Введение к работе
Актуальность.
В последнее время очень сильно возрастает значение информационного обеспечения 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.
Анализ применения персональных ЭВМ в медицинских учреждениях показывает, что наибольшее использование компьютеров идет для обработки текстовой документации, хранения и обработки баз данных, ведения статистики и финансовых расчетов. Отдельный парк ЭВМ используется совместно с различными диагностическими и лечебными приборами.
В большинстве этих областей использования ЭВМ применяют стандартное программное обеспечение - текстовые редакторы, системы управления базами данных, статистические пакеты и др. Однако некоторые из важнейших участков лечебно-диагностических технологий практически не используют возможности ЭВМ. Прежде всего это диагностика, назначение лечебных мероприятий, прогнозирование течения заболеваний и их исходов. Причины этого носят чрезвычайно сложный характер и постоянно дискутируются. Основные из них - недостаточно развитая техническая база, низкая компьютерная грамотность участников технологий. Большое значение имеет психологический аспект применения ЭВМ. 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. Результат, подсказанный компьютерной программой, работающей по алгоритму, созданному другим человеком, как показывает практика, во многом лишает исследователя творческой инициативы. Навязанное таким образом решение, даже будучи достоверным, психологически подвергается серьезному сомнению.
Существенную роль играют также особенности медико-биологической информации. Большинство медицинских данных имеют описательный характер, выражаются с помощью формализмов, подверженных крайней вариабельности. Данные, даже выражаемые с помощью чисел, также в большинстве случаев не могут быть хорошо упорядочены и классифицируемы, т.к. изменяются в зависимости от
клинических традиций различных школ, геосоциальных особенностей регионов и даже отдельных учреждений, а также от времени.
Задачи, решение которых актуально в медицинских технологиях, можно подразделить на две большие категории.
-
Задачи, решаемые по явным алгоритмам. К этой категории относятся задачи делопроизводства, хранения и обработки информации. Они с успехом решаются с помощью стандартного программного обеспечения.
-
Задачи принятия решений на основе опыта и знаний. Для этого класса задач характерен очень сложный алгоритм, и чаще всего -трудность или даже полная невозможность его актуализировать.
Соответственно можно выделить 2 способа решения задачи -. логический и интуитивный. Логический метод оперирует набором формальных правил, интуитивный - накопленным опытом. При решении задачи первым способом задача обычно разбивается на подзадачи, каждая из которых, в свою очередь, разбивается на несколько элементарных функций с известным алгоритмом вычислений. Зная алгоритм каждой элементарной функции, можно решать сложнейшие задачи, соединяя элементарные функции в нужной последовательности. Традиционное программирование как раз и обеспечивает такую возможность. При попытке применить такой метод к решению интуитивных задач программист может столкнуться с невозможностью выделить алгоритм элементарной функции или вообще разбить задачу на такие функции.
Современный компьютер, обрабатывая информацию с большой скоростью, делает это на основе алгоритмов, написанных программистом. С усложнением задач резко возрастает время, затрачиваемое на написание алгоритмов их решения. Поэтому трудности разработки экспертных систем (ЭС) определяется уже не техническими, а человеческими факторами.
Растущие объемы информации, появление новейших диагностических и лечебных технологий требуют принципиально иных подходов к обработке и интерпретации медицинских данных, возможности накопления, хранения и использования опыта квалифицированных специалистов. Для научных исследований в медицине также уже совершенно недостаточно использовать стандартные наборы статистических методов для обработки материала. Требуются универсальные инструменты с возможностью гибкой постановки задач, применимые ко всем областям биологии и медицины, обладающие большой информационной емкостью и помехоустойчивостью, не нуждающиеся в длительном времени для разработки. Всем вышеперечисленным требованиям могут отвечать системы, способные самонастраиваться на решение задач.
Возможности настройки нового класса ЭС должны распространяться вплоть до индивидуального пользователя, например, до конкретного врача, имеющего возможность обучать ЭС на своем собственном опыте и на доступных данных. Это означает, что должно произойти коренное изменение технологии производства таких систем. Существующие традиционные системы принятия решений, основанные на явных правилах вывода, создаются, как правило, группой специалистов, в числе которых - математики, программисты и предметные специалисты, ставящие задачи. Возможности настройки таких систем на конечного потребителя часто недостаточны. Приобретая такую систему, он часто сталкивается с ее неприменимостью к конкретным условиям работы (например, другой спектр лабораторных анализов или методов обследования, принятый в данной клинике). Выход - дать специалисту возможность самому конструировать ЭС исходя из конкретных условий, собственного опыта и опыта коллег. Такое конструирование должно производиться без знания предметным специалистом математического аппарата, требуя только обычных навыков работы на ПЭВМ. В этой ситуации снимается психологическая проблема доверия к заключениям ЭС, которая работает, опираясь на опыт и знания того специалиста, который ее сконструировал, его коллег, которым он доверяет, и реальные данные, которые он сам получил в результате наблюдений.
