Neural Network System for Diagnosing Liver Failure in Surgery

Full Text

В настоящее время интенсивно развиваются направления систем поддержки решений врача и цифровые технологии в области информатизации здравоохранения [1 – 5]. Разработка моделей и алгоритмов для медицинских информационных систем диагностики и прогнозирования всё чаще проектируется на нейросетевых аппроксиматорах [2, 6, 7]. Актуальность проектирования, клинической апробации и применения данных систем в хирургии объясняется значительным увеличением численности людей пожилого и старческого возраста, обращающихся за медицинской помощью, которым необходима ранняя диагностика и прогнозирование риска развития осложнений [8, 9, 10]. Развитие систем поддержки принятия врачебных решений целесообразно сочетать с сетью Интернет с помощью ВЭБ-ресурсов [11]. Современные информационные системы уже включают оценку тяжести состояния больных врачом. Известно, что наибольшее число врачебных ошибок связано с неправильной оценкой тяжести состояния больных [12]. Стремление врача накопить репрезентативный статистический материал, который может быть оформлен в виде баз данных, характеризует исследовательскую культуру врача и его научную квалификацию [13]. Эти принципы развиваются направлением доказательной медицины. Однако разработка и выполнение новых технологий, методов, способов оперативных вмешательств, которые имеют прогрессивные результаты, могут не иметь большого статистического материала и быть вполне доказательными [14]. Создание систем поддержки решений в практике хирурга сочетает доказательность с врачебным искусством. Наиболее близкой к теме, рассматриваемой нами, является следующая публикация [3]. Однако авторы рассматривают исключительно позитивные примеры и тенденции применения нейросетей в хирургии. Особенность применения нейросетевых технологий в хирургии характеризуется длительными, многочисленными экспериментами, последующей неоднократной корректировкой весов нейронов, клинической апробацией программы для ЭВМ, её дальнейшей регистрацией, получением хирургических отзывов. По мере накопления клинических примеров появляется потребность в модернизации нейросетевой информационной системы. Важное преимущество нейросетей осуществлять вычислительные действия на малых выборках, «компенсируется» проблемой длительной отладки системы и её реконструированием. В связи с этими особенностями применения нейросетей, имеющийся опыт вполне согласуется с требованиями, изданными в [15]. Системы поддержки принятия врачебных решений сегодня признаны медицинскими изделиями. Поэтому возрастает ответственность к их производству и клиническому применению. Клиническая оценка степени тяжести состояния больных начинается с применения прогностических балльных шкал. Несмотря на их эффективность в диагностике и прогнозировании осложнений или неблагоприятных исходов, многие из них способны прогнозировать риск летальных исходов, за исключением шкалы Апгар [16]. Это относится и к балльным шкалам оценки полиорганной недостаточности. Полученные результаты трудно использовать для прогнозирования состояния этих тяжёлых больных из-за сбора всех параметров и данных ближе к выписке больного из стационара в благоприятном случае. Наиболее перспективным, имея собственный двадцатилетний опыт, являются нейросетевые методы, успешно аппроксимирующие медицинские данные на малых выборках [17]. Впервые балльные шкалы SOFA и SIRS применялись у 906 реанимационных больных в 25 реанимациях из 11 российских городов для оценки их степени тяжести. Однако несмотря на большой статистический материал, авторы сомневаются в объективности полученных ими данных. Основной вопрос любого исследователя, о том, каких больных отбирали для оценки степени тяжести [18, 19]. Таким образом, понимая преимущества и недостатки балльных систем оценки, утверждаем, что цифровые технологии стали активнее применяться в хирургии и нейросетевые методы не являются исключением.
Цель
Информировать о возможностях нейросетевых систем диагностики и прогнозирования, которые может применить хирург для улучшения результатов своей деятельности.
Материалы и методы
Нами разработаны несколько нейросетевых систем диагностики и прогнозирования осложнений в хирургии. Кроме программ для ЭВМ, имеется, объединяющий все программы ЭВМ, логотип (рис. 1) и торговый знак [17].
О прогнозировании печёночной недостаточности в раннем послеоперационном периоде с разработкой балльной шкалы оценки состояния больных опубликована следующая работа [20]. Авторы разработали шкалу оценки тяжести печёночной недостаточности у 247 хирургических больных после резекции печени. Однако указывают, что прогностическая система позволила бы ещё до операции определить риск осложнений [20]. Нами разработана нейросетевая система диагностики печёночной недостаточности. В качестве примера рассмотрим её.
