Экспертные системы в оценке данных урофлоуграмм

Введение

В настоящее время всё больше проявляется стремление медицины к объективизации путём количественного выражения клини­ческих показателей. В первую очередь это связано с появлением новых технических возможностей. При­чём это касается не только лабораторных данных, но и сведений, имеющих весьма субъективный характер оценки [1].

Основной технологией, используемой для реше­ния задач обработки и анализа данных, а также их классификации и прогнозирования, являются искус­ственные нейронные сети.

Основное преимущество нейронных сетей в меди­цине - обработка и учёт большого количества параме­тров, которые зачастую выявить врачу невозможно. В этом и заключается основная сложность прогнозиро­вания, значительная часть информации представляет собой субъективные оценки врача, основанные на его знаниях и опыте [2][3]. Тем не менее, влияние этих данных на постановку диагноза или выбор тактики лечения довольно высоко. Нейросети способны при­нимать решения, основываясь на скрытых закономер­ностях, фильтруя многочисленные данные [4].

В свете изложенного, не лишена интереса работа С. Van de Beek et al. [5], в которой представлены ре­зультаты интерпретации 25 урофлоуграмм здоровых пациентов и больных с нарушениями мочеиспуска­ния группой урологов из 58 человек; определялись нормальные урофлоуграммы и формулировались ве­роятные диагнозы. Оказалось, что в 43% случаев нор­мальные урофлоуграммы были отнесены к патологи­ческим, а в 6% - наоборот [2].

Целью нашей работы являлась разработка экс­пертной системы распознавания данных урофлометрии на основе нейросетевого классификатора. Суть метода заключается в распознавании входных пара­метров и соотношении их к тому или иному классу за­болеваний.

Материалы и методы

Обучающую выборку составили данные 210 уроф­лоуграмм (на базе урологического отделения «До­рожной клинической больницы на ст. Красноярск ОАО

«РЖД») и многомерного вектора, характеризующего­ся 9 входными параметрами, численных показателей обследования (табл. 1).

Все пациенты обследованы по стандартному диагностическому алгоритму, включающему лабо­раторные, инструментальные, рентгенологические и ультразвуковые методы, которые позволяли выбрать оптимальный метод лечения в зависимости от анатомо-функционального состояния нижних мочевых путей, выявленной патологии, а также фазы течения воспалительного процесса.

Каждый пример имеет выходной параметр «класс», представляющий заранее известный диа­гноз (нормальное мочеиспускание кодируется циф­рой 0, аденома простаты -1, стриктура уретры - 2, а сфинктерно-детрузорная диссинергия (СДД) -3) (рис. 1). Количество примеров каждого класса составили: 58 - число пациентов с нормальным мочеиспускани­ем, 107 -с аденомой простаты, 25 - со стриктурой уре­тры и 20 - с СДД.

Все пациенты обследованы по стандартному диагностическому алгоритму, включающему лабо­раторные, инструментальные, рентгенологические и ультразвуковые методы, которые позволяли выбрать оптимальный метод лечения в зависимости от анатомо-функционального состояния нижних мочевых путей, выявленной патологии, а также фазы течения воспалительного процесса.

Каждый пример имеет выходной параметр «класс», представляющий заранее известный диа­гноз (нормальное мочеиспускание кодируется циф­рой 0, аденома простаты -1, стриктура уретры - 2, а сфинктерно-детрузорная диссинергия (СДД) - 3) (рис. 1). Количество примеров каждого класса соста­вили: 58 - число пациентов с нормальным мочеиспу­сканием, 107 - с аденомой прстаты, 25 - со стрикту­рой уретры и 20 - с СДД.

Результаты и обсуждение

В практике врача-уролога принято судить о типе мочеиспускания по двум параметрам: чаще всего это эффективный объём мочевого пузыря (V) и макси­мальная объёмная скорость мочеиспускания (Q_max). Поскольку экспертная оценка цифровых характери­стик потока мочи часто неоднозначна, они скептиче­ски воспринимаются частью врачей и нередко оста­ются без должного внимания [2]. Мы же считаем, что вывод можно сделать только при одновременной оценке множества параметров, и этот вывод делается на основании опыта .

Цель обучения нейросети - приобрести этот опыт, поработав с данной обучающей выборкой. В работе использовалась стандартная трехслойная нейронная сеть. Процесс обучения представляет собой поиск за­кономерности между совокупностью обучающих дан­ных и заранее известным результатом. Обучение сети для 9 входных векторов и 210 записей заняло около 14 минут.

Следующей важной задачей явилось изучение значимости входных параметров нейросети, для по­становки диагноза (рис. 2).

Наиболее значимыми показателями (р<0,05) яви­лись: полное время мочеиспускания (0,677), эффек­тивный объём мочевого пузыря (0,547), коэффициент адекватности (0,427), а также отношение периода максимального мочеиспускания к полному периоду (0,305). Следует отметить, что максимальную объём­ную скорость мочеиспускания экспертная система не отнесла к наиболее значимым показателям при уста­новке диагноза.

Далее нами разработана нейросетевая эксперт­ная система, позволяющая тестировать данные. Те­стирование системы проводилось на 40 примерах заболеваний нижних мочевых путей (НМП). При этом нейронная сеть определила все предложенные при­меры правильно. Более того, экспертная система «отбраковала» два примера, которые были внесены в тестовую выборку по ошибке. Урофлоуметрия двух пациентов была произведена на 10 сутки после ТУР аденомы простаты (эксперт определил показатели мочеиспускания как нормальные).

Выводы

Таким образом, в данном исследовании нами ре­шены следующие задачи:

• предложен нейросетевой метод распознавания данных урофлометрии различных заболеваний ниж­них мочевых путей.
• сформировано пространство информативных признаков, влияющих на оценку данных урофлоуметрии.
• разработан нейросетевой классификатор в сре­де Panalyzer0. Рассчитаны показатели значимости параметров, которые имели наибольшее влияние на выбор метода лечения.
• выполнено тестовое прогнозирование раз­работанной экспертной системы с использованием контрольной выборки пациентов урологического от­деления «Дорожной клинической больницы на ст. Красноярск ОАО «РЖД». Тестирование проводилось на 40 примерах, при этом степень диагностической уверенности системы составила 95%.