CC BY
351
Врач lisa
™ и информационные
технологии
Системы поддержки принятия врачебных решений
О.Г. ЖАРИКОВ,
В.А. КОВАЛЕВ,
А.А. ЛИТВИН,
учреждение «Гомельская областная клиническая больница»,
ГНУ «Объединенный институт проблем информатики Национальной академии наук Беларуси»
СОВРЕМЕННЫЕ ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ НЕКОТОРЫХ ЭКСПЕРТНЫХ СИСТЕМ В МЕДИЦИНЕ
Внедрение информационных технологий в медицине в настоящее время является одним из приоритетных направлений развития здравоохранения. Среди экспертных систем в медицине наиболее эффективны искусственные нейронные сети и методы добычи данных (Data Mining). Они позволяют решать задачи диагностики, дифференциальной диагностики, прогнозирования, выбора оптимальной стратегии лечения. В статье выполнен обзор известных примеров использования некоторых экспертных систем, изложены достоинства и недостатки применения искусственного интеллекта в медицине.
Vt______________________________________________________________________
В последнее время все больше возрастает значение информационного обеспечения самых различных медицинских технологий. Оно становится критическим фактором развития практически во всех областях знания, поэтому разработка и внедрение информационных систем является на сегодняшний день одной из самых актуальных задач [7, 8].
Анализ применения персональных компьютеров в медицинских учреждениях показывает, что они используются недостаточно эффективно: большинство применяются для обработки текстовой документации, хранения и обработки баз данных, ведения статистики и финансовых расчетов. Отдельная специализированная часть машин используется совместно с различными диагностическими и лечебными приборами [3].
Большинство из важнейших областей лечебно-диагностических технологий практически не используют современных возможностей компьютера. Прежде всего, это диагностика,
назначение лечебных мероприятий, прогнозирование течения заболеваний и их исходов. Причины этого носят сложный характер, ведутся дискуссии. Основные причины недостаточного использования компьютерных технологий в медицине — слабо развитая техническая база, низкая компьютерная грамотность участников технологий и др. Большое значение имеет психологический аспект применения компьютерных приложений. Это серьезная причина, связанная с характером работы врача. Врач является исследователем, и его работа носит творческий характер, однако он несет прямую ответственность за результат своей деятельности. Принимая решение о диагнозе или лечении, он опирается на знания и опыт, свои собственные и коллег, являющихся для него авторитетом. Очень важно при этом обоснование решения, если оно подсказывается со стороны [3].
Современные технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а
© О.Г. Жариков, В.А. Ковалев, А.А. Литвин, 2008 г.
' 24 1 1 1 1 1 1 ■ ■ 1 J 1 1 1 ■ ■ ■■ ■ ■ ■ И 1 1 1 1 1 1 1 1 1 1 1 1 1 ■ ■■ ■ ■ ■ 1 i i i i i i i i ■■ ■ ■ ■■■ ■ ■ ■ ■ ■ i i i i i i i i i i i i i i i i i i
Системы поддержки принятия врачебных решений
именно визуально, на основе математических закономерностей, пространственно смоделировать типовое развитие патологического процесса при конкретном заболевании. Уже сейчас, на современном этапе развития медицины, информационные нагрузки достигают пределов человеческих возможностей. Возникает дилемма: либо приходится жертвовать полнотой анализа информации, либо необходимо шире использовать различные методы поддержки принятия решений. Экспертные компьютерные медицинские системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к машине за консультацией в трудных диагностических случаях [1].
Область исследования экспертных систем (ЭС) называют «инженерией знаний». Этот термин был введен Е. Фейгенбаумом, и в его трактовке он означает «привнесение принципов и средств из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Другими словами, экспертные системы применяются для решения неформализованных проблем, к которым относятся задачи, обладающие одной или несколькими из следующих характеристик [1]:
— задачи не могут быть представлены в числовой форме;
— исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью;
— цели нельзя выразить с помощью четко определенной целевой функции;
— не существует однозначного алгоритмического решения задачи.
Все вышеперечисленные характеристики как нельзя лучше подходят для решения медицинских задач, так как в большинстве случаев они представлены большим объемом многомерных, запутанных, а порой и противоречивых клинических данных. ЭС позволяют решать задачи диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения и др. [6].
www.idmz.ru 2CKDS, ГМ= 5
Из экспертных медицинских систем особое место занимают самообучающиеся интеллектуальные системы (СИС). Они основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Наиболее ярким примером СИС являются искусственные нейронные сети [4, 11].
