Preview

Креативная хирургия и онкология

Расширенный поиск

Нейронные сети для прогнозирования динамики развития заболеваний

https://doi.org/10.24060/2076-3093-2020-10-3-198-204

Полный текст:

Аннотация

Введение. В настоящее время наблюдается широкое внедрение компьютерных технологий в медицину. Медицинская нейроинформатика позволяет анализировать задачи диагностики и прогнозирования различных заболеваний с помощью нейросетей. Актуальность применения искусственных нейронных сетей объясняется их востребованностью и практичностью в использовании.

Материалы и методы. На наш взгляд, наглядным примером возможности изучения вопросов прогнозирования течения заболевания является рожистое воспаление. В данной работе произведена обработка данных ретроспективного исследования историй болезней пациентов, получавших стационарное лечение на базе ГБУЗ РБ ГКБ № 8 г. Уфы в период 2006–2015 гг. для решения задачи прогнозирования рожистого воспаления с использованием современных статистических пакетов программ и среды моделирования MATLAB.

Результаты и обсуждение. Результаты сравнительного анализа показали, что в качестве архитектуры нейросети наиболее целесообразно выбрать 3-слойную рекуррентную сеть прямого распространения. В рассматриваемом случае оптимальная структура нейросети имеет вид: 27–6–1 (т.е. используется 27 нейронов на входе, 6 — в скрытом слое, 1 нейрон в выходном слое). Наилучшая сходимость процесса обучения сети обеспечивается при использовании квазиньютоновского алгоритма и алгоритма сопряженных градиентов. При оценке эффективности нейросетевого прогнозирования динамики развития рожистого воспаления был осуществлен сравнительный анализ с рядом классических методов: экспоненциального сглаживания, скользящего среднего, метода наименьших квадратов, метода группового учета аргумента.

Заключение.Применение предложенных в работе нейросетевых методов прогнозирования динамики развития рожистой патологии, основанного на аппроксимации и экстраполяции процессов изменения анамнеза пациента на фиксированных отрезках временного окна (в пределах «скользящего временного окна»), позволяет эффективно решать задачи прогнозирования. 

Для цитирования:


Хасанов А.Г., Шайбаков Д.Г., Жернаков С.В., Меньшиков А.М., Бадретдинова Ф.Ф., Суфияров И.Ф., Сагадатова Ю.Р. Нейронные сети для прогнозирования динамики развития заболеваний. Креативная хирургия и онкология. 2020;10(3):198-204. https://doi.org/10.24060/2076-3093-2020-10-3-198-204

For citation:


Hasanov A.G., Shaybakov D.G., Zhernakov S.V., Men’shikov A.M., Badretdinova F.F., Sufiyarov I.F., Sagadatova J.R. Neural Networks in Forecasting Disease Dynamics. Creative surgery and oncology. 2020;10(3):198-204. (In Russ.) https://doi.org/10.24060/2076-3093-2020-10-3-198-204

Введение

Быстрое развитие медицины, огромный поток поступающей информации об этиологии, патогенезе заболеваний диктуют правила для поиска новых методов обработки полученных результатов. В таких условиях важно уметь находить нужную информацию и принимать правильные решения, от которых будут зависеть течение и исход заболевания. Широкое внедрение компьютерных технологий, создание программных обеспечений позволяют анализировать задачи диагностики и прогнозирования различных заболеваний. Одним из перспективных направлений медицинской нейроинформатики являются нейронные сети (НС). Актуальность применения искусственных нейронных сетей объясняется их востребованностью и практичностью в использовании.

Впервые о нейронных сетях заговорили в 1943 году, когда У. Маккалог и У. Питтс создали первую математическую модель нейронной сети. Практическая модель при помощи компьютера была создана в 1957 году Ф. Розенблаттом. С тех пор нейронная сеть стала активно применяться в различных сферах жизни общества и в науке [1][2][3][4].

Принцип работы НС основан на алгоритмах работы биологических нейронных сетей. Поступающие в искусственные нейроны сигналы суммируются, преобразуются и выдают нужный результат. НС можно обучать, указывая обобщающие параметры для выборки, чтобы она показывала корректные результаты. К тому же по быстроте и запоминанию информации НС могут даже превосходить человеческий мозг.

В зависимости от количества нейронов НС подразделяются на однослойные, настроенные на выполнение простейших команд, и многослойные, обладающие большей вычислительной способностью. На их основе создаются различные автоматизированные системы диагностики, системы распознавания текста, системы анализа и прогнозирования, системы автоматической классификации и сверки информации.

