Інформаційні технології підтримки прийняття рішень у медичній діагностиці на основі синтезу структурованих моделей

Размещено на http://www.allbest.ru/

1. Загальна характеристика роботи

автоматизація медичний діагностика лікарський

Актуальність теми. Впровадження інформаційних технологій у медицину привело до створення широкого спектра медичних інформаційних систем (МІС). На сьогоднішній час виділяють сім рівнів розвитку зазначених систем, від автоматизованих медичних записів до інтелектуальних комп'ютерних систем підтримки прийняття рішень у медицині (СППРМ) з використанням медичних баз знань і застосуванням інтелектуальних технологій синтезу комп'ютерного діагнозу, моніторингу й оптимізації процесу лікування. При цьому необхідно відзначити успіхи як у розробці теорії, так і в створенні МІС учених України й зарубіжжя: Н. М. Амосова, В. М. Ахутіна, Л. А. Бокерія, М. Л. Биховського, Р. М. Баєвського, С. А. Гаспаряна, Ю. М. Довженко, С. М. Злепко, Б. А. Кобринського, В. А. Ліщука, О. Ю Майорова, А. П. Мінцера, А. П. Ротштейна, Л. Г. Раскина, Л. С. Файнзільберга та ін.

Процес обробки інформації в СППРМ складається з послідовності етапів: уведення й формалізація медико-біологічної інформації; формування множини діагностичних ознак, яка повинна задовольняти критеріям незалежності й інформаційної повноти; синтез вирішального правила для формування комп'ютерного діагнозу; оптимізація процесу лікування. При аналізі біосигналов і медичних зображень, найбільш трудомістким і відповідальним етапом є виділення інформативних структурних елементів, параметри яких служать для обчислення діагностичних ознак. Задача розробки СППРМ розбивається на множину локальних підзадач. Характеристики функціонування системи визначаються обґрунтуванням і коректним застосуванням математичних методів обробки медико-біологічних даних на всіх етапах перетворення інформації, тому виникає необхідність в розробці інформаційних технологій реалізації відзначених етапів на підставі єдиного формалізованого підходу.

Незважаючи на значні успіхи, на сьогоднішній час не існує комплексного багатокритеріального формалізованого підходу до побудови СППРМ, модель об'єктів діагностики (ОД) розглядається у вигляді "чорного ящика", а методи, що застосовуються, призначені для рішення локальних підзадач, не достатньо враховують складності організації підсистем організму, що діагностуються, особливостей формування системи діагностичних ознак і складної ітераційної процедури постановки діагнозу (від попереднього до уточненого).

Таким чином, актуальною є проблема розвитку теоретичних основ і інформаційних технологій перспективного класу СППРМ на основі структурної ідентифікації ОД для забезпечення необхідного рівня достовірності комп'ютерного діагнозу в умовах аналізу великої кількості залежних різнорідних ознак, включаючи аналіз біологічних сигналів і медичних зображень, при обмеженій навчальній вибірці. Така постановка проблеми визначила напрямки дисертаційних досліджень.

Зв'язок роботи з науковими програмами, планами, темами. Робота виконана відповідно до плану науково-дослідних робіт кафедри обчислювальної техніка та програмування НТУ "ХПІ" по держбюджетним темам МОН України. Здобувач очолював в якості наукового керівника теми: "Розробка теорії і методів структурної ідентифікації при проектуванні комп'ютерних систем медичної діагностики" (ДР № 0104U003361); "Розробка теорії і методів побудови інтелектуальних медичних систем на основі структурної ідентифікації" (ДР № 0107U000599); "Розробка теорії та методів побудови інтелектуальних систем підтримки прийняття рішень в медицині на основі синтезу структурованих моделей" (ДР № 0110U001246). Був відповідальним виконавцем тем: "Автоматизована система оцінки впливу багатокомпонентного забруднення навколишнього середовища на формування порушень (імунологічної реактивності) дитини" (ДР № 0193U027864); "Розробка теоpії і методів стpуктуpної ідентифікації біологічних об'єктів (ДР № 0198U005684). Виконавець окремих етапів НДР: "Комп'ютерна медична система "Догляд" (ДР № 0195U006746); "Розробка методів, алгоритмів, програм контролю й діагностики порушень кровообігу головного мозку" (ДР № 0196U006469), а також науковим керівником договорів про науково-технічне співробітництво НТУ "ХПІ" з організаціями: № 60/14-08 - Інститут неврології, психіатрії і наркології АМН України (м. Харків); № 60/17-08 - Інститут дерматології і венерології АМН України (м. Харків); № 60/18-08 - Інститут охорони здоров'я дітей і підлітків АМН України (м. Харків).

Мета і задачі дослідження. Метою даної роботи є розвиток теорії інформаційного забезпечення систем підтримки прийняття рішень у медичній діагностиці на основі обґрунтування інформаційних технологій синтезу структурованих моделей складно організованих взаємозалежних підсистем організму, що є об'єктами діагностики, і методів синтезу діагностичних вирішальних правил на цих моделях. Для досягнення зазначеної мети поставлені основні задачі:

1. Провести системний аналіз існуючих методів обробки інформації в СППРМ для обґрунтування й розвитку концепції структурної ідентифікації об'єктів діагностики.

2. Розробити структуровану модель об'єктів діагностики, яка враховує структурний і функціональний базиси, а також експертні оцінки й невизначеність параметрів функціонального базису.

3. При використанні в СППРМ у якості вихідних даних біологічних квазіперіодичних сигналів (БКС), які відображають циклічні процеси в організмі, розробити формалізований метод виділення структурних елементів БКС різних типів.

4. Виконати адаптацію методу структурної ідентифікації БКС для двовимірних медичних зображень, для чого розробити структуровану модель двовимірного структурного елемента.

5. Розробити метод синтезу ієрархічної структури заданої множини станів (діагнозів) на основі ієрархічної кластеризації діагнозів у просторі діагностичних ознак.

6. Розробити метод синтезу й реконфігурації ієрархічної структури діагностичних ознак, що задовольняє критеріям мінімального кореляційного зв'язку між ознаками, максимальної інформативності й відповідає топології структури діагнозів для реалізації ітераційної процедури уточнюючого діагнозу.

