Содержание к диссертации
Введение
1 Анализ математических методов для задач диагностики заболеваний молочных желез 10
1.1 Характеристика математических методов обработки медицинских данных 10
1.2 Современное состояние проблем заболеваний молочных желез 21
1.3 Обзор современных методов диагностики заболеваний молочных желез 27
1.4 Цель и задачи исследования 37
2 Разработка статистических моделей постановки диагноза заболеваний молочных желез 38
2.1 Анализ характеристик больных с заболеваниями молочных желез 38
2.1.1 Клинические характеристики больных с заболеваниями молочных желез 38
2.1.2 Характеристика эхографических признаков мастопатии и фиброаденомы 41
2.2 Логическая модель постановки диагноза заболеваний молочных желез на основе «дерева решений» 44
2.3 Оценка состояния больных с заболеваниями молочных желез на основе статистического моделирования 51
Выводы второй главы 64
3 Построение математических сетевых моделей оценки состояния больных с мастопатией и фиброаденомой 65
3.1 Оценка состояния больных с заболеваниями молочных желез на основе нейросетевого моделирования 65
3.2 Алгоритм процесса постановки диагноза заболеваний молочных желез на основе сетей Петри 74
Выводы третьей главы 83
4 Автоматизация управления процессом диагностики заболеваний молочных желез 84
4.1 Структура автоматизированной системы диагностики заболеваний молочных желез 84
4.2 Программно-техническая реализация автоматизированной системы 88
Выводы четвертой главы 96
Заключение 97
Список литературы 100
Приложения 108
- Характеристика математических методов обработки медицинских данных
- Клинические характеристики больных с заболеваниями молочных желез
- Оценка состояния больных с заболеваниями молочных желез на основе нейросетевого моделирования
- Структура автоматизированной системы диагностики заболеваний молочных желез
Введение к работе
Актуальность темы. В медицинской практике математические методы (ММ) применяются для количественного изучения и анализа состояния и (или) поведения объектов и систем, относящихся к медицине и здравоохранению. С помощью ММ осуществляется описание биомедицинских процессов (прежде всего нормального и патологического функционирования организма и его систем, диагностики и лечения). Эти методы предназначены для выявления закономерностей, свойственных биомедицинским объектам, поиска сходства и различий между отдельными группами объектов, оценки влияния на них разнообразных внешних факторов и т.п. На сегодняшний день, одно из главных направлений, в котором находят применение ММ, - диагностика рака молочной железы (МЖ).
Проблема диагностики заболеваний МЖ в настоящее время чрезвычайно актуальна. В первую очередь это обусловлено значительным ростом в последние годы онкологической патологии данной локализации. Общепризнанно, что рак МЖ встречается в 3-5 раз чаще на фоне доброкачественных заболеваний МЖ и в 30-40 раз чаще при узловых формах мастопатии с явлениями пролиферации эпителия МЖ. В связи с этим очевидно, что в последние годы интерес к доброкачественным заболеваниям значительно возрос, а снижение заболеваемости мастопатией - реальный путь к снижению частоты рака МЖ. В России ежегодно выявляется более 34 000 новых случаев рака, при этом отмечается резкое снижение возрастного ценза заболевших.
Среди заболеваний МЖ мастопатии по частоте занимают первое место. Мастопатией заболевают женщины детородного возраста — от 25 до 45 лет. Фиброаденомы составляют 18 % всех узловых образований МЖ. Они считаются самой доброкачественной опухолью, однако возможен переход их в злокачественную форму.
В МЖ чрезвычайно сложно четко отдифференцировать физиологические и патологические изменения. Это обусловлено большой вариабельностью нормального строения молочной железы. Поэтому осуществление отбора признаков для диагностики заболеваний МЖ является необходимой процедурой, поскольку для решения классификационной задачи должны быть отобраны сведения, несущие полезную для данной задачи информацию. В связи с этим, анализ медицинских данных невозможен без применения математических методов.
Диссертация посвящена поиску возможности эффективного управления процессом диагностики заболеваний МЖ.
Наиболее перспективным при осуществлении диагностических мероприятий заболеваний МЖ является применение математических методов для задач классификации и принятия управленческих решений, среди которых имитационное, статистическое и нейросетевое моделирование.
Одна из ведущих ролей для повышения эффективности диагностики заболеваний МЖ принадлежит использованию компьютерных средств реализации математического описания, которые позволяют принять во внимание большое количество диагностических признаков с учетом их индивидуального коэффициента значимости.
