Содержание к диссертации
Введение
1. Основные методы и возможные пути повышения эффективности диагностики остеопороза 8
1.1. Современное состояние проблемы диагностики остеопороза 8
1.2. Анализ современных методов исследования костной ткани 16
1.3. Обзор методов принятия решений в медицинской диагностике 29
1.4. Цели и задачи исследования 33
2. Технология классификации пациентов и принятия решений при диагностике остеопороза 34
2.1. Предварительный анализ статистических данных 34
2.2. Разработка решающих правил для классификации пациентов с применением статистических методов 46
Выводы второй главы 62
3. Моделирование процесса диагностики стадии остеопороза 64
3.1. Формирование экспертной системы дифференциальной диагностики остеопатии 64
3.2. Применение метода k-ближайших соседей для поддержки принятия решений при диагностике стадии остеопороза 89
3.3. Моделирование процесса диагностики стадии остеопороза с применением искусственных нейронных сетей 99
Выводы третьей главы 113
4. Результаты реализации и апробации автоматизированной компьютерной системы поддержки принятия решений при диагностике остеопороза 115
4.1. Принципы разработки автоматизированной компьютерной системы обработки информации и диагностики остеопороза 115
4.2. Результаты апробации и внедрения результатов работы 119
Заключение 122
Список литературы 124
Приложения 134
- Современное состояние проблемы диагностики остеопороза
- Разработка решающих правил для классификации пациентов с применением статистических методов
- Применение метода k-ближайших соседей для поддержки принятия решений при диагностике стадии остеопороза
- Принципы разработки автоматизированной компьютерной системы обработки информации и диагностики остеопороза
Введение к работе
Актуальность темы. В настоящее время во всем мире остеопороз определяется как «прогрессирующее системное заболевание, характеризующееся снижением плотности костной ткани и нарушением микроархитектоники костной ткани» (Всемирная организация здравоохранения). Постоянно увеличивающаяся хрупкость костей приводит к повышению риска переломов, который представляет собой один из наиболее значимых клинических аспектов заболевания.
Социальная значимость остеопороза определяется его распространенностью, смертностью, временной и стойкой нетрудоспособностью (инвалидностью). Повышенный интерес к проблеме остеопороза обусловлен серьезностью его последствий для состояния здоровья, стиля жизни, душевного комфорта, значительными экономическими затратами больного и общества в целом. Особенно остро проблема остеопороза проявляется для женщин в период постменопаузы. В десятилетний период после наступления менопаузы (55-60 лет) отмечается быстрое увеличение частоты переломов у женщин, в то время как среди мужчин того же возраста этот подъем незначителен.
Несмотря на наличие множества современных разнообразных методов диагностики данного заболевания, при их использовании в ежедневной практике возникают трудности, связанные с наличием большого количества альтернативных вариантов и отсутствием точных математических методов и алгоритмов рационализации процесса диагностики. В практике нередки случаи, когда выраженная боль в спине, похудание больного и выявление изменений в позвонках по рентгенограммам заставляют врачей вести онкологический поиск, и только после длительного обследования выставляется диагноз остеопороза. Другие случаи связаны с тем, что иногда даже гистологически подтвержденный остеопороз оказывается позже плазмоцитомой или множественными костными метастазами. Тем не менее, при выслушивании жалоб больного и сборе анамнеза необходимо проанализировать все данные, свидетельствующие о возможности развития остеопороза или другой остеопатии. Для накопленной клинической информации специалиста с недостаточным опытом это может оказаться достаточно трудной задачей.
Таким образом, актуальность темы заключается в необходимости разработки методов интеллектуальной поддержки процесса диагностики остеопороза на основе методов искусственного интеллекта и математических моделей.
Работа выполнена в рамках НИР ГБ 2004.27 «Управление процессами диагностики и лечения на основе информационно-интеллектуальных технологий» в соответствии с основными научными направлениями Воронежского государственного технического университета
«Биокибернетика, компьютеризация в медицине» и «Проблемно-ориентированные системы управления».
