Применение нейронной сети при оценке данных бронхиальной астмы у детей

Способность принимать решения, выявляя скрытые закономерности при обработке, учёте многочисленных данных – основное преимущество нейронных сетей в медицине. Ответ на терапию, период болезни - ключевые критерии классификации бронхиальной астмы у детей.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 31.08.2020
Размер файла 265,8 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru

Размещено на http://www.allbest.ru

Применение нейронной сети при оценке данных бронхиальной астмы у детей

Шангареева З.А, Уразбахтина Ю.О.

Аннотации

С целью оценки диагностических возможностей нейронных сетей для своевременной диагностики обострения, степени тяжести и мониторинга уровня контроля бронхиальной астмы у детей в данной работе использовалась модель обучения трехслойной нейронной сети. Нами была разработана нейросетевая экспертная система, позволяющая тестировать данные детей с бронхиальной астмой (БА). Тестирование системы проводилось на 30% примеров от всей выборки детей с БА. На данном этапе исследования нами был предложен метод распознавания данных детей с БА при помощи нейросетевого классификатора. Определены значимые параметры, оказывающие наибольшее влияние на оценку данных БА. Тестовое прогнозирование показало 100% степень диагностических возможностей системы лишь для определения периода заболевания.

Ключевые слова: нейронные сети, диагностика, бронхиальная астма, дети, степень тяжести бронхиальной астмы, уровень контроля бронхиальной астмы.

In this work, the authors used the three-layer neural network training model to assess the diagnostic capabilities of neural networks for timely diagnosis of exacerbation and severity as well as for monitoring and controlling the bronchial asthma rate in children. They developed a neural network expert system that allows testing the data of children with bronchial asthma (BA). This system was tested on 30% of examples from the entire sample of children with AD. At this stage of the study, the authors proposed the method for recognizing data from children with AD using a neural network classifier. Significant parameters that have the greatest impact on the assessment of BA data were determined in this study. Test prediction showed a 100% degree of diagnostic capabilities of the system only in terms of determining the disease period.

Keywords: neural networks, diagnostics, bronchial asthma, children, the severity of bronchial asthma, level of control of bronchial asthma.

На современном этапе развития медицины важны возможности быстрого анализа большого числа данных для принятия верного решения, которое может повлиять на характер течения и исходы заболевания [1], [2]. Сложность прогнозирования диагноза и выбора тактики лечения довольна высока за счет субъективных оценок врача, основанных на его личном опыте. В этой связи пристальное внимание уделяется информационным технологиям, в том числе с применением нейронных сетей [1], [2], [3]. Способность принимать решения, выявляя скрытые закономерности при обработке и учёте многочисленных данных - это основное преимущество нейронных сетей в медицине. [1].

Современная классификация БА у детей основана на этиологии, степени тяжести и ответа на терапию, периода болезни [4], [5]. По этиологии выделяют атопическую и неатопическую БА. Среди детей встречается преимущественно атопическая БА. Клинико-функциональные показатели заболевания (количество дневных и ночных приступов в течение дня и недели, частота применения короткодействующих в2-адреномиметиков, данные результатов ОФВ1 и ПСВ с суточной вариабельностью) лежат в основе классификации БА по степени тяжести. Уровень контроля БА отражает ответ на проводимую терапию и должен периодически пересматриваться [4], [5]. По периоду болезни различают обострение (эпизоды нарастания респираторных симптомов) и ремиссию (отсутствие симптомов заболевания на фоне отмены базисной терапии) [4], [5].

Проблема своевременной диагностики БА - одна из наиболее актуальных в современной педиатрии [4], [6], [10]. Частота ошибочных диагнозов при БА по данным разных авторов составляет от 5 до 60% [6], [10]. Диагностика БА из-за высокой вариабельности клиническо-лабораторных показателей вызывает затруднения у практических врачей и приводит к ошибкам [4]. Таким образом, в практике врача-аллерголога-иммунолога принято судить о наличие обострения, степени тяжести и уровне контроля БА по оценке множества параметров и делать вывод на основании личного опыта.

По данным обучающей выборки трехслойная нейронная сеть может приобрести опыт врача-специалиста. Поиск закономерностей взаимодействия обучающих данных с предварительно известным результатом составляет основу процесса обучения. Кроме того, по итогам обучения системы возможно выявить наиболее значимые входные параметры для оценки тяжести и уровня контроля БА у детей.

Цель исследования: оценка диагностических возможностей нейронных сетей для своевременной диагностики обострения, степени тяжести и мониторинга уровня контроля бронхиальной астмы (БА) у детей.

Методы и принципы исследования

Данные 872 детей с бронхиальной астмой (БА) составили выборку, описанную 171 входными параметрами, отражающих клиническую характеристику пациентов. Все пациенты были обследованы на базе аллергологического отделения Республиканской детской клинической больницы г Уфа по стандартному диагностическому алгоритму, позволяющему выбрать оптимальный метод лечения в зависимости от степени тяжести, уровня контроля заболевания.

