Опыт создания нейросетевой системы для диагностики сердечно-сосудистых заболеваний

Размещено на http://www.allbest.ru/

ИНФОРМАТИКА.

ИНФОРМАЦИОННЫЕ СИСТЕМЫ

УДК 616:519.7

Опыт создания нейросетевой системы для диагностики сердечно-сосудистых заболеваний

А.А. Думлер1, А. Н. Полещук2, К. В.Богданов2, Ф. М.Черепанов2, Л. Н.Ясницкий3

1Пермская государственная медицинская академия, Россия, 614000, Пермь, ул. Петропавловская, 26

2Пермский государственный педагогический университет, Россия, 614990, Пермь, ул. Сибирская, 24

3Пермский государственный университет, Россия, 614990, Пермь, ул. Букирева, 15

yasn@psu.ru; (342)271-61-68



Разработана компьютерная диагностическая система для выявления наиболее распространенных заболеваний сердечно-сосудистой системы. В основе диагностической системы лежат нейронные сети, обученные на примерах работы группы врачей-экспертов. Установлены значимости симптомов для каждого из рассмотренных 9 заболеваний, проведены компьютерные эксперименты по "виртуальному излечению больных". Имеется демонстрационный прототип, который по 51 входному параметру, характеризующему пациента и его симптомы, ставит диагноз 9 заболеваний. Диагностическая система может быть использована для консультации врачей, работающих в сельской местности, для скриннинговых профилактических проверок состояния здоровья широких масс населения, а также для самоконтроля пациентами своего состояния здоровья.

Ключевые слова: кардиология; диагноз; математическая модель; нейронная сеть.

компьютерный диагностический сердечный врач



The experience of creating a neural network for diagnostic of cardiovascular diseases

A. A. Dumler1, A. N. Poleshuk2, K. V. Bogdanov2, F. M. Cherepanov2, L. N. Yasnitsky3

1Perm State Medical Academy, Russia, 614000, Perm, Petropavlovskaya st., 26

2Perm State Pedagogical University, Russia, 614990, Perm, Sibirskaya st., 24

3Perm State University, Russia, 614990, Perm, Bukireva st., 15

yasn@psu.ru; (342) 271-61-68

Computer diagnostic system was developed for detection of most widespread cardiological diseases. At the basis of the diagnostic system there are neural networks trained with examples of work by highly skilled medical experts. The article sets the significance of symptoms for each disease, gives the results of computer experiments on `virtual treatment of patients'. It has a demonstration prototype that diagnoses 9 diseases using 51 input units that describe the patient and his symptoms. The diagnostic system can be useful as a decision support system for specialists, for example, working in countryside, as well as for mass screening prechecks of population's state of health.

Key words: cardiology; diagnosis; mathematical model; neural network.



Заболевания сердечно-сосудистой системы являются основной проблемой здравоохранения экономически развитых стран. В структуре общей смертности населения эти заболевания являются причиной более половины всех случаев смерти. Доля смертности населения Пермского края по причине сердечно-сосудистых заболеваний достигает 57% (см. рис. 1).

Среди работников умственного труда, в особенности преподавателей вузов и научных работников, для которых заболевания сердечно-сосудистой системы стали профессиональными, эта доля еще выше.

Одной из причин сложившейся ситуации являются невозможность и нежелание людей проводить раннюю диагностику тратить время и деньги на длительные и весьма дорогостоящие обследования. Дело в том, что диагностические средства, применяемые в современной медицине, часто инвазивны, опасны для пациента, сложны в эксплуатации и, как правило, имеют крайне высокую цену, недоступную для широких масс населения.

Рис. 1. Причины смертности населения Пермского края

С учетом масштабов надвигающейся "неинфекционной пандемии" сердечно-сосудистых заболеваний современная медицина, особенно на уровне его первичного звена терапевтического участка, нуждается в вооружении недорогими, безопасными для пациента, эффективными и надежными инструментальными средствами для своевременного, по возможности максимально раннего выявления наиболее распространенных форм сердечно-сосудистой патологии. Одним из перспективных путей создания такого инструментария является использование нейросетевых технологий.

Первые попытки создания нейросетевых диагностических систем относятся к 40-50-м гг. XX в., т.е. сразу после появления основополагающих работ У.МакКалока, У.Питтса, Ф.Розенблатта [4, 5], заложивших теоретические основы нейросетевых технологий. Однако практическое применение такие системы начали находить только в 1980-90-х гг.

