВГТУ, канд. техн. наук, доцент, (4732) 46-76-99
Родионов Олег Валерьевич - ВГТУ, д-р техн. наук, про-фессор,(4732) 46-76-99
ний на основании их значений от предыдущей итерации. Обучение по алгоритму Кохонена сводится к минимизации разницы между входными сигналами нейрона, поступающими с выходов нейронов предыдущего слояу{п1>, и весовыми коэффициентами его синапсов:
'(?) = ' ( -1) + «[У,(п-1) - ''ц ( -1)], (1)
где 1 обозначает номер эпохи (итерации).
Полный алгоритм обучения выглядит следующим образом:
1. На стадии инициализации всем весовым коэффициентам присваиваются небольшие случайные значения.
2. На входы сети подается входной образ, и сигналы возбуждения распространяются в выходном слое, т.е. для каждого нейрона рассчитывается взвешенная сумма его входов, к которой затем применяется активационная (передаточная) функция нейрона, в результате чего получается его выходное значение у/п\ 1=0,...М -1, где М{ - число нейронов в слое г, п = 0, ..., N-1, а N - число слоев в сети.
3. Из всего выходного слоя выбирается нейрон, значения синапсов которого максимально походят входному образу, и для него осуществляется подстройка весов синапсов с применением формулы (1). Это может сопровождаться "затормаживанием" всех остальных нейронов слоя и введением выбранного нейрона в насыщение. Иными словами, в ходе обучения модифицируется не только нейрон-"победитель", но, в меньшей степени, и его соседи.
4. Цикл повторяется с шага 2, где попеременно предъявляются все образы из входного набора пока выходные значения сети не будут стабилизированы с заданной точностью.
В результате итеративной процедуры обучения сеть организуется таким образом, что каждому входному измерению, заданному в да-мерном пространстве исходных признаков, будет соответствовать ячей-ка-"победитель" на двумерной решетке топологического слоя сети. Для визуализации структуры кластеров, полученных в результате обучения карты, применяется унифицированная матрица расстояний. Элементы матрицы определяют расстояние между весовыми коэффициентами каждого нейрона и его ближайшими соседями. Большое значение расстояния говорит о том, что данный нейрон сильно отличается от окружающих и относится к другому классу.
Обучение самоорганизующейся сети выполнялось на основе 100 примеров. Выходной топологический слой 10х10 ячеек.
На рис. 1 представлена серия карт Кохонена для рассматриваемых патологий. Каждая карта представляет собой отображение выходного слоя
нейронов, расположенных в узлах двумерной координатной сетки с шестиугольными ячейками. Для визуализации карт применялась градация серого цвета, т.е. чем больше значение отображаемого показателя, тем темнее прорисовывается связанный с ним узел.
ж) Карта, наличие узлов з) Карта, увеличение размеров яичника
Рис. 1. Топологические карты Кохонена для гинекологических заболеваний
Карта а) рис. 1 описывает унифицированную матрицу расстояний между каждым нейроном и его ближайшими соседями. Узлам, резко контрастирующим со своей окрестностью, соответствует черный цвет, а участкам, носящих характер "сглаженного плато", - белый. Группу ячеек, расстояние между которыми внутри этой группы меньше, чем расстояние до соседних групп, определим как кластер. Разбиение топологической карты на 5 кластеров соответствуют заболеваниям: 1 - внутреннему эндомет-риозу, 2 - миоме матки, 3 - опухолям яичникам, 4 -сочетанию внутреннего эндометриоза, 5 - мимы матки и сочетанию миомы матки и опухолям яичников.
С каждым произвольным примером обучающей или контрольной выборок связывается "нейрон-победитель", т.е. нейрон выходного слоя. На карте б) рис. 1 представлена матрица частот выигрышей, которая показывает, сколько раз каждый элемент выиграл (т.е. оказывался ближайшим к обрабатываемому наблюдению) после тестирования всех 100 примеров обучающей выборки. Если узел выигрывал два раза, то он окрашен в черный цвет. Большие значения частот выигрышей указывают на центры кластеров топологической карты.
Светлым цветом на картах в-з) представлены примеры с наибольшим влиянием соответствующих признаков заболеваний на рассматриваемые заболевания.
