НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ И ТЕОРИЯ ХАОСА: ВОЗМОЖНОСТИ ПОСТРОЕНИЯ ПРОГНОЗНО-ДИАГНОСТИЧЕСКИХ МЕДИЦИНСКИХ СИСТЕМ

Главная » Публикации » НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ И ТЕОРИЯ ХАОСА: ВОЗМОЖНОСТИ ПОСТРОЕНИЯ ПРОГНОЗНО-ДИАГНОСТИЧЕСКИХ МЕДИЦИНСКИХ СИСТЕМ

УДК 616.8-005-072:517.938       Весцi НАН Беларуси. Сер. мед. навук. 2010. № 3. С. 109-118.

 

 

В.В. ЕВСТИГНЕЕВ1,  В.А. ГОЛОВКО2, А.С. МАСТЫКИН1

Е.Н. АПАНЕЛЬ3, О.В. КИСТЕНЬ1, С.В. ЛАВРЕНТЬЕВА2

 

НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ И ТЕОРИЯ ХАОСА:

ВОЗМОЖНОСТИ ПОСТРОЕНИЯ ПРОГНОЗНО-ДИАГНОСТИЧЕСКИХ МЕДИЦИНСКИХ СИСТЕМ

 

1Белорусская медицинская академия последипломного образования

2Брестский государственный  технический университет

3Научно-практический центр неврологии и нейрохирургии, Минск, Беларусь

 

Обаяние схоластически законченных теорий давно миновало. Теперь для нас теория есть ступень, опершись на которую мы шагаем в новый опыт.

А.А. Ухтомский

 

В последнее время все чаще стали появляться публикации по разработкам моделей искусственного интеллекта (ИИ) в рамках концепции детерминированного хаоса, реализованными нейросетевыми технологиями, а также создание на их базе ассистирующих медицинских прогнозно-диагностических систем. Сутью нейросетевой методики является возможность оперировать нечеткими данными, знаниями, незавершенными и противоречивыми выводами предыдущих исследований. Весь этот нейросетевой методологический комплекс в своем разнообразии прикладного применения объединен единой технологией – моделированием когнитивной деятельности мозга человека.

Понятие модели в медико-биологических исследованиях. Моделирование – это опосредованное практическое или теоретическое исследование объекта, при котором непосредственно изучается не сам интересующий нас объект, а некоторая вспомогательная искусственная или естественная система [24]. В этом контексте такой интересующей нас системой выступают данные клинического обследования и результаты параклинических исследований пациента, но не сам пациент как физическое лицо.

В медико-биологических исследованиях применяются в основном три вида моделирования: биологическое, физико-химическое и математическое (точнее,  формально-логическое).

Биологическое моделирование это воспроизведение на лабораторных животных определённых патологических состояний или заболеваний, встречающихся у человека или животных.

При физико-химическом моделировании предпринимается попытка воспроизвести биологические структуры, функции или процессы физическими или химическими средствами, что, разумеется, не является подобием моделируемого биологического явления. Так было смоделировано распространение волны возбуждения по нерву с воспроизведением периода рефрактерности и закона «всё или ничего». Такие модели показывают возможность воспроизведения некоторых свойств и проявлений живого посредством физико-химических явлений, основанных на внешнем качественном сходстве.

Более сложные модели строятся по электротехническим и электронным схемам. Были созданы механические устройства с электронным управлением (черепахи, собаки), моделирующие сложные акты поведения. В настоящее время по этой схеме моделирования интенсивно развивается робототехника.

Однако, что касается моделирования когнитивной деятельности мозга человека, в частности, прогнозно-диагностического мышления врача, то здесь приходится сталкиваться с уже принципиально новыми трудностями, неразрешимыми биологическим и физико-химическим моделированием [22]. Широкий круг методов, которыми располагает современная экспериментальная физиология нервной системы, в большинстве своем принципиально неприемлем при исследовании мозга человека и, тем более, при исследовании его когнитивной функции [9, 10]. В этом контексте надежды возлагаются на математические (точнее, формально-логические) модели, которые строятся на основе данных эксперимента или умозрительно, на основе формализации принимаемой гипотезы или теории, требующих дальнейшей проверки, конкретизации и корректировки [1, 2, 4-8. 11-19, 22-26, 29-30, 39, 42, 45, 48-51].

В настоящее время это особенно интенсивно развивающийся раздел медико-биологического моделирования, основанный на нечеткой формальной логике и теории нечетких множеств – это нечеткие стохастические модели (fuzzy stochastic models). С их помощью предпринимаются шаги по созданию модели когнитивной деятельности мозга человека. В отличии от традиционных математических вычислений с помощью чисел в  нечеткой  логике  вводится  понятие   лингвистической   переменной. Так, вместо традиционного обозначения цифрами градаций качественно варьирующей переменной (признака) вводятся слова  естественного  языка: «слабо выраженный», «умеренно выраженный», «сильно выраженный» и т.п. Эти понятия входят в конструкцию логически законченной фразы нечеткой логики. Например, «если имеется умеренно выраженная головная боль, то ее причиной может быть повышение внутричерепного давления». Разумеется, возможны и другие причины. Выраженность принадлежности признака к диагнозу (его релевантность) характеризуется степенью принадлежности, которая, как и вероятность, варьирует в пределах от 0 до 1,0. Тем не менее, отождествлять эти понятия математически не корректно.

Историческая справка. Стремление к созданию модели когнитивной деятельности мозга особенно интенсивно стало развиваться с 40-х годов прошлого столетия, постепенно включая  различные научные направления и технические устройства с приставкой «нейро-»: нейрокибернетика, нейроинформатика,  нейроматематика, нейрокомпьютеры, нейрочипы, нейроускорители. Активизировались такие науки как нейрофизиология, нейрореабилиталогия и ангионеврология.

