УДК 004.891.3
РАЗРАБОТКА НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ СТЕПЕНИ ТЯЖЕСТИ ПРИ ПЕРИТОНИТЕ
Л. В. Липинский1, Д. В. Болдырев2, О. А. Мальцева3
1 2Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: 11LipinskiyL@mail.ru, 2ladanil777@gmail.com, 3malya97@mail.ru
Работа посвящена вопросам нейросетевого моделирования и диагностики степени тяжести перитонита. Производится выбор эффективных структур нейронных сетей и анализ значимости диагностических показателей. Сформулированы рекомендации по сокращению диагностической карты.
Ключевые слова: медицинская диагностика, нейронная сеть.
DEVELOPMENT OF A NEURO NETWORK MODEL FOR FORECASTING THE DEGREE OF GRAVITY AT THE PERITONITE
L. V. Lipinskiy1, D. V. Boldyrev2, O. A. Maltseva3
1 2Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: 11LipinskiyL@mail.ru, 2ladanil777@gmail.com, 3malya97@mail.ru
The paper deals with the analysis and interpretation of the results obtained through use of the neural network model, for example medical tasks: determination of the severity of peritonitis. These methods are applicable in solving problems of rocket and space industry.
Keywords: medical diagnostics, neural network.
В современном мире широко применяется нейросетевое моделирование в различных областях человеческой деятельности: в технике, экономике, промышленности, а также большое применение в медицине. В статье уделяется внимание рассмотрению проблемы диагностирования степени тяжести перитонита.
Несмотря на улучшение интенсивной терапии в медицине и внедрение агрессивных хирургических методов, прогноз перитонита остается низким, особенно если развивается множественная полиорганная недостаточность. Около 80 % случаев вторичного перитонита в крупных больницах приходится на перфоративный перитонит, и 10-20 % можно наблюдать у пациентов после операций на брюшной полости. Для оценки терапевтического подхода необходима точная оценка риска для пациента, так как смертность остается высокой, в некоторых случаях достигая ~ 60 % [1].
Задача состоит в том, чтобы оценить степень тяжести перитонита. Данная задача была сформулирована ассистентом кафедры общей хирургии, кандидатом медицинских наук Дябки-ным Евгением Владимировичем [2]. Искусственные нейронные сети хорошо зарекомендовали себя при решении подобных задач.
Искусственные нейронные сети представляют собой модели, которые базируются на знаниях о функционировании нервной системы живых организмов. Подобно человеческому мозгу, нейронная сеть состоит из нейронов с различными синаптическими связями, называемыми весами, для каждой связанной пары нейронов. Существует конкретный набор входных и выходных нейронов для решения ряда задач [3].
Актуальные проблемы авиации и космонавтики - 2017. Том 2
В исследовании была реализована нейросетевая модель, с целью исследовать эффективность нейросетевого моделирования при диагностировании степени тяжести перитонита, а также для попытки сократить диагностическую карту.
Искусственная нейронная сеть реализована в программной среде Embarcadero® C++Builder 10 Seattle. Программная система позволяет строить нейронную сеть прямого распространения типа многослойный персептрон, с обучением методов сопряженных градиентов и градиентного спуска. Оптимизационным методом выбран метод сопряженных градиентов, так как он на многих задачах по эффективности сравним с методами 2-го порядка и превосходит простой градиентный спуск.
В исследовании было 100 реальных пациентов обоего пола, прошедших медицинское обследование. Выборка состоит из ста измерений, разделенных на тестовую и обучающую, в которые входят 13 показателей для определения прогнозируемого значения: 11 показателей - это ге-мотологические интегральные показатели, 12 показатель - это суммарный индекс брюшной полости, 13 показатель - Мангеймский перитонеальный индекс. Четырнадцатым показателем является класс, т. е. степень тяжести - всего таких степеней 3: легкая, средняя, тяжелая.
Для построения нейросетевой модели было отведено 5000 итераций для обучения сети. Результаты работы нейронной сети при вычислении ошибки классификации по всем выборкам на разных структурах приведены в табл. 1.
Таблица 1
Ошибка классификации на обучающей и тестовой выборке
Входы Структура (скрытые нейроны) Ошибка
Обучающая выборка Тестовая выборка
все 3 0,036542728 0,021042267
все 6 0,028571429 0,032258065
все 12 0,014285714 0,010865133
По данным результатам наиболее эффективными моделями из представленных оказалась модель со структурой в 12 скрытых нейронов, так как ошибка классификации на тестовой выборке оказалась минимальной.
На основе наиболее значимых входов, выявленных с помощью контрастирования, была обучена сеть. Результаты представлены в табл. 2.
Таблица 2
Значимые входные данные
Значимые входы Структура Ошибка
Тестовая выборка Обучающая выборка
12 3 0,1 0,2
12,7,11 3 0,042857143 0,085714286
12,7,11,2,3,4 3 0,064285714 0,128571429
12,7,11,2,3,4,5,6 3 0,035714286 0,071428571
5 6 0,259141446 0,34145345
5,10,12 6 0,042857143 0,085714286
5,10,12,2,3,4 6 0,032258065 0,057142857
5,10,12,2,3,4,8,13 6 0,035714286 0,071428571
12 12 0,085714286 0,171428571
12,11,7 12 0,042857143 0,085714286
12,11,7,4,10,1 12 0,014285714 0,028571429
12,11,7,4,10,1,6,13 12 0,007142857 0,014285714
Результаты исследования показали, что есть возможность сократить диагностическую карту до 8 показателей. Это ускорит работу врачей по установлению диагноза пациента. Также исследование показало, что с помощью нейросетевого моделирования возможно определить степень тяжести перитонита в кротчайшие сроки и с высокой точностью. При этом минимальное значение ошибки тестирования приближено к 0.
Библиографические ссылки
1. Delibegoviс S., Nuhanovk A. Artificial neural network in prediction of the outcome of critically ill patients with perforative peritonitis. // Faculty of Electrical Engineering, University of Tuzla, Bosnia and Herzegovina. 2008. С. 106-112.
2. Липинский Л. В., Кушнарёва Т. В. Анализ и интерпретация результатов при автоматизированном формировании деревьев приятий решений методом генетического программирования / Сиб. гос. аэрокосмич. ун-т. Красноярск, 2015.
3. Neural network models [Электронный ресурс]. URL: https://www.otexts.org/fpp/9Z3 (дата обращения: 20.03.2017).
© Липинский Л. В., Болдырев Д. В., Мальцева О. А., 2017