7. Розробити метод оцінки інформативності різнорідних діагностичних ознак і формування діагностично-значимих інтервалів числових ознак на основі мінімізації інтегральної помилки, обумовленої заміною теоретичного закону розподілу гістограмою і обмеженістю навчальної вибірки.

8. Розробити метод синтезу уточнюючого діагнозу з розщепленням недостовірних рішень при взаємодії ієрархічних структур діагностичних ознак і діагнозів на основі аналізу апріорних умовних ймовірностей, їхніх невизначеностей і експертних оцінок структур симптомокомплексів.

9. Розробити структуру й програмне забезпечення СППРМ, виконати перевірку адекватності розроблених інформаційних технологій при обробці реальних біомедичних даних.

Об'єктом дослідження є процес діагностики функціонального стану підсистем організму людини.

Предметом дослідження виступають методи й засоби синтезу структурованих моделей об'єктів діагностики і діагностичних вирішальних правил на цих моделях при побудові систем підтримки прийняття рішень у медичній діагностиці.

Методи дослідження. Теоретичні дослідження й методика рішення задач побудови СППРМ базується на наступних методах дослідження: на основі системного аналізу й методів підтримки прийняття рішень (МАІ) розроблена узагальнена схема перетворення інформації в СППРМ і формалізовані її етапи; на основі концепцій еволюційної ідентифікації структурованих моделей, побудована структурована модель ОД; за допомогою методів теорії розпізнавання образів і методу непараметричного перетворення Хока виконана структурна ідентифікація БКС різної природи; на основі методу аналізу потокових моделей (алгоритм "дефекту") та теоретико-інформаційного підходу виконано синтез ієрархічних структур діагностичних ознак та діагностуємих станів; на основі теорії прийняття рішень (метод послідовного аналізу Вальда) виконано синтез комбінованого вирішального правила на цих структурах.

Наукова новизна одержаних результатів полягає в тому, що запропонований, обґрунтований і застосований комплексний підхід до рішення науково-практичної проблеми підвищення ефективності функціонування систем підтримки прийняття рішень в медичній діагностиці на основі формалізації етапів перетворення інформації й синтезу структурованих моделей об'єктів діагностики відзначених етапів та вирішальних правил на цих моделях на основі:

1. Вперше побудована концептуальна модель об'єкта діагностики у вигляді структури взаємозалежних підсистем організму людини, при їхній взаємодії з навколишнім середовищем і на її основі розроблена структурована модель об'єкта діагностики. Запропонована модель враховує не тільки структурний і функціональний базис, але й невизначеність параметрів функціонального базису й експертні оцінки.

2. Вперше розроблено метод виділення структурних елементів різних біологічних сигналів, у якому виконується перетворення вихідного простору ознак в інформативний простір параметрів з використанням методології й обчислювальних процедур перетворення Хока. Це дозволяє застосовувати формалізований підхід при виділенні різних типів структурних елементів, включаючи атипічні форми для різних типів сигналів, що в остаточному підсумку підвищує вірогідність ідентифікації.

3. Вперше розроблено метод ієрархічної кластеризації заданої множини станів (діагнозів) і діагностичних ознак на основі потокових моделей, який, на відміну від відомих методів кластерного аналізу, виконує кластеризацію в просторі, де задані тільки відстані між об'єктами, враховує експертні оцінки, знаходить оптимальне рішення за критерієм мінімуму міжкластерного зв'язку, і не критичний до розмірності задачі.

4. Вперше розроблено метод синтезу й реконфігурації ієрархічної структури діагностичних ознак, що задовольняє критеріям мінімального кореляційного зв'язку між ознаками, максимальної інформативності й відповідає топології структури діагнозів, що дозволило забезпечити оптимальну схему обстеження пацієнтів при реалізації ітераційної процедури уточнюючого діагнозу.

5. Одержав подальший розвиток метод оцінки інформативності різнорідних діагностичних ознак і на його основі вперше розроблено метод формування нерівномірних діагностично-значимих інтервалів числових ознак за критерієм мінімуму інтегральної помилки, яка обумовлена заміною теоретичного закону розподілу гістограмою і обмеженістю навчальної вибірки, що дозволило оцінити достовірність статистичних оцінок (оцінок умовних ймовірностей) при істотній апріорній невизначеності.

6. Вперше розроблено метод синтезу уточнюючого діагнозу з розщепленням недостовірних рішень при взаємодії ієрархічних структур діагностичних ознак і діагнозів на основі аналізу апріорних умовних ймовірностей, їхніх невизначеностей і експертних оцінок структур симптомокомплексів. Метод реалізує оптимальну схему аналізу діагностичних ознак, дозволяє виконувати "песимістичну" оцінку діагнозу й диференціацію негативних відповідей системи у випадку, коли заданий рівень достовірності діагнозу в конкретного пацієнта не досягнуто.

7. Одержав подальший розвиток метод структурної ідентифікації біологічних сигналів для структурної ідентифікації двовимірних медичних зображень, що дозволяє виконувати пошук двовимірних структурних елементів на напівтонових зображеннях, у яких застосування методів оконтурювання є не ефективним.

Практичне значення одержаних результатів в галузі розробки комп'ютерних систем підтримки прийняття рішень у медицині полягає в тому, що розроблені в дисертаційній роботі моделі й методи структурної ідентифікації є науково-методичною основою для розробки відповідних алгоритмів і програмного забезпечення. Практична цінність отриманих результатів полягає в наступному:

- розроблено алгоритмічне та програмне забезпечення структурної ідентифікації біологічних квазіперіодичних сигналів, яке може бути використано для виділення різних типів структурних елементів, включаючи атипічні форми, біологічних сигналів різної природи;

- розроблено алгоритмічне та програмне забезпечення синтезу ієрархічних структур діагностичних ознак і діагностуємих станів та синтезу діагностичного вирішального правила при взаємодії вказаних структур, що забезпечує оптимальну схему обстеження пацієнтів, виконує "песимістичний" прогноз, обумовлений невизначеністю апріорних умовних ймовірностей при врахуванні експертних оцінок структур симптомокомплексів при послідовному аналізі діагностичних ознак до досягнення заданого рівня вірогідності діагнозу;

- запропонована й реалізована структура та програмне забезпечення системи підтримки прийняття рішень в медичній діагностиці, що дозволяє формалізувати етапи обробки медико-біологічної інформації, підвищити обгрунтованість та достовірність комп'ютерного діагнозу, та адаптуватися до заданих прикладних галузей медицини.