Начиная с работ конца первой половины прошлого столетия и до конца его, стали более четко обозначаться единые принципы понимания и моделирования биологической когнитивной способности мозга, и, наконец,  слились в  единое обобщающее понятие – нейрокомпьютинг. Формально-логический аспект современных представлений об ИИ сложился на основе теоретических исследований, представленных теоремами Колмогорова-Арнольда-Хехт-Нильсона и Б. Коско [40, 48]. Этому также способствовали выводы экспериментальных неврологических работ Н.П. Бехтеревой [9]. Выкристаллизовалось новое научное направление – математическая биология. Впервые курс этого направления был реализован в МГУ им. М.В. Ломоносова А. А. Ляпуновым.

В 1959 г Алексей Андреевич Ляпунов. предложил создать при Президиуме АН СССР Научный совет по комплексной проблеме "Кибернетика", когда она все еще считалась "буржуазной лженаукой". Этот Совет возглавил А.И. Берг, А.А. Ляпунов был его заместителем.

В нейрофизиологии и медицине это направление связано также с именами выдающихся советских ученых академиков Н.П. Бехтеревой, Н.М. Амосовым, Г.И. Сидоренко, профессорами Н.И. Моисеевой, И.М. Тонконогим и  многими другими.

Считается, что непосредственно по созданию систем искусственного интеллекта, в современном их понимании, начались с работ Ф. Розенблатта, М. Минского, и, прежде всего, с введенного им понятия фрейма [27, 33].  

Фрейм (англ. frame — кадр, рамка) это своеобразная когнитивная ячейка, содержащая в себе какую-либо стереотипированную ситуацию. Различают фреймы-образцы, фреймы-экземпляры, фреймы-структуры, фреймы-роли, фреймы-сценарии, фреймы-ситуации. Система связанных фреймов может образовывать семантическую сеть, аналогично тому, как отдельные, разрозненные по содержанию фотокадры объединяются единым смысловым повествованием в одну киноленту. Фреймы представляют собой основу экспертных интеллектуальных медицинских систем (ИМС).

Можно с полной уверенностью утверждать, что интенсивная работа в области создания моделей искусственного интеллекта в наши дни это вторая (если не третья) волна всплеска интереса к математическим моделям когнитивной деятельности мозга человека и использованию их для распознания нозологических единиц (медицинской диагностики).

Следует также заметить, что до 80-х лет прошлого столетия ничего принципиально нового в нейрокомпьютинге не произошло. Но с этого периода начал резко возрастать прикладной интерес к этому направлению. Тем не менее, начиная с конца 50-х годов в Советском Союзе начал проявляться осторожный интерес к этому направлению, получившему название кибернетика. В области кибернетики в те годы были знаменательны имена академиков АН СССР А. И. Берга, А. А. Ляпунова, В. М. Глушкова, Н. Н. Моисеева. В контексте становления нейрокомпьютинга, как обобщения нескольких научных направлений, особого упоминания заслуживает фигура «отца нечеткой логики» Лотфи Заде [52].

В 60-70е годы на кафедре нервных болезней МГМИ разрабатывались методики создания таких моделей применительно к диагностике и лечению заболеваний мозга, в том числе, эпилепсии. В дополнение к доминирующей рефлекторной теории высшей нервной деятельности, в частности,  предлагалась концепция спонтанности. Сопоставляя гипотетические алгоритмы работы мозга с работой кибернетической машины, разрабатывалась концепция двойной детерминации нервно-психической деятельности, согласно которой неоспоримой и давно установленной истине человек не только пассивно приспосабливается к окружающим условиям, но, и преобразует их согласно своим желаниям. А это возможно лишь тогда, когда деятельность головного мозга основана не только на принципе реагирования, но и принципе инициативы. И вот этот инициативный приспособительный (адаптивный) аспект согласно классической рефлекторной теории высшей нервной деятельности игнорируется ее рамками [26]. В этой же публикации затрагивается энергетический аспект работы мозга. Тем самым делается шаг к рассмотрению работы мозга как диссипативной энергетической машины со спонтанным детерминированно хаотизированным использованием энергетических ресурсов в зависимости от поступающих в мозг сигналов (раздражений). Как продолжение намерения конвергировать имеющиеся знания о естественных механизмах когнитивной работы мозга человека с разработками по созданию ИИ, во второй половине прошлого столетия дополнительно начало уделяться внимание разработкам интеллектуализированного диагностического (дифференциально-диагностического) «инструментария», в той или иной степени моделирующего когнитивную работу мозга. В настоящее время четко прослеживается не спадающий интерес к продолжению этого начинания.

Тем не менее, некоторые авторы термин «искусственный интеллект» считают не совсем удачным для моделирования работы мозга. По их мнению, термин «искусственный интеллект» не совсем удачен потому, что современная наука до сих пор не имеет достаточных оснований к тому, чтобы исчерпывающе определить понятие «естественный интеллект». Отличающееся от общепринятых устоявшихся в науке на постсоветском пространстве антропологических представлений о работе мозга, свое мнение однажды высказала академик Н.П. Бехтерева: «Всю свою жизнь я посвятила изучению самого совершенного органа — человеческого мозга и пришла к выводу, что возникновение такого чуда невозможно без Творца. Эволюция мозга, как ее рисовали антропологи, практически нереальна. Недаром они сейчас отказываются от многих своих данных».  Более четко и полно свой взгляд на достижения в изучении мозга человека она изложила в своей книге  «Магия мозга и лабиринты жизни» [10].