Цели и задачи исследования. Цель диссертационной работы состоит в разработке алгоритмов и моделей, направленных на повышение эффективности и качества диагностики остеопороза на основе оценки клинических и рентгенологических признаков с применением современных информационных технологий. Для достижения поставленной цели необходимо решить следующие задачи:
разработать совокупность решающих правил на основе методов прикладной статистики для классификации пациентов в зависимости от стадии остеопороза;
разработать алгоритм, который позволял бы относить пациента к одному из выделенных классов, используя накопленную клиническую информацию;
построить модель для дифференциальной диагностики остеопатии по анамнестическим данным, данным рентгенологического и лабораторного исследования на основе технологии экспертных систем;
на основе нейросетевого моделирования построить систему, обеспечивающую оценку состояния больного остеопорозом;
разработать и внедрить автоматизированную компьютерную систему, обеспечивающую рациональную диагностику остеопороза для повышения эффективности диагностики в клинических условиях.
Методы исследования. Для достижения поставленных задач в работе были использованы методы системного анализа, распознавания образов, прикладной статистики, методы искусственного интеллекта и нейронных сетей.
Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:
совокупность решающих правил на основе методов прикладной статистики, позволяющих производить классификацию пациентов по различным диагностическим показателям для определения стадии остеопороза;
алгоритм на основе метода -ближайших соседей, основанного на оценке плотности распределения расстояний, который позволяет, используя знания экспертов в виде совокупности известных решений (базе данных накопленной клинической информации), относить пациента к одному из выделенных классов;
модель интеллектуальной поддержки при дифференциальной диагностике остеопатии на основе технологии экспертных систем и система продукционных правил, позволяющая по анамнестическим данным, данным рентгенологического и лабораторного исследования ставить пациенту диагноз;
модель нейронной сети, обеспечивающая информационную поддержку принимаемых лечащим врачом решений с проведением количественной оценки влияния различных диагностических показателей на выходной сигнал сети;
автоматизированная компьютерная система, объединяющая различные методы и алгоритмы и позволяющая их применять в зависимости от ситуации.
Практическая значимость и результаты внедрения.
Разработана и научно обоснована совокупность методов поддержки принятия решений при диагностике остеопороза, позволяющая повысить качество диагностики стадии остеопороза, а также проводить дифференциальную диагностику остеопороза с другими видами остеопатии.
Результаты исследований в виде информационного и программного обеспечения автоматизированной системы сбора, обработки и анализа медицинской информации апробированы в практической деятельности ГКБ СМП №10 «Электроника».
Теоретические результаты диссертационной работы внедрены в учебный процесс кафедры системного анализа и управления в медицинских системах Воронежского государственного технического университета по дисциплинам «Моделирование биологических процессов и систем», «Управление в биологических и медицинских системах», «Технические методы диагностических исследований и лечебных воздействий».
Медицинская эффективность работы заключается в возможности использования разработанной экспертной системы для обучения специалистов дифференциальной диагностике остеопороза с другими видами остеопатии и оценке степени развития остеопороза.
Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на следующих конференциях, совещаниях и семинарах: Всероссийской конференции
«Интеллектуализация управления в социальных и экономических системах» (Воронеж, 2005, 2007); Всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 2005); Межрегиональной научно-практической конференции «Информатизация образовательного процесса и управления образованием. Сетевые и Интернет-технологии» (Воронеж, 2005); научно-методическом семинаре кафедры системного анализа и управления в медицинских системах Воронежского государственного технического университета (Воронеж, 2004, 2005, 2006).
Публикации. Основные результаты диссертации опубликованы в 12 научных работах, в том числе 3 - в изданиях, рекомендованных ВАК РФ.
Структура и объем работы. Диссертация состоит из введения, четырех глав и заключения, изложенных на 136 страницах, включая список литературы из 107 наименований и приложения, содержит 27 рисунков и 17 таблиц.
Современное состояние проблемы диагностики остеопороза
Принятое в настоящее время определение остеопороза было сформулировано на конференциях в Копенгагене (1990) и Гонконге (1993) следующим образом:
«Остеопороз - это системное заболевание скелета, характеризующееся снижением массы костей и микронарушениями в архитектонике костной ткани (рис. 1.3.1), приводящее к увеличению хрупкости костей и возможности их переломов» [4, 46, 67].