Вопросы прогнозирования становятся актуальными, когда имеем дело с хроническими рецидивирующими заболеваниями или наблюдается определенная стадийность течения воспаления. Несмотря на то что в мире существует огромное количество методик прогнозирования, нет единого автоматизированного механизма, который позволил бы осуществить указанную задачу в короткие сроки. Более того, индивидуальные особенности организма больного, возраст, динамика развития заболевания и другие показатели делают невозможным применение данных методик на практике. Необходимо также учитывать объем статистического материала (малая выборка), потерю информации, пропуски данных и т. д. В итоге результат прогноза может быть недостоверен. В качестве примера можно привести острый аппендицит, возникающий как катаральное воспаление и переходящий во флегмонозную, гангренозную формы воспаления. Аналогично в отношении острого холецистита (катаральная форма переходит во флегмонозную, далее в гангренозную форму). В клинической практике очень трудно проследить переход одной формы воспаления в другую.

На наш взгляд, наглядным примером возможности изучения вопросов прогнозирования течения заболевания является рожистое воспаление. Согласно общепринятой классификации рожистого воспаления (Черкасов В.Л., 1986) выделяют эритематозную, эритемо-буллезную, эритемо-геморрагическую и буллезно-геморрагическую формы воспаления [2][5][6][7][8][9]. Ряд авторов выделяют еще флегмонозную и некротическую формы рожистого воспаления. При этом у части больных отмечается четкая стадийность течения процесса т.е. переход поверхностных форм воспаления в более глубокие со значительным повреждением мягких тканей конечностей и увеличением числа летальных исходов. У некоторых больных инфекционный процесс останавливается на уровне эритематозной или эритематозно-буллезной формы воспаления. С указанных позиций вопросы прогнозирования течения рожистого воспаления являются актуальными [9][10]. Многолетние исследования в области нейросетевого прогнозирования привели к созданию большого количества публикаций [8][9][10][11][12][13][14][15][16]. Однако эти исследования не содержат детального описания математических моделей прогнозирования различных заболеваний. Данные работы содержат лишь единые рекомендации использования нейронных сетей, а также алгоритмы их обучения, наглядные примеры.

Постановка задачи

Пусть имеется временной ряд, последние N отсчетов которого принимают вид:

Y (tN+1), Y(t–N+2), ..., Y(t),(1)

где Y — вектор контролируемых параметров двигателя; t — дискретное время.

Задача прогнозирования в нейросетевом базисе сводится к построению нейросетевой модели (предиктора), позволяющей найти значения вектора Y в момент времени t+1 по предшествующим N значениям временного ряда, т.е.

Y(T+1) = [Y(t), Y(t–1), ..., Y(tN+1),(2)

где f(•) — некоторая нелинейная вектор — функция, которую требуется оценить с помощью НС.

Достоверность прогноза можно оценить по следующему выражению:

||εt+1|| = ||Ŷt+1 – Yt+1||,(3)

где Ŷt+1 — прогнозируемое значение, вычисленное НС для момента времени t+1Yt+1 — реальное значение вектора в этот же момент времени; εt+1 — ошибка прогноза.

Достоинствами НС являются:

- способность фильтрации посторонних шумов. После обучения НС способны воспринимать только нужную информацию;

- во время работы НС непрерывно находятся в состоянии самообучения, что лежит в основе их адаптации;

- быстрое выполнение команд за короткое время;

- возможность анализировать несколько параметров одновременно;

- возможность работы с большим объемом данных;

- удобны в использовании.

Материалы и методы

В данной работе произведена обработка данных ретроспективного исследования историй болезней пациентов, получавших стационарное лечение на базе ГБУЗ РБ ГКБ № 8 г. Уфы в период 2006–2015 гг., для решения задачи прогнозирования рожистого воспаления с использованием современных статистических пакетов программ и среды моделирования MATLAB. Использовалась рекуррентная (динамическая) НС, реализующая зависимость вида (2).

На рисунке 1 приведена архитектура рекуррентной НС, где Z–1 — элемент временной задержки на один такт Δt— число элементов задержки (размер «временного окна»); yi(t+1) — прогнозируемое (на один шаг вперед) значение параметра yi(t).