Проблема формализации медицинских знаний. В самом общем представлении понятие формализация – это, в отличие от интуитивных и/или содержательных рассуждений, отображение результатов мышления в точных понятиях или утверждениях. Формализация тесно связана с абстрактным мышлением и представляет собой его практическую реализацию. Процесс распознавания образа осуществляется по логической цепочке: органолептическое восприятие (созерцание, восприятие на слух, обоняние, осязание) – абстрактное осмысливание – формализованная практическая реализация. В логико-математической интерпретации формализация отображает содержательное (предметное) знание в виде специальных условных знаков и/или на формализованном алгоритмическом языке. В медицине особый интерес представляет формализация врачебного (клинического) диагноза в гармоничном соответствии с формализацией профессиональных знаний врача [22].

Не претендуя на полноту формализации медицинского диагноза вообще, обратим основное внимание на формализацию неврологического диагноза, проблема которого так и остается нерешенной. Можно с полной уверенностью утверждать, что пока традиционно сложившаяся гармонично не стандартизированная произвольность в определении этого понятия не будет помещена в строгие рамки формальной логики, проблема так и останется не решенной.

Конфликт между определенностью и неопределенностью в математической (формальной) логике применительно к нейропатофизиологии. Неврологические (нейропатофизиологические, ангионеврологические) знания совершенствуются в едином русле общего развития научного анализа и не являются исключением из этой общей тенденции. Но, с другой стороны, для достижения общей цели необходимо условие независимости (отделения) информации-знания от алгоритмов ее обработки. К сожалению, на сегодня для знаний подобных условий пока не существует [49].

В противоположность представлениям конца XIX столетия по Д. Гильберту о завершенности математических доказательств однозначно установлено, что невозможно получить абсолютные исчерпывающие доказательства в любой области знаний о свойствах вещей (материи) и особенностях  процессов. В инновационных медицинских исследованиях в настоящее время обобщающая концепция теории ИИ совершенствуется и конкретизируется в разработках искусственных нейронных сетей и с дополнением к ним теории хаоса.

«Обаяние схоластически законченных теорий давно миновало» Настоящее время – это время пересмотра прошлых догматических взглядов на Природу, в том числе и на физиологию, это время обобщений накопленного фактического материала. Теперь, еще больше, чем ранее, теория актуальна как «ступень, опершись на которую мы шагаем в новый опыт» [41]. Это в полной мере касается и «чистой» математики Д. Гильберта, не допускающей противоречий, неточностей незавершенности суждений, аксиом, теорем, постулатов.

Всю противоречивость и неоднозначность пользы теоретических основ математики и ее места для решения прикладных практических задач в свое время четко определил еще Ф. Энгельс. Математика – родная сестра формальной логики. «Столь безупречная некогда математика, введя у себя переменные величины и распространив свойство переменности на область бесконечно-большого и бесконечно-малого, совершила грехопадение; она вкусила яблоко познания, что открыло перед ней поприще гигантских успехов, но также и заблуждений. В вечность кануло девственное состояние абсолютной правильности, неопровержимой верности всего математического; открылась эра разногласий, и мы дошли до того, что большинство людей дифференцирует и интегрирует не потому, чтобы понимали, что они делают, а руководясь чистой верой, потому что результат до сих пор всегда получался верный» [44].

Разумеется, все выше изложенное нас интересует, прежде всего, в прикладном аспекте для разработки ассистирующих распознавательно-диагностических систем.

В своем стремлении создать всеобщую формализованную нейропато-физиологическую парадигму знаний, игнорируя основные положения формальной логики, мы находимся в заколдованном замкнутом круге. Можно, конечно, не замечать  ее присутствия – не наше это медицинское дело, но такая установка непризнания целесообразности и полезности прикладного использования разработок по созданию ИИ – это отказ от совершенствования анализа диагностических данных, и, как следствие, добровольный отказ от совершенствования методов адресной профилактики и лечения в условиях все возрастающей лавины новых нейровизуализационных и других высокотехнологичных данных, охватить которые и оперативно ими пользоваться только усилиями естественного интеллекта врача невозможно, ему нужен соответствующий высокотехнологичный интеллектуальный помощник.

История возникновения научной доктрины «теория хаоса». Параллельно разработкам основ теории ИИ велись исследования по разработке теории хаоса, начиная от работ А. Пуанкаре до И.Р. Пригожина. Проблема хаоса актуальна как в биологических исследованиях, так и в медицине. Начиная от классических теоретических исследований Лауреата Нобелевской премии по химии И. Р. Пригожина, она особенно обострилась. Здесь можно провести четкую границу между «до- и послепригожинским» периодами в понимании и толковании понятия «хаос», в том числе, применительно к донозологической диагностики транзиторных ишемических атак и поиска эпилептогенных очагов в структурах мозга на субклинической стадии  [2-5, 7, 8, 16-19, 23, 25, 26, 29, 30, 42, 50].

Основные работы И.Р. Пригожина посвящены неравновесной термодинамике. Он обосновал  понятие неравновесных термодинамических систем, которые «общаются» с окружающей средой путем энергомассообмена, чем и обеспечивают свое существование и устойчивое развитие. Такие системы получили название диссипативных структур (фр. dissipation – трата, растрачивание, в данном контексте, энергии). Процесс такого диссипатированного энергомассообмена сложной системы с окружающей ее средой не поддается описанию методами классической статистики. В какие-то моменты (пункты, точки) развитие системы приостанавливается и она «раздумывает» каким путем развиваться дальше, причем, то или иное решение принимается с вероятностью 50/50, но не сразу, ему предшествуют нерешительные колебания, флюктуации. И только после этих колебаний «нерешительности» принимается окончательное решение. Эти «остановки раздумий» получили название точек бифуркации [32]. Этот термодинамический феномен был использован нами в попытке объяснения явления прекондиции гипоксии-ишемии мозга при эпизодах транзиторных ишемических атак (ТИА). С этих позиций бифуркационных «остановок раздумий» нами была предпринята попытка объяснить феномен прекондиции ишемизации мозга как возможное «предлечение». В какой-то момент мозг «решает» начинать ли ему погибать от гипоксической ишемии на каком-то начальном этапе ее развития, или же, включив «второе дыхание» пока еще полностью не изученных триггерных механизмов, продолжать борьбу за свое существование. Это связано, по нашему мнению, с феноменом энтропии [26].