Результати дисертаційної роботи впроваджені у вигляді моделей, алгоритмів і пакетів прикладних програм для рішення завдань підтримки прийняття рішень у медичній діагностиці, що підтверджується актами про впровадження наступних організацій: Інститут неврології, психіатрії й наркології Академії медичних наук України (м. Харків) для обробки реографічних сигналів; Харківський національний університет ім. Каразіна В. Н. для реконструктивної обробки ультразвукових зображень; Державне підприємство «НДІ гігієни праці й профзахворювань» (м. Харків) для синтезу ієрархічної структури діагностичних ознак за результатами дослідження клінічного аналізу крові; відділ комп'ютерної томографії Харківської медичної академії післядипломної освіти для обробки томограм; лабораторія імунології Українського НДІ дерматології й венерології (м. Харків) для синтезу ієрархічної структури діагностичних ознак і діагностичної багатофакторної моделі оцінки впливу шкідливих факторів умов роботи на показники здоров'я працівників; кафедра «Обчислювальна техніка й програмування» НТУ «ХПІ» у науково-дослідній роботі й навчальному процесі при вивченні дисциплін "Комп'ютерні системи медичної діагностики", "Методи й засоби побудови дослідницьких систем", "Комп'ютеризація спеціалізованих середовищ", в курсовому та дипломному проектуванню.

Особистий внесок здобувача. Всі результати дисертації, які виносяться на захист, отримані здобувачем особисто. Серед них: концепція структурної ідентифікації та структурована модель ОД; метод виділення структурних елементів БКС різних типів на основі синтезу структурованих моделей еталонів структурних елементів і його адаптація для структурної ідентифікації двовимірних медичних зображень; метод синтезу ієрархічної структури заданої множини станів (діагнозів); метод синтезу й реконфігурації ієрархічної структури діагностичних ознак; метод оцінки інформативності різнорідних діагностичних ознак і формування діагностично-значимих інтервалів числових ознак; метод синтезу уточнюючого діагнозу з розщепленням недостовірних рішень при взаємодії ієрархічних структур діагностичних ознак і діагнозів; структура й програмне забезпечення СППРМ.

Апробація результатів дисертації. Основні положення дисертаційної роботи доповідалися і обговорювалися на: III - ХVIII Міжнародних науково-практичних конференціях "Информационные технологии: наука, техника, технология, образование, здоровье" (Харків, 1995-2010); I - X Міжнародних наукових конференціях "Проблемы информатики и моделирования" (Харків, 2001-2009; Ялта, 2010); Міжнародній науковій конференції "Інформаційно-керуючі системи на залізничному транспорті" (Харків, 2004); Міжнародній науково-технічній конференції "Інтегровані комп'ютерні технології в машинобудуванні" (Харків, 2004); XIII-XVI Міжнародних конференціях з автоматичного керування “Автоматика 2006-2009” (Вінниця, 2006; Севастополь, 2007; Одесса, 2008; Чернівці, 2009); V Міжнародній науково-практичній конференції "Комп'ютерні системи в автоматизації виробничих процесів" (Хмельницький, 2007); IV науковій конференції Харківського університету Повітряних Сил ім. Івана Кожедуба, (Харків, 2008); ІХ-Х Міжнародних конференціях "Контроль і управління в складних системах" (Вінниця, 2008, 2010); 10-11 Міжнародних науково-практичних конференціях "Сучасні інформаційні та електронні технології" (Одесса, 2009, 2010); Міжнародних наукових конференціях "Інтелектуальні системи прийняття рішень і проблеми обчислювального інтеллекту" (Херсон-Євпаторія, 2009, 2010); Міжнародній конференції “International Conference on Intelligent Information and Engineering Systems” INFOS 2009 (Krynica, Poland, 2009); первой Международной научно-технической конференции "Компьютерные науки и технологии" КНиТ-2009 (Белгород, Россия, 2009); XII Міжнародній науково-технічній конференції "Системний аналіз і інформаційні технології" (Київ, 2010).

Публікації. Основні положення й результати дисертації опубліковані в 47 наукових працях, серед них 33 наукові праці в фахових виданнях ВАК України. Структура й обсяг роботи. Дисертація складається із вступу, шести розділів, висновків, списку використаних літературних джерел і додатків. Повний обсяг дисертації становить 418 сторінок, серед яких 11 рисунків та 2 таблиці на 15 окремих сторінках, 21 таблиця і 50 рисунків по тексту, 6 додатків на 64 сторінках, список використаних літературних джерел з 289 найменувань на 29 сторінках.

2. Основний зміст роботи

У вступі обґрунтовується актуальність теми дисертації, її наукова й практична цінність, сформульовані мета й завдання роботи, наведена її загальна характеристика.

У першому розділі проводиться аналіз сфер застосування медичних комп'ютерних інформаційних систем та показано місце систем підтримки прийняття рішень у загальному спектрі медичних комп'ютерних інформаційних систем. На основі аналізу типів вихідних даних і особливостей їхньої обробки показано, що при прийнятті рішень використовується різнорідна (числові, рангові, дихотомічні, номінальні ознаки, а також біомедичні сигнали й зображення), отримана різними лікарями й у різний час, недостатньо формалізована й несуча елементи суб'єктивної оцінки лікаря інформація. Показано обмеженість застосування традиційних методів формування множини діагностичних ознак.

