SAĞLAMLIQ

ŞƏKƏRLI DIABET ZAMANI SÜMÜK MÜBADILƏ POZULMASININ DIAQNOSTIKASINDA SÜNI NEYRON ŞƏBƏKƏLƏRƏ ƏSASLANAN QƏRAR DƏSTƏKLƏMƏ SISTEMLƏRININ ISTIFADƏ OLUNMASI

10-01-2019

Основное практическое применение система поддержки принятия решений (СППР) на основе искусственной нейронной сети («artificial neural network» или ANN) нашла в процессах связанных с распознаванием и классификацией цитологических изображений [2], диагностикой инфаркта миокарда [3], анализе медицинских данных, диагностике ряда видов раковых опухолей, прогнозировании реанимационного риска и в других сферах [5]. Использование нейронных сетей, также, нашло практическое применение в клинических исследованиях связанных с обнаружением опухолей кости (помощь ANN уменьшая число сканировании кости) [2], в прогнозировании повреждений и травм костей с помощью обработки рентгенографических изображений с использованием нечеткой логики и ANN [5]. Это основные достижения применения ANN в клинической практике, связанные с патологией кости. Описанные в работах [0,5] результаты применения систем диагностики, использующие методы искусственного интеллекта выявляют их широкие возможности и высокую эффективность в установлении связей между данными клинических, инструментальных исследований и симптоматикой заболевания в комплексе, что позволяет считать подобные системы практическим инструментом для врача при анализе и осмыслении комплексных клинических данных по широкому спектру медицинских проблем. Использование ANN в прогнозировании остеопороза помогает сократить время диагностики, повысить ее эффективность и точность.

Исследования [3,5] показали, что разработка интеллектуальных СППР на базе искусственных нейронных сетей с целью их применения в клинической диагностике дает хорошие результаты, вследствие заложенных в данный математический аппарат специальных возможностей для формализации таких факторов как неопределенность, опыт, знания, интуиция врача-клинициста наряду с применением данных клинико-лабораторных и инструментальных анализов. Все это приводит в итоге к большей адекватности моделей и в результате, к повышению достоверности анализа, прогнозов и принимаемых решений. 

Вышеизложенное позволяет сделать вывод о том, что, за счет повышения эффективности применяемых в клинической диагностике СППР, последние становятся все более востребованным инструментарием для выработки индивидуальных подходов и корректировок для диагностики и определения прогнозов при ряде заболеваний, и в итоге выработке оптимальной тактики лечения за счет более точного и быстрого анализа слож-ных системных, взаимовлияющих процессов в организме.

Тем не менее, насколько нам известно, ANN никогда не использовались в прогнозировании риска переломов при сахарном диабете на основе имеющихся клинико-лабораторных результатов анализов.

Целью настоящего исследования было оценить способность метода основанного на применении ANN в выявлении лиц с высоким риском развития остеопоротических изменений на основе анализа лабораторных и инструментальных методов исследования. С этой целью, была смоделирована нейронная сеть способная спрогнозировать риск остеопоротических изменений в костной ткани при сахарном диабете.

Разработанная СППР на основе биомедицинских данных классифи-цирует показатели, необходимые для скрининга больных с изменением кост-ного метаболизма среди пациентов с сахарным диабетом. Математически это сводится к Байесовскому регуляризационному алгоритму с заложенным набором данных, который пытается свести к минимуму ошибку при классификации пациентов с риском остеопороза.

В настоящем исследовании была смоделирована искусственная нейронная сеть отображающая набор входных данных (в виде ряда исследуемых лабораторных показателей) в набор соответствующих выходных данных (переменных отражающих состояние костного метаболизма). Как и любая нейронная сеть модель нуждалась с обучении. Алгоритм обучения применялся к динамически построенной нейронной сети для минимизации ошибки путем непрерывного обучения сети до достижения оптимального уровня эффективности. Выполнение подхода проверялось путем проведения сравнительного исследования, которое включало в себя тестирование динамически построенной сети и представляло сравнительный анализ результатов классификации.

