Содержание к диссертации
Введение
1 Методы и средства диагностики пиелонефрита и информационные технологии поддержки принятия решений в медицинской практике 10
1.1 Патогенез и особенности диагностики пиелонефрита 10
1.2 Исследование и анализ математических методов, используемых для прогнозирования и дифференциальной диагностики заболеваний 15
1.3 Характеристика объекта исследования и выбор базового математического аппарата 27
1.4 Цель и задачи исследования 31
2 Синтез гетерогенного пространства информативных признаков для системы интеллектуальной поддержки прогнозирования и диагностики пиелонефрита 33
2.1 Формирование гетерогенного пространства информативных признаков для прогнозирования возникновения (обострения) пиелонефрита 33
2.2 Формирование гетерогенного пространства информативных признаков для диагностики пиелонефрита 51
2.3 Формирование гетерогенного пространства информативных признаков для дифференциальной диагностики пиелонефрита 66
2.4 Выводы второго раздела 70
3 Разработка модулей и моделей для системы интеллектуальной поддержки прогнозирования и диагностики пиелонефрита 72
3.1 Разработка структуры многоагентных систем для прогнозирования и диагностики пиелонефрита 72
3.2 Разработка блоков нечеткого логического вывода для определения локальных коэффициентов уверенности по прогнозированию пиелонефрита 76
3.3 Синтез блоков нечеткого логического вывода по классификации диагноза пиелонефрит з
3.4 Построение структуры агрегатора для определения глобального коэффициента уверенности 94
3.5 Выводы третьего раздела 102
4 Результаты экспериментальной проверки методов и алгоритмов прогнозирования и диагностики пиелонефрита 104
4.1 Разработка автоматизированной системы поддержки принятия решений врача уролога 104
4.2 Алгоритм управления процессами прогнозирования возникновения (обострения) пиелонефрита 111
4.3 Алгоритм управления процессом диагностики острого пиелонефрита (хронического пиелонефрита в фазе активного воспаления) 115
4.4 Результаты экспериментальной проверки решающих правил прогнозирования острого пиелонефрита 117
4.5 Экспериментальные исследования решающих правил диагностикой острого пиелонефрита (в фазе активного воспаления) 124
4.6 Выводы четвертого раздела 126
Заключение 128
Список сокращений и условных обозначений 130
- Исследование и анализ математических методов, используемых для прогнозирования и дифференциальной диагностики заболеваний
- Формирование гетерогенного пространства информативных признаков для диагностики пиелонефрита
- Синтез блоков нечеткого логического вывода по классификации диагноза пиелонефрит
- Алгоритм управления процессом диагностики острого пиелонефрита (хронического пиелонефрита в фазе активного воспаления)
Введение к работе
Актуальность работы. Пиелонефрит и инфекция мочевыводящих путей являются наиболее частыми заболеваниями почек во всех возрастных группах. Пиелонефрит характеризуется поражением важнейших органов поддержания гомеостаза, в результате чего нарушаются их функции и развиваются тяжелейшие гомеостатические нарушения. При этом вопросы профилактики, диагностики и дифференциальной диагностики стадий заболевания далеки от разрешения. Причинами этого являются многообразие субъективных и объективных проявлений заболевания, связанных с воспалительным процессом в верхних мочевых путях. Применяемые клинические и лабораторные диагностические методы часто не позволяют ни установить, ни исключить диагноз. В этом случае целесообразно использовать компьютерные технологии поддержки принятия врачебных решений, основанные на технологии мягких вычислений. Построенные на этой основе математические модели объединяют результаты статистических исследований и экспертные знания врачей-специалистов. Это позволяет использовать при постановке диагноза большие объемы нечеткой и противоречивой информации, получаемой посредством различных методов и технологий исследований, оценить диагностическую значимость которых врачу-специалисту без средств компьютерной поддержки не представляется возможным. Основываясь на результатах математического моделирования диагностического процесса и собственного клинического опыта, врач-уролог может выбрать оптимальную тактику лечения.
