Введение к работе
Актуальность проблемы. Развитие теории и технических приложений искусственных нейросетей в последние два десятилетия привело к внедрению в медицину нейросетевого моделирования экспериментальных данных. Особенно широко в медицине и биологии используются неиросети с передачей сигнала в одном, а ошибки - в обратном направлении -"backpropagation" (БПИНС). Способность БПИНС аппроксимировать любую функцию с заданной степенью точности, их устойчивость к шумам и помехам, присущим медицинским данным, отсутствие необходимости предполагать определенные распределения.анализируемых данных сделали их основой широко распространенных методов статистического моделирования сложных, нелинейных медицинских и биологических процессов. Нейросетевое моделирование экспериментальных данных позволяет повысить качество медицинского обслуживания, снизить непроизводительные затраты и найти более эффективные пути лечения. Разработанные на основе БПИНС-иоделей системы, диагностирующие инфаркт миокарда, предсказывающие длительность пребывания пациентов в реанимации и другие, составляют неотъемлемую часть современного клинического процесса.
Однако, повсеместное применение БПИНС для моделирования .экспериментальных данных в медицине и биологии ограничивается относительной трудностью медицинской.интерпретации полученных моделей. Особенно существенным этот недостаток становится в таких областях медицины, в которых исследователь имеет дело скорее с клиническими гипотезами, чем с достоверными знаниями. К таким областям медицины относятся, например, трансплантология, электрофизиология, техноемкие области анестезиологии и др. В этих случаях целью моделирования является проверка разнообразных гипотез, а прогностическая эффективность модели служит критерием правильности гипотезы.
- Эти обстоятельства требуют интерактивной методологии функционирования .системы человек-компьютер, позволяющей закладывать в анализ конкретную гипотезу и оценивать ее
при помощи нейросетевой модели. Поскольку биообъект описывается набором характеристических признаков, то и клинические гипотезы или экспертные знания медицинского специалиста (о качественно однородных клинических состояниях, о симптомокомплексах и т.д.) могут быть выражены 0. виде гипотезы о характерной многомерной структуры признаков. Число возможных гипотез может быть велико,' а медицинские данные характеризуются пропусками значений некоторых признаков (упущенные значения}, поэтому для повышения эффективности проверки разнообразных гипотез требуется методология, позволяющая БПИНС-модели автоматически обрабатывать данные с упущенными значениями.. Так как для нормальной работы ВПИНС требуется предварительное масштабирование данных, то целесообразно разработать методологию, обеспечивающую проведение масштабирования с учетом любой из возможных клинических гипотез или экспертных знаний медицинского специалиста.
Целью диссертационной работы является улучшение качества принятиярешений в лечебном процессе посредством повышения прогностической эффективности нейросетевого моделирования медицинских задач.
Для достижения этой цели в диссертационной работе решена основная задача разработки интерактивной методологии (ИМ) представления' данных для нейросетевого моделирования, позволяющей выявлять соответствие различных клинических гипотез структуре характеристических признаков и обрабатывать данные с упущенными значениями. В процессе решения основной задачи решены следующие частные задачи:
-
анализ методических возможностей нейросетевого моделирования при изучении сложных комплексов медико-биологических данных;
-
разработка методики последовательного нейросетевого моделирования, позволяющей распространить интерактивную методологию на моделирование нестационарных бинарны? клинических процессов;
-
разработка методики проверки эффективности интерактивной методологии на примере анализа математически} моделей и реальных данных;
4) разработка нейросетевых моделей времени проводимо
сти атриовентрикулярного узла и индивидуального прогнози
рования внутричерепной гипертонии на основе доплерографи-
ческого анализа;
5) разработка на основе интерактивной методологии
системы индивидуального прогнозирования рецидива гепато-
карциономы (ГК) после трансплантации печени.
В работе использованы методология системного анализа и искусственного интеллекта, теория синтеза биотехнических систем, теория вероятности, математическая статистика и биостатистика, методы машинного моделирования и обработки экспериментальных данных.
Научную новизну составляют:
-
интерактивная методология представления данных для неиросетевого моделирования, позволяющая оценивать соответствие многомерной структуры признаков и данных с упущенными значениями клиническим прогнозам;
-
методика последовательного неиросетевого моделирования нестационарных бинарных клинических процессов, характеризующихся ограниченным временем нестационарности и неубывающим риском прогнозируемого события;
-
методики проверки эффективности интерактивной методологии представления данных для неиросетевого анализа с помощью математических моделей и реальных данных;
"4) модель атриовентрикулярного узла, позволяющая на основании данных о последовательности возбуждающих импульсов определять время его проводимости;
-
модель предсказания внутричерепной гипертонии у пациентов, страдающих острой печеночной недостаточностью, основанная на данных доплерографического анализа;
-
система индивидуального прогнозирования рецидива гепатокарциономы, позволяющая оценивать вероятность и время рецидива.
Практическую ценность работы составляют: - предложенная интерактивная методология, позволившая статистически значимо повысить прогностическую эффективность нейросетевых моделей и автоматически обрабатывать данные с упущенными значениями;
результаты проверки эффективности предложенной методологии на примере математических моделей и реальных данных;
модель атриовентрикулярного узла для изучения времени его проводимости, что имеет большое значение при диагностике различных патологий, и модель неинвазивного предсказания внутричерепной гипертонии у пациентов с печеночной недостаточностью, что позволяет избежать дополнительных осложнений в процессе лечения;
система индивидуального прогнозирования гепатокар-циономы, которая дает возможность более эффективно распределять донорские органы, тем самым улучшая лечебный процесс. Система также сделала возможным разделение пациентов, страдающих ГК, на, однородные по тяжести болезни категории, для которых можно давать более точные оценки влияния других видов терапий.
Основные положения, выносимые на защиту.
-
Интерактивная методология представления данных для нейросетевого моделирования дает возможность получения многообразия представлений структуры признаков, описывающих состояние биообъекта, позволяет статистически значимо повысить прогностическую эффективность нейросетевых моделей и обрабатывать данные с упущенными значениями.
-
Методика последовательного нейросетевого моделирования, распространяющая интерактивную методологию на исследование нестационарных процессов, позволяет моделировать бинарные клинические процессы, характеризующиеся ограниченным временем нестационарности и неубывающим риском прогнозируемого события.
Реализация. Разработанная система прогнозирования рецидива гепатокарциономы внедрена в Институте Трансплантации Питтсбургского медицинского центра, где она' проходила испытания с декабря 1994 года. Планируется ее внедрение в клинике Мэйо и Фэйерфакском госпитале (США). Есть интерес к этим методикам в российских клинических центрах.
Апробация. Результаты работы, докладывались и обсуждались на Всемирном конгрессе по нейросетям (San Diego, California, 1994), конференции по моделированию в здраво-
охранении (Las Vegas, Nevada, 1994), Всемирном конгрессе по вычислительной медицине и биотехнологии (Austin, Texas, 1995), на заседании кафедры БМЭ и ОС СПб ГЭТУ (1996), на встречах с ведущими специалистами Санкт-Петербурга в этой области.
Публикации. По материалам диссертационной _ работы опубликовано 11 работ, в том числе 7 статей и 4 тезисов докладов.
Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения, списка литературы, включающего 142 наименования, и 8 приложений. Основная часть работы изложена на 14 8 страницах. Работа содержит 16 рисунков и 13 таблиц.