Опыт применения алгоритмов прогнозирования для оценки риска нарушений ремоделирования костной ткани при сахарном диабете

Аннотация. В работе представлены результаты изучения модели искусственной нейронной сети. Полученная модель была реализована с использованием многослойной, обучающейся векторной оптимизации и обобщенной регрессии и использована для создания приложения для прогнозирования класса риска развития остеопороза при сахарном диабете.

Ключевые слова: искусственные нейронные сети; сахарный диабет; остеопороз.

Искусственные нейронные сети (ANN) – форма вычислительных моделей, характеризующихся системами с математико-логистической структурой для обработки информации [1]. Вдохновленные нейрофизиологией человека, они имеют большой потенциал в медицинской диагностике и прогнозировании заболеваний. ANN учатся распознавать сложные шаблоны, существующие между входными сигналами и соответствующими выходами. ANN особенно подходят для решения задач нелинейного типа и анализа сложных наборов данных [1, 2]. Обработка данных начинается с этапа обучения, на котором представлен набор данных с уже известными ответами, изменяющими силу соединения в сети таким образом, чтобы ответы ANN был максимально похожим на ответ, получаемый в ходе обработки данных специалистом. Роль ANN в медицине можно охарактеризовать так: от обучения ученика до практики врача. Ожидается, что впоследствии ANN приобретет способность обобщать, то есть приобретет возможность предоставлять ответы, при большом количестве неизвестных составляющих и улучшит прогностическую ценность анализа [1, 3].

Использование ANN в клинической практике весьма перспективно, поскольку она представляют собой компьютерную модель, чрезвычайно полезную для решения сложных клинических задач [4]. Более того, описаны положительные эффекты ANN в процессах с систематическим анализом данных и разработкой новых подходов к решению поставленных задач [2, 5]. Математическая структура ANN позволяет одновременно обрабатывать очень большое количество переменных, характеризующих данные, собранные в клинической сфере.

Компьютерные программы разработанные на базе использования логики ANN помогают уменьшить количество времени, затраченного на решение клинических задач [6, 7]. Эти программы позволяют моделировать ситуации с обработкой сложных переменных, когда влияние одних факторов на другие не может быть спрогнозировано [6]. Следует также отметить, что компьютерные модели, на базе нейронной сети, находят все большее применение в медицине, расширяют границы научных исследований, помогают углублению знаний о бесчисленных клинических состояниях и способствуют разработке новых прогностических методов, а также разработке новых подходов к прогнозированию и моделей стратегического планирования в лечении [8]. Так, искусственные нейронные сети успешно используются во многих областях медицины [7], в процессах изучения динамики клинических процессов и в лабораторной диагностике [4, 5].

Дискриминантный анализ обычно использует ограниченное число переменных при построении своих моделей: на основе линейной корреляции с зависимыми переменными. Другими словами, для статистического анализа существует определенный критерий, т.е. индекс корреляции, который может быть использован для построения прогностической модели, направленной на идентификационную оценку. В теории нечетких множеств существует линейка свойств, обладающих рядом возможностей, которые делают их пригодными для применения в медицинском прогнозировании. Результаты ряда исследований показали, что результаты выводов ANN при многомерном анализе клинических данных более точны, чем традиционные статистические методы [8]. Это впечатляющий результат, поскольку он поддерживает гипотезу о том, что модели прогнозирования на основе ANN обладают большей обобщающей способностью, чем обычные прогностические модели. ANN не ограничены априорными предположениями относительно количества и характера переменных, поэтому они могут использовать более широкий диапазон доступной информации, а также переменные с очень слабым индексом линейной корреляции. По этой причине, суть использования ANN в медицинской практике, состоит в том, чтобы включить в анализ все переменные, которые, согласно опыту врача, могут иметь какую-то связь с исследуемой проблемой. Фактически, медицинская диагностика – это, в основном, феномен классификации моделей. Так, на базе ввода некоторых данных, предоставленных пациентом, эксперт дает заключение, основываясь на своих знаниях. Результат рассчитывается так – либо пациент болен определенной болезнью, либо нет. Медицинский диагноз, такой как наличие патологического процесса в организме, как правило, зависит от множества факторов, таких как возраст пациента и семейный анамнез. Эти зависимости могут основываться на сложных отношениях, которые трудно обнаружить и моделировать явно. ANN идеально подходят для моделирования таких отношений, поскольку они не требуют априорных знаний о базовых данных. ANN могут автоматически определять и моделировать любые произвольные отношения между входными и выходными переменными [7, 8]. Однако, такие методы ограничены избыточным количеством данных и сложностью их обработки. Одной из основных проблем является выявление и изъятие лишних данных, которые, как правило, не исключаются из базы данных, поскольку они могут содержать значительное количество информации. Для управления этими проблемами нужна оптимизация стратегий выборки данных, полученных с помощью систем, основанных на эволюционных алгоритмах, что может как улучшить емкость представления подмножеств данных, используемых в обучении ANN, так и облегчить оценку точности производительности сетевой модели.

Преимущество метода также в том, что использование ANN не требует глубоких технических знаний. Существует множество доступных программных продуктов с удобными интерфейсами, которые могут быть использованы для быстрой сборки ANN без необходимости понимать присущие структуре сети тонкостей [8]. Включение ANN в клиническую практику, демонстрирует серьезный прорыв в осознании проблем современной медицины и клинические преимущества в их решении [7]. В проделанной нами работе предложена система медицинского прогнозирования, которая сгенерирована с использованием Fuzzy Logic Toolbox в MATLAB. В частности, она фокусируется на медицинском анализе.

В данной работе дается краткое описание системы поддержки принятия решений на основе биомедицинских данных классифицирующих показатели необходимые для скрининга больных с изменением костного метаболизма среди пациентов с сахарным диабетом. В исследовании изучается эффективность алгоритма Levenberg-Marquardt (LM) на одном наборе данных, собранном у пациентов с диабетом, для попытки свести к минимуму прогностическую ошибку классификации пациентов с риском остеопороза. Алгоритм обучения применяется к динамически построенной нейронной сети для минимизации ошибки путем непрерывного обучения сети до достижения оптимального уровня эффективности. Выполнение задачи проверяется путем проведения сравнительного исследования. Исследование сравнения включает в себя тестирование динамически построенной сети и представляет критический анализ результатов классификации. Производительность нейронной сети измеряется с точки зрения чувствительности и специфичности для различных алгоритмов обучения. В работе была изучена хорошо известная модели классификации, являющаяся искусственной нейронной сетью, которая была реализована с использованием многослойной, обучающейся векторной оптимизации и обобщенной регрессии. Данная модель была использована для создания приложения для прогнозирования класса риска развития остеопороза при сахарном диабете.

Заключение. В данной работе применено использование алгоритмов прогнозирования для классификации риска остеопороза у пациентов с сахарным диабетом. Разработанная автоматическая прогностическая система, использует только текстовую информацию о приеме из электронных медицинских записей и помогает клиницистам своевременно и обоснованно принимать решения. Предназначение разработанной программы на основе ANN состоит в том, чтобы данный инструмент мог использоваться для уменьшения случаев прогностических ошибок. Достижения в области когнитивных вычислений способствуют созданию «интеллектуальных» машин, имеющих опыт управления и обработки данных. Однако, не следует ожидать, что современные компьютерные технологии решат все проблемы, но их использование может оказать серьезную помощь, особенно в контексте, применения в сфере медицины.