Таким образом, актуальность темы диссертации заключается в необходимости разработки методов интеллектуальной поддержки процесса диагностики мастопатии и фиброаденомы на основе математических моделей и алгоритмов.
Диссертация выполнена в соответствии с основным научным направлением ФГБОУ ВПО «Воронежский государственный технический университет» «Вычислительные комплексы и проблемно-ориентированные системы управления» при выполнении НИР ГБ 2010.27 «Моделирование и управление процессами в здравоохранении».
Цель и задачи исследования. Целью диссертации является разработка моделей и алгоритмов, повышающих эффективность процесса принятия решений при диагностике заболеваний МЖ с последующим внедрением результатов исследования в клиническую практику в виде автоматизированной системы диагностики исследуемого класса заболеваний.
Для достижения поставленной цели необходимо решить следующие задачи: проанализировать математические методы обработки медицинских данных и обосновать их применение в задачах диагностики заболеваний МЖ; разработать алгоритм для отнесения состояния пациента к одному из классов заболеваний МЖ на основе метода «деревьев решений»; построить классификационные модели на основе статистических методов распознавания образов для оценки состояния больных с заболеваниями МЖ; разработать процедуру оценки состояния больных с мастопатией и фиброаденомой на основе нейросетевого моделирования; построить сетевую модель на основе сетей Петри, которая позволяла бы принимать решения при планировании диагностического процесса заболеваний МЖ; создать автоматизированную систему для обеспечения рациональной диагностики заболеваний МЖ в клинических условиях и провести ее клиническую апробацию.
Методы исследования. В работе использованы методы системного анализа, имитационного моделирования, математической статистики и теории управления биосистемами, «деревьев решений» и нейронных сетей.
На защиту выносятся следующие результаты диссертации, имеющие научную новизну: схема применения средств математической статистики и видов математического моделирования для обработки данных клинических характеристик и признаков мастопатии и фиброаденомы; алгоритм оценки состояния пациентов с заболеваниями МЖ на основе метода «деревьев решений», позволяющий определить значимость входных переменных; методика оценки состояния больных с мастопатией и фиброаденомой на основе статистических критериев, позволяющая учитывать индивидуальные особенности больных; система на базе нейронной сети, обеспечивающая информационную поддержку принимаемых врачом решений для повышения эффективности постановки диагноза заболеваний МЖ; сетевая модель на основе сетей Петри, позволяющая принимать рациональные решения при планировании диагностического процесса заболеваний МЖ; автоматизированная система, обеспечивающая интеграцию методов, моделей и алгоритмов рационального принятия решения для диагностики мастопатии и фиброаденомы.
Практическая значимость и внедрение результатов работы. Разработаны модели, алгоритмы и программное обеспечение дифференциальной диагностики заболеваний молочных желез, позволяющие поднять на новый уровень качество медицинского обслуживания, в частности повысить эффективность диагностических мероприятий для выявления заболеваемости мастопатией и фиброаденомой. Построенные модели оценки и алгоритмы позволяют соотносить состояние пациенток с одним из исследуемых классов заболеваний и осуществлять рациональное управление диагностическим процессом.
Материалы работы в виде автоматизированной системы обеспечения рациональной диагностики заболеваний МЖ внедрены в работу отдела функциональной диагностики Воронежского областного клинического консультативно-диагностического центра.
Апробация работы. Основные положения и научные результаты диссертации докладывались и обсуждались на следующих конференциях, семинарах и совещаниях: Всероссийской конференции «Интеллектуальные информацион- ные системы» (Воронеж, 2009, 2010); Международной научно-практической конференции «Актуальные проблемы инновационных систем информатизации и безопасности» (Воронеж, 2010); научно-методическом семинаре кафедры «Системный анализ и управление в медицинских системах» ГОУ ВПО «Воронежский государственный технический университет» (Воронеж, 2008-2011).
Публикации. По материалам диссертации опубликовано 9 научных работ, в том числе 2 - в изданиях, рекомендованных ВАК РФ.
