Содержание к диссертации
Введение
ГЛАВА 1. Анализ существующих методов и средств компьютерной медицинской диагностики 13
1.1. Анализ концепции неинвазивного контроля состояния сердца 13
1.2. Сравнительный анализ медицинских диагностических систем 18
1.3. Оценка методов распознавания образов компьютерного диагностирования заболеваний 24
1.4. Характеристика современного состояния теоретических разработок в области компьютерной медицинской диагностики 35
1.5. Постановка задач исследования и требования к решению 40
ГЛАВА 2. Разработка способа диагностики состояния пациента на основе формирования двумерных моделей различных нозологических форм болезней и двумерных образов состояния пациента 43
2.1. Разработка способа оценки состояния пациента на основе сопоставления моделей нозологических форм болезней и образов состояния 43
2.2. Разработка способа исключения неоднозначности принятия решения на основе переноса начала координат в N-мерном пространстве 50
2.3. Разработка способа исключения неоднозначности принятия решения на основе сечения парой параллельных гиперплоскостей 54
2.4. Разработка математической модели принятия решения на основе теории нечетких множеств и нечеткого вывода 58
Выводы 67
ГЛАВА 3. Разработка алгоритмических средств компьютерной диагностики на основе механизмов визуализаии и теории нечетких меожеств 69
3.1. Разработка функциональной модели системы 69
3.2. Разработка общего алгоритма компьютерной диагностики на основе способа визуализации и теории нечетких множеств 74
3.3. Разработка структуры алгоритма отображения областей заболеваний на основе способа визуализации многомерного образа 77
3.4. Построение структуры алгоритма способа переноса начала координат 82
3.5. Алгоритмическая реализация способа сечения областей заболеваний гиперплоскостями. 85
3.6. Построение алгоритма, реализующего способ выработки однозначного
решения на основе метода нечетких множеств 88 Выводы 91
ГЛАВА 4. Экспериментальное исследование автоматизированной системы информационной поддержки диагностического решения 93
4.1. Программный комплекс системы информационной поддержки принятия диагностического управляющего медицинского решения 93
4.2. Анализ результатов проведенных экспериментальных исследований 99
4.3. Оценка эффективности разработанной автоматизированной системы, статистическая оценка достоверности результатов экспериментальных исследований 112
Выводы 115
Заключение 116
Список литературы 119
- Характеристика современного состояния теоретических разработок в области компьютерной медицинской диагностики
- Разработка способа исключения неоднозначности принятия решения на основе переноса начала координат в N-мерном пространстве
- Разработка общего алгоритма компьютерной диагностики на основе способа визуализации и теории нечетких множеств
- Анализ результатов проведенных экспериментальных исследований
Характеристика современного состояния теоретических разработок в области компьютерной медицинской диагностики
Сами микропроцессоры в большинстве случаев достаточно просты. Каждый персептрон данной сети работает только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим персептронам. Однако, несмотря на это, будучи связанными в достаточно большую сеть с управляемым взаимодействием, такие локально простые персептроны вместе способны выполнять довольно сложные задачи.
Основным недостатком ИНС [43, 44] является то, что при реализации, недоступны те процессы, что происходят внутри сети. После формирования входных параметров необходимо предварительно рассчитывать выходные параметры и сопоставлять одно с другим. Отсутствует возможность пошагово и детально отследить то, каким образом полученные на выходе значения были рассчитаны внутри сети. Этот режим вычислений в «черном ящике» усложняет процесс интерпретации результатов и модификации сети так как неясно, что в ней нужно изменить, чтобы настроить сеть точнее. Так же данный метод не позволяет визуально отображать результаты.
Генетический алгоритм [42, 45], предложенный Д.Х.Холландом, а так же Л.Дж.Фогелом, А.Дж. Оуэнсом, М.Дж.Волшом (исследовавших эволюцию простых автоматов) – это основанный на таких особенностях природы как селекция и генетика алгоритмы поиска. Эти алгоритмы, подобно законам природы, из множества сгенерированных обеспечивают «выживание» наиболее сильным решениям, за счет формирования и изменения процесса поиска на основе моделирования эволюции исходной популяции решений. Генетические алгоритмы построены таким образом, что в процессе генерации очередной новой популяции учитываются части исходных решений, которые используют новые элементы, позволяющие улучшить решения относительно сформулированного критерия отбора.
Простой генетический алгоритм состоит из следующих основных операций: случайная генерация начальной популяции и ряд операторов, позволяющих генерировать новые популяции на основе начальной. Далее оценивается «приспособленность», позволяющая определить насколько хорошо фенотип, решает поставленную задачу. Из полученного множества решений («поколения») с учётом значения «приспособленности» отбираются решения, к которым применяются «генетические операторы» («скрещивание» и «мутация» ), на выходе получаются новые решения. Для них также определяется значение приспособленности, после чего осуществляется отбор («селекция») лучших решений для следующего поколения (рис. 1.4).
