CC BY
60
Литература
1. Слюсарёв Г.Г. // ДАН.- 1957.- Т. 113, № 4.- С. 780.
2. Искаков И.А., Ермакова О.В. // Офтальмохир.- 2008.-№ 3.- С. 27-30.
3. Коронкевич В.П. и др. // Оптический ж.- 2007.- Т.74, №12.- С. 34-39.
4. Cillino S. et.al. // Ophthalmology.- 2008.- Vol. 115, № 9, P. 1508-1516.
5. Koronkevich V.P. et.al. // Proc. SPIE.- 2007.- Vol. 6734.-67340Z.
6. ISO/DIS 11979-2 // Optics and Optical Instruments - Intraocular Lenses. Pt. 2: Optical Properties and their Methods, 1996.
7. Патент 2303961 РФ // Мультифокальная интраокулярная линза и способ ее изготовления / Коронкевич В.П., Ленко-ва Г.А., Корольков В.П., Искаков И.А.- 2007.
8. Pat. N 5699142 US // Diffractive multifocal ophthalmic lens / Lee Chun-Shen, Sympson M.J. 1997.
CLINICAL AND LABORATORY STUDY OF BIFOCAL DIFFRACTIVE-REFRACTIV INRTRAOCULAR LENSES
I.A. ISKAKOV, V.P. KOROLKOV, V.P. KORONKEVICH, G.A. LENKOVA Summary
The results of the research of a new model of diffractive-refractive intraocular lens MIOL-Akkord (Russia) have been presented. It has been shown that lens’ optic characteristics, measured according to the standard technique on the eye model, are comparable to the characteristics of the AcrySof ReSTOR ® lenses (USA). Despite the difference of the concepts beyond the construction of the lenses, they show the comparable results when tested. Clinical tests of the intraocular lenses showed adequate restoration of distance and near vision, equal contrast sensitivity. Visual function in patients with MIOL-Akkord was independent on slight decentration of the lens and pupil size. Both models of the lenses are new-generation multifocal intraocular lenses.
Key words: intraocular diffractive-refractive lenses
стические ИСППР для этих целей. Основой таких систем становятся искусственные нейронные сети (ИНС). [5-8].
ИНС - это новая информационная технология, ориентированная на анализ сложных нелинейных задач, в частности, на работу с образной информацией. Принципиальное отличие нейросете-вых технологий (НСТ) от традиционных способов обработки информации состоит в замене строго алгоритмизированного, пошагового анализа данных на параллельную обработку всего массива информации и программирования на обучение. Искусственные нейронные сети применяются для идентификации и классификации информации в случае ограниченных, неполных и нелинейных источников данных. Они позволяют провести кластеризацию информации, сжать ее объем, облегчить работу с готовой базой данных. ИНС отличаются универсальностью: одна и та же программа обеспечивает возможность работы в разных областях знаний. Экспертные системы на их основе не нуждаются в перепрограммировании при изменении состава обучающей базы [9].
ИНС называют устройство, состоящее из большого числа простых параллельно работающих процессорных элементов -нейронов, соединенных адаптивными линиями передачи информации. Работа ИНС заключается в преобразовании входного вектора в выходной [1G]. Разработано несколько видов ИНС. Наиболее популярными из них являются многослойный персеп-трон (МСП) и самоорганизующаяся карта признаков - сеть Кохо-нена (SOFM - Self- Organizing Feature Map).
* □ ** * □
Входные • сигналы , □ ** — □
— □ ** — □
Выходные
сигналы
Рис. 1. Схема многослойного персептрона
УДК 616.743; 617.53
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ В ПРАКТИКЕ ПАТОМОРФОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ
В.В. РУАНЕТ *, Е.М ПАЛЬЦЕВА **, А.К. ХЕТАГУРОВА **’*
Развитие науки вообще и медицинской диагностики, в частности, связано с проблемой обработки и интерпретации получаемой информации. Значение информационного обеспечения фундаментальных и прикладных аспектов научных исследований возросло.
Внешняя по отношению к организму среда и внутренняя организация характеризуются высокой степенью неопределенности, динамики и сложности [1], т.к. большая часть получаемых в процессе диагностических процедур данных (гистологических, иммуногистохимических, цитогенетических и т.п. исследований) имеют описательный характер и выражаются с помощью формализмов, оценка которых часто субъективна [2-4].
