Невросайт

ПРИМЕНЕНИЕ АДАПТИВНОЙ НЕЙРО-НЕЧЕТКОЙ МОДЕЛИ

ДЛЯ РАСПОЗНАВАНИЯ ПОДТИПОВ ТРАНЗИТОРНЫХ ИШЕМИЧЕСКИХ АТАК 

Новоселова Н.А.¹ , Апанель Е.Н.², Дривотинов Б.В³. Мастыкин А.С. ³

¹Объединенный институт проблем информатики НАН Беларуси, Минск
²РНПЦ неврологии и нейрохирургии МЗ РБ, Минск
³Белорусский государственный медицинский университет, Минск

    Своеобразие клинической проблемы выделения подтипов транзиторных ишемических атак (ТИА) заключается, прежде всего, в сложности получения выборки исходных данных. Основное из того, чем мы располагаем – это анамнез с расплывчатыми нечеткими описаниями пациентом неврологической симптоматики, как прошедшей, так и нечетко («вроде бы») все еще удерживающейся [1-4]. Первые попытки решения этой задачи с помощью экспертных систем оказались неудачными, так как технологии реализации формально-логических решений и сама лингвистическая структура этих решений были несовершенны – не были разработаны эффективные классифицирующие правила [5, 6]. В настоящее время на базе теории распознавания образов и систем искусственного интеллекта положение существенно изменилось [1-4, 7-10].    

    В этом контексте мы подошли к решению проблемы распознания подтипов ТИА по нечетким анамнестическим данным с использованием адаптивной нейро-нечеткой модели (АННМ) на базе  нечеткой формальной логики [2-4, 7, 9-11].

    Цель настоящего сообщения – осветить возможности АННМ для выделений подтипов ТИА с последующим углубленным анализом этиопатогенетической неоднородности (гетерогенности) этой нозологической единицы с последующей разработкой лечебно-профилактических мероприятий по предотвращению возникновения и развития ее эпизодов.

    Материал и методы.  Обучающая  выборка - это база данных, включающая 101 наблюдение клинически выверенных случаев пациентов с атеротромботическим этиопатогенезом эпизодов ТИА (СубТИА1) – 22 наблюдения, кардиоэмболическим (СубТИА2) – 23 наблюдения и гипертензивным (СубТИА3) – 22 наблюдения. Контрольная группа НОРМА включала 34 наблюдения.

    По специальным критериям (лингвистическим правилам) ННМ, или нейро-нечеткий классификатор, была обучена различать перечисленные выше классы. Из общего исходного числа переменных 26 признаков (жалобы пациента и симптомы) с помощью дискриминантного анализа были выделены из них наиболее релевантные к ТИА. 

    Результаты и обсуждение. В отличие от традиционного классического статистического исследования по принципу, чем больше признаков рассматривается, тем лучше, интеллектуальные классификаторы, в том числе и АННМ, строятся на небольшом количестве исходных независимых переменных (предикторов), обычно не более десяти [2, 3, 9]. Технической основой классификации ННМ являются выделенные ею лингвистические правила [7]. В нашем случае их пять. Так, по четырем предикторам ПРОФЕССИЯ, БЕССОННИЦА, ЗРИТЕЛЬНЫЕ РАССТРОЙСТВА И БОЛИ В ОБЛАСТИ СЕРДЦА (их коды соответственно PROFESSN, INSOMNIA, OPDISODS и HEARTACH) точность распознания по тестовой выборке (40 наблюдений) была 75%. Схема использованного нами трехслойного классификатора (АННМ) приведена на рис.

    Наиболее «ТИА-опасное» направление – артериальная гипертензия СубТИА3 (половина всей выборки – 20 наблюдений, 50%), затем следует кардиоэмболия, СубТИА2 (7 наблюдений, 17,5%), «чистый» церебральный атеросклероз СубТИА1 оказался самым малочисленным, всего три наблюдения, 7,5%. Десять наблюдений (25,0%) были отнесены к классу НОРМА, что, однако, не может служить основанием для уверенности отсутствия возможности развития эпизода ТИА в будущем.