Рис. 1.1.1. Микроархитектоника здоровой (слева) и остеопоротической трабекулярной кости (справа)
Социальная значимость остеопороза определяется высокой распространенностью и смертностью от его исходов - переломов бедра, потерей трудоспособности и способности к самообслуживанию, большими экономическими затратами общества на профилактику, лечение и обслуживание. Вместе с тем, многоплановая профилактика, а также длительное лечение могут снизить частоту и риск переломов [78, 86, 70].
Остеопороз - серьезная, постепенно усугубляющаяся проблема всемирного здравоохранения. В настоящее время изучение остеопороза в России активно проводится многими научно-исследовательскими институтами и кафедрами медицинских университетов. Состоявшийся в апреле 1995 г. I Российский симпозиум по остеопорозу и последующее образование Российской ассоциации по остеопорозу позволили объединить усилия разных специалистов (ревматологов, эндокринологов, ортопедов-травматологов, гинекологов и др.) для научной разработки этой проблемы, систематизации знаний, обучения врачей различного профиля и широкой пропаганды знаний среди населения [4, 67].
В рамках Европейского многоцентрового исследования EVOS-EPOS было проведено эпидемиологическое исследование стратифицированной по возрасту случайной выборки населения Москвы в количестве 600 человек в возрасте 50 лет и старше (300 мужчин и 300 женщин). Остеопороз при костной денситометрии двух отделов скелета (поясничный отдел позвоночника и проксимальный отдел бедренной кости) у женщин выявлен в 33,8%, у мужчин - в 26,9%. Показатели остеопении в соответствии с критериями ВОЗ составили 43,3% и 44,1% соответственно. Частота остеопороза в шейке бедра достигала 19,1%) у женщин и 17,3% у мужчин, а в поясничном отделе позвоночника - 21 и 11,5% соответственно. Следовательно, только у 1/4 женщин и 1/3 мужчин отмечены нормальные показатели МПКТ в возрасте 50 лет и старше, т.е. в группах повышенного в отношении остеопороза риска [1, 67].
Остеопороз - длительно развивающееся заболевание с длительным латентным периодом, что дало основание называть остеопороз «безмолвной эпидемией». Как правило, клинически он проявляется уже при наличии переломов (чаще тел позвонков), сопровождающихся болевым синдромом. У части больных заболевание протекает бессимптомно, и диагноз ставят, заметив при плановом рентгенологическом обследовании по поводу другого заболевания костную деминерализацию и снижение высоты тел позвонков или их клиновидную деформацию. Помимо этого, некоторые типы остеопороза с трудом поддаются лечению. В связи с этим на первый план выходят профилактические мероприятия [1, 67, 70].
Не диагностируемо, не лечится Диагностируемо, не лечится Диагностируемо, лечится Подводя итог, следует отметить, что очень важно обнаружить остеопороз и поставить такой диагноз до того, как случится первый перелом. Кроме того, необходимо создать больному определенные условия жизни и назначить соответствующее лечение, чтобы предотвратить переломы в дальнейшем. Единственный способ для этого - проведение измерений минеральной плотности костной ткани в группах с повышенным риском остеопороза. Так, например, женщины 60 лет и старше должны обследоваться в обязательном порядке [4, 46, 67, 70]. Классификация остеопороза
На рис. 1.1.3 представлена общая схема классификация видов остеопороза. Согласно классификации, принятой на заседании президиума Российской ассоциации по остеопорозу в 1997 году, различают первичный и вторичный остеопороз [46, 67, 86].
Разработка решающих правил для классификации пациентов с применением статистических методов
Основной целью распознавания является построение на основе систематических теоретических и экспериментальных исследований эффективных вычислительных средств для отнесения формализованных описаний ситуаций и объектов к соответствующим классам. В основе такого отнесения (распознавания, классификации) лежит получение некоторой агрегированной оценки ситуации из ее описания. При условии установления соответствия между классами эквивалентности, заданными на множестве решений и множестве объектов распознавания, автоматизация процедур распознавания становится элементом автоматизации процессов принятия решений [10,16,29,79].
