А.В. Ершов, Ф.П. Капсаргин, А.Г. Бережной, М.П. Мылтыгашев
ФГБОУ ВО «Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого» МЗ РФ; Красноярск, Россия

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).

Таблица 1. Показатели при урофлоуметрии

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 простаты, 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 (Qmax). 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).

Рисунок 1. Классы заболеваний нижних мочевых путей.

Рисунок 2. Средняя значимость входных параметров.

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 Panalyzer 5.0. 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%.

Литература

1. Каллан Р. Основные концепции нейронных сетей. Пер. с англ. М.: Издательский дом «Вильямc”; 2001:128-140. (In Russ.). ISBN: 5-8459-0210-Х
2. Вишневский Е.Л., Пушкарь Д.Ю., Лоран О.Б., Данилов В.В., Вишневский А.Е. Урофлоуметрия. М.: Печатный город; 2004. ISBN: 5-98467-001-1
3. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком; 2002. ISBN 5-93517-031-0
4. Россиев Д.А. Самообучающиеся нейросетевые экспертные системы в медицине: теория, методология, инструментарий, внедрение: Дис. … док. мед. наук. Красноярск; 1997. Доступно по: http://earthpapers. net/samoobuchayuschiesya-neyrosetevye-ekspertnyesistemy-v-meditsine-teoriya-metodologiya-instrumentariyvnedrenie Ссылка активна на 28.09.2018.
5. Van de Beek C, Stoevelaar HJ, McDonnell J, Nijs HG, Casparie AF, Janknegt RA. InterpretaƟ on of urofl owmetry curves by urologists. J Urol. 1997;157(1):164-8. PMID: 8976242

Статья опубликована в журнале "Вестник урологии" №3 2018, стр. 12-16