Рисунок 1
Архитектура рекуррентной НС
Figure 1Architecture of a recurrent neural network

Рассмотрим более детально описание способа прогнозирования динамики развития рожистого воспаления, построенной на основе экстраполирующих функций yi(tкак функции времени:

yi(t) = f(t),(4)

где t — текущее время. Реализация данного подхода в нейросетевом базисе осуществляется следующим образом:

- выделяется временной интервал (интервал наблюдения), который является обучающей выборкой для НС (t — вход нейронной сети; параметры y1y2, ..., yn пациента — ее выходы);

- задается шаг прогноза — Тпрогн. с учетом требований к прогнозу (краткосрочный, среднесрочный, долгосрочный прогноз);

- после процесса обучения НС на интервале наблюдения (Тнабл.) вычисляются прогнозируемые значения yi(t+Тпрогн), для этого на вход НС подается значение времени (t+Тпрогн);

- далее процесс прогнозирования повторяется в режиме реального времени.

Исходные данные

Анамнез пациента в обучающей выборке включает в себя (табл. 1): Y1 — пол пациента; Y2 — место проживания; Y3 — возраст; Y4 — время от начала з/б (ч); Y5 — тяжесть состояния; Y6 — форма выявления; Y7 — cезон; Y8 — локализация; Y9 — D-димер, мкг/мл; Y10 — лейкоциты крови; Y11 — местная температура (холодная зона); Y12 — лихорадочный период (сутки); Y13 — сопут. ССЗ; Y14 — органы дыхания и др.

Таблица 1Фрагмент обучающей выборки по результатам анамнеза пациента
Table 1Fragment of the training sample based on a patient’s medical history

T

Y1

Y2

Y3

Y4

Y5

Y6

Y7

Y8

Y9

Y10

Y11

Y12

Y13

Y14

Y15

2006

1

1

50

744

4

4

1

2

3

3

3

3

5

1

1

2006

2

1

68

720

3

4

1

1

3

3

2

3

4

1

1

2006

1

1

49

48

2

2

1

4

2

1

2

3

2

0

0

2006

2

1

74

192

2

3

3

1

3

1

1

2

3

1

0

2006

1

1

28

120

2

3

1

1

3

1

1

1

2

0

1

2006

1

1

54

168

3

4

1

3

3

2

1

3

5

0

0

2006

2

1

83

144

2

3

1

2

2

2

2

2

3

1

0

2006

1

1

57

288

3

5

1

3

2

2

2

3

4

1

0

2006

2

1

78

96

3

4

1

1

3

1

1

1

3

1

0

2006

2

1

19

24

1

1

1

4

2

2

1

1

1

0

0

2006

2

1

52

38

2

4

3

1

3

1

2

1

3

1

0

2006

1

2

49

96

1

1

1

2

3

2

1

1

2

0

0

2006

2

1

39

288

2

5

1

1

3

2

2

1

2

0

0

2006

1

1

54

72

2

4

1

3

3

2

1

1

3

0

0

2006

1

1

51

168

2

1

2

3

3

2

1

1

2

0

0

2006

1

1

79

8

2

1

2

4

3

2

1

1

2

1

0

2006

1

1

27

28

2

1

3

2

3

1

1

1

1

1

1

2006

2

2

83

48

2

1

1

3

3

2

1

1

3

1

0

2006

1

1

58

48

2

1

1

2

3

1

1

1

2

1

0

2006

1

1

35

24

1

1

1

2

3

1

1

1

1

0

1

2006

2

1

66

24

2

1

1

1

3

1

1

1

1

0

0

2006

2

2

63

96

2

3

1

1

3

2

2

1

2

1

0

Результаты и обсуждение

Выбор архитектуры НС

Как видно из результатов сравнительного анализа, в качестве архитектуры НС наиболее целесообразно выбрать 3-слойную рекуррентную сеть прямого распространения.

Выбор структуры НС

Результаты экспериментальных исследований НС приведены на рисунке 2, откуда следует, что минимальная ошибка обучения НС на интервале наблюдения, содержащем 12 отсчетов, обеспечивается при числе нейронов скрытого слоя равном шести.


Рисунок 2
Зависимость ошибки обучения НС от числа нейронов скрытого слоя
Figure 2Dependence of the learning error of the neural network on the number of neurons in the hidden layer

Итак, в рассматриваемом случае оптимальная структура НС имеет вид: 27–6–1 (т.е. используется 27 нейронов на входе, 6 — в скрытом слое, 1 нейрон в выходном слое). Как видно из рисунка 2, при дальнейшем увеличении количества нейронов в скрытом слое сверх шести качество ее работы ухудшается, что объясняется эффектом «переобучения». В качестве «временного окна», формирующего прогнозируемый ряд, целесообразно задать 17 элементов.

Выбор алгоритма обучения

Лучше всего сходимость процесса обучения сети обеспечивается при использовании квазиньютоновского алгоритма и алгоритма сопряженных градиентов.