Таким образом, разработка и исследование методов и средств прогнозирования и диагностики пиелонефрита на основе механизма нечеткой логики принятия решений, позволяющих повысить качество лечения этого заболевания, является актуальной научно-технической задачей.
Степень разработанности темы исследования. С развитием компьютерных технологий предпринимаются попытки внедрения программированного прогнозирования в медицинскую практику. Однако практика показывает, что обычные математические модели и алгоритмы не могут быть применены к медицинским задачам из-за низкой степени надежности и эффективности.
Сложность построения компьютерных прогностических и диагностических систем в урологии обусловлена тем, что значительная часть информации представляет собой субъективные экспертные оценки врача, основанные на его знаниях и опыте лечения урологических больных. Для моделирования и отражения подобной информации используется теория нечеткой логики, как способ наиболее естественного описания характера человеческого мышления и хода его рассуждений. В качестве информативных признаков используются разнотипные данные, получаемые в результате биохимических анализов, инструментальных исследований и других диагностических методов.
Анализ существующих подходов к решению выбранной в работе задачи показал, что раздельное использование таких мощных инструментариев, как нейронные сети и нечеткая логика не позволяет должным образом объединить экспертные знания и экспериментальные данные для решения рассматриваемой задачи. С учетом отмеченного выше, возникает необходимость разработки способа объединения технологий нечеткой логики и нейронных сетей в гибридную систему для повышения качества прогнозирования и диагностики пиелонефрита.
Цель работы. Повышение качества прогнозирования обострений и диагностики пиелонефрита посредством разработки моделей и алгоритмов для интеллектуальной поддержки принятия решений врача-уролога.
Для достижения поставленной цели необходимо решить следующие задачи:
на основе анализа информации об особенностях исследуемого заболевания сформировать системы информативных признаков для прогнозирования и диагностики пиелонефрита и обосновать выбор математического аппарата для их анализа;
разработать систему решающих правил, трансформирующих числовые значения информативных признаков в коэффициенты уверенности, отражающие экспертные знания врача-уролога;
синтезировать алгоритмы и систему решающих правил для прогнозирования и диагностики пиелонефрита;
- разработать структуру и программное обеспечение системы под
держки принятия решений для прогнозирования и диагностики пиелонефри
та;
- провести апробацию предложенных моделей и алгоритмов интеллек
туальной поддержки прогнозирования и диагностики пиелонефрита в кли
нических условиях.
Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:
система информативных признаков, отличающаяся комплексным учетом факторов риска и субклинических проявлений пиелонефрита, позволяющая повысить качество прогнозирования возникновения и обострения данного заболевания;
структуры многоагентаных систем прогнозирования и дифференциальной диагностики пиелонефрита, отличающиеся моделями и решающими правилами вычисления локальных коэффициентов уверенности интеллектуальными агентами нижнего уровня и вычислением глобального коэффициента уверенности интеллектуальным агентом верхнего уровня, обеспечивающие требуемое для практики качество классификации и позволяющие решать задачи рационализации профилактических и терапевтических мероприятий;
алгоритмическое и программное обеспечение системы поддержки принятия решений для врача-уролога, обеспечивающее улучшение качества оказания медицинской помощи и ведения пациентов, больных пиелонефри-
том, отличающееся использованием гетерогенного пространства информативных признаков и нечеткой логики принятия решений.
Теоретическая и практическая значимость работы состоит в том, что изложены методы синтеза решающих правил для интеллектуальной поддержки принятия решений врача-уролога, позволяющие на основе гетерогенного пространства информативных признаков сформировать решающие модули, предназначенные для прогнозирования пиелонефрита и диагностики его стадий. Разработанные методы, модели и алгоритмы составили основу для построения компьютерной системы поддержки принятия решений врача-уролога, клинические испытания которой показали целесообразность ее использования в медицинской практике при диагностике пиелонефритов.
Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы по проблеме «Гибридные информационные технологии для ранней диагностики инфекционных и онкологических заболеваний на основе многочастотной импедансометрии биоматериалов» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».
Результаты работ внедрены в учебном процессе Юго-Западного государственного университета при подготовке бакалавров по направлению 09.03.04 «Программная инженерия» и используются в клинической практике Муниципального учреждения здравоохранения городской клинической больницы скорой медицинской помощи г. Курска.
Методология и методы исследования. Для решения поставленных задач использовались методы: теории биотехнических систем медицинского назначения, математического моделирования, нечеткой логики, нейросете-вых технологий. При разработке нечеткого и нейросетевого модулей принятия решений в качестве инструментария использовался Matlab 8.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.
Содержание диссертации соответствует паспорту научной специальности 05.11.17 – Приборы, системы и изделия медицинского назначения.
Положения, выносимые на защиту. 1. Гетерогенное пространство информативных признаков, основанное на шести информационных сегментах, позволяет синтезировать многоагентные интеллектуальные системы прогнозирования и дифференциальной диагностики пиелонефрита. 2. Генетический алгоритм с априорно заданным комплектом нечетких операций, применяемый для определения глобального коэффициента уверенности посредством агрегирования нечетких решающих правил. 3. Гибридные сетевые структуры, основанные на вероятностных нейронных сетях и агрегаторах, выполненных по нечетким технологиям, используются для определения локального коэффициента уверенности по энергоинформационному сегменту информативных признаков.
Степень достоверности и апробация работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечи-
вость нечетким алгоритмам принятия решений и методам нейросетевого моделирования, а так же аналогичным результатам, полученным другими исследователями. Результаты экспериментальных исследований решающих правил по диагностике пиелонефрита согласуются с ранее опубликованными экспериментальными данными по теме диссертации.
Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 12 Международных, Всероссийских и региональных конференциях и симпозиумах: «Искусственный интеллект в XXI веке» (Пенза -2014); «Информационные проекты в медицине и педагогике» (Москва – 2014); «Распознавание – 2015» (Курск – 2015); «Современные концепции научных исследований» (Москва -2015); «Информационные системы и технологии-2015» (Орел-2015); «Актуальные проблемы энергоснабжения и энергоэффективности в технических системах» (Тамбов – 2015); «Современные методы прикладной математики, теории управления и компьютерных технологий» (Воронеж – 2015); «Медико-экологические информационные технологии» (Курск - 2015); «Биотехнические, медицинские и экологические системы и комплексы» (Рязань - 2015); «Технические науки - основа современной инновационной системы» (Москва – 2015); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск - 2013, 2014, 2015).
Публикации. Основные результаты диссертационного исследования отражены в 16 научных работах, из них 4 статьи – в ведущих рецензируемых научных журналах, монография и свидетельство о регистрации программы.
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и библиографического списка, включающего 92 отечественных и 27 зарубежных наименований. Работа изложена на 146 страницах машинописного текста, содержит 32 рисунка и 17 таблиц.
Исследование и анализ математических методов, используемых для прогнозирования и дифференциальной диагностики заболеваний
Наиболее трудно решается задача дифференциальной диагностики пиелонефрита. В этом случае основное внимание обращают на анамнез и микрофлору мочи [46, 55].
Наиболее важными симптомами для дифференциальной диагностики серозной и гнойной стадии пиелонефрита являются клинико-лабораторные (слабость, головная боль, боли в мышцах и суставах, тошнота и рвота, гипертермия с ознобами, тахикардия с нестабильностью артериального давления, особенно с тенденцией к гипотонии, дегидратация – сухой язык, кожа, слизистые, пальпаторно определяемая увеличенная, малоподвижная, болезненная почка, пальпаторный симптом Пытеля – выраженная болезненность, гиперлейкоцитоз со сдвигом влево, диспротеинемия, азотемия, в моче высеваются микробные ассоциации, устойчивые к антибиотикам, отмечается олигурия, как проявление почечной недостаточности) и рентгенологические (проекции почки со стороны живота и поясницы с мышечной защитой, нечеткость контуров поясничной мышцы) [47, 55].