Показано, що при аналізі біосигналов і медичних зображень, найбільш трудомістким і відповідальним етапом є виділення інформативних структурних елементів, параметри яких служать для обчислення діагностичних ознак. Методи контурного аналізу, які застосовуються для виділення структурних елементів БКС, засновані на досить докладному описі еталонів кожного типу структурного елемента для кожного виду сигналу, тому обмеженістю застосування вказаних методів є їх евристичність, специфічність для кожного типу сигналів, що не дозволяє виконувати їхню адаптацію для інших типів сигналів, необхідність опису еталонів всіх атипічних форм, а також чутливість до рівня шумів.

Проведено порівняльний аналіз методів синтезу вирішального правила (ВП) для комп'ютерного діагнозу: детерміністичних, заснованих на формуванні структур симптомокомплексів; ймовірнісних, заснованих на підрахунку умовних ймовірностей; методів розпізнавання образів; методів, заснованих на нечіткій логіці, штучних нейронних мережах і т.п. На підставі проведеного аналізу зроблений висновок, що на теперішній час не існує комплексного багатокритеріального формалізованого підходу до побудови СППРМ, модель ОД розглядається у вигляді "чорного ящика", а методи, які застосовуються, призначені для рішення локальних підзадач, не враховують складності організації підсистем організму що діагностуються, особливостей формування системи діагностичних ознак і ітераційної процедури постановки діагнозу.

У другому розділі виконана формалізація задачі структурної ідентифікації біологічних об'єктів. В якості концептуальної моделі ОД розглядаються багаторівневі, ієрархічні, взаємозалежні підсистеми організму людини, при їхній взаємодії з навколишнім середовищем (обмін речовиною, енергією й інформацією), параметрами ОД, що вимірюються, є різнорідні діагностичні ознаки, а процес постановки діагнозу є ітераційною процедурою.

При цьому, на кожному k-му рівні взаємодії внутрішнього й зовнішнього середовища, кожна i-а підсистема організму Ri (серцево-судинна, дихання, нервова, імунна й ін.) перебуває в певному j-му стані з множини , де nk - число підсистем організму, на k-му рівні взаємодії; ni - число можливих станів i-ї підсистеми на k-му рівні.

Множина станів Si умовно розбивається на підмножини: Sin - норма, Sig - граничний стан і Sip - патологія, тобто Si = Sin Sig Sip. Множина станів усього організму S визначається множинами станів всіх його підсистем S = {Si} , де . Прийнята в медицині система діагнозів D = {Di} є відображенням множини можливих станів організму на систему термінів і визначень . При цьому, кожний діагноз є деякою підмножиною станів організму , причому кожний стан організму може відображати кілька рівнів взаємодії його підсистем. Діагноз D0 - "практично здоровий" визначається як , а множина інших діагнозів . Вихідними даними для діагностики є прийнята в медичній практиці система діагностичних ознак X = {x0, …, xi, …, xm}, яка, якоюсь мірою відображає поточний j-й стан i-ї підсистеми організму на k-му рівні взаємодії , тобто множина станів {} відображається на множину ознак X. Таким чином, невідомий поточний стан підсистем організму відображається як на множину діагнозів {Di}, так і на множину ознак, при цьому завданням СППРМ є визначення залежності X > {Dj}.

В взаємозв'язаній багаторівневій системі, одна ознака xi (її зміна або прояв) відображає зміну станів багатьох підсистем організму {R0, …, Ri, …, Rl} (наприклад, така інтегральна ознака, як температура тіла проявляється при багатьох патологіях) { , …, , …, } > xi, а зміна стану однієї підсистеми реєструється зміною багатьох ознак > {x0, …, xl, …, xk}, тобто відношення між {} і X мають тип "багато до багатьох", тому представлення системи ознак у вигляді вектора не відображає складності відносин {} і X.

Запропонований у роботі метод структурної ідентифікації ОД реалізується у вигляді ієрархічної системи інформативних діагностичних ознак мінімально необхідного обсягу. Процес постановка діагнозу є складним багатоетапним процесом прийняття рішення (від попереднього діагнозу до розгорнутого клінічного діагнозу). При цьому на різних етапах постановки діагнозу використається система діагностичних ознак різного ступеня деталізації. Розроблена концептуальна модель об'єкта діагностики у вигляді взаємодії ієрархічних структур діагностичних ознак і діагнозів та вирішального правила на цій моделі, як показано на рис. 1.

Размещено на http://www.allbest.ru/

Рис. 1 Взаємодія ієрархій ознаки/діагнози

Для реалізації диференційної діагностики, ієрархічна структура діагнозів будується у вигляді бінарного дерева таким чином, що на нижньому рівні ієрархії присутні всі вихідні діагнози, а елементи ієрархії діагнозів більш високих рівнів являють собою класи захворювань різного рівня деталізації. Синтез бінарного дерева діагнозів виконується методом послідовної кластеризації вихідної множини діагнозів.

Ієрархічна структура діагностичних ознак повинна забезпечити ітераційну процедуру постановки діагнозу й задовольняти критеріям незалежності й інформаційної повноти, тому синтез зазначеної ієрархічної структури виконується в кілька етапів, при цьому на кожному етапі вирішується локальна оптимізаційна задача. Ставиться завдання розробки такої діагностичної процедури при взаємодії ієрархічних структур ознак і діагнозів, що враховує імовірнісний підхід, експертні оцінки про структуру симптомокомплексів, а також статистичні характеристики навчальної вибірки. Показники якості класифікації залежать від розташування еліпсоїдів розсіювання об'єктів, що належать зазначеним класам, як показано на рис. 2.

У випадку пересічення еліпсоїдів розсіювання, можна умовно виділити області достовірного рішення (виділені цифрами 1, 2 для станів Di і Dj відповідно) і область недостовірного рішення (виділена цифрою 3). Різні варіанти ВП мінімізують область 3 за різними критеріями класифікації . Для сильних рішень Y: , для слабких рішень Y': , де T - поріг. Якщо в ВП використається ітераційна процедура оптимізації (наприклад, метод послідовного аналізу, при якому послідовно збільшується число ознак, які аналізуються), то процес постановки діагнозу на i-му рівні ієрархії діагнозів є послідовністю слабких рішень, що приводить до сильного рішення

Р1: Y'i0 > Y'i1 > … > Y'ij > … > Y'in = Yi.