Статистический анализ данных осуществлялся с помощью Автоматизированных нейронных сетей (Automated neural networks) статистического пакета Statistica 10,0 (StatSoft, США). Преимущества автоматизированных нейронных сетей в возможностях автоматического режима построения различных нейросетевых архитектур и регуляции их сложности с последующим сохранением наилучших из них.

В данной работе нами была использована популярная сетевая архитектура многослойного персептрона. В модели трехслойного персептрона с 1 скрытым слоем MLP 171-8-2 (см. рисунок 1) при определении периода заболевания первый входной слой состоял из 171 входного параметра, каждый из которых принимает значение соответствующей координаты входного вектора х. Второй скрытый слой состоял из 8 узлов. Третий выходной слой состоит из 2 узлов. Каждый из выходных узлов соответствует одному из двух классов (диагнозов). Для определения степени тяжести БА в модели трехслойного персептрона MLP 170-8-3 (см. рисунок 2) входной слой состоял из 170 входных параметров, второй - из 8 узлов, третий - из 3 узлов, соответствующего одному из 3 классов (диагнозов). Уровень контроля БА определяли в модели трехслойного персептрона MLP 169-12-4 (см. рисунок 3), входной слой которой состоял из 169 входных параметров, второй - из 12 узлов, третий - из 4 узлов, соответствующего одному из 4 классов (диагнозов).

Обучение нейронной сети проводилось на 70% примеров выборки, а затем тестировались на контрольной (15%) и тестовой (15%) группах.

Каждый пример имеет выходной параметр от двух до четырех «классов», представляющий заранее известный результат (отсутствие или наличие обострения, степень тяжести, уровень контроля заболевания). При определении периода заболевания количество примеров 1 класса составили 773 ребенка в периоде ремиссии, а 2 класса - 99 детей с обострением БА (см. рисунок 1). По степени тяжести количество примеров 1 класса составили 572 ребенка с легкой персистирующей БА, 2 класса - 237 ребенка со среднетяжелой персистирующей БА, и 3 класса - 60 детей с тяжелой персистирующей БА (см. рисунок 2).

По уровню контроля над заболеванием количество примеров 1 класса составили 473 ребенка с контролируемой БА, 2 класса - 279 детей с частично-контролируемой БА, 3 класса - 61 ребенок с неконтролируемой БА и 4 класса - 99 детей с обострением БА (см. рисунок 3).

Основные результаты и обсуждение

Тестирование системы проводилось на 30% примеров от всей выборки детей с БА. Все предложенные примеры обострения нейронная сеть определила правильно (100%) (см. рисунок 1, 2).

Рис. 1 - Итоги классификации нейронной сети по периоду бронхиальной астмы у детей

нейронный сеть медицина бронхиальный

Рис. 2 - Итоги моделей нейронной сети по периоду бронхиальной астмы у детей

При определении степени тяжести заболевания нейросеть хуже всего различала тяжелую степень БА (5%). Среднюю и легкую степени тяжести БА нейронная сеть определила правильно на 53% и 92%, соответственно
(см. рисунок 3, 4).

Рис. 3 - Итоги классификации нейронной сети по степени тяжести бронхиальной астмы у детей

Рис. 4 - Итоги моделей нейронной сети по степени тяжести бронхиальной астмы у детей

Хуже всего нейронная сеть различает неконтролируемую БА у детей (27%). Частично-контролируемую и контролируемую БА нейросеть определила правильно в 48% и 88% случаев, соответственно. Период обострение нейронная сеть определила правильно на 100% (см. рисунок 5, 6).

Рис. 5 - Итоги классификации нейронной сети по уровню контроля бронхиальной астмы у детей

Рис. 6 - Итоги моделей нейронной сети по уровню контроля бронхиальной астмы у детей

К сожалению, наличие пропущенных значений, высокая вариабельность номинальных характеристик и большой объем количественных переменных создают дополнительные проблемы в работе нейронной сети и искажают выходной результат. Нередко при подготовке данных на качество полученного результата влияет субъективность человека-эксперта. Поэтому полученные результаты не всегда однозначны и требуют критичного отношения.

Математические алгоритмы решения задач диагностики сходной проблематики ранее рассматривались в ряде работ. Так, в исследовании Якуниной M.B. с соавторами была предложена модель классификации на основе методов дискриминантного анализа [11]. Однако «размытость» границ между классами приводит к ограниченности моделей подобного типа применительно к рассматриваемой задаче.

Алгоритм классификации в задаче определения уровня контроля БА в ряде работ был построен на основе искусственных нейронных сетей, а «нечеткость» модели достигалась за счет создания дополнительного скрытого слоя, функции активации которого являются функциями принадлежности к тому или иному классу [12], [13].