Острая почечная недостаточность (ОПН) при пиелонефрите развивается в 10…15%. Индикатором ОПН является белок в моче, зернистые и восковидные цилиндры, кристаллы гемоглобина. В качестве сопутствующих заболеваний развивается отек легких, метастатическая пневмония, токсический гепатит.
Часто пиелонефрит протекает атипично: без температуры, боли, с нормальной гемограммой, с превалированием симптомов общих нарушений и предшествующих состояний [38].
Лабораторная анализ занимает ведущее место в диагностике пиелонефрита и включает в себя исследование различных показателей мочи и крови. В первые дни заболевания пиелонефритом имеет место наличие бактерий в моче [68]. В случае с необструктивным гематогенным пиелонефритом это имеет первостепенную важность, так как бактериурия может быть единственным характерным симптомом в начале болезни. Лейкоцитурия может быть не у всех больных. В первые 2-4 суток при необструктивном гематогенном пиелонефрите она может отсутствовать. Лейкоцитурия может отсутствовать при полном блоке мочевыводящих путей [55]. В анализе мочи могут быть обнаружены эритроциты и повышение белка.
При пиелонефрите изменяется реология крови, отмечается снижение текучести, повышение вязкости, гематокрита, гиперкоагуляция. В крови нарастает анемия токсического генеза. Нарушаются иммунологические показатели – снижается фагоцитарная активность, комплемента, лизоцима, угнетается Т-, В-клеточное звено иммунитета [55]. Общий анализ крови в значительной степени отражает ход воспалительного процесса в почке и может изменяться в процессе болезни. При пиелонефрите отмечается лейкоцитоз, увеличение содержания нейтрофилов и появление их не зрелых форм, повышение СОЭ. При тяжелом течении пиелонефрита наблюдается анемия. Быстрое развитие анемии свидетельствует о переходе воспаления в гнойную стадию. При выраженном эндотоксикозе развиваются патологические изменения морфологии эритроцитов (анизоцитоз, пойкилоцитоз, полихроматофилия) [55].
В биохимическом анализе крови снижается альбуминово-глобулиновый коэффициент, нарастает гипергаммаглобулинемия, повышается щелочная фосфатаза, нарастает уровень креатинина и мочевины. Признаком пиелонефрита является повышение содержания ферментов лактатдегидрогеназы, сукцинатдегидрогеназы и глюкозо-6-фосфатдегидрогеназы в крови и моче. Диагностическим критерием развития пиелонефрита и фактором оценки тяжести течения заболевания является повышение уровня средне-молекулярных пептидов. О тяжелом течении пиелонефрита, развитии деструкции паренхимы почек свидетельствует нарастание содержания калликреина и прекалликреина, снижение активности протеаз [55, 68].
В последние годы появляется вс больше работ, посвященных изучению изменений показателей иммунитета при пиелонефрите. Сообщается, что развитие пиелонефрита более чем у половины больных приводит к иммунологической недостаточности, которая проявляется различными вариантами, обусловленными генетически детерминированными индивидуальными особенностями иммунной реактивности организма и е чувствительности к эндогенным воздействиям. У большинства больных с гнойным пиелонефритом показатели бактерицидности и комплементарной активности сыворотки крови довольно высокие. В тоже время около 50% больных обнаруживается снижение активности лизоцима. При анализе иммунограмм дефицит Т-системы иммунитета выявлен у 65,5% больных, причем у половины из них он сочетался с дефицитом гуморальных факторов [55].
При необходимости дифференциальной диагностики проводятся другие лабораторные исследования.
