Программные продукты и системы

В последние годы среди специалистов значительно выросла популярность систем интеллектуального анализа данных. Предоставляемые этими системами возможности способствовали их применению в различных отраслях – в финансах, промышленности, медицине, геологоразведке, физике и др.

Анализ применения компьютерных технологий в медицинских учреждениях показывает, что в основном они внедряются в областях, связанных с обработкой документации, хранением и передачей данных, а также для статистического анализа, в то время как некоторые важнейшие участки лечебно-диагностического процесса, такие как диагностика заболеваний, практически не используют возможности ЭВМ. Во многом этому препятствуют особенности медико-биологической информации и психологический аспект восприятия решений, продиктованных компьютером.

Однако именно в этом сегменте медицинских технологий наиболее актуальным является внедрение систем поддержки принятия решений. Прежде всего это обусловлено большим объемом и сложным характером анализируемых данных, которые врач не может учесть в своих выводах в полной мере.

В данной работе рассматривается реализация подобной системы для задачи медицинской диагностики на примере диагностики заболеваний головного мозга. Необходимость раннего выявления и дифференциальной диагностики такого рода опухолей объясняется особой тяжестью этих заболеваний, кроме того, при локализации объемного процесса в области жизненно важных мозговых центров они непосредственно угрожают жизни больного.

Внедрение системы поддержки принятия решений врача-радиолога для диагностики новообразований головного мозга на магнитно-резо­нансном томографе позволит принять во внимание большое количество диагностических данных с учетом их значимости и тем самым повысить точность врачебного заключения.

Система основана на диалоге с врачом. Отвечая на вопросы системы, врач вводит данные для дальнейшего анализа. Данные для анализа – это признаки патологии на томограммах. На первом этапе задача состоит в распознавании новообразования головного мозга и других заболеваний. На втором этапе осуществляется дифференциальная диагностика характера новообразования, если оно было распознано на первом этапе. В соответствии с классификацией [1] система разделяет опухоли головного мозга на 9 основных групп: опухоли глиального ряда, опухоли черепно-мозговых нервов, мененгиомы, метастазы, аденомы гипофиза, краниофарингомы, липомы, опухоли желудочков (эпендимомы, медуллобластомы и т.п.), опухоли пинеальной области и опухоли невыясненного генеза.

На рисунке 1 приведена блок-схема диагностической системы.

Система состоит из четырех основных блоков.

1.  База данных содержит наблюдения, необходимые для обучения системы.

2.  Интерфейс пользователя состоит из блоков ввода и вывода данных. Посредством интерфейса пользователь осуществляет диалог с системой.

3.  Блок предобработки данных осуществляет проверку данных на наличие пропусков и выполняет нормирование данных  для дальнейшей работы нейросети.

4.  Диагностическая подсистема выясняет принадлежность заболевания к определенной группе, после чего отправляет наблюдение в базу данных для дальнейшего переобучения системы.

База данных системы состоит из 909 наблюдений, включающих различные группы новообразований, а также другие заболевания и варианты нормы. Тестирование системы производилось на выборке, состоящей из 361 наблюдения, также включающей все перечисленные группы. На первом этапе диагностики, когда происходит распознавание наличия или отсутствия новообразования головного мозга, для обучения и тестирования используются все наблюдения (909 наблюдений обучающей и 361 наблюдение тестовой выборки). На этапе распознавания характера новообразования используются 640 наблюдений обучающей выборки и 263 наблюдения тестовой выборки, относящиеся к 10 различным группам новообразований головного мозга.

Реализация функций, связанных с принятием решений, выполнена на основе аппарата нейронных сетей в среде MATLAB с использованием пакета расширений Neural Network Toolbox. Выбор нейронных сетей для диагностики новообразований головного мозга обусловлен тем, что они одинаково подходят для обработки линейных и сложных нелинейных зависимостей и успешно справляются с задачами большой размерности. Кроме того, имеются многочисленные примеры удачного применения нейронных сетей в системах медицинской диагностики, например, для диагностики гинекологических заболеваний по клиническим признакам.

В результате проведенных исследований в качестве инструментальной нейронной сети была выбрана вероятностная нейронная сеть PNN (Pro­babilistic Neural Networks), структура которой представлена на рисунке 2 [2].

Преимущество нейронных сетей данного вида заключается в их быстром обучении по сравнению с обычными многослойными сетями. На вход сети подается вектор входных факторов. Скрытый слой состоит из гауссовых функций:

,                                  (1)

где xi – входной фактор; wij – весовые коэффициенты; s – дисперсия, характеризующая ширину радиально-базисной функции.

Выход сети представляет собой линейную комбинацию некоторого набора базисных функций, выполняющих суммирование сигналов, полученных со скрытого слоя. На выходе этого слоя получается вероятность того или иного диагноза.