Нами были созданы две группы наблюдений для проектирования нейросетевой системы диагностики печёночной недостаточности. Одну группу составили здоровые люди, а именно доноры компонентов крови, которые обследовались амбулаторно и состояние их здоровья оценивалось врачом. Лица, получившие медицинский отвод от донорства, не участвовали в научном исследовании. Вторую группу составили люди, страдающие печёночной недостаточностью, и проходившие лечение в отделении гепатологии. Обеим группам выполнялись лабораторные исследования с целью постановки клинического диагноза или для подтверждения статуса «здоров». Поэтому нами сформированы обе группы из чётко классифицированных случаев, что важно при «обучении» нейросетевых моделей.
Перечислим 23 лабораторных показателя, по которым затем были обследованы здоровые люди и пациенты отделения гепатологии. Гемоглобин, эритроциты, цветовой показатель, лейкоциты, палочкоядерные нейтрофильные лейкоциты, сегментоядерные нейтрофильные лейкоциты, эозинофилы, лимфоциты, моноциты, скорость оседания эритроцитов, общий белок, мочевина, билирубин, глюкоза, холестерин, бета-липопротеиды, сиаловая кислота, аспартатаминотрансфераза, аланинаминотрансфераза, щелочная фосфатаза, гаммаглутамилтранспептидаза, тимоловая проба, амилаза крови.
Статистические и нейросетевые алгоритмы применялись на выборке, включающей всего 300 пациентов. Нейросетевое моделирование выполнялось на кафедре «Компьютерные технологии» Пензенского государственного университета. Использовали пакет Neural Network Toolbox среды программироваания MATLAB версия 6,5. Архитектура и параметры нейронных сетей в экспертной системе разрабатывались в среде Borland C++Builder. Хранение данных осуществлено в СУБД InterBASE. Эксперименты с нейронными сетями и нейросетевыми моделями начались с использования однослойного персептрона, многослойного, радиально-базисных нейросетей. Особенности моделирования отмечались нами на всех этапах исследования. Использовались алгоритмы Левенберга-Марквардта, градиентного спуска. Для нейросетевой диагностики печёночной недостаточности выбирались наиболее информативные параметры, которые были изучены несколькими параметрическими и непараметрическими статистическими методами. Приведём эти показатели: аланинаминотрансфераза, тимоловая проба, аспартатаминотрансфераза, щелочная фосфатаза, гаммаглутамилтранспептидаза, билирубин. Перечисленные гематологические показатели и явились основой нейросетевой системы диагностики печёночной недостаточности.
Результаты и их обсуждение
Экспериментально была доказана результативность разработанных алгоритмов первоначального расположения центров нейронов радиально-базисной нейросети, а также вычисляемого коэффициента скорости «обучения» весов. Минимальная ошибка диагностики печёночной недостаточности с помощью радиально-базисной нейросети составила 9,79 % с двумя нейронами в скрытом слое. Сравнение результатов диагностики печёночной недостаточности с помощью радиально-базисной нейросети и многослойного персептрона объясняет, что они сопоставимы. Поэтому результативность тестирования системы «Нейродиагност» составила 90, 91 % для многослойного персептрона и 90, 21% для радиально-базисной нейронной сети. Испытания системы «Нейродиагност» осуществлено у 270 больных с печёночной недостаточностью вследствие перенесенного вирусного гепатита В или С. В результате клинической апробации системы «Нейродиагност» совпадение нейросетевой и лабораторной диагностики осуществилось с вероятностью 91,5 % (247 больных). Клинических наблюдений, когда нейросеть больных относила к здоровым, не было.
Заключение
В результате данного исследования отработана технология построения нейросетевых моделей для диагностики печёночной недостаточности в хирургии. Разработана нейросетевая система «Нейродиагност», продемонстрировавшая высокие показатели точности. Возможными направлениями дальнейших исследований является расширение обучающего набора и разработка алгоритмов дообучения сети с увеличением количества наблюдений. Применение диагностического инструмента «Нейродиагност» может способствовать снижению риска развития печёночной недостаточности в хирургии.

About the authors

Anatoly Anatolievich Solomakha

Penza State University

Author for correspondence.
Email: anatoly.solomakha@yandex.ru

Ph.D., Associate Professor of the Department of Surgery, Penza State University

Russian Federation, Penza, Russian Federation

Vladimir Ivanovich Gorbachenko

Penza State University

Email: gorvi@mail.ru

Professor, Doctor of Technical Sciences, Head of the Department "Computer Technologies"

Russian Federation, Penza, Russian Federation

References

Supplementary files