Процес постановки уточнюючого діагнозу є послідовністю сильних рішень при підвищенні рівня ієрархії діагнозів

Р2: Y0 > Y1 > … > Yi > … > Ym.

Размещено на http://www.allbest.ru/

Рис. 2 Розміщення еліпсоїдів розсіювання

Однак, з врахуванням рис. 2, на кожному i-му кроці послідовності Р2, для конкретного пацієнта послідовність слабких рішень Р1 може привести (точка попадає в область 1 або 2), а може не привести до сильного рішення (точка попадає в область 3). Тому виникає необхідність в розробці такої діагностичної процедури, при якій не тільки мінімізується ризик слабких рішень, але й при їхньому виникненні, виконується розщеплення слабких рішень шляхом аналізу альтернативного дерева рішень із метою одержання сильних рішення на максимально можливому рівні ієрархії.

Рис. 3

На рис. 3 показана частина бінарного дерева діагнозів і розташування еліпсоїдів розсіювання. Треба відмітити, що кластеризація вершин 2 і 3 на рис. 3 проводиться найкращим чином відносно критерію , тобто область перетину вершин 2 і 3 Щ2,3 є мінімальною при всіх можливих варіантах розбиття. Однак, причиною слабкого рішення є попадання точки, яка характеризує пацієнта, що досліджується, в область перетину вершин 2 і 3, тобто Y' Щ2,3. Найбільш ймовірною причиною слабкого рішення є попадання точки в ту з областей Щ4,6, Щ4,7, Щ5,6, Щ5,7, що отримана при мінімальному критерії кластеризації QD

. (1)

Після визначення Щij по (1), починаючи від вершини 1, будується альтернативне дерево рішень, у якому вершини i і j поєднуються в один кластер. Основне й альтернативне дерева рішень відрізняються на i-му рівні (додається два альтернативних нащадки), інші рівні збігаються. На основі відзначеної вище концептуальної моделі ОД виконана формалізація локальних підзадач і відповідних їм етапів перетворення інформації в СППРМ: 1) структурна ідентифікація біосигналів і зображень; 2) формалізація опису різнорідних діагностичних ознак; 3) синтез ієрархічної структури діагнозів; 4) синтез ієрархічної структури діагностичних ознак; 5) синтез діагностичного ВП; 6) синтез індивідуальних діагностичних прогнозуючих моделей; 7) рекомендації з вибору оптимальної методики лікування.

Введено поняття розширеної структурованої моделі ОД, що задається в такий спосіб

, (2)

де S ={P,V}

- структура моделі, що задана множинами вершин P і дуг V; ц - функціональний базис моделі, причому функції можуть приписуватися як вершинам цp, так і дугам цv; E - експертні оцінки, які при необхідності доповнюють ц компоненти; еу - невизначеність параметрів ц-базису, що визначається статистичними властивостями навчальної вибірки; еД - невизначеність параметрів ц-базису, що визначається точністю їхнього завдання (кроком квантування).

Значення еу використається не тільки як оцінка параметрів моделі (традиційний підхід), але і є критерієм оптимальності оптимізаційних процедур при синтезі моделі. Так як деякі алгоритми оптимізації вимагають квантування параметрів моделі, то виникає завдання вибору типу квантування (рівномірного або нерівномірного) і відповідного кроку квантування, тому еД є вихідним параметром оптимізаційних процедур.

При реалізації послідовності етапів перетворення інформації, на кожному з яких використається критерій Qi, виконується реконфігурація структури Si-1 на i-му етапі перетворення інформації шляхом структурних і функціональних перетворень. У загальному виді реконфігурація структури S представлена перетворенням

.

Реалізація методу структурної ідентифікації на основі застосування С' моделей виду (2) застосовується на наступних етапах перетворення інформації: 1 - структурована модель еталона структурного елемента БКС; 3, 4 - структуровані моделі діагностичних ознак і станів що діагностуються. Реконфігурація структури діагностичних ознак виконується на етапі 4.

У третьому розділі формалізована задача структурної ідентифікації БКС на основі синтезу структурованої моделі еталона структурного елемента формальними методами при структурній ідентифікації БКС різних типів. Відзначено, що основні труднощі етапу обробки БКС виникають при виділенні діагностичних структурних елементів на тлі завад, варіабельності та наявності артефактів. Помилки структурної ідентифікації (пропуск структурного елемента або помилкова ідентифікація) приводять до грубих помилок обчислення діагностичних ознак і помилок комп'ютерного діагнозу (якщо не передбачені спеціальні засоби, зокрема відмова від обробки "підозрілого" структурного елемента або підтвердження людиною-оператором правильності структурної ідентифікації). У роботі розроблена формалізована процедура ідентифікації структурних елементів БКС на основі побудови інформативного простору параметрів (перетворення XY) з використанням методології й обчислювальних процедур перетворення Хока.

Класичне застосування перетворення Хока полягає в апроксимації контурних точок двовимірних двохградаційних зображень аналітичними кривими. При цьому кожна i-та точка вихідного зображення переводиться в простір параметрів (коефіцієнтів апроксимуючої кривої) і утворює у ньому підпростір допустимих значень параметрів Mi. Область перетину Щ підпросторів Mi для всіх контурних точок визначає істинне значення параметрів. При структурній ідентифікації БКС виконується перехід з вихідного простору (множини відліків сигналу X(ti)) в простір параметрів Y(P), який формується при описі еталона структурного елемента обмеженим набором базисних опорних функцій (апроксимація еталона). Порівняння аналізованої ділянки сигналу з еталоном і прийняття рішення про наявність або відсутність структурного елемента заданого типу виконується в просторі параметрів.

Розглянутий БКС являє собою, ґратчасту функцію , де , - амплітуди сигналу в точках дискретизації. При перетворенні XY у новому просторі параметрів Y кожний структурний елемент буде описаний деяким вектором

,

при цьому параметри визначаються функціональною залежністю:

, , , (3)

де k - тип (номер) функціональної залежності; - j-та підмножина параметрів (координат) об'єкта ; , - кількість параметрів структурного елемента в просторах X і Y відповідно, причому .