Выполнив проверку нейронной сети на данных, содержащих 42 признака, получаем результаты для первого этапа диагностики – 21,1 % ошибки и для второго – 60,3 %. Такой результат можно объяснить избыточностью переменных. Для поиска и устранения незначимых переменных предложено применить метод понижения размерности.

Понижение размерности признакового пространства выполняется путем последовательного добавления признаков. Реализация алгоритма добавления признаков выполнена в среде MATLAB.

Вначале все 42 признака проверяются на информативность. Для этого осуществляется распознавание контрольной последовательности нейросетью по каждому входному фактору в отдельности и в информативную подсистему включается фактор, давший наименьшее число ошибок. Наиболее информативный фактор запоминается и исключается из исходной выборки. Затем к нему по очереди добавляются оставшиеся факторы, из которых выбирается наиболее информативный. Процедура продолжается до тех пор, пока добавление факторов не начнет приводить к увеличению количества ошибок распознавания. Применение метода редукции входных данных позволяет выделить признаки, наиболее сильно влияющие на выходной параметр, а также удалить данные, искажающие результаты.

С помощью этого метода на первом этапе диагностики признаковое пространство g=42 удается сократить до n=16. Это существенно уменьшает (с 21,1 % до 5,6 %) ошибку диагностики. На втором этапе дифференциальной диагностики образований между собой нейронная сеть с 42 входными параметрами не может выполнить классификацию, так как ошибка составляет 60,3 %. После применения описанного метода признаковое пространство сокращается до n=14, а ошибка уменьшается до 14 %.

Рассмотрим полученные результаты.

Оценка качества функционирования диагностической системы проводилась на проверочной выборке (361 наблюдение для 1-го этапа и 263 наблюдения для 2-го этапа). Ошибкой системы является неверно поставленный диагноз относительно истинного значения, то есть известного врачебного диагноза.

На первом этапе диагностики по двум классам ошибка распознавания составила 5,6 %: из них 1,6 % – ошибка распознавания по классу «опухоли» и 8,2 % – по классу «не опухоли». Таким образом, система выполняет небольшую гипердиагностику. Это обусловлено тем, что некоторые заболевания (абсцесс мозга) имеют во многом схожие с новообразованиями МР-признаки.

На втором этапе при определении характера новообразований общая ошибка составила 14,3 %, в частности: опухоли черепно-мозговых нервов – 0 %, липомы – 0 %, мененгиомы – 0 %, образование пинеальной области – 0 %, метастазы – 0 %, опухоли желудочков – 40 %, опухоли глиального ряда – 40 %, неклассифицируемые опухоли – 25 %, краниофарингома – 45 %, аденома гипофи- за – 0 %.

Наибольшие ошибки возникли в определении принадлежности к группе «опухоли желудочков» (40 %), «краниофарингомы» (43 %), «глиомы» (40 %) и «неклассифицируемые опухоли» (10 %). При отнесении наблюдений всех групп к группе «неклассифицируемые образования» и, наоборот, отнесение наблюдений этой группы к другим в действительности не считается ошибкой, так как группа «неклассифицируемые образования» является обобщающей. С этой оговоркой точность системы составит 11,1 %.

Остальные ошибки, возможно, связаны с небольшим количеством наблюдений этих групп в тестовой и обучающей выборках.

Проведенные экспериментальные исследования доказывают возможность применения искусственных нейронных сетей для диагностики новообразований головного мозга. Кроме того, благодаря внедрению нейросетевой системы поддержки принятия решений в диагностику удалось достичь высокой точности результатов (94 % при определении наличия заболевания и 88,9 % при определении его характера), сравнимой с точностью диагностики опытным врачом.

При оценке значимости факторов с помощью нейросети удалось выявить некоторые глубинные закономерности между полученными данными и патологическими процессами.

В настоящее время система предназначена для локального использования на рабочем месте врача-радиолога, то есть БД и диагностический модуль не могут совместно использоваться несколькими специалистами одновременно. Создание многомашинного сетевого варианта системы с централизованной базой данных и общим диагностическим модулем является одним из направлений дальнейшего совершенствования системы.

Литература

1.   Коновалов А.Н., Корниенко В.Н., Пронин И.Н. Магнитно-резонансная  томография в нейрохирургии. М.: Видар, 1997. 472 с.

2.   Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин [и др.]. Новосибирск: Наука. Сибирское предприятие РАН, 1998. 296 с.

3.   Кирсанова А.В. Автоматизированная система поддержки принятия решений врача-радиолога при диагностике внутричерепных новообразований на магнитно-резонансном томографе: тр. науч.-технич. конф. студентов, аспирантов и молодых ученых / Рязан. гос. радиотехнич. академия. Рязань, 2007.