Существует множество схем отбора лучших решений (с наибольшей вероятностью воспроизведения), самая популярная из них – пропорциональный отбор: где ( ) - функция определяющая эффективность каждой найденной комбинации признаков данной особи текущего поколения; "( ) суммарная эффективность каждой найденной комбинации признаков всего текущего поколения.
Генетические алгоритмы имеют ряд недостатков [43, 44]. Критерий отбора и используемые процедуры являются эвристическими и не гарантируют нахождения «лучшего» решения. Как и в природе, эволюция может зайти в тупик. Также для генетических алгоритмов характерна высокая трудоемкость, которая ограничивает их область применения. Данный метод не позволяет визуально отображать результаты.
Известным способом распознавания образов является метод группового учета аргументов (МГУА), разработанный И.А. Ивахенко [46, 47]. Основой МГУА является принцип самоорганизации, таким образом алгоритмы МГУА воспроизводят схему массовой селекции. В алгоритмах МГУА специальным способом синтезируются и отбираются члены обобщенного полинома Колмогорова-Габора:
Синтез и отбор осуществляется с увеличивающимся усложнением, и заранее нельзя вычислить, какой конечный вид будет иметь обобщенный полином. Первым действием обычно рассматривают простые попарные комбинации исходных признаков, из которых формируют уравнения решающих функций, которые, как правило, не выше второго порядка. Каждое уравнение анализируется в качестве самостоятельной решающей функции, и по обучающей выборке определяют значения параметров сформированных уравнений. Потом из полученного набора решающих функций отбирают в некотором смысле лучшую часть. Оценка качества каждой из решающих функций производится на контрольной выборке. Выбранные частные решающие функции принимаются далее в качестве промежуточных переменных, служащих начальными аргументами для похожего синтеза новых решающих функций и т. д. (рис. 1.5.). Процесс иерархического синтеза производится до тех пор, пока не будет получен экстремум показателя качества решающей функции, на практике при дальнейшем увеличении порядка членов полинома относительно исходных признаков проявляется в ухудшении полученного показателя качества.
Разработка способа исключения неоднозначности принятия решения на основе переноса начала координат в N-мерном пространстве
После разбиения протяженных классов диагнозов параллельными гиперплоскостями, их двумерные формы представления, при соблюдении свойства компактности, не пересекаются на плоскости X2X3 экрана видеомонитора, что позволяет осуществлять классификацию с минимальном числом ошибок при адекватной предварительной настройке диагностической системы и выборе параметра h.
Как видно, инвариантом преобразования в предложенном способе являются расстояния в N-мерном пространстве признаков до каждого элемента класса от некоторой предварительно фиксированной точки пространства.
Формулы (2.20) (2.24) формируют способ исключения неоднозначности принятия решения на основе сечения парой параллельных гиперплоскостей, который позволяет предоставить однозначное управляющее медицинское решение при попадании точки, характеризующий состояние пациента, в область протяженных классов диагнозов.
На практике, как было отмечено в п.2.3, не всегда процедура переноса начала координат N-мерного пространства позволяет удовлетворительно решить задачу однозначного распознавания состояния пациента [91]. В связи с этим для упомянутой ситуации была предложена возможность уменьшения уровня неоднозначности распознавания двумерного образа состояния ( ) (при условии, что многомерный образ состояния ( ) находится в области пересечения двух и более многомерных областей заболевания Вi) путем применения теории нечётких множеств [93-101], которая позволяет количественно оценивать значение степени принадлежности текущего значения двумерного образа состояния пациента соответствующему образу B2i в области их пересечения друг с другом. Такой подход предусматривает проведение определённой совокупности процедур. При этом виртуальные модели нозологических форм болезней Вi и виртуальный образ состояния пациента ( ) рассматриваются в многомерном признаковом пространстве, где ( ) - мгновенное значение АN(t), находящиеся на пересечения двух и более областей заболеваний В.
В основу построения указанных процедур положена математическая теория нечетких множеств, предложенная в работах А. Заде [96, 98, 99], которая позволяет описывать нечеткие понятия и знания, оперировать этими данными и делать нечеткие выводы. Базовыми понятиями в теории нечётких множеств и нечёткой логики являются понятия функции принадлежности и лингвистической переменной.