Для диагностики урологических заболеваний современная медицина предлагает большое количество инструментальных методов обследования: ультразвуковое (УЗИ), рентгенологическое и радионуклидное [110]. Диагностическая значимость этих методов не равнозначна. Хорошо зарекомендовали себя компьютерная томография (92%) и УЗИ (80%) [10]. Отечественная медицина не обеспечивает проведение компьютерной томографии всем больным в срочном порядке, что объясняется высокой стоимостью и сложностью в эксплуатации томографических установок, а также их небезопасностью. Поэтому в урологии наиболее распространенным инструментальным методом исследования является УЗИ. УЗИ позволяет выявить анатомические особенности строения почек и патологические морфологические образования в почках [7]. При пиелонефрите нарушается дифференцировка синуса и паренхимы, почка увеличивается в размерах [55]. УЗИ позволяют избежать более сложных и дорогостоящих методов исследований благодаря своей безопасности, необременительности для больного, простоте технического выполнения, возможностью выполнения многократных исследований, отсутствием противопоказаний и отсутствием зависимости от функционального состояния почек. Поэтому этот метод используется как в диагностике пиелонефрита, так и для контроля за состоянием почек в процессе лечения [55, 65]. К недостаткам УЗИ относят субъективность в оценки эхографического изображения, что предъявляет высокие требования к квалификации специалиста, проводящего ультразвуковые исследования [55, 58].
Формирование гетерогенного пространства информативных признаков для диагностики пиелонефрита
Для формирования этого сегмента признакового пространства используем вольтамперные характеристики (ВАХ) биоактивных точек (БАТ) трех меридиан: меридиана сердца – C7, меридиана легких - Р9, и меридиана перикарда – МС7 [49]. В качестве информативных признаков используем коэффициенты полинома, аппроксимирующего эти ВАХ. Использовался полином седьмого порядка, следовательно, каждая БАТ формирует восьмикомпонентный вектор информативных признаков [72]. Таким образом, получили словарь информативных признаков, состоящий из шести сегментов. Так как вес признаков в формировании окончательного решения не равнозначен, то решающие модули должны быть построены таким образом, чтобы отсутствие информации о некоторых признаках не влияло на их работоспособность. Врач на основании этих признаков формирует предварительное мнение, и, если риски велики, принимает решение о получении дополнительной, более дорогостоящей информации. Задача прогнозирования рассматривается как задача отнесения обследуемых к одному из двух классов: 0 – риск возникновения (обострения) пиелонефрита практически отсутствует, 1 – риск возникновения (обострения) пиелонефрита высок и пациент требует внимания врача-уролога.
Пользуясь каждым информативным признаком, как базовой переменной функции принадлежности, группой экспертов - специалистов в области урологии, под руководством инженера по знаниям, произведено построение функций принадлежности к классу 1. Полученные данные были усреднены по всем экспертам и после их экспертного согласования приняли следующие значения.
Для признаков х13, х14, х15, х16, х19, х23, х24, х25, х26, х27, х28 выраженных через интервальные шкалы, функции принадлежности записываются аналитически в виде кусочно-линейных зависимостей, графики которых выполнены в соответствии с рекомендациями, изложенными в работах [34, 76].
Для признаков х1, х4 выраженных лингвистическими переменными, определены значения функций принадлежности для каждой градации переменной.
Признаки х2, х3, х5, х6, х7, х8, х9, х10, х11, х12, х17, х18, х20, х21, х22, х29, х30, х31, х32, х33, х34, х35, х36, х37, х38, х39, х40, х41, х42, х43, х44, х45, х46, х47, х48, х49, х50, х51, х52, х53, х54, х55 представленные двоичным кодом, принимают значение 0, если признак отсутствует, и 1, если признак есть. Соответственно их функции принадлежности так же принимают два значения, величины которых определяются по согласованному мнению экспертов.