Немецкий физик Рудольф Клаузиус (1822-1888) использовал для формулировки второго закона термодинамики понятие энтропии. Когда энтропия системы возрастает, то соответственно усиливается беспорядок в системе. В таком случае второй закон термодинамики постулирует: энтропия замкнутой системы, то есть системы, которая не обменивается с окружением ни энергией ни веществом, постоянно возрастает.[20]. Это означает, что такие системы эволюционируют в сторону увеличения в них беспорядка, хаоса и дезорганизации, пока не будут достигнуты точки термодинамического равновесия, при котором всякое производство работы становится невозможным. Энтропия замкнутой системы, т. е. системы, которая не обменивается с окружением ни энергией, ни веществом, постоянно возрастает, а сама система саморазрушается и гибнет. Идея энтропийного эволюционирования сложных диссипативных систем и связанных с ним условий выживания живого организма нашла свое отражение в современных разработках эволюционных адаптивных нейросетевых и генетических алгоритмов в ангионеврологии [5, 17-19, 26, 51].

Проблема хаоса и неопределенности в медицинских исследованиях. Особенно интенсивно проблема хаоса (хаотичности) дебатируется в кардиологических и психиатрических исследованиях. В кардиологии ЭКГ – это неисчерпаемый поставщик поводов для сомнений и дискуссий в контексте теории хаоса. В неврологии этой теме уделяется скромное внимание, хотя в этом же контексте хаотичности электроэнцефалограмма заслуживает не меньшего внимания.

Вместе с тем, по мере совершенствования знаний и накопления опыта в области разработок по созданию ИИ, за ними неотступно и бескомпромиссно следует неопределенность, которая все больше заявляет о себе. Причем, это влияние неопределенности на успехи и достижения в области разработок ИИ (и не только) достигло таких размеров, что вынудило создать международное объединение ученых разных областей знаний в одну специальную ассоциацию по ее преодолению: Ассоциация анализа неопределенности в искусственном интеллекте (Association for Uncertainty in Artificial Intelligence, AUAI).

Подробное описание математического аппарата доктрины детерминированного хаоса, получившей наибольше распространение в прикладных исследованиях,  приведено в монографии Г. Шустера [43].

Последовательность представлений о месте теории хаоса в кардиологии варьирует от изначальных сомнений в целесообразности внедрения нового сложного математического аппарата в арсенал кардиологических исследований до продуманного намерения анализировать аритмии и фибрилляции сокращений сердечной мышцы с позиций нелинейных систем и детерминированного хаоса [31, 36]. Однако имеются и скептические возражения. «В моем представлении продвижение в изучение аритмий может быть достигнуто, если будет установлена связь “новой” теорией хаоса и “старомодной” электрофизиологией» [47].

Замещение упорядоченной самоорганизации сердечных сокращений детерминированной хаотизацией рассматривается уже в аспекте адаптации, поиска выхода «наугад» из сложившихся патологических состояний, вызывающих сбой в нормальной сократительной деятельности сердца [31, 35-38].

Такое предначертание Природы существования и развития сложных биологических  систем (живых организмов, человека) в условиях нестабильности, нелинейности развития, детерминированного хаоса, имеет конкретную практическую реализацию в лечебно-диагностической работе, вынуждая  подражать Ей и подстраиваться под Ее директивы в кинезотерапии при анализе физических нагрузок на сердечнососудистую систему. Доказана целесообразность перехода от традиционного тестирования реакции организма на физические нагрузки к стохастическому (хаотическому) режиму [35-38]. Сопоставление характеристик нагрузок постоянного и стохастического типа приведено в таблице.

Таблица – Сравнительная характеристика нагрузок постоянного и стохастического типа (Г.И. Сидоренко, 2002)

Стохастический способ тестирования

Традиционный способ тестирования

1. Величина нагрузки меняется по непредсказуемому закону. Мощность ступеней меняется случайным образом.

2.  Частотная характеристика нагру­зочного воздействия соответствует характеристике сердечно-сосудистой системы.

3.  Нагрузка легче переносится больными. Чередование ступеней разной мощности является динамическим отдыхом.

4. Характер нагрузки соответствует большинству бытовых и трудовых нагрузок человека.

1. Нагрузка  изменяется  закономерно. Динамика нагрузки предсказуема.

2. Частотная характеристика нагрузочного воздействия не соответствует характеристике сердечно-сосудистой системы. Согласование отсутствует.

1.   Больные хуже переносят нагрузку при идентичной величине суммарной мощности.

4. Равномерность и  предсказуемость нагрузок редко встречается в производстве и в быту.

 

Использование физических нагрузок, меняющихся по случайной хаотичной закономерности, «впервые открывает возможность определять информационную «стоимость» нагрузок, ибо появляется перспектива оценивать физи­ческие нагрузки в битах на единицу времени. Вероятно, этот критерий позволит количественно оцепить нейромышечную координацию, которая всегда участвует в выполнении нагрузочных тестов» [36].

Стохастический (вероятностный) подход предполагает неточность и нечеткость в результатах решения поставленной задачи. Однако это не следует трактовать как только неизбежное и досадное зло, мешающее поиску нужного результата. Так, в проведении функциональных проб при сердечно-сосудистых заболеваниях, стохастически меняющиеся нагрузки оказываются более физиологичными и адекватными реальным условиям жизнедеятельности, и, следовательно, дают более правдивый результат проведенной функциональной пробы [35-38].