Рис. АННМ с пятью классифицирующими правилами (R₁ – R₅) и заданными лингвистическими значениями нечетких множеств для дифференциальной диагностики подтипов ТИА (С₁-С₃ и НОРМА, С₄); лингвистические значения нечетких множеств: М –«малое», С –«среднее», Б – «большое».

        Важная деталь на этой схеме - прямой выход на класс С₃ (гипертензивный подтип СубТИА3) признаков INSOMNIA и HEARTACH через правила  R₃  и    R₄.  
 

    Заключение. Учитывая отсутствие четко отлаженных методов распознания подтипов ТИА, нечеткость и неуверенность в точности анамнестических данных пациента, полученные результаты вполне приемлемы для практической работы. Результаты исследования указывают на целесообразность и перспективность использования нейро-нечеткой модели для распознания (дифференциальной диагностики) подтипов транзиторных ишемических атак. 
 
 

Дополнительные комментарии и пояснения. 

          В середине прошлого столетия была предпринята попытка   внедрить в клиническую практику понятия “Развивающийся инсульт (Stroke in evolution)” и “Завершенный инсульт (Completed stroke)”. Эта попытка была отвергнута, т.к. “они не обозначают ни конкретного патогенеза церебральной ишемии, ни локализации и протяженности ишемического очага, ни выраженности неврологической симптоматики”. Однако, они были и остаются  вполне приемлемым и удобным исходным пунктом для внедрения в клиническую практику классификационных методов изучения дальнейшего развития континуума начавшегося цереброваскулярного патологического процесса и его логического завершения инфарктом мозга с применением методов теории распознавания образов. Действительно, пользуясь только традиционными клиническими методами, практически невозможно с достаточно оправданной уверенностью предсказать направление и исход начавшегося цереброваскулярного ишемического процесса, начиная с эпизодов ТИА и в последующем продвижении к ишемическому инсульту. Предыдущими нашими работами доказана гетерогенность этого нозологического понятия. которая образована преимущественно атеросклеротической, кардиоэмболической и гипертензивной этиологической составляющей. Границы между этими составляющими нечеткие. Как математические множества (с нечеткими границами, «пушистые», fuzzy sets) они достаточно обособлены, но, в тоже время, пересекаются друг с другом симптоматически и феноменологически. Полученная ранее доказанность гетерогенности этой нозологии статистически, получает дальнейшее подтверждение с помощью методов искусственного интеллектуального анализа, в частности, применением классификатора на базе адаптивной нейро-нечеткой модели.      С ТИА приходится встречаться в клинической практике не только неврологам, но и семейным врачам, кардиологам, терапевтам, нейрохирургам, ангиохирургам, офтальмологам. Несмотря на большую распространенность этого заболевания, во многих случаях отсутствуют единые и научно обоснованные подходы к его диагностике, лечению и профилактике, тем более, индивидуализированные адресные мероприятия. Очень многие больные с ТИА не обращаются за медицинской помощью. А из числа обратившихся большинство пациентов не получают необходимого медикаментозного или хирургического лечения, направленного на предотвращение мозгового инсульта. Наиболее авторитетными профилактическими рекомендациями на сегодня являются рекомендации Europeаn Stroke Initiative и American Heart Association (АНА), но и они еще нуждаются в доработке.

В общей схеме «Человек - интеллектуальная машина» предлагаемый классификатор работает по схеме «Врач - АННМ» в следующей последовательности:

Полученное формально-логическое классификационное решение АННМ сопоставляется врачом в соответствии с его клиническими представлениями и опытом.

          АННМ – это интеллектуальный инструмент в руках врача. 
 
 
 
 
 
 
 
 
 
 
 

В основе структуры искусственной нейронной сети (artificial neural network, ANN) лежит

ФОРМАЛЬНЫЙ НЕЙРОН.

Формальный нейрон - в нейронных сетях – функциональный процессорный элемент, преобразователь данных, получающий входные данные и преобразующий их в соответствии с заданной функцией и параметрами.  

Упрощенная функциональная схема формального нейрона.

НЕЙРОННАЯ СЕТЬ - вычислительная или логическая схема, построенная из однородных процессорных элементов, содержащих в себе правила решений, являющихся упрощенными функциональными моделями нейронов. В данной работе используется трехслойная сеть, рис.  