В гетерогенном признаковом пространстве следует использовать лишь те признаки, которые, с одной стороны, наиболее информативны и, с другой – могут быть в принципе определены имеющимися в распоряжении врача средствами диагностики. В данном исследовании пространство информативных признаков формируется методом, базирующимся на определении информативности Кульбака [11, 44]. Данный метод по сравнению с другими методами минимизации информативной избыточности наиболее прост и доступен для алгоритмизации. Методика расчета информативности признаков по Кульбаку базируется на определении диагностических коэффициентов, рассчитанных для основной и контрольной групп пациентов.
Под наблюдением были пациенты без признаков активности воспалительного процесса в верхних мочевых путях, а также пациенты, страдающие заболеваниями органов мочеполовой системы. После проведенного клинического обследования каждого из пациентов были сформированы два класса обследуемых: класс ю0 - пациенты без признаков пиелонефрита - 123 человека и класс- пациенты, у которых в течение года наблюдения развилось воспаление почек 105 человек.
Для определения информативности по Кульбаку /, которая соответствует признаку х, необходимо предварительно вычислить информативности, которые соответствуют градациям этого признака х{. Для этого умножаем диагностический коэффициент (2.1), полученный для данной градации признака Таблица 2.1 – Градации информативных признаков для социально-экономического сегмента Информативные признаки Градации признаков Согласно (2.2) рассчитываются значения этого признака по всем его n градациям: xi1 , xi2 Полная информативность, соответствующая i – му признаку I(xi) определяется как сумма информативностей градаций этого признака [44, 45]
Критерий Кульбака не позволяет однозначно решить вопрос о синтезе пространства информативных признаков [11, 44]. Одна из причин этого связана с зависимостью информативных признаков друг от друга - корреляцией, что приводит к тому, что включение в пространство информативных признаков двух информативных признаков с высокой информативностью по Кульбаку не приводит к повышению качества классификации в связи с их высокой корреляцией. Корреляцию между случайными величинами xj и xk принято оценивать коэффициентом корреляции rx jxk Пирсона, который определяется выражением
Синтез блоков нечеткого логического вывода по классификации диагноза пиелонефрит
Для структурирования пространства информативных признаков целесообразно выбирать их сегменты таким образом, чтобы эти признаки были независимы внутри сегмента или, наоборот, независимы вне сегмента. Тогда для определения условных вероятностей внутри блоков или вне блоков принадлежности неизвестного образца к классу сох при наличии признаков A и B можно использовать формулу для совместной вероятности (априорные вероятности) P(щ\(A л B)) = P(щ лA) + P(сох л B) (3.1) или ее эквивалент через априорные вероятности P(сох\(A л B)) = P(сох\A) P(A) + P(сох\B) P(B) , (3.2) где P{сох\{A)) и P{сох\{B)) - условные вероятности принадлежности неизвестного образца к классу сох при наличии признаков A и B, соответственно.
Использование формул (3.1) или (3.2) зависит от того, известны ли совместные вероятности, например, они могут быть получены на основе экспертных оценок (используется формула (3.1)), или расчет ведется через апостериорные условные вероятности (используется формула (3.2)), которые вычисляются по правилу Байеса [11]: P((щ\A)= v 1J . (3.3) ї PA При этом условная вероятность P{A\сох) является априорной и соответствует частости признака A в выборке класса со 1. Так как чаще всего признаки являются частично зависимыми, то приходится искать компромисс между формулами (3.1) и (3.2) путем коррекции диагностической модели в процессе обучения.
Схема алгоритма, реализующая методы классификации, основанные на таком подходе, представлена на рисунке 3.1.
Согласно представленному алгоритму при реализации методов диагностики, построенных на основе сегментированных пространств информативных признаков, в блоке 1 осуществляется разбиение (группирование) информативных признаков по N сегментам. Процесс сегментирования пространства информативных признаков описан в разделе 2.
Для каждого сегмента формируется интеллектуальный агент (решающий модуль), который определяет локальный коэффициент уверенности КУi в диагнозе сох на основе информативных признаков, содержащих в i-м сегменте (блок 2).