Пихтовникова И.В. с соавторами была предложена модель определения уровня контроля БА на основе нейро-нечеткой сети, а также реализация данной модели в аналитической платформе Deductor Academic [14]. Была использована искусственная нейронная сеть на основе многослойного персептрона с двумя скрытыми слоями с применением алгоритма обучения Back Propagation. Согласно результатам авторов работы из обучающего множества было распознано 100% примеров (92 из 92 записей), из тестового - 94% (15 из 16 записей). Обученная нейросеть в дальнейшем была способна оценивать уровень контроля БА для новых случаев с помощью встроенного инструмента «Что если?» [14].

Таким образом, дальнейшее усложнение архитектуры нейронной сети, возможно, позволит повысить эффективность созданной нами нейронной системы в сравнении с уже описанными в литературе. Представленные результаты позволяют сделать вывод о перспективности данного направления в решении рассматриваемой задачи.

На данном этапе исследования нами была разработана нейросетевая экспертная система, позволяющая тестировать данные детей с бронхиальной астмой. Были определены значимые параметры, оказывающие наибольшее влияние на оценку данных БА. При тестовом прогнозировании диагностические возможности системы составили 100% лишь для определения периода обострения заболевания. Для устранения ошибок системы нам предстоит продолжить исследование с целью минимизировать воздействия субъективного фактора на конечный результат работы, возможно, за счет усложнения архитектуры сети.

Список литературы

1. Волчек Ю. А. Положение модели искусственной нейронной сети в медицинских экспертных системах / Ю.А. Волчек, О.Н. Шишко, О.С. Спиридонова, Т.В. Мохорт // Juvenis scientia. Медицинские науки. - 2017. - № 9. - С. 4-9.

2. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения / А.В. Гусев // Врач и информационные технологии. - 2017. - №3. - С.92-105.

3. Гусев А.?В. Тренды и прогнозы развития медицинских информационных систем в России / А.?В. Гусев, М.?А. Плисс, М.?Б. Левин, Р.?Э. Новицкий // Врач и информационные технологии. - 2019. - №2. - С. 38-49.

4. Геппе Н.А. Значение современных руководств в улучшении мониторирования и лечения бронхиальной астмы у детей (обзор). / Н.А. Геппе, Н.Г. Колосова // Вестник Смоленской государственной медицинской академии. - 2017. - №3. - С.165-172.

5. Российское респираторное общество; Педиатрическое респираторное общество; Федерация педиатров стран СНГ. Национальная программа «Бронхиальная астма у детей. Стратегия лечения и профилактика». 5-е изд., переработанное и дополненное М.; 2017. - 160 с.

6. Файзуллина Р.М. Компьютерные технологии для своевременной диагностики бронхиальной астмы у детей / Р.М. Файзуллина, Н.В. Самигуллина // Доктор. Ру. - 2019. № 5 (160). - С. 52-56.

7. Овсянников Д.Ю. Гетерогенность бронхообструктивного синдрома и бронхиальной астмы у детей: трудности диагностики / Д.Ю. Овсянников, А.М. Болибок, М. Халед [и др.] // Трудный пациент. - 2017. - №1-2. - С. 43-52.

8. Зайцева О.В. Вирусиндуцированная бронхиальная астма у детей: значение системы интерферона / О.В. Зайцева, Э.Э. Локшина, С.В. Зайцева [и др.] // Педиатрия. - 2017. - №2. - С. 99-103.

9. Иванова Н.А. Рецидивирующая обструкция бронхов и бронхиальная астма у детей первых пяти лет жизни / Н.А. Иванова // Российский вестник перинатологии и педиатрии. - 2016. - Том 61. №5. - С. 64-72.

10. Овсянников Д.Ю. Трудности и ошибки диагностики и терапии бронхиальной астмы у детей / Д.Ю. Овсянников // Медицинский совет. - 2017. - №1. - 100-105.

11. Якунина M.B. Автоматизированный дневник самоконтроля как средство мониторинга состояния пациента с БА / M.B. Якунина, Е.П Хрычкина // Математическое и информационное моделирование. Сборник научных трудов, электронный ресурс. Тюмень: Издательство Тюменского государственного университета. - 2013. - Вып. 13. - С. 295 - 299.

12. Безруков Н.С. Автоматизированная система “Medical Toolbox” для диагностики бронхиальной астмы по показателям реоэнцефалографии / Н.С. Безруков, Е.Л. Еремин, Е.В. Ермакова [и др.] // Медицинская информатика. - 2006. - № 1. - Стр. 73-80.

13. Безруков Н.С. Построение и моделирование адаптивной нейро-нечеткой системы в задаче медицинской диагностики / Н.С. Безруков, Е.Л. Еремин // Медицинская информатика. 2005. № 2. Стр. 36-46.

14. Пихтовникова И.В. Применение искусственных нейронных сетей к задаче определения уровня контроля бронхиальной астмы. / И.В. Пихтовникова, М.С. Цыганова // Математическое и информационное моделирование. Сборник научных трудов, электронный ресурс. Тюмень: Издательство Тюменского государственного университета. - 2018. - Вып. 16. - С. 221 - 229.

Размещено на Allbest.ru


Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.