Условно информационное обеспечение может быть разбито на ряд составляющих: разработка методов представления информации с учетом особенности информационного потока в сфере профессиональной деятельности; создание электронной базы данных. Существует тенденция интеллектуализации электронных баз данных и приближение их по возможностям к базам знаний, что подразумевает не только хранение, но и сложную обработку информации; подбор адекватных информационных технологий, не требующих привлечения посторонних специалистов (программистов, математиков и др.) для: обработки информации, работы с базами данных и разрешения проблемных ситуаций. Объединение этих составляющих в единый комплекс ведет к созданию систем автоматизации принятия и выполнения решений в многоуровневых и многокомпонентных ситуациях - интеллектуальных систем поддержки принятия решений (ИСППР). В связи с внедрением в клинико-диагностическую практику исследований, связанных с анализом изображений, создаются диагно-
^Медицинский колледж РАМН,117105 Москва, Варшавское шоссе д. 16А ММА им. И.М. Сеченова, 119991 Москва, ул. Трубецкая, д. 8, стр. 2
Рис. 2. Схема обучения искусственной нейронной сети
На рис. 1 представлена схема строения МСП Входной слой (слой 1) - группа связей, по которым ИНС получает информацию из внешнего мира. Промежуточный слой (слой 2) - группа связей, которая обеспечивает возможность моделирования не линейных функций. Выходной слой (слой к) - группа выходных связей, с которых снимаются выдаваемые сетью сигналы. Сеть подобной структуры может моделировать функцию любой степени сложности. Число слоев и число элементов в каждом слое определяется сложностью функции и подбирается эмпирически в ходе решения задачи [9]. Создание такой структуры ведется программными средствами. Имеется большое число программных продуктов, имитирующих нейросетевые алгоритмы обработки информации. Мы использовали программу «№игоРго 0.25».
Выбор типа сети зависит от характера поставленной задачи. При решении задач прогнозирования и классификации, частным случаем которых является медицинская диагностика, чаще всего используются многослойные персептроны; при решении задач категоризации данных чаще применяется сеть Кохонена [10]. Характер обучения зависит от выбранного типа сети. Для работы с МСП используется «обучение с учителем». При этом способе обучения готовится набор данных, представляющих собой ряд наблюдений, для которых указаны значения входных и выходных переменных (анамнестические данные и/или данные клиникодиагностических исследований ^ диагноз). Сеть учится устанавливать связь между ними. На рис. 2 представлена схема обучения ИНС. Имеющаяся база данных (набор обучающих пар) делится на две неравные части. Большую часть используют, как обучаю-
Слой k
Слой 2
щую, а меньшую как тестирующую базу. Обучающая база вводится в ИНС, сеть дает ответ. Если ответы сети совпадают с экспертной оценкой - сеть обучена. Если ошибка велика, то процесс обучения повторяется до тех пор, пока не будет получен результат, удовлетворяющий пользователя. Критерием достижения цели (обучение сети) считается результат тестирования набором примеров с известными ответами, не входящими в обучающую выборку. Важным моментом работы с искусственными нейронными сетями является представление обучающих данных. ИНС оперируют числовой информацией. Данные, на основании которых ИНС должна давать ответ, может быть разнообразного вида: термины, описывающие какие-либо ситуации, числа и величины, графики, двух- и трехмерные изображения и т.д. Поэтому возникает необходимость корректного представления этой информации в виде чисел, сохраняющих смысл и внутренние взаимосвязи данных, т.е. приходится прибегать к элементарной числовой кодировке [11].
Материалы и методы. Материалом для исследования послужили опухоли головного мозга (глиобластомы и метастазы злокачественной меланомы), полученные при операциях от 12 пациентов. Гистологическое исследование проводили на срезах с парафиновых блоков, окрашенных гематоксилином и эозином. Иммуногистохимическое (ИГХ) исследование проводили на срезах с парафиновых блоков толщиной 3-4 мкм стандартным иммунопероксидазным методом с использованием высокочувствительной полимерной системы визуализации и моноклональных первичных антител. Результаты реакции оценивали полуколичественным методом. Обработку результатов проводили с помощью свободно распространяемого нейросетевого имитатора - программы «NeuroPro 0.25». Ее функционирование основано на использовании принципа многослойного персептрона [9]. Для проведения статистического анализа полученных результатов использовали программу «STATISTICA for Windows StatSoft, Inc.».
