CC BY
26
УДК 615.47
В. Н. Локтюхин, д-р техн. наук А. А. Черепнин, аспирант
Рязанский государственный радиотехнический университет
Поддержка принятия решений на основе нейро-нечеткой технологии при диагностике заболеваний желудочно-кишечного тракта
Ключевые слова: поддержка принятия решений, нейросети, нечеткая логика, диагностика заболеваний, желудочно-кишечный тракт
Рассматриваются принципы построения системы поддержки принятия решений биотехнического комплекса углубленной видеоэндоскопической диагностики, который позволяет врачу при постановке диагноза более точно учитывать сведения из истории болезни и степень влияния на заболевание многочисленных патогенетических факторов. Описывается применение систем нечеткого и нейро-нечеткого логического вывода для работы с такого рода данными при диагностике заболеваний желудка и двенадцатиперстной кишки.
Ключевую роль в биотехнических системах (БТС) углубленной видеоэндоскопической диагностики [1] играет компьютерная система поддержки принятия решений (СППР). Ее включение в состав БТС дает возможность при постановке диагноза уменьшить влияние субъективности мнения врача, особенно при его малом опыте и чрезмерной утомляемости в ходе эндоскопического обследования пациентов, а также более точно учесть влияние на заболевание многочисленных патогенетических факторов и данных истории болезни. В связи с этим является актуальным разработка программно-алгоритмического обеспечения СППР, наилучшим образом поддерживающего принятие врачом диагностических решений.
При создании рассматриваемой в данной работе СППР учитывается, что оперируемые данные характеризуются разнородностью (количественные и качественные признаки заболеваний) и значительным числом. Многообразие исходных данных во многом обусловлено спецификой эндоскопического и других видов обследований, результаты которых заносятся в историю болезни и предоставляют врачу целый ряд необходимых сведений, учитываемых при анализе патологии и постановке диагноза.
Для работы с такого рода данными целесообразно использовать аппарат нечеткой логики и нечетких нейронных сетей, что обусловлено следующими его достоинствами [2]:
• возможностью обработки лингвистических (качественных) переменных (ЛП);
• наличием алгоритма логического вывода, прозрачного для анализа и его модификации за счет изменения системы правил нечеткой продукции (ПНП);
• возможностью описания функционирования объекта исследования с помощью системы ПНП, которая является его лингвистической моделью;
• возможностью адаптации параметров системы в процессе обучения в виде корректировки весов ПНП и функций принадлежности ЛП.
Рассмотрим СППР как систему нечеткого логического вывода. В данном случае она будет опираться на шесть основных этапов, характерных для большинства систем на основе ПНП:
1) формирование базы правил логического вывода;
2) фаззификация (приведение к нечеткости) входных переменных;
3) агрегирование подусловий;
4) активация подзаключений;
5) аккумулирование заключений;
6) дефаззификация выходных ЛП (при необходимости).
Из известных алгоритмов нечеткого логического вывода (Мамдани, Сугено, Ларсена, Цукамото и др.) выбран алгоритм Ларсена [3], позволяющий максимально сократить при его реализации количество нелинейных функций «min» и «max». Наряду с этим, исходя из эндоскопической практики, его применение для определения заболевания целесообразно, поскольку при увеличении числа выявленных симптомов диагноз устанавливается более точно, в то время как при отсутствии некоторых из них его точность не уменьшается. В связи с этим предварительно исключаются несущественные факторы.
Биотехнические системы
Для реализации возможности адаптации параметров системы в процессе обучения система нечеткого логического вывода представляется в виде нечеткой нейронной сети. Ее слои соответствуют описанным этапам логического вывода, а структура представлена на рис. 1.
На рис. 1 введены следующие обозначения. Нейроны с обозначениями «min», «max» и Еработают как соответствующие математические функции. Нейроны, обозначенные знаком «х», передают на выход результат произведения входных сигналов, знаком «=» — устанавливают соответствие между промежуточными ЛП и выходными ЛП, знаком «W » — реализуют операции фаззификации, различные для каждого терма каждой входной ЛП. Узел «а/b» предназначен для деления на сумму весов активных правил согласно формуле на этапе активации. Нейрон «def» реализует функцию де-фаззификации методом центра тяжести. На рис. 1 каждая входная переменная через блок фаззификации подключена к каждому ПНП. Обучение данной искусственной нейронной сети осуществляется по алгоритму обратного распространения ошибки, модифицированному для применения в нечетких нейронных сетях [2].
Функционирование СППР на основе нейро-не-четкой технологии происходит в два этапа: этап предварительной настройки (включая обучение сети) и этап диагностики заболеваний.
Этап предварительной настройки. Перед началом работы СППР необходима ее настройка. Она заключается в определении степени важности факторов, правил нечетких продукций, начальном определении функций принадлежности лингвистических переменных системы. Также на этапе настройки из общей совокупности выбирают наиболее важные и независимые факторы.
Важность факторов определяется экспертно с помощью программного модуля, графический интерфейс пакета МАТЪАВ которого представлен на рис. 2.