Известны следующие типы задач распознавания [33, 64, 88].
1. Отнесение предъявленного объекта по его формализованному описанию к одному из заданных классов - задача распознавания (обучения с учителем).
2. Разбиение множества объектов по их формализованным описаниям на систему непересекающихся подмножеств (классов) - задача автоматической классификации (кластер-анализ, обучение без учителя).
3. Определение информативного набора признаков для построения формализованного описания объекта распознавания; оценка информативности отличительных признаков и их сочетаний - задача выбора информативного набора признаков при распознавании.
4. Построение формализованного описания объекта распознавания -задача приведения исходных данных к виду, удобному для распознавания.
В задачах медицинской диагностики исследователь располагает, как правило, некоторыми результатами обследования пациентов, а также уже установленными диагнозами по каждому из них. То есть исследователь располагает как «входами», так и «выходами» задачи. Эту исходную информацию называют обучающей выборкой. В этом случае цель исследования сводится к описанию процедур, с помощью которых при поступлении только входных данных нового объекта его можно было бы с наибольшей точностью отнести к одному из классов [49, 62, 68, 85, 90].
В данной работе ставилась задача разработки решающих правил постановки диагноза по имеющимся данным обследования пациента. Наиболее подходящим статистическим методом в этом случае представляется метод дискриминантного анализа.
Дискриминантный анализ является разделом многомерного статистического анализа, который позволяет изучать различия между двумя и более группами объектов по нескольким переменным одновременно. Дискриминантный анализ - это общий термин, относящийся к нескольким тесно связанным статистическим процедурам. Эти процедуры можно разделить на методы интерпретации межгрупповых различий -дискриминации и методы классификации наблюдений по группам [20,21, 45].
Методы классификации связаны с получением одной или нескольких функций, обеспечивающих возможность отнесения данного объекта к одной из групп. Эти функции называются классифицирующими и зависят от значений переменных таким образом, что появляется возможность отнести каждый объект к одной из групп.
Дискриминантный анализ находит широкое применение в медицинской практике, когда располагают информацией о некотором числе пациентов, болезнь каждого из которых относится к одному из двух или более диагнозов. На основе этой информации нужно найти функцию, позволяющую поставить в соответствие новым пациентам характерные для них диагнозы. Построение такой функции и составляет задачу дискриминации [62, 84].
Основной целью дискриминации является нахождение такой линейной комбинации переменных (называемых дискриминантными переменными), которая бы оптимально разделила рассматриваемые группы. Линейная функция где т = \,п и k = l,g, называется канонической дискриминантной функцией с неизвестными коэффициентами Д . Здесь 4я - значение дискриминантной функции для m-го объекта в группе к; х - значение дискриминантной переменной ХІ для w-ro объекта в группе к.
С геометрической точки зрения дискриминантные функции определяют гиперповерхности в р-мерном пространстве. В частном случае прир = 2 она является прямой, а при/» = 3 - плоскостью.
Коэффициенты Д первой канонической дискриминантной функции выбираются таким образом, чтобы центроиды различных групп как можно больше отличались друг от друга. Коэффициенты второй группы выбираются также, но при этом налагается дополнительное условие, чтобы значения второй функции были некоррелированы со значениями первой. Аналогично определяются и другие функции. Отсюда следует, что любая каноническая дискриминантная функция d имеет нулевую внутригрупповую корреляцию с d\, ..., dg.j. Если число групп равно g, то число канонических дискриминантных функций будет на единицу меньше числа групп. Однако по многим причинам практического характера полезно иметь одну, две или же три дискриминантных функций. Тогда графическое изображение объектов будет представлено в одно-, двух- и трехмерных пространствах. Такое представление особенно полезно в случае, когда число дискриминантных переменных/? велико по сравнению с числом групп g.