В работах, опубликованных в соавторстве и приведенных в конце диссертационной работы, соискателем сформулировано современное состояние проблем заболеваний молочных желез [35]; проведен анализ методов диагностики мастопатии и определены особенности диагностики заболеваний молочных желез [34, 36]; проведены исследование и анализ характеристик заболеваний молочных желез [40]; обосновано применение статистического моделирования для диагностики заболеваний молочных желез [61]; приведен алгоритм процесса диагностики заболеваний молочных желез на основе имитационного моделирования [37]; предложена модель процесса управления постановкой диагноза заболеваний молочных желез на основе сетей Петри [57]; предложены логические модели постановки диагноза заболеваний молочных желез с помощью имитационного моделирования и дерева решений, а также на основе статистического и нейросетевого моделирования [52, 53].
Структура и объем работы. Диссертация состоит из введения, четырех глав с выводами, заключения, приложения и списка литературы из 103 наименований.
Во введении обосновывается актуальность темы диссертационной работы, сформулированы цель и задачи исследования, изложены основные научные положения, определена практическая значимость, приведены сведения об апробации и внедрении работы.
Первая глава посвящена анализу различных математических методов обработки медицинских данных, а также выявлению необходимости их применения в автоматизированной проблемно-ориентированной системе диагностики мастопатии и фиброаденомы. Проводится обзор современного состояния проблем заболеваемости мастопатией и фиброаденомой. Рассматриваются особенности методов диагностики мастопатии и фиброаденомы и в качестве основного рассмотрен метод рентгеномаммографии. При анализе средств дифференциальной диагностики также рассматриваются УЗИ, термография, дуктография, цитологический и морфологический методы исследования.
Во второй главе проводится анализ характеристик больных с заболеваниями молочных желез на основании данных клинического, бимануального, ультразвукового и маммографического обследований. Разрабатывается логическая модель процесса постановки диагноза заболеваний мастопатией и фиброаденомой с применением метода деревьев решений, определяющая значимость признакового пространства для определения класса заболевания. На основании выборки данных историй больных диагностического центра проводится построение классификационных моделей соотнесения состояния пациенток с исследуемыми классами заболеваний.
В третьей главе проводится оценка состояния больных заболеваниями молочных желез. Предлагается экспертная система на базе нейросети, обеспечивающая поддержку при принятии решений постановки диагноза мастопатии и фиброаденомы. Предлагается алгоритм управления диагностикой заболеваний молочных желез с помощью сети Петри, позволяющий планировать диагностические мероприятия в ходе исследования.
В четвертой главе на основании предложенных методов, моделей и алгоритмов разработана автоматизированная система в виде комплекса программных модулей, обеспечивающая интеллектуализацию принятия решений при диагностике мастопатии и фиброаденомы.
В заключении рассмотрены основные результаты работы.
В приложении помещен акт внедрения.
Диссертация изложена на 109 страницах, содержит 28 рисунков и 8 таблиц.
Характеристика математических методов обработки медицинских данных
Математические методы (ММ) в медицине - совокупность методов количественного изучения и анализа состояния и (или) поведения объектов и систем, относящихся к медицине и здравоохранению [41].
ММ применяют для описания биомедицинских процессов (прежде всего нормального и патологического функционирования организма и его систем, диагностики и лечения). Описание проводят в двух основных направлениях. Для обработки биомедицинских данных используют различные методы математической статистики, выбор одного из которых в каждом конкретном случае основывается на характере распределения анализируемых данных [6]. Эти методы предназначены для выявления закономерностей, свойственных биомедицинским объектам, поиска сходства и различий между отдельными группами объектов, оценки влияния на них разнообразных внешних факторов и т.п. [67, 75]. На основе определенной гипотезы о типе распределения изучаемых данных в серии наблюдений и использования соответствующего математического аппарата с той или иной достоверностью устанавливаются свойства биомедицинских объектов, делаются практические выводы, даются рекомендации. Описания свойств объектов, получаемые с помощью методов математической статистики, называют иногда моделями данных. Модели данных не содержат какой-либо информации или гипотез о внутренней структуре реального объекта и опираются только на результаты инструментальных измерений [7].
Другое направление связано с моделями систем и основывается на математическом описании объектов и явлений, содержательно использующих сведения о структуре изучаемых систем, механизмах взаимодействия их отдельных элементов. Разработка и практическое использование математических моделей систем (математическое моделирование) составляют перспективное направление применения ММ в биологии и медицине [5,58].
Математическое моделирование и связанный с ним компьютерный эксперимент незаменимы в тех случаях, когда натурный эксперимент невозможен или затруднен по тем или иным причинам [76].