Процедура определения локальных коэффициентов уверенности реализуется в цикле, организованном посредством блоков 3 и 4. В блоке 5 определяется глобальный коэффициент уверенности КУсо1. При построении блока 2 и блока 5 используются формулы (3.1) и/или (3.2) или формулы, построенные на их основе, которые в литературе известны как нечеткие операции [67].
При синтезе классификатора для гетерогенного пространства информативных признаков используем многоагентный подход к принятию диагностических решений, принципы которого изложены в [21]. Рисунок 3.1 - Схема алгоритма принятия решений по диагнозу ох в структурированном пространстве информативных признаков
Структурная схема многоагентной системы принятия решений, использующей гетерогенное пространство информативных признаков, построенное в разделе 2.1, представлена на рисунке 3.2. Сегмент 1 x1…x4
Многоагентная система прогнозирования пиелонефрита имеет двухуровниевую структуру и построена на принципах, изложенных в [21]. На первом уровне формируются локальные коэффициенты уверенности КУi, а на втором (верхнем) уровне определяется глобальный коэффициент уверенности КУ по прогнозу пиелонефрита. Первый иерархический уровень содержит шесть автономных интеллектуальных агентов. На входы каждого из этих агентов подается вектор информативных признаков с соответствующего сегмента пространства информативных признаков. Первые пять интеллектуальных агентов имеют однотипную структуру, в которую входит фаззификатор и блок формирования нечеткого решающего правила. Фаззификатором является совокупность математических моделей, преобразующих значения информативных признаков в соответствующее значение функций принадлежности.
Структура системы диагностики пиелонефрита аналогична структуре, представленной на рисунке 3.2, но имеет фаззификаторы и блоки логического вывода, построенные для информативных признаков, представленных в таблице 2.7 и таблице 2.8.
Разработка блоков нечеткого логического вывода для определения локальных коэффициентов уверенности по прогнозированию пиелонефрита
При синтезе решающего правила для первого агента учитывалось то, что добавление каждого из признаков в общее решение, приводит к увеличению уверенности в риске возникновения или обострения пиелонефрита, то коэффициент риска для них с учетом формул (3.1), (3.2) и (3.3) и рекомендаций [30, 113] вычисляется по рекуррентной формуле:
Работа шестого агента построена на основе анализа вольтамперных характеристик биоактивных точек. Вольтамперная характеристика БАТ является нелинейной функцией и может быть аппроксимирована суперпозицией простых функций, на основе которых формируется пространство информативных признаков. В работах [49, 51, 85] на основе факторного анализа показано, что для их аппроксимации достаточно полинома седьмого порядка. На рисунке 3.3 показан лист Mathсad с программным обеспечением, предназначенным для вычисления модели вольтамперной характеристики. Экспериментальные данные, соответствующие токам в БАТ, хранятся в массиве Y. Независимая переменная x задается как ранжированная переменная с шагом 1, в данном случае 1 вольт.
Для построения решающего правила по прогнозированию пиелонефрита на основе полиномиальных моделей ВАХ БАТ были использованы нейросетевые структуры, предложенные в [21]. Для обучения этих структур формировались обучающие выборки пациентов с риском обострения пиелонефрита, установленным путем известных средств прогностики. Для каждого объекта из исследуемого класса были получены ВАХ БАТ трех меридианов: меридиан сердца – С7, меридиан легких – Р9, меридиан перикарда – МС7.