Искусственные нейронные сети (ИНС) (англ. — «artificial neural networks») представляют собой нелинейную систему, позволяющую гораздо лучше классифицировать данные, чем обычно используемые линейные методы. В приложении к медицинской диагностике ИНС дают возможность значительно повысить специфичность метода, не снижая его чувствительности [1, 2].
ИНС — это структура для обработки когнитивной информации, основанная на моделировании функций мозга [19]. Основу каждой ИНС составляют относительно простые, в большинстве случаев однотипные элементы (ячейки), имитирующие работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Искусственный нейрон обладает группой синапсов — однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон — выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов (рис. 1) [10].
Для ИНС характерен принцип параллельной обработки сигналов, который достигается путем объединения определенным образом большого числа нейронов в так называемые слои и соединения нейронов различных слоев. Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера: чем сложнее ИНС, тем масштабнее задачи, подвластные ей. Прочность синаптических связей модифицируется в процессе извлечения знаний из обучающего
25"
......■...*!.........±_jг. l_j.........................
!!!!!!!!!!!!!!!!!!!! I I I I I !!!!!!!!!!!!!!!!!!!!!!! !
Врач lisa
™ и информационные
технологии
Системы поддержки принятия врачебных решений
> набора данных (режим обучения), а затем используется при получении результата на новых данных (режим исполнения) [2, 12].
Наиболее важным отличием метода ИНС от всех остальных методов прогнозирования является возможность конструирования экспертных систем самим врачом-специалистом, который может передать нейронной сети свой индивидуальный опыт, опыт своих коллег, или обучать сеть на реальных данных, полученных путем наблюдений. Нейронные сети оказываются способными принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных. Положительное отличительное свойство ИНС состоит в том, что они не программируются, т.е. не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. По данным литературы, ИНС могут демонстрировать удивительные свойства, присущие мозгу человека, в том числе отыскивать закономерности в запутанных данных. Нейронные сети нашли применение во многих областях техники, где они используются для решения многочисленных прикладных задач: космонавтике, автомобилестроении, банковском деле, страховании, военном деле, робототехнике, при передаче данных и др. Другое не менее важное свойство нейронной сети состоит в способности к обуче-
нию и к обобщению полученных знаний. Сеть обладает чертами так называемого искусственного интеллекта. Натренированная на ограниченном множестве обучающих выборок, она обобщает накопленную информацию и вырабатывает ожидаемую реакцию применительно к данным, не обрабатывавшимся в процессе обучения [1, 2, 12]. Схематично процесс применения обученной ИНС в медицине показан на рис. 2 [6].
Рис. 2. Схема применения обученной ИНС в медицине
' 26 i i i i i i ■ ■ 1 j i i i ■ ■ ■■ ■ ■ ■ II i i i i i i i i i i i i i ■■■ ■ ■ ■ i i i i i i i i i ■■ ■ ■ ■■■ ■ ■ ■ ■ ■ i i i i i i i i i i i i i i i i i i
Системы поддержки принятия
врачебных решений www.idmz.ru
SOOS, № 5
Рис. 3. Основная идея метода опорных векторов
Несмотря на значительное количество уже известных практических приложений искусственных нейронных сетей, возможности их дальнейшего использования для обработки сигналов окончательно не изучены, и можно высказать предположение, что нейронные сети еще в течение многих лет будут средством развития информационной техники [12].
Основной экспертной системой, находящей все большее применение в решении задач классификации и прогнозирования, в том числе в медицине, является технология анализа и добычи данных «Data Mining» [13]. Они реализованы в удобном интерфейсе и позволяют провести исследования даже начинающему пользователю. В состав системы «Data Mining» в разделе решения задач классификации и прогнозирования кроме искусственных нейронных сетей чаще всего входят: метод опорных векторов (support vector machine), метод деревьев решений (decision trees), метод «ближайшего соседа», байесовская классификация и др. [5]. Среди указанных методов наиболее интересен метод опорных векторов (МОВ) [1].
МОВ — метод первоначальной классификации, который решает заданную задачу построением гиперплоскостей в многомерном пространстве, разделяющих группы наблюдений с разными классовыми метками. На рисунке 3 продемонстрирована основная идея МОВ. В левой части схемы представлены исходные объекты, которые далее преобразуются или,
по-другому, переупорядочиваются при помощи специального класса математических функций, называемых ядрами. Этот процесс переупоря-дочивания называют еще преобразованием объектов (перегруппировкой). Новый набор преобразованных объектов (в правой части схемы) уже линейно разделим. Таким образом, вместо построения сложной кривой (как показано в левой части схемы) требуется лишь провести оптимальную прямую, которая отделит объекты разных типов. Метод отыскивает образцы, находящиеся на границах между двумя классами, то есть опорные вектора [13].