Процесс моделирования начинается с построения упрощенного процесса, который с одной стороны отражает основные качественные явления, с другой стороны допускает достаточно простое математическое описание. По мере углубления исследования строятся новые модели, более детально описывающие явление. Факторы, которые считаются второстепенными на данном этапе, отбрасываются. Однако, на следующих этапах исследования, по мере усложнения модели, они могут быть включены в рассмотрение. В зависимости от цели ис следования один и тот же фактор может считаться основным или второстепенным [71].
Многофакторный анализ - это совокупность методов одновременного рассмотрения воздействия многих переменных. Они используются для того, чтобы корректировать эффекты множества исследуемых переменных для выявления независимого действия одного фактора, позволяют выделить из большого числа переменных малое их подмножество, которое вносит независимый и существенный вклад в исход, и упорядочить переменные по силе их влияния на исход.
Врачи, как правило, проводят исследования на выборочных совокупностях, теория статистики позволяет с помощью математического аппарата (формул) переносить данные с выборочного исследования на генеральную совокупность. При этом врач должен уметь не только воспользоваться математической формулой, но сделать вывод, соответствующий каждому способу оценки достоверности полученных данных.
Среди методов оценки достоверности различают параметрические и непараметрические [25, 26].
Параметрическими называют количественные методы статистической обработки данных, применение которых требует обязательного знания закона распределения изучаемых признаков в совокупности и вычисления их основных параметров. Наиболее часто используется критерий Стьюдента (t-критерий) как для независимых выборок данных, так и для зависимых выборок.
Непараметрические методы не требуют знания закона распределения изучаемых признаков в совокупности. Среди непараметрических методов можно выделить U-критерий Манна-Уитни (для двух независимых выборок), критерий Вилкоксона (для зависимых групп данных), критерий соответствия Пирсона и др. [54].
В современных исследованиях в начальный список изучаемых признаков входят практически все клинические и лабораторные показатели, доступные исследователю. При таком объеме информации на первое место стали выходить методы, применимые для обработки многопараметрических данных. Даже такой традиционный метод, как критерий Стьюдента - метод сравнения достоверности отличия средних, из-за этих отличий (особенностей) уступает место методу анализа дисперсий, позволяющему работать с многопараметрическими таблицами.
Если задача исследователя не ограничивается только констатацией факта отличия средних, а ставится проблема поиска существующих связей, то на первом этапе применяется исследование коэффициентов корреляций. При этом, в анализе непрерывных переменных, используется коэффициент корреляции Пирсона, а для порядковых или категориальных - коэффициент корреляции Спирмена или ранговые корреляции. Следует иметь в виду, что при большом анализируемом количестве параметров, чисто случайно, ряд показателей могут дать достоверные коэффициенты корреляции между собой (например, если анализируется 10 показателей, то в корреляционной матрице 10x10-3-4 достоверных показателя могут быть случайностью). Поэтому к полученным коэффициентам следует относиться с осторожностью. С другой стороны, отсутствие достоверной корреляции между исследуемыми показателями может еще не означать отсутствия связи между параметрами. Для выявления возможной связи между параметрами применяется также и дисперсионный анализ, позволяющий не только оценить групповые отличия, но и обнаружить связи между переменными различной природы (непрерывными, порядковыми или категориальными) [56].
Клинические характеристики больных с заболеваниями молочных желез
Для обработки биомедицинских данных используют различные методы математической статистики, выбор одного из которых в каждом конкретном случае основывается на характере распределения анализируемых данных. Эти методы предназначены для выявления закономерностей, свойственных биомедицинским объектам, поиска сходства и различий между отдельными группами объектов, оценки влияния на них разнообразных внешних факторов и т.п. [1]
Начало развития мастопатии и фиброаденомы имеет характерные клинические симптомы, присущие и физиологическому предменструальному синдрому, из-за чего пациентки не сразу обращаются к врачу, упуская патологический процесс. В результате обследования 76 пациенток Воронежского областного клинического консультативно-диагностического центра за 2007 - 2009 годы, у 39 женщин была выявлена мастопатия, у 27 - фиброаденома, у 10 - признаки предменструального синдрома (ПМС).
Анализ данных по заболеваниям МЖ показал, что возраст больных с мастопатией колеблется от 31 до 77 лет, с фиброаденомой - от 16 до 40 лет, больных с ПМС - от 20 до 48 лет.
