НЕЙРОСЕТЕВАЯ СИСТЕМА ДИАГНОСТИКИ АЛЛЕРГИЧЕСКОГО И ИНФЕКЦИОННОГО РИНИТА У ДЕТЕЙ
- Авторы: Минаева Н.В.1, Кумпан Н.А.2, Ясницкий Л.Н.2, Ширяева Д.М.1
-
Учреждения:
- Пермский государственный медицинский университет им. академика Е. А. Вагнера
- Пермский государственный национальный исследовательский университет
- Выпуск: Том 32, № 4 (2015)
- Страницы: 63-67
- Раздел: Статьи
- Статья получена: 12.07.2016
- Статья опубликована: 15.08.2015
- URL: https://permmedjournal.ru/PMJ/article/view/3371
- DOI: https://doi.org/10.17816/pmj32463-67
- ID: 3371
Цитировать
Полный текст
Аннотация
Ключевые слова
Полный текст
Введение В последнее время наблюдается процесс интенсивного внедрения компьютерных методов диагностики практически во все области медицинской практики. Наряду с регрессионным анализом получает развитие применение технологии нейросетей для постановки диагнозов, определения прогноза заболеваний, для разработки индивидуальных рекомендаций с учетом специфических особенностей пациентов [5, 7]. Классическая схема построения сети предполагает наличие группы входных параметров (нейронов), являющихся информацией об объекте исследования, и нескольких выходных нейронов, представляющих собой результат анализа, например, диагноз (рис. 1). Эта схема используется во многих нейросетевых диагностических системах [4, 5, 6]. В ходе экспериментов выяснилось, что замена одной сети с двумя выходами на две сети, имеющие по одному выходу, позволяет снизить погрешность постановки диагнозов на 5-10 %, поэтому возможно исследование каждого выходного параметра отдельно [2, 7]. При формировании нейросетевых математических моделей большое значение имеет выбор адекватного количества входных информационных параметров, способных оказывать влияние на результат моделирования. Применительно к медицине вопрос о том, какие именно симптомы и характеристики пациента наиболее значимы для решения поставленных задач, представляет определенные трудности. 2.tif Рис. 1. Схема работы нейросетевой диагностической системы Готовые модели позволяют проводить виртуальные исследования для выявления неизвестных ранее закономерностей и новых медицинских знаний [2, 3]. Цель исследования - разработать систему дифференциальной диагностики ринитов инфекционной и аллергической этиологии на основе технологии нейросетевого моделирования. Материалы и методы исследования Под наблюдением находилось 217 детей в возрасте от 2,5 до 17 лет, в том числе 109 - с установленным диагнозом аллергического ринита и 108 с ринитом инфекционной этиологии. Было собрано максимально возможное количество характеризующих пациентов параметров: демографические данные, сведения об анамнезе заболеваний, наследственности по аллергии, клинические и лабораторные характеристики. Множество примеров (сводных данных о каждом пациенте), сформированных на основе полученной информации, было разделено на 3 группы: основную - для «обучения» нейронной сети, тестирующую (20 % от обучающей) и подтверждающую (7 % от обучающей, для проверки адекватности работы системы). Проектирование, обучение, тестирование нейронной сети и виртуальные эксперименты над нейросетевой математической моделью выполнялись с помощью программы «Нейросимулятор 5.0» [1]. Результаты и их обсуждение В первом варианте нейросети было использовано 113 входных нейронов (параметров, обозначенных x1, x2 и т.д.) для ввода данных о пациенте и его симптомов заболевания и 2 выходных нейрона для вывода диагноза пациента: y1 - аллергический ринит; у2 - инфекционный ринит. Для оптимизации сети (сокращения числа входных параметров) использовались три разных способа. Первый и второй из них были основаны на математическом подходе к отбору данных по анализу коэффициентов корреляции Пирсона и оценке значимости параметров самой нейросетью. Это позволило сократить количество входных параметров до 35 и 14, при этом погрешность постановки диагноза для аллергического ринита составила 2 %, но для инфекционного достигала 40 %. Третий способ заключался в эмпирическом анализе медицинских данных врачами нашей группы, позволившем выбрать 23, 19 или 13 параметров. Для каждого из двух диагнозов были построены по три нейронные сети с наборами отобранных врачами признаков, давшие погрешность при постановке диагнозов аллергического или инфекционного ринитов от 2 до 10 %. Таким образом, рекомендации врача по исключению малозначимых параметров были более эффективными - дали меньшую погрешность при сопоставимом числе входных параметров. Каждая из нейронных сетей, после обучения и оптимизации, подвергалась тестированию на примерах, которые не были задействованы в обучении. После того как адекватность математической нейросетевой модели была установлена, модель с минимальным числом параметров применили для исследования ряда закономерностей предметной области. Оценка значимости входных параметров показала, что для постановки диагноза «аллергический ринит» важнее всего были данные о том, что предшествовало заболеванию (в вариантах ответов - контакт с пыльцой), а также наличие таких симптомов, как чихание или зуд в области носа. Наименьшее значение было установлено для сведений о пыльцевой аллергии и наследственном анамнезе по поллинозу у отца ребенка, о пищевой аллергии в анамнезе у матери (рис. 2). При инфекционном рините