Результаты. Наибольший интерес для практического здравоохранения представляют нейросетевые интеллектуальные системы для диагностики и дифференциальной диагностики заболеваний. В онкологии невозможно поставить правильный диагноз без патогистологического исследования. Но применение обычных гистохимических окрасок во многих случаях оказывается недостаточным для постановки диагноза. Тогда прибегают к специальному методу исследования - иммуногистохимии (одна из методик окраски биологических объектов с последующим микроскопированием), которая позволяет точно локализовать изучаемый компонент ткани. Для опухолей различных тканей характерна различная экспрессия антигенов и применение имму-ногистохимического метода исследования позволяет поставить правильный диагноз по совокупности данных экспрессии антигенов и морфологических характеристик [12,13]. Особенно это актуально для дифференциальной диагностики первичных опухолей какого-либо органа и метастазов в него из первичной опухоли другой локализации. Самым сложным для постановки диагноза патологоанатомом является метастаз без выявленного первичного очага, когда отсутствуют анамнестические данные о первичной опухоли, и только с помощью иммуногистохимии удается установить, в каком органе находится опухоль и откуда распространяются метастазы. От правильного диагноза зависит прогноз и дальнейшее лечение больного. Использование нейро-сетевых технологий значительно упрощает постановку диагноза, особенно для начинающих специалистов. В качестве объектов для определения возможности применения ИНС для интерпретации информации, полученной в ходе морфологического и ИГХ исследований, в работе были использованы результаты исследования образцов первичной злокачественной опухоли головного мозга (ГМ) - глиобластомы и метастаза злокачественной меланомы в головной мозг. Первичные и метастатические опухоли требуют различного ведения пациентов (поиск первичной локализации меланомы) и лечения (применяются различные химиотерапевтические препараты). Поэтому их дифференцировка является крайне важной. Нами были выбраны два достаточно часто встречающихся заболевания с высокой степенью злокачественности - глиобластома и метастаз злокачественной меланомы в ГМ [14]. Каждое из двух заболеваний имеет свою морфологическую картину, но для начинающего специалиста постановка диагноза может быть затруднительной. При этом для постановки
диагноза «метастаз меланомы» необходимо проведение ИГХ типирования опухоли, как и для большинства других метастазов.
Необходимо отметить, что проблема достоверного описания изображений, в конечном итоге, связана с выбором информативных признаков и формированием признакового пространства. Несмотря на достигнутые определённые успехи, она продолжает оставаться центральной проблемой распознавания изображений, не решенной, в целом, до настоящего времени. Например, сложности возникают при попытке формализации данных гистологических, цитогенетических и ряда др. исследований, связанных с анализом изображений. Это обусловлено в частности: высокой вариабельностью морфологии клеток и клеточных структур; ограничениями в технических параметрах систем, используемых для взятия изображений; недостаточной контрастностью границ клеточных структур; частичной утратой информации в плоских изображениях по сравнению с трехмерным оригиналом; неравномерной окрашенностью препаратов и рядом других причин.
Неотъемлемой составляющей современных методов работы с информацией являются базы данных (БД). В зависимости от назначения системы базы данных в медицине условно делятся на: справочные, диагностические, БД учета и контроля. Диагностические БД составляют основу интеллектуальных систем (ИС). В них, как правило, содержатся информативные данные по различным видам диагностик, например, описание гистологических и цитологических препаратов. В качестве входных данных для формирования базы можно использовать любые параметры, способные повлиять на решение поставленной задачи. Определение их списка - квалифицированная работа предметного специалиста, требующая знания изучаемой области и важности тех или иных параметров, влияющих на процесс принятия решения.
