Нейросетевая модель перитонита
В качестве дополнительного направления в разработке альтернативных существующим средств объективной оценки тяжести и прогнозирования может быть выбрано математическое моделирование на основе алгоритмов искусственного интеллекта. Данное направление, получившее бурное развитие в последние годы, основано на имитации мозговой деятельности человека, результатом чего является процесс принятия решений на основе исходных данных. Особенностью этого подхода является возможность выявления закономерностей в сложной и запутанной информации, наличие которой весьма часто сопровождает медицинские исследования.
Для разработки математической модели перитонита мы использовали метод искусственных нейронных сетей (neural networks), который пока еще не получил широкого распространения в медицине. Суть метода заключается в математической имитации совокупности нейронов коры головного мозга, при которой каждый искусственный нейрон является простейшей моделью своего биологического аналога. На вход такого нейрона поступает некоторое множество сигналов (X1, X2,…Xn), которые являются выходом другого нейрона. Каждый вход умножается на соответствующий весовой коэффициент (W1, W2…Wn), аналогичный синаптической силе, и все произведения суммируются, определяя уровень активности нейрона (рис.12.3). Суммирующий блок, соответствующий телу биологического элемента, при складывании входов, создает сигнал, который преобразуется активационной функцией F в выходной сигнал нейрона. При этом активационная функция может иметь как линейную, так и более сложную форму, что более точно может моделировать передаточную характеристику биологического нейрона.
|
|
|
Рис. 12.3. Схема работы искусственного нейрона
Функционирование одного нейрона имеет ограниченную значимость – он выполняет сравнительно простую функцию, например, пороговую обработку входов. Однако при их объединении в сетевую структуру, соединенную с помощью перекрестных связей, возникает система искусственного интеллекта, способная моделировать работу коры головного мозга. При этом, по аналогии со строением мозговой коры, искусственная нейронная сеть состоит из нескольких слоев: входного (афферентного), воспринимающего исходные данные, выходного (эфферентного), суммирующего промежуточные значения в определенный выходной сигнал и нескольких (от 0 до бесконечности) «скрытых», промежуточных слоев нейронов, осуществляющих ассоциативную обработку информации. Каждый из нейронов одного слоя соединен с помощью перекрестной сети связей с нейронами соседних слоев (рис.12.4).
Создание оптимально функционирующей нейронной сети, способной адекватно решать поставленную задачу, делится на два основных этапа: настройка нейросети и проверка результатов работающей модели. Реализация первого этапа, в свою очередь, включает в себя два основных компонента:
|
|
|
Внешнее формирование, – при котором создается сеть из определенного количества слоев с различным числом нейронов в каждом из них, и матрица связей между ними. Критериями создания оптимальной модели здесь служат величина средней ошибки на выходе сети и относительный уровень распознавания (performance) исходных наблюдений в процентах.
Обучение нейросети – процесс подстройки входных весов ее нейронов с целью достижения требуемых выходных значений, соответствующих определенным множествам входов. При этом данный процесс циклично повторяется до тех пор, пока величина ошибки выходного значения не достигнет приемлемого уровня. Один такой цикл обучения нейронной сети называется эпохой. Количество эпох может быть от 1 до бесконечности, однако для обучения модели достаточно определенного количества циклов обучения, после чего величина ошибки не изменяется (наступает так называемое «насыщение модели»). Для получения более высокой достоверности при обучении модели может использоваться принцип «перекрестного экзамена» (или кросс-проверки). При этом вся выборка больных случайным образом делится на обучающее и тестовое множество, после чего результаты обучения проверяются на тестовой выборке. Уровень ошибки при анализе тестового множества и степень ее отличия от ошибки распознавания обучающего множества свидетельствуют о возможностях «обобщаемости» модели (т.е. о качестве ее применения в другом исходном множестве данных).
|
|
|
Рис. 12.4. Схема построения нейронной сети
Для разработки нейросетевой модели при перитоните, способной оценивать состояние больного и строить прогноз исхода заболевания, был использован программный эмулятор нейросетей Statistica Neural Networks 4.0, с помощью которого был реализован первый этап создания данной математической модели на основании клинических и интраоперационных данных 150 больных с распространенным перитонитом. При этом в качестве оптимальной структуры сети был выбран четырехслойный персептрон с девятью входными и одним выходным нейронами. В двух промежуточных слоях находилось 13 и 10 ассоциативных элементов модели (рис.12.5).