Для диагностики гинекологических заболеваний была создана нейронной сеть, которая состоит из 25 входных векторов (представленных в табл.). А также двух скрытых слоев, содержащих по 10 нейронов каждый. Обучение сети осуществлялось при
помощи 100 обучающих векторов. Сеть имеет 5 выходов, соответствующих каждому из присутствующих в обучающей выборке классов заболевания. В качестве нелинейного элемента нейрона используется нелинейный функциональный сигмоидальный преобразователь:
1
1 + е -
(2)
Сеть, реализующая эту систему представлена на рис. 2.
Нейросетевые модели для каждого гинекологического заболевания имеют следующий вид: У1=-0,341*84>1-0,756*84,2+0,745*84>3--0,188*844+0,395*845-0,972, У2=-0,911*84'1-0,251*842+0,724*843--0,288*84.4-0,345*84.5-0,956, У3=-0,232*84,1-0,184*842+0,108*843+ +0,947*844-0,134*845-0,018, У4=0,689*84>1+0,754*84,2+0,223*84>3+ +0,875*844-0,331*845-0,142, У5=0,293*841-0,472*84,2-0,578*84,3--0,346*84.4-0,752*84.5-0,951, где У1 - заболеваемость внутренним эндометриозом;
У2 - заболеваемость миомой матки;
УЗ - заболеваемость опухолью яичников;
У4 - заболеваемость внутренним эндометрио-зом и миомой матки;
У5 - заболеваемость миомой матки и опухолью яичников;
84,і - функциональные преобразователи выход-
ного слоя.
Таблица
0.1Х
№ Наименование признака № Наименование признака
1 Наличие нарушения менструальной функции 14 Наличие различных по локализации узлов
2 Кровотечения 15 Неоднородная структура узла
З Боли внизу живота и пояснице 16 Наличие капсулы
4 Учащение мочеиспускание 17 Размер яичника
5 Увеличение размеров матки 18 Неровность контуров яичника
6 Деформация полости матки 19 Наличие гипоэхогенных включений
7 Неправильная форма матки 20 Наличие анэхогенных включений
8 Неоднородность структуры миометрия 21 Наличие гиперэхогенных включений
9 Неровность контуров эндометрия 22 Представлено мелкодисперсионой взвесью
10 Наличие «ячеистой структуры» 23 Жидкостное содержание
11 Размер гипоэхогенных включений 24 Наличие камеры
12 Размер узла 25 Наличие капсулы
13 Количество узлов более двух
Рис. 2. Нейронная сеть
При правильном распознавании на одном из выходных элементов появляется высокое значение активации при незначительной ее величине на остальных четырех.
Апробация модели проводилась на контрольной выборке. Из всех пациенток, для которых была применена данная методика, 8 был поставлен неправильный диагноз, что соответствует достоверности постановки диагноза 93,04 %.
Литература:
1. Е.И. Новикова, О.В. Родионов, М.В. Фролов Анализ клинических признаков больных с кистами и опухолями яичников и матки // Интеллектуализация управления в социальных и экономических системах: тр. всерос.
конф. Воронеж, 2003. С. 143 - 144.
2. Е.Н. Коровин, Н.А. Кузнецова, Е.И. Новикова Применение нейронных сетей для задач диагностики гинекологических заболеваний // Интеллектуальные информационные системы: тр. всерос. конф. Воронеж, 2004. Ч. 1. С 220 - 221.
3. Е.И. Новикова, О.В. Родионов, М.В. Фролов Принципы разработки экспертной системы на базе нейронной сети для диагностики опухолей матки и яичников // Интеллектуальные информационные системы: тр. всерос. конф. Воронеж, 200б. Ч. 1. С 141 - 143.
4. Е.И. Новикова, О.В. Родионов, М.В. Фролов, А.Ю. Фаустова Информационная поддержка принятия решений для диагностики внутреннего эндометриоза, миомы матки и опухолей яичников // Вестник Воронеж. гос. техн. ун-та. 2007. Т. 2. №. С. 1З9-1б2
Воронежский государственный технический университет
DEVELOPMENT OF MODELS OF DIAGNOSTIC NEURAL PATIENTS WITH INLAND ENDOMETRIOSIS, WOMB MIOMY AND GONADS TUMORS
E.I. Novikova, O.V. Rodionov
This article is devoted to the development of a model of rational decision-making for diagnosis of internal endometriosis, uterine myomas and ovarian tumors based on a neural network to improve the process of diagnosing these pathological conditions
Keywords: gynecological diseases, Kohonen network, Neuron networks modeling