Типичной формой организации данных, полученных в ходе различных экспериментальных исследований, является таблица результатов. Каждое наблюдение (образец, пациент и т.п.) представляется одной строкой в таблицы (выходные поля ИНС), а столбцы формируют набор информативных признаков (входные поля ИНС). Очень важно, чтобы каждое наблюдение содержало одинаковое число информативных признаков. В таблице желательно иметь «запасные поля», которые могут оказаться полезными, если в процессе работы над предметной областью будут выявлены ее новые характеристики. Таблица наблюдений, рассматриваемая с точки зрения решения какой-либо конкретной задачи, образует систему данных. Вся информация об изменении состояния объекта содержится в системе данных. Проблема заключается в выявлении и использовании этой информации. В первую очередь, необходимо выявить структуру данных. Факт наличия структуры можно установить, используя кластеризующий критерий, например, сеть Кохонена. Из полученных данных формируют электронную таблицу1, которая является основой для введения кодированных параметров в программу, имитирующую нейронную сеть. Составление таблицы проводят в формате exl., т.к. программа NeuroPro 0.25. может работать только с файлами формата dbf («Microsoft Excel» позволяет трансформировать файл формата exl. в формат dbf.). Поскольку в основе действия ИНС лежит процесс обучения, то любая работа, связанная с нейросетевыми технологиями, начинается с подбора оптимальных для решения поставленных задач параметров сети.
Процесс обучения начинается с подбора соответствующей конфигурации сети (количество слоев и количество нейронов в каждом слое). Для сложных, не линейных систем (большинство медицинских задач относятся именно к этой категории) желательно использовать трехслойные персептроны, т. к. именно нейроны скрытого слоя позволяют моделировать не линейные зависимости. Использование нескольких скрытых слоев нерационально, т. к. это увеличивает срок обучения сети, не влияя на качество обучения. Конфигурации сети влияет на ее экспертные возможности: только трехслойные персептроны смогли со 100% результатом обучиться распознавать обучающую выборку. Механическое увеличение количества нейронов после достижения их оптимального количества (5-6 нейронов в слое), ведет к тому, что сеть начинает плохо определять тестовые выборки. При наличии 5-6 нейронов в слое процент правильных ответов на тестовой выборке составляет 93-96%, а при 7-10 нейронах - 85-
На данном этапе работы полезно использовать соответствующие макросы, которые позволяют автоматизировать процессы формирования электронных таблиц.
. В силу избыточности нейронов, сеть просто запоминает обучающую выборку, а не устанавливает связи между входом и выходом. Это согласуется с данными литературы [10, 11] и с результатами наших работ [5,15]. Суммарное число нейронов сети коррелирует с % правильных ответов в тестирующей базе (r=0, 8078, р=0,015); этот параметр сети связан с количеством циклов обучения сети (r = - 0, 8343, р = 0,01) и с процентом правильных ответов в обучающей базе (r=0, 8508, р=0,007).
Как показывает наш опыт работы с NeuroPro 0.25, важным является момент, связанный с количеством циклов обучения сети. Максимальное количество циклов обучения сети не должно превышать 300. Малое число циклов обучения обычно связаны с избыточным числом нейронов в сети. По нашим данным, оптимальным является интервал от 100 до 200 циклов обучения, в нем сеть не только хорошо обучается, но и хорошо распознает тестирующую выборку. После решения общих вопросов, касающихся составления базы данных и нахождения оптимальных параметров для сетей, можно переходить непосредственно к созданию и обучению интеллектуальной системы, необходимой для решения поставленной задачи - дифференциальной диагностики первичной злокачественной опухоли ГМ - глиобластомы и метастаза злокачественной меланомы в головной мозг. Схема создания системы включает в себя следующие этапы: 1 - формирование базы данных; 2 - нахождение оптимальных параметров сети; 3 - обучение сети; 4 - тестирование сети. Нахождение оптимальных параметров, обучение и тестирование многослойного персептрона проводили по разработанной нами методике [5]. Составляется табл. 1, куда отбираются параметры в качестве входных полей. Для удобства они разделены на группы - макроскопические характеристики, гистологические и иммуногистохимические признаки опухоли. Так как ИНС могут работать только с цифровыми данными, то прежде чем внести результаты макроскопического, морфологического и иммуногистохимического исследований в таблицу, необходимо подвергнуть их кодировке (табл. 2).
Алгоритм работы с системой строится следующим образом:
1. Врач-патологоанатом исследует биопсийный или операционный материал и описывает его макроскопические характеристики, которые затем переносятся в электронную таблицу с присвоением им соответствующих цифровых значений.
2. Врач-патологоанатом смотрит и оценивает гистологические препараты, дает морфологическую характеристику опухоли. Эти данные также вносятся в таблицу.