Самообучающиеся медицинские ЭС принятия решений, диагностики, назначения лечебно-профилактических мероприятий и прогнозирования должны удовлетворять следующим требованиям:
-
Индивидуализация (настройка на традиции клинических школ, геосоциальные особенности региона применения, наборы медико-биологических данных, особенности лечебно-диагностических технологий, индивидуальный опыт и знания специалиста);
-
Динамическое развитие (накопление опыта системы в процессе функционирования, следуя изменениям в пунктах, перечисленных в предыдущем требовании);
-
Возможность перенастройки при резком изменении условий, например, при перенесении в другой регион;
-
Способность к экстраполяции результата. Требование, обратное индивидуальности. Система не должна резко терять качество работы при изменении условий;
-
Возможность конструирования с нуля конечным пользователем (специалист должен иметь возможность придумать совершенно новую ЭС и иметь возможность просто и быстро создать ее);
-
"Нечеткий" характер результата. Решение выдаваемое системой, не должно быть окончательным. Оно может быть вероятностным или предлагать сразу несколько вариантов на выбор. Это дает
возможность специалисту критически оценивать решение системы и не лишает его инициативы в принятии окончательного решения. 7. ЭС является только созетчиком специалиста, не претендуя на абсолютную точность решения. Она должна накапливать опыт и знания и значительно ускорять доступ к ним, моделировать результат при изменении условий задачи. Ответственность за решение всегда лежит на специалисте.
Анализ существующих методов обработки информации показал, что этим требованиям хорошо удовлетворяют нейроинформационные технологии, основанные нз искусственных нейронных сетях. В основе их функционирования лежат алгоритмы, моделирующие распространение сигналов по нейронам и синапсам нервной системы. Существует достаточно большой набор архитектур и метаалгоритмов функционирования нейронных сетей, при этом задачи, решаемые нєйроинформатикой, з большинстве случаев требуют подгонки архитектуры и алгоритмов обучения нейросетей под определенный класс задач или даже конкретную задачу. Поэтому разработка теоретических и методологических основ и универсальной технологии создания медицинских ЗС, включающей оптимизацию архитектур и метаалгоритмов функционирования нейросетей при работе с медико-биологической информацией, является актуальной задачей.
Цель исследования.
Разработка теории и методологии создания медицинских самообучающихся нейросетевых ЭС принятия решений, диагностики и прогнозирования для практического здравоохранения, медико-биологических научных исследований; создание и внедрение таких систем в практику.
Задачи исследования.
-
Изучение свойств и поведения нейронных сетей при решении задач, связанных с медико-биологическими параметрами;
-
Оптимизация структуры и параметров нейронных сетей для решения задач медицинской диагностики и прогнозирования;
-
Разработка методов оценки информативности медико-биологических параметров нейронными сетями;
-
Создание универсальной компьютерной программной среды (инструментария) для разработки самообучающихся ЭС;
-
Создание и внедрение нейросетевых ЭС медицинской диагностики, прогнозирования и принятия решений.
Научная новизна.
-
Изучены особенности и закономерности работы нейронных сетей с медико-биологическими данными;
-
Созданы теория и методология конструирования самообучающихся нейросетевых ЭС для медицины;
-
Сконструированы и внедрены самообучающиеся нейросете-вые ЭС прогнозирования осложнений инфаркта миокарда, ранней диагностики злокачественных опухолей сосудистой оболочки глаза, оптимизации лечения и прогнозирования его исходов у больных облитерирующим тромбангиитом, дифференциальной диагностики острой хирургической патологии;
4. С помощью нейросетей изучено состояние иммунореак-
тивности у больных язвенной болезнью желудка и двенадцати
перстной кишки и показана разнонаправленность сдвигов клеточного
метаболизма лимфоцитов при этих патологиях.
Практическая ценность.
Практическое применение нейросетей позволяет поставить создание медицинских ЭС на качественно иную основу.
-
Самообучающиеся нейросистемы производятся очень быстро.
-
Нейросистемы могут создаваться непосредственно предметными специалистами, владеющими лишь пользовательскими назыками работы с персональными компьютерами. Это обеспечивается универсальностью предлагаемой архитектурь: и метаалгоритмов функционирования нейросетей при работе с любыми задачами, решаемыми на основе опыта.
-
Программы-эмуляторы нейронных сетей могут работать на обычных широкоиспользуемых персональных компьютерах.
-
Нейросистемы компактны, не требуют большого количества оперативной и постоянной памяти ЭВМ. Не обязательно и хранение банков данных, на которых обучалась система.
-
Нейросистемы динамично развиваются в процессе использования, накапливая опыт многих специалистов и/или обучаясь на реальном фактическом материале.
-
Нейросистемы могут работать в условиях недостатка информации.
-
Нейронные сети могут работать с информацией любого типа, вплоть до субъективных определений.