Анализ данных по заболеваемости мастопатией выявил, что практически у половины больных наблюдаются сопутствующие гинекологические заболевания (48,7 %), наследственная предрасположенность в анамнезе у 46,2 % больных.
Наиболее частыми жалобами у больных мастопатией были боли в МЖ -60,6 %, усиливающиеся накануне или во время менструаций, затвердение (уплотнение) МЖ - у 35 % больных, различные выделения из сосков (серозные, молозивные, кровятистые) - у 51 % больных.
Бимануальное исследование показало, что в большинстве случаев - 70 % наблюдается болезненность в МЖ при пальпации, прощупываются узлы у 30 % больных, а также при пальпации у 40 % больных отмечается дольчатость (зернистость) ткани МЖ.
Анализ данных по заболеваемости фиброаденомой показал, что практически у всех больных наблюдается наличие затвердения (уплотнения) МЖ (67 %). При этом наличие сопутствующих гинекологических заболеваний, или эндокринных нарушений наблюдалось лишь в единичных случаях. Тоже самое касается и наследственной предрасположенности.
Жалобы на боли в МЖ были у 19 % больных, выделения из сосков отмечалось в 8 % случаев.
Бимануальное исследование показало, что болезненность при пальпации отмечалась лишь у 11 % больных. Самыми важными симптомами, определяемыми при осмотре, были наличие уплотнения (78 %), плотная консистенция образования (37 %), подвижность образования (48 %), гладкая поверхность образования (33 %).
При ПМС наиболее частыми жалобами являются боли в МЖ - у 30 % больных и наличие уплотнения в МЖ - в 20 % случаев. При этом у пациенток наблюдались сопутствующие гинекологические заболевания (30 %) и наследственная предрасположенность (40 %). При бимануальном исследовании боли в МЖ наблюдались в 30 % случаев, а в 50 % случаев определялось наличие уплотнения в МЖ.
Как видно из приведенных выше таблиц, наиболее выраженными клиническими признаками мастопатии являются боли в МЖ и выделения из сосков, а для фиброаденомы - затвердение, уплотнение МЖ. По данным бимануального обследования ярко выраженными признаками мастопатии являются болезненность при пальпации, для фиброаденомы - наличие уплотнения и подвижность образования.
Для мастопатии характерны следующие ультразвуковые признаки: ткань МЖ гомогенна и гиперэхогенна; часто выявляются кисты, которые могут быть различных размеров (от 2 мм в диаметре); часто встречается расширение протоков (дуктэктазия); гипоэхогенные структуры пронизывают всю МЖ; ткань МЖ может быть полностью или частично гомогенна и гипоэхо генна.
Оценка выраженности фиброаденоматоза (ФАМ) невозможна без сравнения степени увеличения толщины паренхимы по отношению к возрастной норме (нормой считается толщина железистой ткани 5-14 мм): незначительно выраженный ФАМ характеризуется увеличением толщины на 3-7 мм; умеренно выраженный ФАМ характеризуется утолщением паренхимы на 8-12 мм; резко выраженный ФАМ характеризуется приростом толщины на 13-18 мм. Еще одним важным количественным признаком является изменение показателей эхоплотности, среди которых выделяется 3 группы значений: 26-32 - средние; 33-37- повышенные; 3 8-44 - значительно повышенные.
По данным ультразвукового исследования выявлены характерные признаки мастопатии: утолщение слоя железистой ткани - 90 %, фиброзные изменения - 43,5 %, повышенные показатели эхоплотности - 64 %, наличие кист -20,5 %, дуктэктазия - 54 %, наличие анэхогенного образования - 18 %. Наличие гипоэхогенного образования выявлено в 4 случаях, в 2 случаях - наличие жид-косодержащих включений, в 5 случаях - гомогенная структура образования, и по 1 случаю - подвижность образования и наличие латеральных теней.
Для фиброаденомы характерны следующие УЗ-признаки: узловое образование овальной формы, продольная ось ориентирована параллельно датчику, а горизонтальный диаметр превышает вертикальный более чем в 1,5 раза; четкий контур на всем протяжении с наличием некоторого усиления или без него.
Оценка состояния больных с заболеваниями молочных желез на основе нейросетевого моделирования
Нейронные сети представляют собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач. Первоначально нейронные сети открыли новые возможности в области распознавания образов, затем к этому прибавились статистические и основанные на методах искусственного интеллекта средства поддержки принятия решений [10]. Нейросети в области здравоохранения успешно применяются для поддержки принятия решений при диагностике и лечении заболеваний, распознавании злокачественных образований, прогнозировании течения болезней и последствий оперативных вмешательств и других целей [81].