Список областей медицины, в которых начали применяться нейросетевые технологии, чрезвычайно обширен и продолжает расти. Для обучения нейронных сетей привлекаются самые разнообразные результаты [1] данные анамнеза, клинического осмотра, лабораторных тестов. Тем не менее точность компьютерной постановки диагнозов редко превышает 70-75%.

Целью настоящей работы является создание нейросетевой диагностической системы выявления сердечно-сосудистых заболеваний, проведение исследований и оптимизация их для обеспечения высокой точности постановки диагнозов на основании минимального количества входных параметров, для получения которых не требуется применения специальных медицинских приборов и оборудования.

Материалы и методы

Нейронные сети, как известно [3-5], во многом аналогичны по своей структуре и принципам работы коре головного мозга. Так же, как и мозг, они обучаются на примерах, взятых из жизни, извлекают из них знания и кодируют эти знания в виде сил синаптических межнейронных связей. После обучения и тестирования нейросети становятся математическими моделями рассматриваемых предметных областей. Это значит, что над ними можно ставить виртуальные эксперименты и в этих экспериментах нейронные сети будут вести себя подобно моделируемой ими предметной области. Можно таким виртуальным способом исследовать предметную область, выявлять закономерности предметной области, решать практические задачи, такие как прогнозирование поведения предметной области (прогнозирование развития болезни), разработка и оптимизация воздействия на предметную область с целью получения нужного эффекта (излечение больного), диагностика состояния предметной области (диагностика состояния здоровья пациента) и др. [3].

При формировании нейросетевых математических моделей большое значение имеет выбор входных параметров, т.е. тех параметров предметной области, которые оказывают влияние на результат моделирования. Определить, какие именно симптомы болезни пациента оказывают решающее влияние на постановку диагноза заболевания сердечно-сосудистой системы, весьма затруднительно. Поэтому на начальных стадиях формирования математической модели выбиралось максимально возможное количество параметров, характеризующих состояние здоровья пациента и способных оказать влияние на диагноз. С другой стороны, преследуя цель создания дешевой и доступной для массового применения системы кардиоэкспресс-диагностики, пользовались только наиболее доступными данными, для получения которых не требуется применения специальных методов обследования пациента.

Были составлены анкеты, содержащие следующие данные:

x1 - День рождения в году:

число+(месяц-1) 30,5.

x2 - Возраст, лет.

x3 - Пол:

1. Мужской,

2. Женский.

x4 - Цвет волос:

1. Блондин,

2. Шатен,

3. Брюнет.

x5 - Группа риска:

1. Мужской пол старше 55лет,

2. Женский пол старше 65 лет,

3. Другое.

x6 - Одышка:

1. Нет,

2. При физ. напряжении,

3. При физ. напряжении, разговоре или покое.

x7 - Приступы удушья по ночам:

1. Да,

2. Нет.

x8 - Сердцебиения:

1. Да,

2. Нет.

x9 - Ощущение пульсации в других частях тела:

1. Да,

2. Нет.

x10 - Боли или дискомфорт в грудной клетке:

1. Есть,

2. Нет.

x11 - Локализация боли:

1. Область сердца или нижней и средней трети грудины,

2. Другие области грудной клетки,

3. Нет болей.

x12 - Периодичность болей:

1. Приступообразные,

2. Постоянные,

3. Нет болей.

x13 - Характер боли:

1. Давящие, сжимающие, жгучие,

2. Колющие, ноющие, режущие,

3. Нет болей.

x70 - Тонометрия АД. Систолическое давление (мм.рт.ст).

x71 - Тонометрия АД. Диастолическое давление (мм.рт.ст).

В анкете предусматривались девять возможных диагнозов заболеваний сердечно-сосудистой системы:

y1 - Ишемическая болезнь сердца.

у2 - Инфаркт миокарда.

у3 - Стенокардия стабильная.

у4 - Стенокардия нестабильная.

y5 - Аритмии и блокады сердца.

y6 - Хроническая сердечная недостаточность.

y7 - Гипертоническая болезнь

y8 - Экстрасистолия.

y9 - Мерцательная аритмия.

Врач в каждом конкретном случае присваивал вероятности наличия заболевания у пациента по шкале от 0 до 100 баллов. Причем анкетированию подвергались больные, у которых диагноз был подтвержден четырьмя критериями:

- Типичная клиническая картина.

- ЭКГ - диагностика.

- Лабораторные тесты.

- Коронарография.