Если в кардиологии стохастическое моделирование* хаотизированных процессов достаточно распространено, то в неврологических исследованиях интерес к ним более скромный.

В наших ангионеврологических исследованиях мы не выявили четой прямой зависимости степени выраженности какого-либо подтипа ТИА (атеротромботического, кардиоэмболического, гипертензивного) от уровня атеротромботических поражений стенок сосудов, эмболизации системного кровообращения, артериальной гипертензии, четко не обозначена гендерно-возрастная зависимость. Возможны самые различные сочетания вегетативных и кардиальных, психоэмоциональных и других симптомов вне зависимости от пола и возраста. Этот хаос в симптоматических проявлениях ТИА  имитирует другие заболевания мимикрирует их, что ведет к постановке ошибочного диагноза. Здесь самое обширное поле для ошибочной констатации кардиологических нозологий, артериальной гипертензии, диэнцефальной патологии, остеохондроза грудного и шейного отделов позвоночника с синдромом вертебро-базилярной недостаточности, астено-невротического и климактерического синдромов и т.п. [3, 4, 16, 21, 28, 43] Все это лишает актуальности «чистого» детерминистского подхода к прогнозной донозологической диагностики и ориентирует на создание нечетких ассистирующих адаптивных систем на базе разработок по созданию искусственного интеллекта [1-8, 11-19, 22, 23, 25, 26, 29-31, 34, 39, 42, 45, 49-51].

     В контексте концепции детерминированного хаоса хаотичное инстинктивное неформализованное стремление пациента, перенесшего инсульт, восстановить нормальные движения в мелких суставах пальцев рук может быть детерминизировано замещением более продуктивной лечебно-физкультурной методикой, придерживаясь числовой последовательности Фибоначчи [2, 3].  

Все изложенное выше указывает на  актуальность разработок программных и аппаратных средств для работы с неполными, неопределенными и противоречивыми данными  с учетом концепции детерминированного хаоса [1-8, 11-19,  22, 23, 25, 26, 29-31, 34, 39, 42, 49-51].

Прогнозная диагностика методами искусственного интеллекта (нейросетевая технология) в клинической нейропатофизиологии. В настоящее время в клинической нейропатофизиологии, в частности, в ангионеврологии и неврологии выкристаллизовались, три основных прогнозно-диагностических направления: прогнозная диагностика возникновения первичной эссенциальной гипертензии, прогнозная дифференциальная диагностика транзиторных ишемических атак и превентивная диагностика эпилептических припадков.

С целью решения этих клинических задач проявляется значительный интерес к разработкам ассистирующих прогнозно-диагностических систем  (ПДС),  в том числе, и автоматических.

Основной вектор научных разработок этих направлений – это разработка искусственно-интеллектуального инструментария для прогнозирования возможности развития патологических состояний, обусловленных различными функционально-структурными нарушениями. Результат прогноза может быть «желаемый» или «нежелательный». В большинстве случаев в контексте прогнозной клинической диагностики превалирует настораживающий «нежелательный» прогноз, на который и акцентируется внимание врача.

Если предпочтение отдается желаемому предсказуемому саногенному событию, то фактор времени (минимизация времени ожидания) актуален – скорее бы это событие наступило.

При нежелательном предсказуемом событии временнóй фактор утрачивает всякую актуальность – лишь бы оно вообще никогда не наступило, неважно, через час, день, месяц и т.д. А в подавляющем большинстве клинико-диагностических исследований (особенно профилактических) по прогнозированию возможности возникновения патологического состояния, как раз превалирует категория нежелательного события, и, таким образом, фактор времени лишен практического смысла. Здесь актуален прогноз как упреждающее корректирование угрожающего состояния безотносительно времени его наступления.

Таким «нежеланным» предсказуемым событием является возникновение эпизода ТИА, которое необходимо предупредить и предотвратить, независимо от фактора времени, как время наступления, так и длительности самого эпизода. В данном случае речь идет о прогнозе как об управляющей упреждающей коррекции [2, 4, 5, 16-19, 25, 26, 42, 49, 51]. Аналогично – при прогнозной диагностике приступов эпилепсии [7, 8, 23, 50].

Сложилась парадоксальная ситуация. Несмотря на то, что по проблеме ТИА издается все больше публикаций, разрабатываются методы лечения и профилактики, конкретизируются показания к их применению, само же определение этой нозологии продолжает все еще порождать дискуссии и споры.

В июне 2009 г. Американская ассоциация сердца (American Heart Association, AHA) и Американская ассоциация инсультов (American Stroke Association, ASA) опубликовали в журнале Stroke научное соглашение, в котором был существенно обновлен подход к пониманию транзиторных ишемических атак (ТИА). Документ акцентирует внимание на трех аспектах: определении ТИА: риске инсульта после ТИА и оптимальной диагностике ТИА. Данное научное соглашение рекомендовано Американской академией неврологии (American Academy of Neurology) для использования неврологами США. По рекомендации AHA/ASA под ТИА следует понимать преходящие эпизоды неврологической дисфункции, обусловленные региональной ишемией тканей головного мозга, спинного мозга или сетчатки, но не приводящие к развитию инфаркта ишемизированного участка [46].

В этом определении наше внимание привлекает отсутствие временного параметра. Что, по нашему мнению, очень удобно для разработки прогнозно-диагностического подхода к превентивному распознанию этой нозологии и подавлению ее дальнейшего развития безотносительно времени длительности эпизода. Лечебно-профилактические мероприятия должны проводиться неотложно здесь и сейчас во время обследования без времяемких и затяжных высокотехнологичных параклинических обследований, которые, бесспорно, необходимы, но это уже для последующих уточнений [2, 4, 5, 16-19, 42, 51].