В качестве входных данных были использованы девять групп признаков: этиология перитонита, возраст больного, длительность заболевания, а также критерии поражения брюшной полости, которыми пользовались оперирующие хирурги при записи протоколов операции – распространенность поражения (разлитой, общий), количество (незначительное, до 500 мл, свыше 500 мл) и характер выпота (серозный, геморрагический, гнойный, пищевой, ихорозный и др.) степень дилатации тонкой кишки (нет, до 4 см, свыше 4 см), цвет кишечной стенки (обычный, гиперемия, синюшный, черный), наличие или отсутствие на тонкой кишке фибринозного налета. Зависимым (итоговым) признаком было наличие (1) или отсутствие (0) у больного летального исхода. При этом «традиционные» статистические методы, на основании столь большого количества анализируемых признаков, не позволили получить достаточно эффективную прогностическую модель. Использование искусственной нейронной сети являлось оптимальным способом решения данной задачи.
|
|
|
Рис. 12.5. Графическое изображение полученной нейронной сети
Алгоритмом обучения нейросети был метод обратного распространения ошибки (back propagation algorithm) с использованием кросс-проверки в течение 1000 эпох. В результате обучения воспроизводимость модели на обучающей выборке составила 99,9 %, на тестовой – 100 % (рис.12.6).
Рис. 12.6. График обучения нейронной сети
В дальнейшем, получив оптимальную структуру сети и матрицу связей, данная нейросеть была воссоздана в разработанной нами программе, использовавшей нейросетевой алгоритм фирмы BaseGroup Labs. Результатом этого стала возможность применять полученную нейросетевую модель в качестве программного модуля при определении тяжести и прогноза у больных с распространенным перитонитом.
Таблица 12.3
Сопряженность частот наблюдаемых и ожидаемых исходов
при использовании НСМ у больных с распространенным перитонитом
| Количество выживших | Количество умерших | χ2 (p), df = 1 | ||
| Наблюдаемое | Ожидаемое | Наблюдаемое | Ожидаемое | |
| 126 | 125 | 24 | 25 | 0,25 (0,887) |
Следующим этапом исследования стала оценка дискриминационной и прогностической возможностей созданной нейросетевой модели (НСМ) в изучаемой группе больных (n = 150). Методика исследования при этом была аналогична той, которая до этого использовалась при оценке возможностей интегральных шкал и индекса агрессии перитонита (ROC-анализ и построение таблиц сопряженности частот наблюдаемых и ожидаемых исходов с определением критерия согласия χ2). Анализ наблюдаемых и ожидаемых частот летальных исходов при использовании разработанной нейросетевой модели у 150 больных с распространенным перитонитом показал хорошую прогностическую способность данного метода (таблица 12.3). Величина критерия согласия χ2 при этом составила 0,25, а пороговый уровень вероятности (p = 0,887) был на уровне прогностической способности шкалы MPM II.
По результатам ROC-анализа, дискриминационная способность нейросетевой модели также находилась на высоком уровне и превышала аналогичные показатели всех изученных ранее систем оценки, включая индекс агрессии перитонита (рис.12.7). Так, площадь под ROC-кривой у НСМ составила 0,972; чувствительность в оптимальной точке разделения – 96,1%, а специфичность – 99,2% (p критерия Хосмера-Лемешоу > 0,05). Пороговая точка среза (optimal cut-off point), показывающая оптимальное классификационное значение шкалы, составила при этом 0,5 (обозначена на графике пунктом «A»).
Площадь под ROC-кривой
ROCAREA = 0,972
Optimal Cut-off point = 0,5
Чувствительность 96,1 %
Специфичность 99,2 %
Критерий Хосмера-Лемешоу С=8,16; p=0,418
Рис.12.7. ROC - анализ нейросетевой модели
Разработанный комплекс диагностических и лечебных мероприятий позволил снизить частоту летальных исходов при распространённом перитоните в стадию полиорганных нарушений с 35,3% до 25%. Общий уровень летальности составил 18,1%. Таким образом, применение нейросетевого моделирования как одного из методов «искусственного интеллекта» позволило значительно расширить возможности объективизации и прогнозирования при распространенном перитоните. Полученные высокие показатели дискриминационной и прогностической способности разработанной модели, использовавшей в качестве исходных данных только клинические и интраоперационные наблюдения, свидетельствовали о большой перспективе применения НСМ у пациентов с перитонитом. В связи с этим, нейросетевое моделирование, как и индекс агрессии перитонита, может служить альтернативой «традиционным» интегральным шкалам при оценке тяжести состояния и прогнозировании у данного контингента больных.
Дата добавления: 2018-02-15; просмотров: 415; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!