Таким образом, в первоначальном исполнении нейронная сеть имела 71 входной нейрон для ввода данных о пациенте и его симптомах заболевания и 9 выходных нейронов для вывода диагноза пациента (см. рис. 2).



Рис. 2. Схема нейросетевой диагностической системы

Всего было заполнено и обработано 116 анкет, причем анкетированию подвергались не только кардиологические больные, но и статисты, у которых симптомы заболевания системы кровообращения отсутствовали. Из всего множества анкет были сформированы множества примеров для обучения и тестирования нейронной сети. Множество тестирующих примеров составляло 10% от обучающего. Проектирование, обучение, тестирование нейронной сети и виртуальные эксперименты над нейросетевой математической моделью выполнялись с помощью нейропакета [2].

Приведенная на рис.2 схема является классической и используется во многих нейросетевых диагностических системах [1]. Нами был опробован и успешно применен прием, позволивший увеличить точность постановки диагнозов в среднем на 5 - 10%. Суть приема заключалась в том, что для каждого заболевания подбиралась своя нейронная сеть с одним выходным нейроном. Таким образом, в наших экспериментах участвовало 9 нейронных сетей. Оптимизация нейронных сетей привела к тому, что в окончательном варианте они различались своей архитектурой, т.е. имели разное количество входных нейронов, скрытых слоев и количество нейронов в скрытых слоях, а также типами активационных функций [3]. Кроме того, нейронные сети различались значимостью входных параметров, т.е. для постановки одного диагноза важное значение имел один комплекс симптомов, а для постановки другого диагноза - другой. Это в конечном итоге позволило избавиться от незначимых параметров, оставив для каждой нейронной сети наиболее важные входные параметры, что также привело к повышению точности диагностической системы.

Результаты исследования, обсуждение и выводы

Каждая нейронная сеть после обучения и оптимизации подвергалась тестированию на примерах, которые не были задействованы в обучении. Наименьшую среднеквадратичную погрешность между фактическим диагнозом и прогнозным показала сеть, ставящая диагноз "Ишемическая болезнь сердца", наихудший результат показала сеть, ставящая диагноз "Инфаркт миокарда". Гистограммы, графически показывающие соотношение между фактическими и прогнозными значениями диагнозов для обоих крайних случаев, приведены на рис. 3, а, б.

Данные о погрешности постановки диагнозов всеми нейронными сетями сведены в табл. 1.

После того, как адекватность математической нейросетевой модели установлена, ее можно использовать для выявления закономерностей предметной области. На рис. 4, а, б приведены гистограммы, показывающие значимость, т.е. степень влияния входных параметров на постановку диагнозов. Как видно из гистограмм, на постановку диагноза "Ишемическая болезнь сердца" наибольшее влияние имеют такие симптомы, как x10 - боли или дискомфорт в грудной клетке, x13 - характер болей, x12 - периодичность болей, x11 - локализация боли и т.д. Наименьшее значение при постановке этого диагноза имеют: x34 - ночные смены и командировки, x4 - цвет волос, x61 - наличие шумов в сердце, x62 - патологические 3-членные ритмы и т.д.



аб

Рис. 3. Соотношение фактических и прогнозных диагнозов заболеваний для десяти тестовых примеров (а, б)

Таблица 1 - Среднеквадратичная погрешность постановки нейронными сетями диагнозов сердечно-сосудистых заболеваний

Диагноз	Среднеквадратичная погрешность, %
Ишемическая болезнь сердца	3
Хроническая сердечная недостаточность	8
Стенокардия стабильная	21
Мерцательная аритмия	30
Аритмия и блокады сердца	32
Экстрасистолия	37
Гипертоническая болезнь	39
Стенокардия нестабильная	40
Инфаркт миокарда	45



аб

Рис. 4. Значимости параметров при постановке диагнозов: ишемическая болезнь сердца (а), инфаркт миокарда (б)

Представляет интерес проведение виртуальных экспериментов с математическими моделями исследуемой предметной области.

На рис. 5, а, б приведены примеры "виртуального излечения" больных ишемической болезнью сердца при последовательном исключении симптомов заболевания. Как видно из рисунков, 37-летний больной легче поддается "виртуальному излечению", чем 58-летний.