Ряд наших публикаций посвящен прогнозной диагностике возникновения эпизодов ТИА с учетом этиопатогенетического подтипа. Причем, каждый этиопатогенетический подтип ТИА не исключал присутствие других подтипов, но выделял наиболее вероятный лидирующий подтип ТИА и акцентировал на нем приоритетное внимание, не игнорируя этиопатогенетическое присутствие других, которые также должны быть в поле зрения при назначении лечебно-профилактических мероприятий. Исследование проводилось с применением  разведочных методов многомерного статистического анализа – факторного и дискриминантного анализов. Были получены удовлетворительные результаты по распознанию подтипов ТИА на конкретном имеющемся материале, но когда встал вопрос о создании ПДС для внедрения в практическую работу, то пришлось столкнуться с явлением «переобученности» (overfitting) обучающей выборки, что снижает дифференциально-диагностическую эффективность. Нейросетевые методики, а наш опыт работы по распознаванию подтипов ТИА нас в этом окончательно убедил, в значительной степени лишены этого недостатка «переобученности» при работе с матрицами исходных данных в качестве обучающей выборки [4, 5, 16-19,, 25, 26, 39].

Осваивая нейросетевую технологию, мы остановились на адаптивном нейросетевом классификаторе (АНК), с дальнейшим агрегированием нескольких АНК в единый распознавательный (дифференциально-диагностический) «консилиум». Этот набор из нескольких АНК уже лишен феномена «переобученности». Но дифференциально-диагностические возможности только агрегированием нескольких АНК не исчерпываются. Для усиления их распознавательной способности предпосылается предварительная предподготовка, которая заключается в отборе наиболее информативных признаков-предикторов (независимых переменных) из общего набора имеющихся в матрице исходных данных. Такая целенаправленная предподготовка осуществляется с помощью эволюционного генетического алгоритма (ГА). Распознавательную (диагностическую, дифференциально-диагностическую) работу, таким образом, осуществляет ансамбль ГА+АНК [30].

Пример успешного применения такого ассемблирования в ангионеврологии приводит авторский коллектив из Бахрейна и Индии [51]. Разработанная авторами классификационная диагностическая система предназначена для дифференциальной диагностики заболеваний, входящих в нозологию  «инсультная болезнь, the Stroke Disease».

В настоящее время разработаны различные методы анализа биоэлектрической активности мозга, используемые для диагностики эпилепсии. Электроэнцефалография (ЭЭГ) является одним из основных методов оценки функциональной активности головного мозга. Используемый Фурье-анализ позволяет получит усредненные показатели и имеет ряд существенных недостатков. Результаты применения Вейвлет-анализа во многих случаях не позволяют дифференцировать патологическую активность от артефактов. Нами предпринята попытка оценить сигналы ЭЭГ какой-то величиной, которая могла бы характеризовать изменения функциональной активности и фиксировать появление аномалий изменением своего значения. Для оценки подобных изменений возможно применение теории хаоса и нелинейной динамики. В качестве характеристических величин применимы корреляционная размерность восстановления аттрактора и старший показатель Ляпунова (Lmax). Нейросетевой подход позволяет вычислить значение Lmax  для выборок малого объема за счет обобщающей способности искусственных нейронных сетей (ИНС). Для прогнозирования временных процессов нами использован многослойный персептрон (multilayer perceptron, MLP). Доказано, что данная нейронная сеть способна аппроксимировать любую непрерывную функцию со сколь угодно высокой точностью. Для обучения многослойного персептрона использован алгоритм обратного распространения ошибки. Хаотичные аномальные очаги в записях ЭЭГ расцениваются как маркеры возможного эпилептиформного приступа, зарождающегося в соответствующем участке мозга. Одним из условий хаотичности ЭЭГ как динамической системы является чувствительность к исходным значениям начальных условий. Предсказание развития траектории экспоненты осуществляется посредством нейросетевой технологии. Такой подход к прогнозной диагностике приступов эпилепсии дает возможность выявлять аномальные участки в записях ЭЭГ для предотвращения этих приступов до того,  как они успеют развиться в своем развернутом виде [7, 8, 23, 50].

На сегодня можно вполне уверенно говорить, что создание прогнозно-диагностических систем на базе разработок искусственных интеллектуальных моделей перспективное и актуальное направление в совершенствовании прогнозно-диагностических мероприятий в повседневной практической профилактической медицине.

Своевременное превентивное выявление предпатологических и прегипертонических состояний в клинической медицине, в ангионеврологии, диктует необходимость разработки соответствующих ускоренных методов распознания в условиях цейтнота, ориентируясь на анамнестические данные и данные экспресс-тестов, с последующим соответствующим быстрым лечебно-профилактическим реагированием.

     Не вызывает сомнений актуальность разработок прогнозно-диагностических моделей для превентивного выявления возможных приступов эпилепсии по поиску эпилептогенных маркеров (зон, участков) на записях ЭЭГ до того, как разовьется развернутый эпилептический припадок или его эквивалент.

В этих условиях профилактические мероприятия следует проводить с акцентом на диагноз-состояние [34], который необходимо, как только возможно, быстро установить на доклиническом донозологическом этапе развития, а нейросетевые модели, реализованные алгоритмами и программами ассистирующих интеллектуальных медицинских систем, призваны как раз этому способствовать.   

 

Литература

1.      Аверкин А.Н. Программные и аппаратные средства работы с неполными, неопределенными и противоречивыми данными//В сб.: Нечеткие системы поддержания принятия решений.- Калинин.-1989.- С. 67-75.