-
Время выдачи ответа обученной нейросетью (с момента подачи ей условий задачи) - доли секунды, что позволяет применять нейротехнологии в системах, работающих в режиме реального времени и требующих практически мгновенного решения задачи.
-
Нейросистемы обладают большой гибкостью, например, при использовании в разных регионах с различными характеристиками,
влияющими на здоровье, а следовательно, и на показатели нормы и патологии, одна и та же система будет работать одинаково хорошо после адаптации (дообучения на локальных данных). 10.Обученная нейросистема может использоваться как инструмент для
моделирования и изучения объектов, с которыми она связана. 11.Гибко настраиваемые на конкретное лечебное учреждение ЭС прогнозирования позволяют оптимизировать планирование лечебных и профилактических мероприятий как конкретным больным, так и по лечебному учреждению в целом, что приведет к повышению качества медицинских услуг и снижению затрат. 12.Применение нейросетевых ЭС для прогнозирования медико-социальных и демографических показателей позволит повысить качество технологий в организации медицинской помощи населению и планировании здоровья. 13.Возможность нейронных сетей анализировать информацию (в частности, определять важность и информативность медико-биологических данных) позволит оптимизировать различные диагностические технологии (отказ во многих случаях от дорогостоящего и ненужного обследования), а также технологии разработки медико-экономических стандартов.
Результатом исследований стала разработка теоретических и
методологических основ создания нейросетевых медицинских ЭС. Их
ядром являются полносвязные сигмоидные нейросети, обучающиеся
по усовершенствованному метаалгоритму двойственного
функционирования, позволившему увеличить скорость обучения в 1000-10000 раз.
Изучение работы практических врачей с ПЭВМ, отработка интерфейсов программ привели к созданию базового инструментария, предназначенного для конструирования нейросетевых программ пользователями-медиками. Разработанный автором программный комплекс MultiNeuron 2.0 может применяться не только для создания профессиональных ЭС, но и для проведения исследований медико-биологических данных с помощью нейросетей (проверка гипотез, поиск гипотез, моделирование, оптимизация).
С помощью пакета MultiNeuron 2.0 были разработаны и внедрены нейросетевые ЭС прогнозирования осложнений инфаркта миокарда, назначения лечения и прогнозирования его непосредственных исходов у больных облитерирующим тромбангиитом, ранней диагностики меланом хориоидеи, дифференциальной диагностики "острого живота" и др.
Положения, выносимые на защиту.
1. Разработаны теория и методология создания самообучающихся медицинских ЭС, заключающияся в обучении полносвязнх сигмоидных нейронных сетей двух типов - классификаторов и предикторов - на осное наборов примеров с известными ответами и обучающими параметрами, нормированными на диапазон [-1...1].
2.ЭС, создаваемые согласно разработанной методологии, обладают способностью постоянного доучивания в процессе работы, не требуя от пользователя формализации и алгоритмирования правил вывода.
-
Программный инструментарий - пакеты MultiNeuron 1.0 и MultiNeuron 2.0, предназначенные для создания медицинскими специалистами ЭС, накапливающих индивидуальный и коллективный опыт и/или обучающихся на реальных дайных, полученных путем измерений и наблюдений.
-
Нейросетевые ЭС: прогнозирования осложнений инфаркта миокарда;. назначения- лечения и прогнозирования его непосредственных исходов у больных облитерирующим тромбангиитом; ранней диагностики меланом хориоидеи; дифференциальной диагностики "острого живота".
Апробация материалов диссертации. Результаты работы докладывались на теоретических семинарах Института биофизики СО РАН (Красноярск, 1995), заседании Красноярского отделения Всероссийской Академии информатизации (Красноярск, 1995), межкафедральном семинаре Красноярской государственной медицинской академии (Красноярск, 1995), Всероссийских рабочих семинарах "Нейроинформатика и ее приложения" (Красноярск, 1993, 1994, 1995), Международном симпозиуме "Нейроинформатика и нейрокомпьютеры" (Ростов-на-Дону, 1995) - 5 докладов, Межлабораторном семинаре Ростовского НИИ Нейрокибернетики (Ростов-на-Дону, 1995). Доклады по теме работы были представлены на Международной конференции по нейроинформатике (Сеул, Корея, 1994) - 2 стендовых доклада, и на Всемирном конгрессе по нейронным сетям (Вашингтон, США, 1995) - 3 стендовых доклада.
Публикации. По теме диссертации опубликовано 70 работ в центральной, местной и зарубежной печати. Издано методическое пособие для студентов "Применение самообучающихся нейросетевых программ" и учебное пособие в 2 частях "Нейропрограммы".
Структура и объем работы. Диссертация изложена на 379 страницах и состоит из введения, обзора литературы и 7 глав с результатами исследований и их обсуждением, заключения, выводов, списка литературы, включающего 339 источников, приложений. Работа содержит 47 рисунков и 34 таблицы.