3. Исходя из морфологических особенностей строения опухоли, врач-патологоанатом принимает решение о выборе антител для иммуногистохимического исследования. После проведения иммуногистохимической реакции врач смотрит и оценивает готовые препараты, вносит результаты в таблицу.
4. Программа выдает ответ (табл. 3), который расшифровывается с помощью таблицы кодов (табл. 2).
Глиобластома - часто встречающаяся первичная, злокачественная, быстро растущая опухоль центральной нервной системы, в подавляющем большинстве случаев располагающаяся в ГМ. При макроскопическом исследовании видно, что на разрезе опухоль имеет пестрый вид из-за очагов некроза и кровоизлияний, в ней определяется большое количество сосудов. Такой вид данной опухоли является для нее характерным, поэтому для внесения этих признаков в таблицу мы присвоили им цифровое значение «1» (см. табл. 1, поля 2, 3, 6). Глиобластома растет в виде одного опухолевого узла, но изредка наблюдается мультифокальный рост опухоли (если выявлено >1 опухолевого узла, то в таблицу вносится цифра «2», если один узел - то цифра «1») (табл. 1, поле 1). Глиобластомы лобной доли зачастую прорастают из одного полушария в другое, и в итоге опухоль растет в обоих полушариях ГМ в форме «бабочки» (если выявляется такая картина, то данному признаку присваивается цифра «1») [16, 17].
При микроскопическом исследовании (табл. 1) срезов, окрашенных гематоксилином и эозином, видно, что глиобластома построена из тесно расположенных опухолевых клеток с выраженным ядерным полиморфизмом, среди которых могут встречаться гигантские многоядерные клетки (рис. 3); встречаются клетки с гиперхромными ядрами, особенно по краям опухоли; отмечается большое количество митозов. Опухолевые клетки врастают в окружающую нормальную ткань ГМ - опухолевая инвазия. Самыми характерными чертами глиобластомы являются участки некроза и сосудистая пролиферация.
Рис. 3. Глиобластома. Клеточный и ядерный полиморфизм, гигантские многоядерные клетки. Окраска гематоксилином и эозином. Ув. 200
Таблица 1
Дифференциальная диагностика мультиформной глиобластомы (первичная опухоль головного мозга) и метастаза меланомы в головной мозг
Число Опу-
опухо- холе-
левых вые
узлов на узлы
препара- распо-
те или ложе-
по ны в
клини- парен-
ческим химе
данным ГМ
1 2
Инвазия
в Тесно
парен- расиоло
химу женные
головно- клетки
го мозга
7 S
Много- ядерные Большое количест-
клетки митозов
І2 І3
Макроскопические признаки
Пестрый вид опухоли2
З
опухоли в лобных долях в форме «бабоч-
ки»3
4
Г истологические признаки
Темный
цвет
Большое
количест-
Ядерный
полимор-
физм
я
Некрозы,
кровоизлия-
ния
Вытянутые или эпите-лиодные клетки
ІО
Участки некроза окружены «частоколом» опухолевых клеток
ІЗ
Гиперхром-ные ядра в отдельных опухоле-вых клетках
ІІ
Сосудистая
пролифера-
ция
Тромбы в сосудах
Скопле-
ния
пролифе- Периваску-
рирую- лярные
щих муфты из
сосудов в опухолевых
виде клеток
«клубоч-
ков»
ІЯ
Меланин в отдельных опухолевых клетках
Иммуногистохимические признаки опухолевых клеток
HMW
CK
Synapto-
physin
Chromo-granin A
Хорионический
гонадотропин
4І
Он-
кобе-
лок
BCL2
4б
Десмин
Гладко-мышечный
актин
p16
Диагноз
жирным курсивом - выделены номера входных (1-50) и выходного (51) полей искусственной нейронной сети)
Зачастую встречаются участки некроза, окруженные опухолевыми клетками в виде «частокола», при этом ядра опухолевых клеток направлены перпендикулярно участку некроза. Такие структуры называют «псевдопалисадами». (рис. 4) Часто встречаются скопления пролиферирующих сосудов в виде «клубочков», что является патогномоничным для глиобластомы (рис. 5), и тромбы в сосудах. Большинство опухолевых клеток глиобластомы экспрессируют глиальный фибриллярный кислый белок
з очаги некроза и кровоизлияний переход из одного полушария в другое и в итоге рост в обоих полушариях Гм
4из-за наличия в ней меланина
З
б
І4
Іб
І7
20
S100
2І
22
24
25
EMA
CEA
CK 7
CR 18
CK 20
2б
27
2S
2я
30
ER
PR
AR
ЗІ
З2
ЗЗ
З4
ЗЗ
ITK-1
3S
Зя
40
CD 3
CD 20
CD 30
CD 34
CD 45
42
4З
44
4З
PSA
47
4S
4я
З0
ЗІ
(GFAP) и чаще - виментин (рис. 6, 8) (для внесения этих признаков в таблицу мы присвоили им цифровое значение «1» и «4» соответственно). Для клеток глиобластомы характерна цитоплазматическая экспрессия S100 (рис. 7) (присвоено цифровое значение «1») [16,17].