2.      Апанель Е.Н. // Белорусский Медицинский журнал.- 2005.- № 3. 113- 115

3.      Апанель Е.Н., Мастыкин А.С. Основы восстановления нарушенных функций после инсульта. Мн., 2005, 168 с.

4.      Апанель Е.Н. // Медицинский журнал.- 2008.- № 2.- С. 117–120.

5.      Апанель Е.Н.// Военная медицина. 2009. № 2. С. 117-124.

6.      Асаи К., Ватада Д., Иваи С. и др. Прикладные нечеткие системы: Пер. с япон./под ред. Т. Тэрано, К. Асаи, М. Сугено.- М., Мир.-1993.- 368 с.

7.      Безобразова, С.В., Головко В.А., Евстигнеев В.В. Вспомогательная диагностическая система для анализа ЭЭГ нейросетевыми методами // Вестник БрГТУ.- 2008.- № 5.- С. 70-76.

8.      Безобразова С.В., Головко В.А., Евстигнеев В.В..// Вторая Международная конференция "Современные информационные и телемедицинские технологии для здравоохранения" 1-3 октября, Минск, Беларусь.- 2008.- С. 133-137.

9.      Бехтерева Н.П., Бондарчук А.В., Смирнов В.М., Трохачев А.И. Физиология и патофизиология глубоких структур мозга человека (очерки) /под ред. Н.П. Бехтеревой.- М.: Медицина.- 1й967.- 260 с.

10.  Бехтерева Н.П. Магия мозга и лабиринты жизни. М.; СПб., 2008

11.  Вилков В.Г., Оганов Р.Г., Шальнова С.А. // Физиология человека.-. 2006.- № 6.- С. 33-37.

12.   Головко В.А. Нейронные сети: обучение, организация и применение. Кн.4: Учеб. пособие для вузов /Общая ред. А.И.Галушкина.-М.:ИПРЖР.-2001.-256 с.

13.   Головко В.А. Нейросетевые методы обучения и обработки информации в системах управления и прогнозирования. Автореф...дисс. докт. наук. 05.13.01. Минск, 2002. 46 с.

14.   Головко В. А., Чумерин Н. Ю., Савицкий Ю. В. Нейросетевой метод оценки спектра Ляпунова по наблюдаемым реализациям // Вестник Брестского государственного технического университета. - 2002. - №4. - с. 66-70.

15.  Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика / - Новосибирск: Наука. 1998. – 296 с.

16.  Дривотинов Б.В., Апанель Е.Н., Новоселова Н.А., Мастыкин А.С. // Медицинский журнал.-  2009.- № 1.- С. 143-148.

17.  Евстигнеев В.В., Апанель Е.Н., Новоселова Н.А., Мастыкин А.С. // ARS MEDICA.- 2009.- № 3.- С. 60-72.

18.  Евстигнеев, В.В., Апанель Е.Н., Мастыкин А.С. // Медицинский журнал.  2009. № 3. С. 113-119.

19.  Евстигнеев В.В., Апанель Е.Н., Мастыкин А.С. // Актуальные проблемы медицинской экспертизы и реабилитации больных и инвалидов. Материалы междунар. конфер. Минск, 20-21 мая. Минск, 2010.  С. 349-355.

20.  Клаузиус P. Механическая теория тепла. В кн.: Второе начало термодинамики, М.—Л., 1934. С. 71—158.

21.  Козюк Г.В. //Медицина 2004 № 4, С. 63-68

22.  Котов Ю. Б. Методы формализации профессионального знания врача в задачах медицинской диагностики. Автореф…. дисс. докт. физ-мат. наук 05.13.18 . Москва – 2002.

23.  Лаврентьева, С. В. О.В. Кистень, Головко В.А., Евстигнеев В.В.. // Новости медико-биологических наук. – 2010. - №1. – С. 114-123.

24.   Ляпунов А. А. О математическом подходе к изучению жизненных явлений. — В кн.: Математическое моделирование жизненных процессов. М.: Мысль, 1968, с. 65—107.

25.  Мастыкин А.С., Дривотинов Б.В., Апанель Е.Н. //Белорусский медицинский журнал. – 2005.- № 1.- С. 18-21.

26.  Мастыкин А.С., Дривотинов Б.В., Апанель Е.Н. // Весцi НАН Беларусi (сер. мед. навук). – 2006. – № 1. – С. – 76-82.

27.  Минский М., Пейперт С. Персептроны. - М.: Мир, 1971. 264 с.

28.  Мисюк Н.С. Модели механизмов мозга человека. Мн. 1973. 152 с.

29.  Новоселова Н. А. Алгоритмы построения гибридного нечеткого классификатора для анализа медицинских данных. Автореф. дисс. канд. техн. наук. 05.13.18.  Минск, 2008.

30.  Новоселова Н. А., Мастыкин А.С., Том И.Э.// Искусственный интеллект. 2008. № 3. С. 105-112.

31.  Пархоменко А.Н. «Детерминированный хаос» и риск внезапной сердечной смерти. //Тер. арх.1996; № 4. С. 43-44.

32.  Пригожин И., Стенгерс И. Порядок из хаоса. М. 1986.

33.  Розенблат Ф. Принципы нейродинамики. М., 1965

34.  Реброва О.Ю., Максимова М.Ю., Пирадов М.А. // Журнал неврологии и психиатрии им. С.С. Корсакова. Инсульт (Приложение), 2004, вып. 12, с. 23-28.

35.  Сидоренко Г.И., Широков А.М., Вопнярский В.И. // Докл. Акад. наук БССР. 1982. Т. 26 № 7 С. 665-668 

36.  Сидоренко Г.И. Творчество и медицина: поиск неочевидных решений. Мн.- 2002.

37.  Сидоренко Г.И., Фролов А.В., Котова О.В., Станкевич В.И.// Кардиология. 2004  № 1. С. 14-19.