ВХОДНОЙ НЕЙРОН (Рис.  PROFESSN, INSOMNIA, HEARTACH OPDISODS) - формальный нейрон, выполняющий в конкретной системе нейронов (нейронной сети) функцию входа, т. е. воспринимающий сигналы (образы) только от внешней для данной системы среды («вырожденный нейрон», никаких преобразований не производит).

ПРОМЕЖУТОЧНЫЙ НЕЙРОН (Рис. R1 -R5)– составной функциональный элемент промежуточного слоя правил.      

ВЫХОДНОЙ НЕЙРОН (Рис. C1-С4) верхнего выходного слоя осуществляет передачу проведенного решения (распознанного образа) на выход для дальнейшей работы. Состояние возбуждения выходного нейрона верхнего слоя указывает на принадлежность входного образа (одного из признаков ТИА) к определенному классу (подтипу ТИА). Предлагаемая АННМ выходными нейронами верхнего слоя переводит входное сообщение (образ) в выходное сообщение (образ).

Как правило, число выходных нейронов меньше или равно числу входных. 
 

Литература

1. Дривотинов Б.В., Апанель Е.Н., Мастыкин А.С. Прогноз-диагностика транзиторных ишемических атак и их лечебно-профилактическое предупреждение// Медицинский журнал.-2006.-№ 3.- С. 116-119
2. Дривотинов Б.В., Апанель Е.Н., Мастыкин А.С. Транзиторные ишемические атаки в свете современных нейропатофизиологических представлений// В кн.: Нейрогуморальные механизмы регуляции функций в норме и патологии. Минск, 2007.- С. 295-301.
3. Дривотинов Б.В., Мастыкин А.С., Апанель Е.Н., Новоселова Н.А. Использование нечеткой нейросетевой модели для дифференциальной диагностики подтипов транзиторных ишемических атак // Медицинский журнал.-2007.-№ 2.- С. 102-105.
4. Дривотинов Б.В., Апанель Е.Н., Новоселова Н.А., Мастыкин А.С., Федулов А.С. Адаптивная нейро-нечеткая модель для дифференциальной диагностики подтипов транзиторных ишемических атак// Военная медицина.- 2007.- № 4.- С. 101 – 106.
5. Мастыкин А.С., Антонов И.П., Шалькевич В.Б., Вашкевич В.М. Роль экспертной системы в изучении патогенеза и постановке диагноза преходящих нарушений мозгового кровообращения.  Периферическая нервная система.- Вып. 19.-  Мн.- 1996.- С. 102-108.
6. Мастыкин А.С., Антонов И.П., Шалькевич В.Б. Роль экспертной системы для профилактики и лечения преходящих нарушений мозгового кровообращения. Периферическая нервная система.- Вып. 21.- Мн.- 1998.- С. 121-125.
7. Новоселова Н.А., Том И.Э., Красько О.В. Нечеткое  нейросетевое моделирование для получения интерпретируемого набора классифицирующих правил //  Искусственный интеллект. - 2006.- № 2.- С. 211-214.
8. Пат. BY 8997, C1, 2007 Способ назначения лечебно-профилактических мероприятий по предотвращению транзиторных ишемических атак/Апанель Е.Н., Мастыкин А.С.// Вынаходствы. Карысныя модэли. Промысловыя ўзоры: Офiц. бюл./Нац. цэнтр iнтэлектульн. уласнасцi.- 2007.- № 1 (54).- С. 41.  
9. Реброва О.Ю., Максимова М.Ю., Пирадов М.А. Нейросетевой алгоритм диагностики патогенетических подтипов ишемического инсульта //Ж. неврологии и психиатрии им. С.С. Корсакова. Инсульт (Приложение), 2004, вып. 12, С.- 23-28.
10. Baldassarre D., Grossi E., Buscema M., Intraligi M. Recognition of patients with cardio-vascular disease by artificial neural networks//Ann. med.- 2004.- Vol. 36.- № 8.- P.  630-640.
11. Zadeh, L. Biological application of the theory of fuzzy sets and systems / L. Zadeh // Proceedings of the International Symposium on Biocybernetics of the Central Nervous System. Boston: Little, Brown & Co., 1969. P. 199-212.