заболеванию предшествовало охлаждение или контакт с инфекционными больными, из симптомов у пациентов часто отмечались заложенность и ринорея. Проведено исследование влияния фактора «курение ребенка» на развитие ринитов аллергической или инфекционной этиологии. Рассматривались следующие значения параметра «курение ребенка»: «ребенок не курит» и «ребенок курит пассивно». Выходные параметры сети: 1 - здоров (0 %), 2 - болен (100 %). На вход нейронной сети подали данные о 212 детях и поставили им диагнозы при значении параметра «ребенок не курит». Затем изменили значение данного параметра на «ребенок курит пассивно» и также поставили диагноз. Зависимость результата в данной модели от параметра «курение ребенка» представлена на рис. 3, а, б. На гистограммах приведены только те примеры, где изменение входного параметра «курение ребенка» изменило диагноз. Так, изменение параметра с «ребенок не курит» на «ребенок курит пассивно» в 18 случаях из 212 (8,5 %) привело к изменению вероятности наличия заболевания «аллергический ринит» (фактически с «болен» на «здоров») (рис. 3, а). 3.tif Рис. 2. Значимость параметров при постановке диагнозов: а - «аллергический ринит»; б - «инфекционный ринит» 4.tif Рис. 3. Влияние параметра «курение ребенка» на постановку диагноза: а - «аллергический ринит»; б - «инфекционный ринит» Изменение параметра «ребенок не курит» на «курит пассивно» в 10 случаях из 212 (4,7 %) привело к изменению диагноза «инфекционный ринит» (с «болен» на «здоров»), а в 15 случаях из 212 (7,1 %) - привело к изменению диагноза «инфекционный ринит» (со «здоров» на «болен») (рис. 3, б). Анализируя полученные методом неройросетевого моделирования результаты, обратим внимание, что в целом они согласуются с общепринятым мнением о вредном влиянии курения на здоровье человека. Однако в некоторых редких случаях (по нашим данным 4,7 %) введение сведений о наличии пассивного курения ребенка, наоборот, привело к снижению вероятности заболевания инфекционным ринитом и в 8,5 % случаев - к уменьшению заболевания аллергическим ринитом. Этот феномен требует дальнейшего изучения. Из двух разработанных нейронных сетей была сформирована единая компьютерная диагностическая система, снабженная пригодным для практического применения пользовательским интерфейсом. По-нашему мнению, она может быть использована по принципу «предварительная диагностика аллергического ринита без аллерголога», например, в работе педиатров, терапевтов, врачей общей практики, а также для скрининговой диагностики в условиях центров здоровья. Выводы 1. Разработана нейросетевая диагностическая система, позволяющая с помощью минимального числа входных параметров с высокой точностью ставить диагнозы «инфекционный ринит» и «аллергический ринит». 2. Данные о влиянии пассивного курения на развитие ринитов разной этиологии противоречивы и требуют дальнейшего изучения. 3. Диагностическая система может быть использована по принципу «предварительная диагностика аллергического ринита без аллерголога» в работе педиатров, терапевтов, врачей общей практики, а также для скрининговой диагностики в условиях центров здоровья.Об авторах
Наталия Витальевна Минаева
Пермский государственный медицинский университет им. академика Е. А. Вагнера
Email: docnvm@mail.ru
доктор медицинских наук, профессор кафедры педиатрии ФДПО
Наталья Алексеевна Кумпан
Пермский государственный национальный исследовательский университетбакалавр кафедры прикладной математики и информатики
Леонид Нахимович Ясницкий
Пермский государственный национальный исследовательский университетдоктор технических наук, профессор кафедры прикладной математики и информатики
Дарья Михайловна Ширяева
Пермский государственный медицинский университет им. академика Е. А. Вагнерааспирант кафедры педиатрии ФДПО
Список литературы
- Черепанов Ф. М., Ясницкий Л. Н. Нейросимулятор 5.0. Свидетельство о государственной регистрации программы для ЭВМ № 2014618208. Заявка Роспатент № 2014614649. Зарегистрировано в Реестре программ для ЭВМ 12.08.2014.
- Ясницкий Л. Н., Думлер А. А., Богданов К. В., Полещук А. Н., Черепанов Ф. М., Макурина Т. В., Чугайнов С. В. Диагностика и прогнозирование течения заболеваний сердечно-сосудистой системы на основе нейронных сетей. Медицинская техника 2013; 3: 42-44.
- Ясницкий Л. Н. Нейронные сети - инструмент для получения новых знаний: успехи, проблемы, перспективы. Нейрокомпьютеры: разработка, применение 2015; 5: 48-56.
- Das R., Turkoglu I., Sengur A. Effective diagnosis of heart disease through neural networks ensembles. Expert Systems with Applications 2009; 36(4): 7675-7680.
- Johnsson D., Gil M., Garicia Chemizo J. M., Paya A. S., Fernandez D. R. Application of artificial neural networks in the diagnosis of urological dysfunctions. Expert Systems with Applications 2009; 36 (3): 5754-5760.
- Yumusak O. E. N., Temurtas F. Chest diseases diagnosis using artificial neural networks. Expert Systems with Applications 2010; 37 (12): 7648-7655.
- Yasnitsky L. N., Dumler A. A., Poleshchuk A. N., Bogdanov C. V., Cherepanov F. M. Artificial neural networks for obtaining new medical knowledge: diagnostics and prediction of cardiovascular disease progression. Biol. Med. (Aligarh) 2015; 7(2): BM-095-15,8.
Дополнительные файлы
![](/img/style/loading.gif)