38.  Сидоренко Г.И //Кардиология. 2004  № 7. С. 4-9.

39.  Степанова М.Д., Самодумкин С.А. Прикладные интеллектуальные системы в области медицины. Учеб.-метод. пособие. Минск. 2000. 39 с.

40.  Хехт-Нильсен Р. // Открытые системы. 1998. № 4. С.32-37.

41.  Ухтомский А.А. Доминанта. СПб., 2006. С. 396.

42.  Шалькевич В.Б., Мастыкин А.С., Апанель Е.Н., Котова С.Г. Диагностика преходящих нарушений  мозгового кровообращения. –Мн.,1998. 18 с.

43.  Шустер Г. Детерминированный хаос. - М.: Мир, 1980. - 317 с.

44.  Энгельс Ф. Анти-Дюринг. М. 1988. 482 с. - С. 84—85.

45.  Baxt W.G. Cancer Lett. – 1994.- Vol. 77, № 2-3.- Р. 85-93.

46.  Easton J.D., Saver J.L., Albers G.W. et al. //.- Stroke 2009.- Vol. 40.-№ 6.- P. 2276-2293.

47.  Janse M. //Br. Heart. J. 1992. Vol. 67. P. 3-4.

48.  Kosko B. Fuzzy Thinking: The New Science of Fuzzy Logic. Hyperion. 1993.

49.  Krasnoproshin V., Obraztsov V., Vissia H. Knowledge as an Object of Mathematical Formalization // Special Issue of International Association AMSE, Leon, France, 1999. Р.33-45.

50.  Laurentsyeva S., Golovko V., Evstigneev V. // Proceedings of the Tenth International Conference of Pattern Recognition And Information Processing (PRIP’2009), Minsk, Belarus, 19 – 21 May. – Minsk, 2009 – P. 327–331.

51.  Shanthi D., Sahoo G., Saravanan N. // IJCSNS. 2008. Vol. 8 № 12. Р. 99-107.

52.  Zadeh L.A. // Communications of the ACM. 1994. Vol. 37. № 3. P. 77-84.

 

______           

* Под термином «стохастическое моделирование» мы понимаем объединение нескольких разделов математики, изучающих случайные явления: детерминистскую теорию хаоса, теорию вероятностей, математическую статистику, теорию игр, теорию случайных процессов, теорию катастроф. Внимание акцентируется на нестабильные, неустойчивые, хаотизированные системы (или состояния, в т.ч. диагнозы состояния), и которые в любой момент могут быть подвержены качественным и/или структурным изменениям и перестройкам. В живом организме такой системой является кардиоцереброваскулярный комплекс, очень чувствительный к абнормальным влияниям на него. Прогнозирование в этом аспекте осуществляется с целью предотвращения возможных патологических качественных и/или структурных изменений и перестроек.

 

 

 

 

 

 

 

 

 

V.V. EVSTIGNEEV1, V.A. GOLOVKO2, A.S. MASTYKIN1, E.N. APANEL3, O.V. KISTEN1,            S.V. LAVRENTSEVA2

 

NEURONET   MODELLING   AND   THEORY   OF   CHAOS : POSSIBILITIES FOR CONSTRUCTING PROGNOSIS-DIAGNOSIS MEDICAL SYSTEMS.

1Belarusian Medical Academy of Post-Graduate Education

2Brest State Technical University

3Scientific and Clinical Center o f Neurology and Neurosurgery, Minsk, Belarus

 

Summary: Results of research on application of neural network qualifiers within the limits of the concepts of the theory of chaos and stochastic modeling by examples of recognition of transient ischemic attacks (TIA) subtypes and revealing of epileptogenic zones in structures of the brain on EEG records are presented. Neural network classification can be put into the basis of creation of assisting intellectual prognostic/diagnostic systems on prevention of episodes TIA at a subclinical stage of their development and to revealing the epileptogenic centers with the purpose of acceptance of prophylactic measures on prevention of development of full completed epileptic seizures.

 

 

РЕФЕРАТ

УДК 616.8-005-072:517.938

Евстигнеев В.В., Головко В.А., Мастыкин А.С., Апанель Е.Н., Кистень О.В., Лаврентьева С.В. Нейросетевое моделирование и теория хаоса: возможности построения прогнозно-диагностических медицинских систем // Весцi НАН Беларусi. Сер. мед. навук,  2010, № 3. С. 109-118.

     Приведены результаты исследования по применению нейросетевых классификаторов в рамках концепций теории хаоса и стохастического моделирования на примерах распознавания подтипов транзиторных ишемических атак (ТИА) и выявления эпилептогенных зон в структурах мозга по записям ЭЭГ. Нейросетевая классификация может быть положена в основу создания ассистирующих интеллектуальных прогнозно-диагностических систем по предотвращению эпизодов ТИА на субклинической стадии их развития и выявлению эпилептогенных очагов с целью принятия превентивных мер по предотвращению развития полного развернутого эпилептического приступа.

Табл. 1.Библиогр. – 52 назв.

 



03.12.2022

Навигация

Новости

01.05.2016

Читать далее...

29.01.2016

Читать далее...

  • Все новости (20)
  • Реклама

    Счетчики

     
    Яндекс.Метрика
    Яндекс цитирования
    для спамеров
    поиск по телефонуКупить виагру в аптеках москвыЕвро ford vin код бесплатноКризис часть 3 играстудия Diamond Федерация Pole DanceМонтаж системы отопления в омскеОнлайн игра Черепашки-НиндзяКупить виагру софт в ростовестол на заказ омсквиагра купить онлайниграть онлайн спанч бобпривороты любовь онлайн,гта5 играть на компьютереdocument.write('');