Примеры использования экспертных систем в медицине нельзя назвать единичными, они применяются во многих областях здравоохранения. Примечательно, что подавляющее большинство работ выполнено зарубежными исследователями, в основном они касаются использования возможностей ИНС при различных клинических ситуациях.
В хирургии P.L. Liew et al. (2007) на основе ИНС создали систему прогнозирования риска развития желчнокаменной болезни у людей с избыточной массой тела [22]. Авторы ретроспективно изучили антропоморфометрические, анамнестические, клинические и лабораторные данные 117 пациентов с ожирением, прооперированных за период с февраля 1999 по октябрь 2005 г. Была построена ИНС, обученная алгоритмом обратного распространения. Учтены тридцать входных переменных, включая клинические данные (пол, возраст, индекс
27 ■
......■...*!.........±_jг. L_j.........................
!!!!!!!!!!!!!!!!!!!! I I I I I !!!!!!!!!!!!!!!!!!!!!!! !
Врач lisa
™ и информационные
Системы поддержки принятия врачебных решений
технологии
lit
> массы тела, сопутствующие заболевания), лабораторные показатели и результаты гистологического исследования. Прогнозирующая ценность ИНС была сравнена с моделью логистической регрессии, обученной на той же самой базе данных. ИНС продемонстрировала лучшую прогнозирующую ценность и более низкую ошибку, чем модель логистической регрессии. Наиболее важными факторами риска, по данным обеих методик, явились диастолическое артериальное давление, премор-бидный фон, нарушение метаболизма глюкозы и повышение уровня холестерина крови.
A. Das и др. (2008) использовали нейросетевые технологии для сортировки больных с неварикозными кровотечениями из верхних отделов желудочно-кишечного тракта [16]. Была исследована эффективность ИНС, обученной по клиническим и лабораторным данным 387 пациентов с данной патологией, верификация — по данным 200 пациентов с проведением ROC-анализа. На выходе сети две результирующих переменных: наличие или отсутствие признаков продолжающегося кровотечения и потребность в эндоскопической терапии. Чувствительность нейронной сети составила > 80%, прогнозирующая ценность — 92-96%.
В онкоурологии P. Bassi и др. (2007) прогнозировали 5-летнюю выживаемость пациентов, перенесших радикальную цистэктомию по поводу рака мочевого пузыря [14]. Для достижения этой цели были разработаны и сравнены ИНС и модель логистической регрессии (МЛР). Выявлено, что единственными статистически достоверными предсказателями пятилетней выживаемости явились стадия опухоли и наличие или отсутствие прорастания в соседние органы. Чувствительность и специфичность МЛР составили 68,4% и 82,8%, соответственно; ИНС — 62,7% и 86,1%. Положительная прогнозирующая ценность МЛР составила 78,6%, ИНС — 76,2%, отрицательная прогнозирующая ценность — 73,9% и 76,5%, соответственно. Индекс диагностической точности МЛР — 75,9%, ИНС — 76,4%. Таким образом,
прогностическая ценность ИНС оказалась сопоставимой с МЛР, но нейросеть все же продемонстрировала определенные преимущества: ИНС базируется на удобном в работе, интуитивно понятном программном обеспечении, позволяющем выявлять нелинейные связи между переменными, поэтому более предпочтительна для прогнозирования.
С. Stephan и др. (2007) применили ИНС для автоматизированного анализа биоптата предстательной железы [24]. Методика основана на выявлении общего простат-специфического антигена (ПСА) и процента свободного ПСА. Чувствительность составила 95%, специфичность — 34%. При дополнении нейросети моделью логистической регрессии специфичность возросла до 95%. F.K. Chun и др. (2007) использовали ИНС для выявления группы риска рака предстательной железы в сравнении с МЛР [15]. ИНС также продемонстрировала более точные прогностические возможности.