С целью дальнейшего упрощения разработанной нейросетевой диагностической системы и приведения ее к виду, доступному для широкого использования, из входных были исключены следующие параметры: телосложение; индекс массы тела; наличие ожирения по абдоминальному типу; положение в постели; окраска кожных покровов и видимых слизистых; пульсация сонных артерий; набухание яремных вен; отеки; перкуссия сердца; наличие шумов в сердце; патологические 3- членные ритмы; неритмичные тоны сердца; ослабление первого тона на верхушке; акценты второго тона на основании; расщепление (раздвоение) тонов сердца; нормальная аускультативная картина; аускультация легких; пальпация печени. Тестовые испытания такой системы на примерах, не использовавшихся в обучении, показали погрешности постановки диагнозов, приведенные в табл. 2.

В настоящее время упрощенные нейросети объединены в компьютерную диагностическую систему, снабженную пользовательским интерфейсом, делающую ее пригодной для практического использования: для консультации врачей, работающих, например, в сельской местности, для консультаций семейных врачей, для скрининговых профилактических проверок состояния здоровья широких масс населения, а также для самоконтроля пациентами своего состояния здоровья.

Итак, разработана нейросетевая математическая модель, которая, в пределах указанных в табл. 2 погрешностей, адекватна своей предметной области, а значит, может быть использована для выявления закономерностей этой области медицины, в т.ч. и таких, которые не являются общеизвестными.

а

б

Рис. 5. "Виртуальное излечение" больных ишемической болезнью сердца разного возраста (а - больному 37 лет, б - 58 лет) при последовательном исключении симптомов заболевания

Таблица 2 - Среднеквадратичная погрешность постановки нейронными сетями диагнозов сердечно-сосудистых заболеваний

Диагноз	Среднеквадратичная погрешность, %
Ишемическая болезнь сердца	0,53
Хроническая сердечная недостаточность	24
Стенокардия стабильная	28
Мерцательная аритмия	28
Аритмия и блокады сердца	29
Гипертоническая болезнь	37
Стенокардия нестабильная	40
Инфаркт миокарда	43
Экстрасистолия	56

Такие исследования можно проводить путем выполнения виртуальных экспериментов. Например, поставив с помощью диагностической системы какому-либо пациенту диагноз, можно попробовать поварьировать его входные параметры. Так, увеличив возраст пациента на 10 или 20 лет, можно спрогнозировать, как будут развиваться его заболевания в будущем. Можно попытаться улучшить прогнозные диагнозы пациента путем коррекции некоторых входных параметров, например смоделировать изменение образа жизни пациента: отказаться от злоупотребления кофе, от курения, употребления наркотиков, изменить диету, заняться спортом и т.д.

В результате наблюдения за соответствующими изменениями-откликами выходного вектора диагностической системы можно выполнить прогнозирование состояние здоровья пациента в зависимости от изменяемых входных параметров и разработать на основании таких прогнозов полезные рекомендации: оптимальный образ жизни и курс лечения.

С другой стороны, пациент, увидевший на экране компьютера графическое изображение прогнозов состояния своего здоровья, будет более серьезно относиться к соблюдению врачебных рекомендаций по здоровому образу жизни и медикаментозной терапии. Кроме

того, разработанная диагностическая система позволяет на количественном уровне исследовать некоторые закономерности предметной области. Например, исследование влияния употребления алкоголя на склонность к заболеваниям сердечно-сосудистой системы показало, что этот эффект зависит от таких параметров пациента, как рост, индекс массы, возраст, пол, курение, занятия спортом и др. и в каждом конкретном случае он может проявляться как с отрицательным, так и с положительным результатом.

Авторы выражают благодарность д.м.н. профессору М.А.Зубареву и д.м.н. профессору В.Ю.Мишланову за ценные критические замечания и рекомендации.



Список литературы

1. Россиев Д.А. Медицинская нейроинформатика // Нейроинформатика. Новосибирск: Наука, СО РАН, 1998. 54 с.

2. Черепанов Ф.М., Ясницкий Л.Н. Лабораторный практикум по нейросетевым технологиям. М., 2009. (Свидетельство о государственной регистрации программы для ЭВМ № 2009611544. Заявка №2009610226. Зарегистрировано в Реестре программ для ЭВМ 12 марта 2009 г. Федеральной службой по интеллектуальной собственности, патентам и товарным знакам (РОСПАТЕНТ).)

3. Ясницкий Л.Н., Данилевич Т.В. Современные проблемы науки. М.: БИНОМ. Лаборатория знаний, 2008. 294 c.

4. McCulloch W.S., Pitts W. A Logical Calculus of Ideas Immanent in Nervous Activity // Bull. Mathematical Biophysics. 1943. Vol.5.

5. Rosenblatt F. Principles of Neurodynamics New York: Spartan Books, 1962.

Размещено на Allbest.ru

...