Коэффициенты канонической дискриминантной функции. Для получения коэффициентов Д канонической дискриминантной функции нужен статистический критерий различения групп. Классификация переменных будет осуществляться тем лучше, чем меньше рассеяние точек относительно центроида внутри группы и чем больше расстояние между центроидами групп. Большая внутригрупповая вариация нежелательна, так как в этом случае любое заданное расстояние между двумя средними тем менее значимо в статистическом смысле, чем больше вариация распределений, соответствующих этим средним. Один из методов поиска наилучшей дискриминации данных заключается в нахождении такой канонической дискриминантной функции d, которая бы максимизировала отношение межгрупповой вариации к внутригрупповой.
Применение метода k-ближайших соседей для поддержки принятия решений при диагностике стадии остеопороза
Медицинская диагностика основывается не только на теоретических моделях болезней, анатомии и физиологии, но и на изучении истории болезни и врачебного опыта, приобретенного при лечении других пациентов. В методе рассуждения на основе опыта для решения новых задач используется база данных, содержащая известные решения задач. Эти решения могут быть собраны экспертами в области знаний или могут отображать результаты предыдущих (как успешных, так и неудачных) попыток поиска решения. Рассуждения на основе опыта составляют важный компонент многих диагностических систем, обеспечивая ряд преимуществ при разработке экспертных систем [43,100, 102, 105].
Процесс извлечения знаний может быть упрощен, если механизм рассуждения будет использовать записанные решения экспертов по ряду проблем. Механизм рассуждения может обобщать правила автоматически, применяя их к новым случаям [43]. При этом под случаями вообще будем подразумевать совокупность сведений о некотором пациенте (результаты различных видов обследования и симптомы).
Задачу, решаемую методом рассуждений на основе опыта можно рассматривать в аспекте математической теории распознавания. В целом для таких задач характерен ряд специфичных черт [39,40, 57].
1. Это информационные задачи, которые решаются применением к доступным исходным данным преобразований, состоящих из двух основных этапов: а) приведение исходных данных к стандартному виду, удобному для распознавания; б) собственно распознавание - преобразование формализованного описания в стандартизованную матрицу ответов, соответствующую выбору в качестве ответа (классификационного решения) одной из конечного фиксированного набора возможностей (указание принадлежности объекта определенному классу).
2. В этих задачах можно вводить понятие подобия между объектами, точнее, между их описаниями, формулировать обобщенное понятие близости в качестве основания для зачисления объектов в один и тот же класс и разные классы.
3. В этих задачах можно оперировать набором прецедентов -примеров, классификация которых (в смысле решаемой задачи) известна и которые (в виде стандартных формализованных описаний) могут быть предъявлены алгоритму распознавания для настройки на задачу в процессе обучения.
4. Для этих задач трудно строить формальные теории и применять классические математические методы, поскольку в ситуациях, в которых они возникают, имеет место один из двух случаев: а) уровень формализации соответствующей предметной области и (или) доступная информация таковы, что не могут составить основу для синтеза математической модели; б) математическая модель в принципе может быть построена, однако ее синтез или изучение связаны с такими затратами, что они существенно превышают выигрыш, приносимый решением.
Среди множества алгоритмов реализации метода рассуждений на основе опыта был выбран алгоритм вычисления оценок. Для этого метода характерно введение пространства оценок, промежуточного по отношению к исходным описаниям и допустимым ответам [9, 33, 34]. Алгоритм распознавания при этом рассматривается как суперпозиция двух операторов: распознающего, который в качестве ответов формирует элементы, называемые оценками, и решающего правила, определяющего по оценкам окончательные ответы.
В основе алгоритмов распознавания на основе оценок лежит естественный эвристический принцип, которым пользуется человек, принцип прецендетности или частичной прецедентности, т.е. принятия решений по аналогии, а именно - в аналогичных ситуациях следует действовать аналогично. Принцип работы алгоритма вычисления оценок состоит в нахождении оценок сходства, характеризующих «близость» распознаваемого и эталонного объектов по совокупности признаков [34, 35, 69].
Для построения модели процесса диагностики стадии остеопороза мы использовали совокупность данных лучевого обследования пациентов Воронежского областного диагностического центра, содержащую 96 случаев.