Оценка эффективности решения задачи прогнозирования с помощью НС

При оценке эффективности нейросетевого прогнозирования динамики развития рожистого воспаления был осуществлен сравнительный анализ с рядами классических методик: экспоненциального сглаживания, скользящего среднего, метода наименьших квадратов, метода группового учета аргумента.

При этом прогноз по методу скользящего среднего осуществлялся по формуле:

,(5)

где N — число предшествующих периодов, входящих в скользящее среднее; yt — фактическое значение в момент времени tyt+1 — прогнозируемое значение в момент времени (t+1).

Для прогноза по методу экспоненциального сглаживания применялось выражение:

yt+1 = yt+ α(Ayt) = α • At + (1–α) • yt ,(6)

где yt+1 — предсказанное значение параметра на основе предыдущего значения yt , скорректированного с учетом погрешности прогноза At – yt и весового коэффициента α (0<α<1). Экспериментальные исследования решения задачи прогноза с помощью метода наименьших квадратов показали, что экстраполирующая функция f(t) может быть выбрана в виде полинома девятого порядка. На рисунке 3 показана поверхность Y = f(t), построенная с помощью среды моделирования MATLAB, где Y = (Y10, Y11)Tа время  [2008; 2011] соответствует годам исследования.


Рисунок 3
Графическое представление функции Y = f(t)
Figure 3Graphical representation of the function

Последующий рост степени полинома практически не гарантирует уменьшения погрешности аппроксимации функции Y = f(t).

На рисунке 4 приведены результаты сравнительного анализа нейросетевого и классических методов прогнозирования динамики развития рожистого воспаления для наиболее значимого параметра: местного осложнения. Здесь: CC_ER — прогнозное значение, вычисленное на основе метода скользящего среднего; ЭC_ER — прогнозное значение, вычисленное с использованием метода экспоненциального сглаживания; MNC_ER — прогнозное значение, вычисленное с использованием метода наименьших квадратов; MGUA_ER — прогнозное значение, вычисленное с использованием метода группового учета аргумента; NS_WORDA_ER — прогнозное значение, вычисленное с использованием нейронной сети Ворда; NS_VER_ER — прогнозное значение, вычисленное с использованием вероятностной нейронной сети; PTR_ER — прогнозное значение, вычисленное с использованием рекуррентной нейронной сети.

Результаты сравнительного анализа работы классических и нейросетевых методов прогнозирования динамики развития рожистого воспаления приведены в таблице 2 и на рисунке 4.


Рисунок 4
Результаты прогноза динамики развития рожистого воспаления
Figure 4Prediction results of the development of erysipelas

Посмотрев на результаты таблицы 2 и рисунка 4, мы можем убедиться, что НС и метод группового учета дают точные результаты в прогнозировании рожистой патологии.

Таблица 2Сравнительный анализ методов прогноза
Table 2Comparative analysis of forecasting methods

Сравнительный анализ методов прогноза

N

CC_ER

ЭС_ER

MNC_ER

MGUA_ER

NS_WORDA_ER

NS_VER_ER

PTR_ER

Ошибка прогноза (%)

13,33

8,81

1,95

0,59

0,75

1,00

0,21

Если сравнивать такие методы прогнозирования, как нейросетевой и метод наименьших квадратов, то мы можем заметить, что достоверность первого будет выше соответственно в 2,60, 1,95 и 9,81 раза. Такого рода погрешность прогнозирования, основанная на методе скользящего среднего, выше по сравнению с нейросетевыми методами в 17,73, 13,00 и 66,98 раза соответственно; а для метода экспоненциального сглаживания погрешность прогнозирования снова выше по сравнению с нейросетевыми методами в 11,75, 8,81 и 41,95 раза соответственно. Погрешность метода группового учета аргумента оказалась приемлемой и не уступала нейросетевым методам. Это означает, что данный метод может быть использован в качестве альтернативы наряду с нейросетевыми методами.

Заключение

С учетом вышесказанного можно сделать заключение, что применение представленного в работе нейросетевого метода прогнозирования динамики развития рожистой патологии, основанного на аппроксимации и экстраполяции процессов изменения анамнеза пациента на фиксированных отрезках временного окна (в пределах «скользящего временного окна»), дает возможность эффективно решать задачи прогнозирования.

Информация о конфликте интересов. Конфликт интересов отсутствует.

Информация о спонсорстве. Данная работа не финансировалась.

Список литературы

1. Кравченко В.О. Методы использования искусственных нейронных сетей в медицине. Устойчивое развитие науки и образования. 2018;6:266–70.