Под нечётким множеством А понимается совокупность упорядоченных пар, составленных из элементов х универсального множества X и соответствующих степеней принадлежности ( ) отображение множества Х в единичный отрезок [0, 1] -функция принадлежности нечёткого множества А. Значение функции принадлежности ( ) для конкретного элемента х є X называют степенью принадлежности.
Согласно Л. Заде, степень принадлежности ( ) является субъективной мерой того, насколько элемент х є X соответствует понятию, смысл которого формализуется нечётким множеством А.
Обычные множества составляют подкласс класса нечетких множеств. Функцией принадлежности обычного множества В с [/является функция: Определим используемые в дальнейшем две основные операции над нечеткими множествами, а именно, объединения и пересечения: Объединением нечетких множеств А и В на универсальном множестве U является наибольшее нечеткое множество A v В с функцией принадлежности вида: ( ) ( ( ) ()) . (2.27)
Объединение соответствует функции логического элемента ИЛИ, что отвечает с точки зрения лингвистики союзу «ИЛИ». Таким образом, если Х и Y - символы нечетких множеств, то Пересечением нечетких множеств А и В на универсальном множестве U является наименьшее нечеткое множество А л В с функцией принадлежности вида:
Пересечение соответствует функции логического элемента И, что отвечает с точки зрения лингвистики союзу «И». Таким образом, если Х и Y - символы нечетких множеств, то
На практике для принятия решения на основе нечётких множеств необходимо наличие функций принадлежности, с помощью которых лингвистическая информация превращается в форму, удобную для обработки на ЭВМ.
Разработка общего алгоритма компьютерной диагностики на основе способа визуализации и теории нечетких множеств
В «Блоке симптома пациента» система анализирует симптомы пациента и голубым цветом «подсвечивает» и делает неактивными те симптомы, значения которых находятся в пределах нормы. При необходимости пользователь может активировать/деактивировать симптомы вручную. При изменении параметров, для обновления рабочей области, необходимо нажать на кнопку «Обновить».
При нажатии на кнопку «Анализ» система реализует алгоритм разграничения областей заболеваний путем применения нечетких множеств и дает оценку степени принадлежности точки пациента к каждому выбранному заболеванию с одновременным выводом результатов оценки в процентном соотношении в «Блоке области заболеваний». При нажатии на кнопку «Сечение» система отобразит в рабочей области возможные точки для проведения сечения. Для манипуляции отображением и изменения точки начала координат необходимо выбрать точку, нажав на нее кнопкой мыши.
Автоматизированное рабочее место [116-118] обеспечивает взаимодействие двух объектов: пациенты и пользователь автоматизированного рабочего места. Рассмотрим взаимодействие этих объектов, смоделировав конкретные ситуации. При первом непосредственном визите пациента к кардиологу на его имя заводится электронная медицинская карта, ему в базе данных присваивается уникальный идентификатор, по которому впоследствии осуществляется работа с данными пациента (рис. 4.2). Полученные в ходе обследования данные кардиолог вводит в систему в специальные поля (рис. 4.3). Эти данные сохраняются в БД. Результаты дополнительных обследований и анализов, например, снятие электрокардиограммы на стационарном оборудовании лечебного учреждения через телекоммуникационные каналы или каналы связи автоматически передаются в систему и после их оцифровки сохраняются в БД.
Программный модуль кардиологической истории (рис. 4.2), предназначен для сбора, структурирования и осуществления анализа всей имеющейся информации в БД по конкретному пациенту (включая данные по другим медосмотрам и анализам, метаданным пациента, поставленным ранее диагнозам и курсам лечения), включая его лечение у специалистов другого профиля. Программный модуль выработки однозначного управляющего медицинского решения осуществляет визуализацию кардиозаболеваний и кардиоданных пациента (рис. 4.4). Данные по управляющему медицинскому решению сохраняются в БД как заключительный диагноз и будут использоваться для записи в кардиологическую историю пациента.
Структурированная информация в виде электронной медицинской карты может быть предоставлена пользователю и пациенту непосредственно (например, в электронном или распечатанном на бумаге виде) и/или удаленно (например, отсылка информации на email пациента и т.д.).
Анализ результатов проведенных экспериментальных исследований Для оценки эффективности разработанной автоматизированной системы на основе геометрического метода распознавания образов и теории нечетких множеств были проведены клинические эксперименты на базе городской больницы №2 г. Белгорода.
В констатирующем эксперименте, проведенном как в лабораторных, так и в естественных условиях медицинской практики было проведено более 200 экспериментов.