Функціональна залежність (3) вибирається з множини базисних функцій (графічних примітивів), до яких пред'являються наступні вимоги: простота, інформативність, селективність.

Пошук інформативних фрагментів БКС виконується послідовною процедурою відділення структурних елементів заданого типу від всіх інших об'єктів. Еталон структурного елемента задається шляхом вибору на сигналі границь підмножин, які характеризуються опорними точками , . В просторі параметрів Y еталон описується вектором

,

де параметри розраховуються аналогічно (3) згідно виразу

, .

Завдання еталонного об'єкта дозволяє визначити клас шуканих структурних елементів , вид опорної функції для перетворення XY і розмірність простору Y.

Для визначення відстаней між будь-якими об'єктами й у просторі Y, введена метрика , в основі якої лежить ідея методу потенційних функцій

, (4)

де , - координати об'єктів і в просторі Y відповідно; - коефіцієнт, від якого залежить швидкість зміни відстані між об'єктами й при збільшенні їхньої відмінності в просторі Y; wj - вагові коефіцієнти; - розмірність простору Y.

У загальному випадку, коли немає емпіричних даних про часове розташування початку кожного структурного елемента заданого класу, кожна точка t сигналу розглядається як початок структурного елемента . Значення відстаней від об'єкта щt у просторі Y з метрикою R до еталона щэ, з урахуванням часової прив'язки об'єкта щt (робота в розширеному просторі Y(P,ti)), у вихідній часовій області характеризується деякою функцією диференціації відстаней

яка обчислюється по (4) в кожній точці ti.

Графічна ілюстрація побудови інтервалів належності фi при аналізі функції D(ti) показана на рис. 4. На основі аналізу D(ti) у вихідній часовій області будуються інтервали розташування структурних елементів фi (виконується розмітка сигналу). При виділенні опорних структурних елементів використається аналіз D(ti), як показано вище. Для структурних елементів класів Щ2, …, Щn використовується метод адаптивної часової маски, що заснований на гіпотезі збереження порядку слідування й відношень тривалостей інтервалів фi у межах періоду й незначній зміні тривалостей сусідніх періодів.

Размещено на http://www.allbest.ru/

Рис. 4 Ідентифікація структурних елементів при аналізі D(t)

Крім того, апріорі відомі середні значення тривалостей фi і їхні діапазони варіювання для кожного типу БКС. Параметрами часової маски є відстані на часовій осі від центрів структурних елементів до опорної точки періоду. В якості опорної точки, для кожного типу БКС, вибирається точка (як правило, вершина) того структурного елемента який найбільш надійно виділяється на тлі завад і артефактів (структурний елемент даного типу виділяється першим при структурній ідентифікації).

Застосування часової маски в методі структурної ідентифікації БКС, здійснюється шляхом побудови деякої квазіперіодичної ймовірнісної функції Pi(t), що характеризує ймовірність розташування структурних елементів заданого типу на часовій осі (рис. 5).

Размещено на http://www.allbest.ru/

Рис. 5 Ймовірністна функція для i-го типу структурного элемента БКС

Використання ймовірнісної функції Pi(t) можливо декількома способами: 1) значення ймовірнісної функції Pi(t) виступає в якості додаткової координати в просторі Y; 2) ймовірнісна функція Pi(t) накладається на функцію диференціації відстаней Dk(ti) = 1 - Pi(t) [1 - D(ti)], де D(ti), Dk(ti) - значення функції диференціації відстаней до й після корекції відповідно. З огляду на розглянуті раніше властивості D(ti), ВП має вигляд:

(5)

де - об'єкт, що підлягає класифікації; - порогове значення відстані; - значення локального мінімуму D(ti).

Розроблено процедуру обчислення порогового елемента , який мінімізує сумарну помилку класифікації. Сигнал БКС має стійкість статистичних характеристик (отже, і стійкість параметрів структурних елементів) у локальній області, а при тривалому моніторингу зазначені характе-ристики можуть істотно мінятися. Сказане вище говорить на користь розробки адаптивного методу формування "точок згущення", при якому центри кластерів і ВП визначаються поточною ділянкою БКС і функції D(ti) відповідно. У роботі пропонується метод побудови адаптивного значення параметра Td(t), заснованого на визначенні "точок згущення" при аналізі D(ti). Розроблено параметричну й структурну оптимізацію опису еталона й ВП.

Показано адаптацію методу структурної ідентифікації БКС для структурної ідентифікації двовимірних зображень (ідентифікація двовимірних діагностичних структурних елементів). Адаптація зводиться до опису двовимірних еталонів різними типами просторових адаптивних розгорток, при яких виконується перехід з вихідної прямокутної системи координат i, j (Xij - значення яскравості зображення в прямокутній системі координат) у простір l (Xl - значення яскравості зображення уздовж лінії розгортки). Показано перспективність використання спіральної розгортки, яка забезпечує інваріантість відносно повороту для широкого класу двовимірних структурних елементів. Функція Xl використається, як і при аналізі БКС, для формування простору параметрів Y(P). На відміну від традиційної схеми структурної ідентифікації двовимірних зображень (фільтрація, оконтурювання, пошук структурних елементів), пропонований підхід забезпечує завдання еталона безпосередньо на напівтоновому зображенні.

У четвертому розділі виконується синтез структурованих моделей діагностичних ознак і діагнозів. При цьому реалізуються перетворення

, , , .

Перетворення F1, F2 - синтез ієрархічних структур ознак і діагнозів на основі ієрархічної кластеризації, а перетворення F3, F4 - реконфігурація структури.

Ієрархічна кластеризація ознак (перетворення F1) заснована на представленні задачі кластеризації у вигляді потокової моделі. При цьому вихідні ознаки представляються вершинами повнозв'язного графа, а дугам такого графа приписуються деякі чисельні дані (коефіцієнт парної кореляції, хоча можливо застосування інших статистичних мір зв'язку). Тоді задача ієрархічної кластеризації вершин зводяться до послідовної процедури розрізу графа на підграфи таким чином, щоб досягти максимального зв'язку вершин усередині класу (підграфа) при мінімальному зв'язку між класами. При такому формулюванні, задача зводиться до потокової, для рішення якої пропонується адаптація алгоритму “дефекту”, що ефективно застосовується для рішення потокових задач з обмеженнями.