В 1943 г. У. МакКаллок и У. Питтс (Warren McCullock, Walter Pitts) опубликовали статью, в которой предложили общую теорию обработки данных, основанную на использовании бинарных переключающих элементов, названных ими нейронами. Такие нейроны имеют состояния 0 (невозбужденное) и 1 (активное). Авторы предложили схему функционирования технического нейрона в дискретном времени t=0,l,2,... . Выбор дискретного времени соответствует особенностям работы живой нервной клетки.
Обучение нейронной сети проводится на задачнике - наборе векторов данных. В каждом векторе данных выделены сигналы, которые подаются сети, и сигналы, которые требуется получить от сети при заданных входных сигналах. Обучение сети строится как минимизация некоторой функции связи между ответом сети и требуемыми значениями. Минимизируется суммарная функция по всем векторам обучающего множества. Минимизация происходит путем такой подстройки обучаемых параметров сети, чтобы сеть выдавала выходные сигналы, наиболее близкие к требуемым.
Успешность обучения сети зависит от двух факторов. В первую очередь, задачник должен быть непротиворечив. А именно, в задачнике не должны присутствовать векторы данных, у которых одинаковы входные сигналы и разные выходные. Нейронная сеть не может обучиться решению таких противоречивых задач.
Если задачник непротиворечив, то для успешного обучения требуется такая нейронная сеть, число слоев и нейронов которой достаточно для решения задачи.
Использование метода двойственности позволяет достаточно просто получать показатели значимости входных сигналов и элементов сети - по существу, вычисленные в линейном приближении абсолютные величины изменения функции оценки при удалении из сети элемента или входного сигнала. Эти показатели значимости усредняются по всем векторам задачника и по нескольким точкам в пространстве настраиваемых параметров.
Ранжируя входные сигналы и элементы сети по показателям значимости, получаются наборы входных сигналов и элементов, исключение которых почти не ухудшит точность решения задачи нейронной сетью. Исключая из сети эти наименее значимые входы и элементы и доучивая сеть, можно получить нейронную сеть с минимальным набором входных сигналов и элементов, правильно решающую задачу.
Наиболее часто используется частный вариант сети прямого распространения сигнала, который носит специальное название многослойной, или слоистой, нейронной сети.
Рассмотрим иерархическую сетевую структуру, в которой связанные между собой нейроны (узлы сети) объединены в несколько слоев (рис. 3.2). Межнейронные синаптические связи сети устроены таким образом, что каждый нейрон на данном уровне иерархии принимает и обрабатывает сигналы от каждого нейрона более низкого уровня. Таким образом, в данной сети имеется выделенное направление распространения нейроимпульсов - от входного слоя через один (или несколько) скрытых слоев к выходному слою нейронов. Нейросеть такой топологии называется обобщенным многослойным персептроном [20].
Персептрон представляет собой сеть, состоящую из нескольких последовательно соединенных слоев формальных нейронов МакКаллока и Питтса. На низшем уровне иерархии находится входной слой, состоящий из сенсорных элементов, задачей которого является только прием и распространение по сети входной информации. Далее имеются один или, реже, несколько скрытых слоев. Каждый нейрон на скрытом слое имеет несколько входов, соединенных с выходами нейронов предыдущего слоя или непосредственно со входными сенсорами Xi..xN, и один выход. Нейрон характеризуется уникальным вектором весовых коэффициентов w. Функция нейрона состоит в вычислении взвешенной суммы его входов с дальнейшим нелинейным преобразованием ее в выходной сигнал [83].
Выходы нейронов последнего, выходного, слоя описывают результат классификации у=у(х). Особенности работы персептрона состоят в следующем. Каждый нейрон суммирует поступающие к нему сигналы от нейронов предыдущего уровня иерархии с весами, определяемыми состояниями синапсов, и формирует ответный сигнал (переходит в возбужденное состояние), если полученная сумма выше порогового значения. Персептрон переводит входной образ, определяющий степени возбуждения нейронов самого нижнего уровня иерархии, в выходной образ, определяемый нейронами самого верхнего уровня. Число последних, обычно, сравнительно невелико. Состояние возбуждения нейрона на верхнем уровне говорит о принадлежности входного образа к той или иной категории.