Эксперт проставляет степень важности для каждого фактора (возможные значения от 0 до 1), после чего данные сохраняются в виде таблицы в файле для последующей загрузки в основной модуль программы. После этого он выявляет зависимые факторы на основе вычисления коэффициента парной корреляции. Для данных качественного характера этот коэффициент предлагается определять по формуле Пирсона [4]
С =
1
' К h f.2
XX ff
/=1 i=\ ff
\
-1
f
X X ff
/=1 i=\
fill fav
№ll(Xl)
Слой 1
Слой 2 Слой 3
Слой 4
Слой 5 Слой 6 Слой 7 Слой 8 Слой 9
^т(Хп)
Mii(xi)
Агрегация подусловии
= 1,т i = п
Агрегация I = 1,п условий k = q
Агрегирование, k = l,q
активация ПНП v = v
Входной слой (слой 0)
Агрегирование, активация ПНП, аккумуляция v = l,vm
подзаключений ,, = ,,
Скрытые слои (слой 1-слой 9)
Уит
def) <=) о
Выходной слой (слой 10)
Рис. 1\ Структура нечеткой нейронной сети
И гагЬпозг а1ы В|
ь Возраст * Степень важности | Добавить
Возраст □ ,4В
Отягощенная наследственность Характер боли Свя]ь боли с приемом гиццк
Новый Сформировать отчет ]
Рис. 21 Окно модуля определения важности факторов
где fi — количество возможных значений ¿-го фактора; fj — количество возможных значений /-го
фактора; fi, — количество пар, которые могут об-
ч
разовывать данные значения.
Превышение значения коэффициента корреляции С пороговой величины Спорог (в данной разработке на основании мнений экспертов и литературных источников Спорог = 0,65) говорит о тесной связи между сравниваемыми факторами. Это означает, что при наличии одного фактора из пары, скорее всего, присутствует и другой, поэтому один из них можно не учитывать.
В ходе расчетов выявлены 30 факторов (для язвенной болезни желудка и двенадцатиперстной кишки) с наиболее слабыми связями. Далее из полученной совокупности на основании закона Парето [4] выявлены наиболее существенные. К ним относятся: наличие боли, характер боли, локализация боли, связь боли с приемом пищи, изжога, местонахождение дефекта. Коэффициенты парной корреляции, рассчитанные по формуле Пирсона, представлены на рис. 3.
Далее экспертно определяются степени важности ПНП, представленные на рис. 4.
Каждый эксперт имеет возможность указать нечеткое значение степени важности всех ПНП в виде диапазона от минимального до максимального ее значения. После этого введенные данные сохраняются в виде таблицы в файле для последующей загрузки в основной программный модуль.
Кроме того, экспертным путем определяются функции принадлежности для лингвистических значений факторов. С этой целью эксперт указы-
вает интервалы значений, которые, по его мнению, максимально соответствуют выбранному лингвистическому значению. Графический интерфейс модуля для нахождения функций принадлежности представлен на рис. 5.
После окончания ввода данных они сохраняются в виде таблицы в файле для последующей загрузки в основной программный модуль.
Этап диагностики заболеваний. После выполнения всех предварительных действий, связанных с настройкой системы, производятся ее проверка на основе тестового набора данных и дальнейшее использование в режиме диагностики заболеваний. Для этого применяется основной программный модуль, отдельные функциональные части которого представлены на рис. 6. Они позволяют автоматически или вручную корректировать набор ЛП системы и их функции принадлежности, добавлять, изменять и удалять ПНП, а также анализировать попарно взаимосвязи между факторами (симптоматическими и патогенетическими).
В результате работы СППР в режиме диагностики заболеваний врач получает рекомендации по постановке диагноза в форме вида болезни и коэффициента уверенности БТК в правильности каждого диагноза из известных комплексу, которые отображаются на экране в порядке убывания коэффициента уверенности и записываются в текстовый файл. Пример одной из таких рекомендаций представлен на рис. 7.
Таким образом, разработанная компьютерная СППР на основе нейро-нечеткого логического вывода обеспечивает поддержку принятия решений при проведении видеоэндоскопической диагности-
Я когг Шз^ИЫ
1
Загрузить данные Н14 - А |
А в С 0 £ в Н
| Рассчитать иозффчдтен 1 2 КдлЕ ХврБ ЛокБ СБПП Изжога Мдеф
КалЕ олз 0,58 од*
Порог 0,6 3 0,13 0.16 0,41 0*35
4 ЛокБ О.ы 0.26 0,48
Удалить зависимые факт 5 СЪПП 0,31 0,11
6 Изжога 0,14
Сформировать огтчет 7 3 М-Деф.
9
Рис. 3\ Вычисление коэффициентов парной корреляции факторов
Биотехнические системы
23
Рис. 4
Окно модуля определения важности правил нечет ких продукций
Рис. 5\ Окно модуля нахождения функций принадлежности
Рис. 6 Окна основного модуля
Рис. 71 Окно с рекомендациями по постановке диагноза
ки. В итоге, пройдя последовательно все вышеописанные этапы, врач с помощью СППР может получить на основании данных истории болезни и видеоэндоскопического наблюдения рекомендации по постановке диагноза.
| Л и т е р а т у р а |
1. Черепнин А. А. Поддержка углубленной видеоэндоскопической диагностики на основе нечетких технологий // Сб. тр. 8-го Междунар. симп. «Интеллектуальные системы-2008», Нижний Новгород, 2008. С. 642-647.
2. Осовский С. Нейронные сети для обработки информации. М., 2002. 344 с.
3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М., 2006. 452 с.
4. Елисеева И. И., Юзбашев М. М. Общая теория статистики. М.: Финансы и статистика, 2003. 480 с.