У потокових задач з обмеженнями, кожна дуга Vij характеризується наступними параметрами: fij - потік по дузі; Lij - нижня пропускна спроможність дуги; Uij - верхня пропускна спроможність дуги; Cij - вартість проходження одиниці потоку з вузла i у вузол j.

Для розглянутої задачі кластеризації діагностичних ознак у якості Lij приймається значення, рівне 0, у якості Uij - значення критерію автоінформативності (коефіцієнт парної кореляції rij). Значення Cij при відсутності апріорної інформації приймається рівним 1 для всіх дуг, а при її наявності встановлюються за допомогою експертних оцінок. Значення потоків fij визначаються після завершення роботи алгоритму ”дефекту”, спочатку вони можуть бути рівні 0. Для зниження розмірності задачі розглядаються тільки ті дуги, у яких rij є значимим відносно критерію Стьюдента.

Для роботи алгоритму “дефекту” необхідно завдати початкову S та кінцеву T вершини, а результатом його роботи є розрахунок циркуляції потоків, яка мінімізує сумарну вартість потоків по всіх дугах з урахуванням обмежень на пропускні спроможності дуг (Lij і Uij). Завдання S і T виконується на основі попередньої кластеризації вершин по методу кореляційних плеяд, при якому вихідна множина вершин Ni розпадається на дві підмножини Ns і Nt, які не пересікаються, і в кожній з них визначається найбільш зв'язана з іншими вершина (s Ns і t Nt), що задовольняє умові , причому та . Після визначення потоків на всіх дугах визначається мінімальний розріз графа R, для якого справедливі співвідношення:

fij = Uij для Vij (Ns, Nt), (6)

fij = 0 для Vij (Nt, Ns). (7)

Мінімальний розріз розділяє всі вершини графа на дві множини, які не пересікаються (Ns, яка включає початкову вершину S і Nt, яка включає кінцеву вершину T) таким чином, що потоки насичують всі прямі дуги розрізу (6) і нульові на всіх зворотних дугах розрізу (7). При цьому сума потоків всіх дуг розрізу дорівнює максимальній циркуляції потоку. Запропоновано критерій лінійної кластеризації, заснований на оцінці зміни внутрішньокласової відстані до розбивки Rl-1 і після розбивки Rl на два класи , де

- зважений коефіцієнт парної кореляції між M вершинами підграфа, P - поріг, який визначається експериментально для конкретної предметної області. В якості додаткового критерію рекомендується обмежитися числом кластерів Kmax = 7.

Для реалізації ієрархічної кластеризації необхідна розробка інтегрального критерію оптимальності Kopt синтезованої ієрархічної структури, згідно якого міняється значення порогового елемента Pm на кожному m-му рівні ієрархії Pm = Kopt = kexpkstrkp, де kexp - експертна оцінка, kstr - коефіцієнт структурної складності (залежить від рівня ієрархії) і kp - граничне значення зміни P при переході на наступний рівень ієрархії (може бути обчислено, використовуючи зовнішній критерій інформативності). В результаті ієрархічної кластеризації синтезується ієрархічна структура, на нижньому рівні ієрархії якої можуть бути як окремі діагностичні ознаки (якщо вони інформативні й незалежні), так і кластери коррельованих ознак.

Синтез ієрархічної системи діагнозів F2: виконується за аналогічною схемою представлення задачі в вигляді потокової моделі з обмеженнями й пошуку мінімального розрізу. Однак, є наступні відмінності: у якості Uij використовується міжкластерна відстань діагнозів Di і Dj у просторі ознак; виконується дихотомічна кластеризація без стиску, тому розглянуті вище критерії лінійної кластеризації й оптимальності в даній процедурі не використовуються.

Реконфігурація структури діагностичних ознак (перетворення F3). Структура Sx не може безпосередньо використовуватися в діагностичній процедурі уточнюючого діагнозу, тому що результуюча структура Sz повинна містити мінімально-необхідний обсяг інформативних діагностичних ознак для заданої задачі діагностики (заданої множини діагнозів), структура повинна бути погоджена зі структурою SD і повинна бути розроблена процедура заміни кластерів всіх рівнів ієрархії Sx. Тому в роботі ставиться задача реконфігурації структури Sx - F3: Sx>Sy, за критерієм ID(xj) - діагностичної цінності ознак xj відносно заданої множини станів, що діагностуються {Di}. Діагностична цінність ID(xj) числової ознаки xi за умови розбивки її діапазону зміни на m інтервалів, що не пересікаються, відносно {Di} визначається за виразом

. (8)

Сумарна інформативність системи незалежних ознак ID(X) визначається за виразом

. (9)

Так як синтез структури Sx забезпечує слабкий зв'язок між ознаками, то в цьому випадку можна використати в розрахунках вираз (9).

Заміна діапазону зміни числової ознаки Д=[xjmin, xjmax] послідовністю інтервалів, є по суті заміною теоретичного закону розподілу гістограмою, і із цього погляду для одержання прийнятної точності апроксимації закону розподілу, число інтервалів повинне бути достатньо великим, однак при цьому необхідно збільшувати обсяг навчальної вибірки, тому що при незмінному обсязі вибірки й збільшенні числа інтервалів у кожний з них попадає порівняно невелике число точок, що знижує достовірність статистичних оцінок. Таким чином, при обмеженому обсязі навчальної вибірки, задача розбивки Д на інтервали є оптимізаційною задачею, при якій мінімізується інтегральна помилка еk, що включає еa - помилка апроксимації й у - невизначеність оцінки значень P(xjk/Di), P(xjk) на інтервалі Дk.

В роботі отримано формулу оцінки еk при розбивці Д на m нерівномірних інтервалів Дk і побудові відповідних гістограм

, (10)

де Nk - число точок навчальної вибірки, що потрапили в інтервал Дk; Gk - ордината гістограми на інтервалі Дk.