В трансплантологии G. Santori и др. (2007) применили нейросетевые технологии в прогнозировании отсроченного снижения креатинина сыворотки крови у детей после трансплантации почки [23]. Для выявления корреляции между входными переменными и искомым результатом у пациентов, подлежащих трансплантации почки, была создана искусственная нейронная сеть, обученная на 107 клиничеких примерах. Были отобраны наиболее важные переменные, коррелирующие с результатом: креатинин сыворотки крови в день пересадки, диурез за первые 24 часа, эффективность гемодиализа, пол реципиента, пол донора, масса тела в первый день после пересадки, возраст. Модель была откалибрована второй выборкой пациентов (n = 41). Точность нейронной сети в обучающей, калибровочной и проверочной выборках составила 89, 77 и 87% соответственно. Сравнительный логистический анализ показал общую точность 79%. Чувствительность и специфичность ИНС составили 87%, тогда как метод логистической регрессии показал худший результат — 37% и 94% соответственно.
' 28 i i i i i i ■ ■ 1 j i i i ■ ■ ■■ ■ ■ ■ II i i i i i i i i i i i i i ■■■ ■ ■ ■ i i i i i i i i i ■■ ■ ■ ■■■ ■ ■ ■ ■ ■ i i i i i i i i i i i i i i i i i i
Системы поддержки принятия врачебных решений
В рентгенологии F. Dohler и др. (2008) использовали нейронную сеть как метод для классификации изображений МРТ с целью автоматизированного обнаружения гиппокампального склероза [17]. ИНС обучена на 144 примерах изображений и позволяет классифицировать изменения в ткани головного мозга относительно наличия склеротических изменений. E.E. Gassman и др. (2008) создали ИНС для автоматизированной идентификации костных структур и оценили надежность этой методики по сравнению с традиционными [18]. Чувствительность и специфичность данной методики составили 87 и 82%. Кроме того, сегментацию структур кости ИНС выполнила в 10 раз быстрее.
В неврологии A.T. Tzallas и др. (2007) применили нейросеть для прогнозирования эпилептических приступов на основе анализа электроэнцефалограмм [25]. Прогностическая точность метода составила 98-100%.
Разработанная нами нейросетевая модель создана для прогнозирования вероятности развития инфицированного панкреонекроза на основании данных, полученных при поступлении больного в стационар и в течение первых 48 часов госпитализации, — получена точность результатов 90%, специфичность — 96% [9]. Используя эту модель, мы реализовали возможность уже на ранних сроках заболевания острым панкреатитом определить группу больных, угрожаемых по развитию инфицированного панкреонекроза с выбором адекватной лечебно-диагностической тактики.
Технология Data Mining (DM) применена N. Horowitz и др. (2007) в разработке диагностической анкеты для выявления гастроэзофагеальной рефлюксной болезни [20]. Были обследованы 132 пациента, и на основании полученных данных построена DM-модель, позволившая отобрать наиболее важные и достоверные признаки заболевания: изжога, отрыжка кислым, положительный эффект от антацидной терапии и ухудшение самочувствия после острой, жирной пищи. Чувстви-
www.idmz.ru 2CKDS, INJ“ 5
тельность и специфичность данного метода составили 75 и 78%.
Y.C. Lee и др. (2007) использовали DM-технологии для прогнозирования снижения массы тела после хирургического лечения ожирения [21]. В работе ретроспективно учтены данные 249 пациентов, оперированных различными методиками: 177 женщин и 72 мужчины. 208 пациентов (83,5%) в течение 2 лет после операции успешно снизили массу тела, тогда как у 41 больного (16,5%) эффекта не было. Созданная авторами DM-модель позволяет еще до операции выявить: будет ли ожидаемый эффект после нее, и какой вид вмешательства предпочтительнее.
Общая черта, объединяющая приведенные примеры, — отсутствие единой универсальной технологии создания таких приложений. В публикуемых разработках используются самые разнообразные архитектуры и алгоритмы функционирования экспертных систем. Это приводит к тому, что почти для каждой задачи разрабатывается своя собственная архитектура, и часто — уникальный алгоритм или уникальная модификация уже существующего. С точки зрения практического применения, такие экспертные системы почти не отличаются от традиционных программ принятия решений; предложены даже методы преобразования традиционных экспертных систем в нейросетевые. Их разработка требует участия специалистов по нейроинформатике, а возможности конструирования пользователем практически отсутствуют. Это делает такие системы чрезвычайно дорогими и не очень удобными для практического применения, поэтому в публикациях авторы в основном сравнивают качество работы нейросетевых алгоритмов и традиционных систем, работающих по правилам вывода.
Выводы
1. Анализ публикаций о применении экспертных систем в медицине показывает, что практически отсутствуют какие-либо методологии разработки нейросетевых медицинских
29 ■
......■...*!.........±_jг. L_j.........................