Предлагаемая методика построения самообучающейся прогнозирующей системы с использованием ANN для интеллектуальной СППР диагности-рующей клинико-патогенетических особенностей костного ремоделирования при сахарном диабете, состоит из следующих этапов: постановка задачи, подготовка входных данных, создание и обучение нейросети включая: выбор типа нейронной сети, формирование схемы подачи обучающих данных, которая определяет количество входных сигналов и соответствующих им входных синапсов, а также доучивание и в случае необходимости, перепроектирование на основе оценки адекватности диагностирования..

Нормирование входных сигналов представляет собой один из видов предобработки и является исключительно важным в методике создания нейросетевых систем. При нормировании на входной синапс подается не величина параметра (для данного примера), а ее эквивалент, полученный путем пересчета по определенной схеме. Применяемая технология обучения нейронных сетей предусматривает универсальную структуру и алгоритмы обучения для клинических данных любого характера. Однако в результате проводимых нами многочисленных экспериментов было установлено, что наиболее универсальная и быстро обучающаяся архитектура полносвязной сигмоидной (имеющей характеристическую функцию нейронов) нейросети оптимально работает при нахождении входных параметров в диапазоне от -1 до 1. Каждый входной сигнал перед подачей на синапс пересчитывается по формуле: где - исходный сигнал, - получаемый нормированный сигнал, и - соответственно минимальное и максимальное значения интервала входных параметров в поле, подаваемом на синапс i.

Рекомендуется после создания нейросети (до начала обучения) внимательно просмотреть диапазоны значений, соответствующие каждому входному синапсу, и если в будущем предполагается подача значений вне данного диапазона, вручную изменить его. Нельзя менять диапазоны после обучения нейросети, т.к. это приведет к последующей некорректной обработке входных сигналов, сбою при дообучении и некорректному тестированию. При автоматическом задании параметров сети всегда устанавливается нормирование, автоматический подсчет диапазонов значений и расширение их на заданную относительную величину.

Обучение нейросети в нашем случае представляет собой автомати-ческий процесс, который только после его окончания требует участия специалиста для оценки результатов. Естественно, требовалась корректировка - создание дополнительных сетей с другими параметрами и т.д., для возможности оценить работу системы на любом этапе обучения, протестировав контрольную выборку. Обучение сети продолжается до тех пор, пока она способна давать наилучшие возможные результаты на независимых данных.

В рамках предлагаемой методики, с учетом высокой скорости обучения нейросетей разработана стратегия, позволяющая обойти вышеуказанный компромисс, за счет, большего времени, необходимого для обучения. С целью проверки качества обучения нейронной сети проводилось ее тестирование. Тестирование выборки осуществлялось с заранее известными ответами примеров. Таким образом, можно проверялось, правильно ли сеть определяет ответы примеров и насколько уверенно она это делает. Определенный сетью ответ примера сравнивался с заранее известным. Сначала тестирование проводилось на той выборке, на которой сеть обучалась. При тестировании той же самой обучающей выборки ответы всех примеров определялись правильно. Далее проводилось тестирование аналогичной выборки с заранее известными ответами, но примеры которой не участвовали в обучении сети. После реализации рассмотренных выше этапов, нейросеть готова к последнему этапу - прогнозированию показателей.

Описанная выше методика построения нейронной сети была применена для построения СППР для прогнозирования таких показателей, как маркеры ремоделирования костной ткани, минеральная плотность костной массы, раннего диагностирования и оценки риска развития остеопороза при сахарном диабете, т.е. показателей, используемых для управления диагностическими процессами.

Практическая реализация нейросетевой модели развития риска остео-поротических изменений в костной ткани при сахарном диабете.

Построение нейронной сети осуществлялось с использованием MATLAB 8.6 (R2015b) [4], чтобы сделать ее более понятной и полезной для клиницистов, был разработан визуальный интерфейс с помощью инструмента GUIDE. Этот визуальный интерфейс позволяет пользователю напрямую использовать систему. На основе имеющихся статистических показателей при помощи нейронной сети (Рис. 1.) разработана модель.