Проведение эксперимента с автоматизированной системой на основе геометрического метода распознавания образов [81, 91] базировалось на выполнении следующей последовательности действий: в базе данных были заполнены данные по трем заболеваниям (ИБС, Гипертоническая болезнь, Остеохондроз позвоночника (не является сердечно-сосудистым заболеванием (ССЗ))), данные для заполнения были предоставлены сотрудниками поликлиники (неполный список предоставленных данных приведен в табл. 4.1 и таб. 4.2); для оценки адекватности диагностических решений, полученных путем применения теоретических результатов на основе геометрического метода распознавания образов работа осуществлялась по симптомам, которые имели место в заболеваниях ИБС, Остеохондроз позвоночника и Гипертоническая болезнь; в ходе проведения эксперимента из заданного набора симптомов выбирались значения симптомов; на экране видеомонитора по результатам выполнения разработанных алгоритмов анализа данных отображались области заболеваний и точка, описывающая состояние пациента по заданному набору симптомов (рис. 4.5,а);
Анализ результатов проведенных экспериментальных исследований
Таким образом, получена статистическая оценка достоверности результатов экспериментальных исследований. Применение предлагаемого способа в медицинской практике позволит оперативно контролировать и анализировать закономерности течения болезней, следовательно, повысить точность диагностики болезней, а в некоторых случаях решать прогностические задачи.
Разработан программный комплекс медицинской информационно-диагностической системы, позволяющий вырабатывать однозначное управляющее медицинское решение.
На основе разработанного программного комплекса проведены экспериментальные исследования и их статистический анализ. Получение результатов экспериментального исследования подтвердили адекватность и эффективность использования теоретических результатов на основе разработанного способа формирования многомерного образа состояния сердечнососудистой системы и его визуализации.
По результатам диссертационных исследований определена достоверность полученных результатов на основе f-критерия Фишера, сделан вывод, что при использовании теоретических результатов на основе разработанного способа формирования многомерного образа состояния сердечно-сосудистой системы и его визуализации точность выработки однозначного управляющего медицинского является высокой, что свидетельствует о научно-технической ценности работы, разработанного комплекса медицинской информационно-диагностической системы.
Решена важная научно-техническая задача разработки инструментальных средств в виде совокупности способов, алгоритмов и структурно-функциональной организации программных средств выполнения визуализации многомерных областей заболеваний и многомерного образа состояния пациента для анализа их многомерных топологических свойств и особенностей для выработки однозначного управляющего медицинского решения.
В ходе решения данной задачи были получены следующие основные результаты:
Проведен анализ внедренных медицинских информационных систем в Белгородской области, который показал, что с одной стороны диагностические медицинские информационные системы имеют малую долю внедрения в поликлиниках и больницах, а с другой стороны, что необходимо наличие модуля визуализации и оценки состояния ССС пациента в целом, а не относительно одного конкретного заболевания, а также необходим модуль выработки однозначного управляющего медицинского решения.
Предложены способы, реализующие процедуру формирования многомерного образа состояния ССС и его визуализации и позволяющие исключать неоднозначности принятия управляющего медицинского решения, отличающиеся тем, что исключение неоднозначности осуществляют на основе: переноса начала координат в N-мерном пространстве; сечения сформированных объемных моделей различных нозологических форм болезней ССС парой параллельных гиперплоскостей в N-мерном пространстве; применения теории нечетких множеств. 4. Разработана функциональная модель медицинской информационно-диагностической системы, позволяющая вырабатывать однозначное управляющее медицинское решение и повысить точность диагноза до 90%.
Построены алгоритмы на основе предложенного способа формирования многомерного образа состояния ССС и его визуализации, содержащие основные теоретические положения принятия медицинских управляющих решений и обработки информации (в виде совокупности неинвазивно и инвазивно измеряемых в физических величинах оцифрованных мгновенных значений различных клинических данных, характеризующих текущее состояние ССС), в результате которой исключаются неоднозначности принятия управляющего медицинского решения на основе переноса начала координат в N-мерном пространстве, сечения сформированных объемных моделей различных нозологических форм болезней ССС парой параллельных гиперплоскостей в N-мерном пространстве, применения теории нечетких множеств.
Разработан программный комплекс медицинской информационно-диагностической системы, позволяющий вырабатывать однозначное управляющее медицинское решение.
Проведены экспериментальные исследования, и статистический анализ подтверждающие адекватность использования программных средств на основе разработанного способа формирования многомерного образа состояния ССС и его визуализации.
Проведены клинические эксперименты по применению разработанной автоматизированной системы, в основе которой положен геометрический метод распознавания образов и теория нечетких множеств, на базе городской больницы №2 г. Белгорода, что подтверждено актом о проведении клинических испытаний. Разработанная система поддержки принятия решения на основе предложенного способа внедрена в клиническую практику в городской больнице №2 г. Белгорода.