Обчислення еk по (10) вимагає попередньої розбивки Д на Дk і обчислення значень не тільки в поточному k-му інтервалі (Дk і Gk) але й у сусідні (Дk-1, Gk-1, Дk+1, Gk+1). Запропоновано ітераційну процедуру формування Дk, при якій мінімізується еk.

Таким чином, у результаті перетворення F3 визначається інформативність вихідного простору ознак X відносно системи діагнозів {D}, виконується заміна кластерів нижнього рівня ієрархії структури Sx (підмножини коррельованих ознак) найбільш інформативним і виконується заміна кластерів інших рівнів Sx інтегральними ознаками. Крім того, при синтезі Sy, система різнорідних елементів Sx приводиться до єдиної шкали - кожна вихідна ознака xj представляється множиною діагностично-значимих інтервалів, які не пересікаються.

Метою перетворення F4: Sy>Sz є узгодження топологій Sz і SD для реалізації методу уточнюючого діагнозу й забезпечення оптимального плану діагностичного обстеження конкретного пацієнта. При цьому, кожній парі елементів SD, що має загального батька, ставиться у відповідність один елемент структури Sz. Елементи структури Sz формуються з елементів структури Sy з врахуванням їхньої інформаційної повноти kіп(X, D) і діагностичної цінності kдц(xj, D) для диференційної діагностики елементів SD на кожному рівні ієрархії.

Система діагностичних ознак X відносно системи діагнозів D характеризується коефіцієнтом інформаційної повноти kіп(X, D), що визначається по формулі

,

де H(D) - ентропія діагнозів.

Так як процес виміру діагностичних ознак вимагає певного медичного обладнання й ресурсів (часових, матеріальних, фінансових і т.д.), то з урахуванням сумарної складності виміру ознаки, кожна ознака характеризується коефіцієнтом діагностичної цінності

,

де - сумарна оцінка складності виміру ознаки xj. Розроблено процедуру формування елементів структури Sz, починаючи з елемента верхнього рівня SD, у якій розраховується ентропія H(D), а для всіх елементів Sy визначається kдц(xj, D) відносно пари станів що діагностуються, і елементи структури Sy упорядковуються відповідно до kдц(yi) ? kдц(yj) ? … ? kдц(yq). Таким чином, кожний елемент структури Sz є впорядкованою підмножиною елементів структури Sy, який забезпечує необхідний рівень інформаційної повноти kіп(X, D), і однозначно задає їхній порядок включення в діагностичну процедуру уточнюючого діагнозу на кожному етапі реалізації.

У п'ятому розділі розглядаються методи синтеза ВП при реалізації розглянутих етапів перетворення інформації.

Розробка комбінованого ВП при взаємодії ієрархічних структур. У роботі реалізується метод синтезу уточнюючого діагнозу, що є модифікацією методу послідовного аналізу й заснований на аналізі взаємодії ієрархічних структур діагностичних ознак Sz і діагнозів SD. На кожному i-му етапі послідовного аналізу, при диференційній діагностиці між двома діагнозами Dq і Dl, обчислюється відношення правдоподібності

,

яке порівнюється з порогами , , де А и В - верхня й нижня границі невизначеності, необхідні для ухвалення рішення.

При виконанні однієї з умов приймається рішення про діагноз Dq, або Dl відповідно й виконується уточнення діагнозів на більш низькому рівні ієрархії SD. При невиконанні жодного умови, додається наступна i + 1 ознака й процедура повторюється.

Однак, як показано в розділі 4, "дійсні" умовні ймовірності, які використовуються в відношенні правдоподібності, заміняються їхніми оцінками - ординатами гістограм G(xik/Dq) і G(xik/Dl), які мають відповідні невизначеності еqik і еlik, що обчислюються по (10), (верхній індекс відповідає індексу стану, що діагностується, а нижні індекси - k-й інтервал i-ї ознаки, що виміряна у пацієнта). При заданому рівні значимості о (зазвичай о = 0,95 або о = 0,99) з використанням таблиць критичних значень розподілу Стьюдента визначаються довірчі інтервали G(xik/Dq) і G(xik/Dl) (дqik і дlik відповідно) дik = tол еik, де t - критичне значення розподілу Стьюдента при рівні значимості о і числі ступенів свободи л (л = n - 1), що дозволяє визначити верхні й нижні значення ( і відповідно) за допомогою виразів

Gв(xik/Dq) = G(xik/Dq) + дqik, Gн(xik/Dq) = G(xik/Dq) - дqik,

Gв(xik/Dl) = G(xik/Dl) + дlik, Gн(xik/Dl) = G(xik/Dl) - дlik. (11)

Для реалізації комбінованого ВП оцінки умовних ймовірностей зважуються системою експертних оцінок про структуру симптомокомплексів Eikq і Eikl. Це приводить до того, що умовні ймовірності тих діагностичних інтервалів xik які входять у симптомокомплекс зазначеного діагнозу збільшуються, а тих ознак, які не входять у симптомокомплекс, зменшуються (у граничному випадку, коли вага ознак, які не входять у симптомокомплекс e0 = 0, умовні ймовірності зазначених ознак не враховуються). Варіюючи значеннями ваг ei можна задавати різний ступінь впливу окремих типів ознак, що входять у симптомокомплекс. В остаточному виді відношення правдоподібності з врахуванням (11) запишеться у вигляді:

, (12)

, (13)

а нерівності записуються у вигляді "песимістичних" оцінок

, .

Синтез індивідуальних діагностичних прогнозуючих моделей. При проведенні моніторингу показників здоров'я кожного пацієнта, можна побудувати прогнозуючу діагностичну модель і виконати прогноз показників здоров'я з метою виявлення негативних тенденцій їхніх змін, функціональних порушень на ранніх стадіях їхнього розвитку, оцінку ефективності проведених лікувально-оздоровчих процедур і ін. У роботі прогнозуюча діагностична регресійна модель будуються на основі методів самоорганізації, які дозволяють визначити оптимальну структуру моделі й оцінити її коефіцієнти по невеликому числу експериментальних даних.