Алгоритм управления процессом диагностики острого пиелонефрита (хронического пиелонефрита в фазе активного воспаления)
Информация, отражающая состояние пациента (результаты анамнеза, клинические исследования и текущие результаты лабораторных и инструментальных исследований), а также личные данные пациента, вводится в СППР через интерфейс пользователя. Интерфейс пользователя осуществляет взаимодействие ЛПР с алгоритмами управления прогнозированием и диагностикой посредством многооконных режимов. В каждом окне пользователь выбирает соответствующие решения из предлагаемых списков или вводит соответствующие ответы на предложенные вопросы. Вводимая информация обрабатывается соответствующими блоками в зависимости от решаемой задачи: прогнозирование или диагностика. В состав логических блоков обработки данных входят фаззификаторы и дефаззификаторы. Фаззификаторы определяют значения соответствующих функций принадлежности для информативных признаков и выделяемым классам состояний, а дефаззификаторы вычисляют окончательное значение коэффициента уверенности в принимаемом решении (по принадлежности объекта к данному состоянию). В блоках правил вывода, рассчитываются частные КУ. Процесс принятия решения реализуется посредством алгоритмов управления прогнозированием и диагностикой пиелонефрита.
Через интерфейс пользователя для ЛПР выдаются сообщения об этапах выполнения схемы алгоритма. В случае сомнения в принятия решений, ЛПР может получить информацию, отражающую путь формирования принятия решения, которая хранится в блоке объяснения и выводится через пользовательский интерфейс.
В базе данных СППР хранятся справочные данные из предметной области, а также личные данные, данные анамнезов пациентов и результаты лабораторных и инструментальных исследований пациентов. В базе данных хранятся также опросники для врача и пациента, которые реализованы в виде соответствующей программы для ЭВМ, осуществляющей интерактивное взаимодействие с ЛПР.
Программные средства СППР позволяют решать задачи синтеза нечетких решающих правил и их модификации с целью улучшения показателей качества принятия диагностических решений.
На рисунке 4.3 приведен вид окна «Агрегатор». В этом окне формируется последовательность нечетких операций над числовыми значениями функций принадлежности. В результате вычисляются локальные или глобальные коэффициенты уверенности.
В левой части окна осуществляется настройка, а в правой части представляются результаты агрегации по заданному в левой нижней части классу или классам.
Результат работы агрегатора для каждого класса - диагноза представляется во вкладке «Составы агрегатора». Агрегаторы формируются для каждого класса посредством генетических алгоритмов, встроенных в Matlab.
В первой строке вкладки «Составы агрегатора» для данного класса отображается последовательность попарной агрегации значений функций принадлежности признаков: «Структура: Р х Р х Р …». Последующие строки «P x P : F=…» показывают нечеткие операции, которые использованы для текущей пары признаков. Первый признак в паре обозначен идентификатором f1, а второй – идентификатором f2.
Во вкладке «Классы для анализа» окна «Агрегатор» ЛПР имеет возможность выбрать диагноз, для которого будут отображены графики коэффициентов уверенности по обучающей или контрольной выборке. Эти графики отображаются на вкладке, размещенной в правой нижней части окна. Сравнивая коэффициенты уверенности по классам, а также зоны, в которых они находятся, пользователь может проверить эффективность агрегирования частных коэффициентов уверенности данным агрегатором для каждого диагноза. Для заполнения данного списка необходимо нажать кнопку «Выбрать» и в появившемся окне выделить нужные классы (несколько классов можно выделить, зажав клавишу «Ctrl»). Области расположения объектов обучающей или контрольной выборок по классам отмечаются соответствующим цветом. Таким образом, вкладка позволяет наглядно оценить результаты агрегирования функций принадлежности. Например, если для конкретной выборки (обучающей или контрольной) в списке «Классы для анализа» выбран первый класс, и при этом на вкладке «Коэффициенты уверенности» коэффициенты уверенности локализованы в зоне третьего класса, то необходима модификация функций принадлежности. Модификация проводится с учетом того, что функции принадлежности первого класса недостаточно полно захватывают «свои» объекты, а функции принадлежности третьего класса захватывают «чужие» объекты.
Для осуществления модификации функций принадлежности используется окно «Нечеткие функции» (рисунок 4.4). В этом окне имеется возможность отредактировать функции принадлежности и привести их в соответствие с требуемой картиной распределения коэффициентов уверенности по классам.