Рис. 1. Многослойная нейронная сеть

Таблица  №1

Показатели в виде входных и выходных данных

 

Для этого построена модель зависимости, где входом сети являются показатели: sex, age, weight, height, BMI (индекс массы тела), DM (сахарный диабет), Menopaus, Glukoza, HbA1c, Albumin, Xolesterol, Kreatinin, Insulin, C-peptide, HOMA-IR, tCa, Ca²⁺, P, Mg, K, Na, GFR (скорость клубочковой фильтрации), PTH (паратирин), CT (кальцитонин), Vitamin D3, а выходом нейронной сети являются показатели: ALP (общая щелочная фосфатаза), P1NP (N-концевой пропептид проколлагена I типа), b-CTX (С-терминальный телопептид продукт деградации коллагена I типа), T-SD (L1-4) (T-критерий МПК поясничного отдела позвоночника), Z-SD (L1-4) (Z-критерий МПК поясничного отдела позвоночника). В таблице 1. представлены вышеуказанные показатели в виде входных и выходных переменных.

Для первичного обучения модели использовались данные лабораторных и инструментальных исследований 317 пациентов, указанные выше. Для обучения нейронной сети использован Байесовский регуляризационный алгоритм (Bayesian Regularization (trainbr)).

Результаты исследованияНа основе результатов исследований сформулирована постановка задачи для создания модели для СППР в области диагностики клинико-патогенетических особенностей костного ремоделиро-вания при сахарном диабете: дать прогноз значений показателей костного метаболизма у конкретного пациента, на основе исходных данных (длительности диабета, значений гликозилированного гемоглобина,  витамина D₃ и пр).

Оценка модели проводилась путем сравнения результатов работы СППР с известными случаями [0,5]. В результате были внесены некоторые корректировки в настройки модели для повышения ее адекватности. Дальнейшее дообучение достигается в ходе ее практической эксплуатации. Процесс обучения продолжался до уменьшения ошибок для всех примеров и останавливался в момент, когда начинала возрастать ошибка в контрольном образце. Для удобства использования был создан визуальный интерфейс системы. Пример расчета показан на рисунках (Рис.2).

Сравнительный анализ показал, что прогнозные значения, полученные с помощью нейронной сети, в наибольшей степени соответствуют фактическим

Рис. 2. Пример расчета проводимого нейронной сетью данным статистики. Таким образом, и в рассмотренном примере, модель нейронной сети лучше отражает внутренние закономерности системы.

Заключение

Исследование, описанное в этой статье, демонстрирует пользу разра-ботанного метода на основе построения интеллектуальной СППР для изучения взаимосвязи между показателями костного метаболизма и рядом факторов, связанных сахарным диабетом. Использовался алгоритм, на основе применения искусственной нейронной сети, для построения математической модели, которая определяла взаимосвязь между входными переменными и минеральной плотностью кости, а также маркерами костного ремоделирования. Настоящее исследование позволило сконструировать диагностический алгоритм по стратификации пациентов с нарушениями метаболизма костной такни при сахарном диабете.

 

ƏDƏBİYYAT - ЛИТЕРАТУРА– REFERENCES:

 

1.de Cos Juez F.J., Suárez-Suárez M.A., Sánchez Lasheras F., Murcia-Mazón A. Application of neural networks to the study of the influence of diet and lifestyle on the value of bone mineral density in post-menopausal women // Mathematical and Computer Modelling, 2011, v. 54 (7–8), p.1665-1670.
2.Gatys L.A., Ecker A.S., Bethge M. Image style transfer using convolutional neural networks // IEEE Conference on Computer Vision and Pattern Recognition. 2016, p.2414-2423.
3.Ibrahim F., Thio T.H., Faisal T., Neuman M. The application of biomedical engineering techniques to the diagnosis and management of tropical diseases: a review // Sensors (Basel), 2015, v.15, No 3, p.6947-95.
4.MathWorks. MATLAB. www.mathworks.com, 2017.
5.Sapon M.A., Ismail K., Zainudin S. Prediction of Diabetes by using Artificial Neural Network // 2011International Conference on Circuits, System and Simulation (IPCSIT), Singapore, 2011, v.7, p.299-303.