!!!!!!!!!!!!!!!!!!!! I I I I I !!!!!!!!!!!!!!!!!!!!!!! !
Врач lisa
™ и информационные
Системы поддержки принятия врачебных решений
технологии
> систем, о чем свидетельствует как отсутствие работ такого профиля, так и огромное разнообразие подходов к нейросетевым алгоритмам обучения и архитектурам нейронных сетей и методам добычи данных. Это подтверждает то, что медицинская нейроинформатика как наука находится еще, в основном, на стадии накопления фактического материала.
2. Нейронные сети обладают чертами так называемого искусственного интеллекта. Натренированные на ограниченном множестве обучающих выборок, они обобщают накопленную информацию и вырабатывают ожидаемую реакцию применительно к данным, не обрабатывавшимся в процессе обучения.
Несмотря на значительное количество уже известных практических приложений, возможности дальнейшего использования искусственного интеллекта не изучены окончательно.
3. Современные технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а именно: на основе экспертных автоматизированных технологий смоделировать типовое развитие патологического процесса. Экспертные компьютерные медицинские системы дают возможность врачу не только проверить собственные диагностические предположения, но и обратиться к машине за консультацией в трудных диагностических случаях.
ЛИТЕРАТУРА:
1. Андрейчиков А.В. идр. Интеллектуальные информационные системы. — Москва: Финансы и статистика, 2006.
2. Боровиков В.П. идр. Прогнозирование в системе Statistica в среде Windows. — Москва: Финансы и статистика, 2006.
3. Гельман В.Я. Медицинская информатика. Практикум. — СПб: Питер, 2002.
4. Горбань А.Н. Методы нейроинформатики. — КГТУ, Красноярск, 1998.
5. ДюкВ.А.идр. Data Mining: учебный курс. — СПб.: Питер, 2001
6. ДюкВ.А.идр. Информационные технологии в медико-биологических исследованиях.—
СПб.: Питер, 2003.
7. Жарко В.И. идр.//Вопросы организации и информатизации здравоохранения. — 2006.
— № 4. — С. 3-7.
8. Жарко В.И.//Медицинский вестник. — 2008. — № 9 (843). — С. 2.
9. Литвин А.А. идр.//Проблемы здоровья и экологии. — 2007. — № 2 (12). — С. 7-14.
10. Медведев В.С. и др. Нейронные сети. Matlab 6. — Диалог-МИФИ, 2002.
11. Нейроинформатика/Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. — Новосибирск: Наука, 1998.
12. Осовский С. Нейронные сети для обработки информации: Пер. с польского. — Москва: Финансы и статистика, 2004.
13. Чубукова И.А. Data Mining. — БИНОМ. Лаборатория знаний, 2008.
14. BassiP. et a/.//BJU Int. — 2007. — Vol. 99, № 5. — P. 1007-1012.
15. Chun F.K. eta/.// BJU Int. — 2007. — Vol. 99, №4. — P. 794-800.
16. Das A. et a/.//Gastroenterology. — 2008. — Vol. 134, № 1. — P. 65-74.
17. Doh/er F. et al.//J. Neurosc. Methods. — 2008.
18. Gassman E.E. e/a/.//Skeletal Radiol. — 2008. — Vol. 37, №4. — P. 313-319.
19. Haykin S. et al. New directions in statistical signal processing: from systems to brain. — Cambridge; London: The MIT Press. — 2007.
20. Horowitz N. eta/.// Dig. Dis. Sci. — 2007. — Vol. 52, №8. — P. 1871-1878.
21. Lee Y.C. et al.// Obes. Surg. — 2007. — Vol. 17, №9. — P. 1235-1241.
22. LiewP.L. et a/.//Dig. Liver Dis. — 2007. — Vol. 39, №4. — P. 356-362.
23. Santori G. et a/.//Transplant. Proc. — 2007. — Vol. 39, № 6. — P. 1813-1819.
24. Stephan C. et a/.//Urology. — 2007. — Vol. 70, № 3. — P. 596-601.
25. Tzallas A.T. et al. Automatic seizure detection based on time-frequency analysis and artificial neural networks. — Comput. Intell. Neurosc. — 2007.
■ 30 i i i i i i ■ ■ 1 j i i i ■ ■ ■■ ■ ■ ■ II i i i i i i i i i i i i i ■■■ ■ ■ ■ i i i i i i i i i ■■ ■ ■ ■■■ ■ ■ ■ ■ ■ i i i i i i i i i i i i i i i i i i