2. Глухов А.А., Бражник Е.А. Современный подход к комплексному лечению рожистого воспаления. Фундаментальные исследования. 2014;10:411–5.

3. Яхъяева Г.Э. Нечеткие множества и нейронные сети. М.: БИНОМ; 2012.

4. Aggarwal C.C. Neural networks and deep learning: a textbook. Springer; 2018. DOI 10.1007/978-3-319-94463-0 ISBN 978-3-319-94462-3

5. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика; 1989. 6 Черкасов В.Л. Рожа. Л.: Медицина; 1986.

6. Цвиль М.М. Анализ временных рядов и прогнозирование. Ростов-на-Дону; 2016.

7. Seybold U., Stubbe H., Draenert R., Bogner J.R. Erysipelas. MMW Fortschr Med. 2018;160(10):37–40. DOI: 10.1007/s15006-018-0580-3

8. Karakonstantis S. Is coverage of S. aureus necessary in cellulitis/erysipelas? A literature review. Infection. 2020;48(2):183–91. DOI: 10.1007/s15010-019-01382-7

9. Жернаков С.В., Шайбаков Д.Г. Прогнозирование развития рожистой патологии на основе нейронных сетей. В кн: Нейрокомпьютеры и их применение: тезисы докладов XVII Всероссийской научной конференции. М.; 2019. С. 297–9.

10. Kriegeskorte N., Golan T. Neural network models and deep learning. Curr Biol. 2019;29(7):R231–6. DOI: 10.1016/j.cub.2019.02.034

11. Фаустова К.И. Нейронные сети: применение сегодня и перспективы развития. Территория науки. 2017;4:83–7.

12. Мустафаев А.Г. Использование нейросетевых технологий в задачах медицинской диагностики. Вестник компьютерных и информационных технологий. 2019;6:32–8. DOI: 10.14489/vkit.2019.06.pp.032-038

13. Волчек Ю.А., Шишко О.Н., Спиридонова О.С., Мохорт Т.В. Положение модели искусственной нейронной сети в медицинских экспертных системах. Juvenis Scientia. 2017;9:4–9. DOI: 10.15643/jscientia.2017.9.001

14. Pérez J., Cabrera J.A., Castillo J.J., Velasco J.M. Bio-inspired spiking neural network for nonlinear systems control. Neural Netw. 2018;104:15–25. DOI: 10.1016/j.neunet.2018.04.002

15. Хайкин С. Нейронные сети: полный курс. М.: Вильямс; 2016.


Об авторах

А. Г. Хасанов
Городская клиническая больница № 8; Башкирский государственный медицинский университет
Россия
д.м.н., профессор, кафедра хирургических болезней, orcid.org/0000- 0001-5870-8894


Д. Г. Шайбаков
Башкирский государственный медицинский университет
Россия

к.м.н., кафедра хирургических болезней,

 



С. В. Жернаков
Уфимский государственный авиационный технический университет
Россия

д.т.н., профессор, кафедра электроники и биомедицинских технологий,

 



А. М. Меньшиков
Городская клиническая больница № 8
Россия

к.м.н., главный врач,

Республика Башкортостан, Уфа



Ф. Ф. Бадретдинова
Городская клиническая больница № 8; Башкирский государственный медицинский университет
Россия

к.м.н., кафедра акушерства и гинекологии ИДПО,

Республика Башкортостан, Уфа



И. Ф. Суфияров
Башкирский государственный медицинский университет
Россия

д.м.н., профессор, кафедра хирургических болезней, 

Республика Башкортостан, Уфа



Ю. Р. Сагадатова
Башкирский государственный медицинский университет
Россия

кафедра хирургических болезней,

Республика Башкортостан, Уфа



Для цитирования:


Хасанов А.Г., Шайбаков Д.Г., Жернаков С.В., Меньшиков А.М., Бадретдинова Ф.Ф., Суфияров И.Ф., Сагадатова Ю.Р. Нейронные сети для прогнозирования динамики развития заболеваний. Креативная хирургия и онкология. 2020;10(3):198-204. https://doi.org/10.24060/2076-3093-2020-10-3-198-204

For citation:


Hasanov A.G., Shaybakov D.G., Zhernakov S.V., Men’shikov A.M., Badretdinova F.F., Sufiyarov I.F., Sagadatova J.R. Neural Networks in Forecasting Disease Dynamics. Creative surgery and oncology. 2020;10(3):198-204. (In Russ.) https://doi.org/10.24060/2076-3093-2020-10-3-198-204

Просмотров: 153


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2307-0501 (Print)
ISSN 2076-3093 (Online)