Таким образом, мы имеем множество М классифицированных экспертом случаев со; на этом множестве существует разбиение на три класса Qi по диагнозам: Qj - физиологическая остеопения (46 случаев), Q2 -патологическая остеопения (33 случая) и Q3 - остеопороз (17 случаев); A/ = Q,(Jfi2(Jfi3 Объекты со заданы значениями некоторых признаков/?,, набор которых один и тот же для всех объектов. Совокупность значений признаков pi определяет описание 1{со) объекта со. Каждый из признаков может принимать значения из различных множеств допустимых значений, например: {0, 1, 2, 3} - множество допустимых значений для оценки рентгенологических симптомов в баллах. Тогда исходную информацию -множество случаев с известными диагнозами - представим в виде таблицы обучения (табл. 3.2.1).
Принципы разработки автоматизированной компьютерной системы обработки информации и диагностики остеопороза
Информационные технологии - неотъемлемая составляющая современного здравоохранения. В настоящее время осуществляется переход к комплексной автоматизации отдельных направлений медицины, лечебно-профилактических учреждений и территориального здравоохранения.
Информационные ресурсы системы здравоохранения включают в себя базы данных по различным направлениям деятельности, тематические и библиографические поисковые системы, интеллектуальные системы, реализующие обучение, экспертные системы и системы поддержки принятия решений.
Наиболее перспективным направлением в области разработки информационно-программного обеспечения для здравоохранения является разработка систем поддержки принятия решений, опирающихся на различные методы искусственного интеллекта, прикладной статистики и ориентированных на предоставление лечащему врачу помощи в постановке правильного диагноза. Это связано с тем, что большинство врачебных ошибок возникает именно на диагностическом этапе [5, 24, 107]. Причины могут быть различными: недостаточный опыт, нехватка времени для анализа результатов обследования и т.д. Особенно это актуально для проблемы остеопороза, так как этим заболеванием занимаются в России очень недавно.
В настоящее время на практике продемонстрирована целесообразность использования компьютера в профессиональной деятельности врача, и особенно рентгенолога. Персональный компьютер, программное и аппаратное обеспечение которого предназначено для использования медицинским работником при реализации его должностных обязанностей в ходе медицинского технологического процесса называют автоматизированным рабочим местом (АРМ). Большой интерес представляет собой задача формирования моделей заболеваний, учитывающих накопленный архивный материал и позволяющих автоматизировать процесс диагностики и прогнозирования возможных осложнений заболевания на основе статистического анализа [30, 87]. Анализ собранной клинической информации с целью принятия решений является одним из важнейших элементов врачебной деятельности. Использование автоматизированной системы для поддержки принятия решений становится возможным благодаря реализации алгоритмов, имитирующих «врачебную логику» либо использующих формальные методы математического анализа медицинских данных, позволяющие получить аналогичные результаты, достоверность принимаемых на их основе решений получает дополнительное надежное обоснование [28, 107].
Таким образом, автоматизированная система диагностики должна включать в себя следующие этапы.
- Формирование баз данных необходимых для разработки моделей заболевания. Данные поступают из различных источников в результате проведения мониторинговых исследований по различным направлениям. Информация может быть получена при помощи сети Internet (например, из фонда медицинского страхования) или из баз данных диагностических центров и т.п.
- Изучение медицинских показателей и их предварительное преобразование, при необходимости, для удобства дальнейшего использования.
- Проведение статистических исследований (методы кластерного и дискриминантного анализа), построение формализованных моделей заболевания и разработка правил отнесения объектов к одному из выделенных классов.
- Применение методов экспертных систем для проведения дифференциальной диагностики.
Исходные данные удобно представлять в виде совокупности векторов X = (х\, Х2 ,..., хп), где xj,X2,...,xn - набор различных количественных и качественных признаков. Векторы Х\ Хъ ..., А содержат информацию о состоянии N пациентов.
Известно, что для описания системы достаточно охарактеризовать ее базовые элементы и взаимосвязи между ними. И те математические методы, которые смогут это хорошо сделать, окажутся эффективными для распознавания образов, такие, например, как статистические подходы к распознаванию [49, 56].