Для решения задачи классификации и прогнозирования на базе нейронной сети разработана экспертная система постановки диагноза заболеваний МЖ. Принцип построения экспертной системы состоит в следующем. Составляются вопросы, ответы на которые имеют бинарный вид, т. е. «Да» или «Нет». При составлении «вектора опроса», если при диагностике следует ответ «Да», то компоненту вектора присваивается 1, если «Нет», то - 0.
Структура автоматизированной системы диагностики заболеваний молочных желез
Структурная схема системы диагностики состоит из следующих компонентов:
1 «Интерфейс» - аппаратно-программное средство, обеспечивающие графическое отображение и обмен информацией между человеком и компьютером, в данной программе это система средств, позволяющая пользователю заносить необходимые данные в программу, а так же дает возможность визуально наблюдать за результатами работы программы. «Диалоговый режим работы с СД» - представляет собой подсистему банка данных, предназначенную для централизованного хранения информации о структурах данных, взаимосвязях файлов базы данных друг с другом, типах данных и форматах их представления, принадлежности данных пользователям.
«Информационно-справочная система» - данный компонент открывает доступ к списку клинических признаков заболеваний молочной железы, сведениям о характерных признаках для каждого заболевания и их весовых значениях и справочной службе по работе с программой, а также памятка для пациенток.
«Диалоговый режим работы с БД» - представляет собой оконную форму, в которой можно выполнять следующие действия: вносить новых пациенток, просматривать и редактировать данные диагностики всего списка пациенток.
2 «Система диагностики» - система обработки внесенной информации и постановки диагноза. Структура её компонентов представлена на рис. 4.2.
«Формирование первичной информации» - данный компонент производит начальную обработку информации, которая включает соответствие внесенной информации (клинического, бимануального, ультразвукового и рентгено-маммографического исследования).
«Диагностический аппарат (УЗИ и/или рентгеномаммография)» - компонент осуществляет сбор полученных данных после УЗИ и/или рентгеномаммо-графии.
«Классификация пациенток» - компонент осуществляет принятие решения по определению диагноза, если не возможно определить диагноз, то снова вводятся данные полученные при дополнительном обследовании.
Для реализации моделей и алгоритмов в качестве среды разработки была использована среда программирования Delphi 7, относящаяся к классу инструментальных средств ускоренной разработки программ (Rapid Application Development, RAD) [27]. Это ускорение достигается за счет визуального конструирования форм и использования библиотеки визуальных компонентов (Visual Component Library, VCL). Delphi обладает широким набором возможностей, начиная от проектировщика форм и заканчивая поддержкой всех форматов популярных баз данных. Среда устраняет необходимость программировать такие компоненты Windows общего назначения, как метки, пиктограммы и даже диалоговые панели [45, 46].
По сравнению с традиционными способами программирования ООП обладает рядом преимуществ. Главное из них заключается в том, что эта концепция в наибольшей степени соответствует внутренней логике функционирования операционной системы (ОС) Windows. Программа, состоящая из отдельных объектов, отлично приспособлена к реагированию на события, происходящие в ОС. К другим преимуществам ООП можно отнести большую надежность кода и возможность повторного использования отработанных объектов.
Визуальное конструирование форм избавляет программиста от многих аспектов разработки интерфейса программы, так как Delphi автоматически готовит необходимые программные заготовки и соответствующий файл ресурсов.
Использование визуальных компонентов не только во много раз уменьшает сроки разработки программ, но и существенно снижает вероятность случайных программных ошибок.
В данном окне можно вносить информацию о новой пациентке или изменять уже имеющуюся и сохранять без выхода в окно БД с помощью кнопки «Записать» и с выходом с помощью кнопки «ОК». Помимо этого, формируется список клинических проявлений заболевания, который также можно изменять, выбирая сопутствующие признаки из списка. Внесение этих данных приводит к появлению результатов диагностики, т.е. ставится предварительный диагноз после нажатия вкладки «Диагноз».
Разработанная автоматизированная система позволяет производить диагностику заболеваний молочной железы на основе данных клинических, лабораторных признаков и выявленных патологий при проведенных бимануальном исследование, ультразвуковом обследование и рентгеномаммографии, а также уменьшает трудоемкость принятия решений и обеспечивает принятие эффективных диагностических решений.