Таблица 2
Коды признаков, отобранных для дифференциальной диагностики
І Со 2 по 20 с21 по 50 ЗІ
1 - один узел; 2 - более одного узла 1 - есть; 2 - нет; 3 - трудно дать однозначный ответ 0 - данный признак не используется для диагностики данного заболевания; 1- есть; 2 - нет; 3 - скорее отриц.; 4 - скорее положит. 1 класс -Мультиформ-ная глиобла- стома 2 класс -Метастаз меланомы в головной мозг
Рис. 4. Глиобластома. Участки некроза окружены опухолевыми клетками в виде «псевдопалисадов». Окраска гематоксилином и эозином. Ув. 200.
Рис. 5. Глиобластома. Сосудистая пролиферация с формированием «клубочков». Окраска гематоксилином и эозином. Ув. 200.
Рис. 6. Глиобластома. Цитоплазматическая экспрессия глиального фибриллярного кислого белка (GFAP) опухолевыми клетками. Иммуногистохимия, докраска ядер гематоксилином. Ув. 200.
Рис. 8. Глиобластома. Цитоплазматическая экспрессия виментина опухолевыми клетками. Иммуногистохимия, докраска ядер гематоксилином. Ув. 200
Метастазы злокачественной меланомы в ГМ (ММ в
ГМ) при макроскопическом исследовании представляют собой четко отграниченные узлы, чаще множественные, темного, почти черного цвета, расположенные в паренхиме ГМ. Опухоль богата сосудами (табл. 1, поля 1, 2, 5, 6).
Рис. 9, 10. Метастаз меланомы в головной мозг. Формирование на отдельных участках периваскулярных «муфт» из опухолевых клеток. Окраска гематоксилином и эозином. Ув. 200.
Рис. 11. Метастаз меланомы в головной мозг. Цитоплазматическая экспрессия HMB45 клетками метастаза меланомы. Иммуногистохимия, доокраска ядер гематоксилином. Ув. 200
При гистологическом исследовании наиболее легко поставить диагноз, если в опухоли содержится пигмент меланин, что бывает далеко не всегда. Метастаз злокачественной меланомы состоит из тесно расположенных вытянутых или эпителиоидных клеток с полиморфными ядрами; отмечается большое количество митозов. Для данной опухоли характерны некрозы и кровоизлияния. Всем этим признакам при внесении в таблицу присваивается цифровое значение «1» (таблица 3, поля 8-10, 13, 14). Также достаточно типичным для метастазов меланомы является формирование на отдельных участках периваскулярных «муфт» из опухолевых клеток (рис. 9, 10) (данному признаку присваивается цифра «1»). При иммуногистохимическом исследовании выявляется постоянная экспрессия S100, виментина (признаки кодируются цифрой «1»). Большинство меланом экспрессируют НМВ45 (Рис. 11) и Melan-A (данным признакам присваивается цифра «4») [16, 17].
Воспользовавшись таблицей кодов для выходного поля №51 (табл. 1), дешифруем ответ сети: образец №1 - мультиформ-ная глиобластома; №2 - метастаз меланомы в головной мозг.
Таблица 3
Ответ, получаемый пользователем после работы системы для выходного поля № 51
Рис. 7. Глиобластома. Экспрессия S100 опухолевыми клетками. Иммуногистохимия, докраска ядер гематоксилином. Ув. 200.
№ образца Прогноз сети Уверенность сети
1 Класс 1 100%
2 Класс 2 100%
Обученная система определяла примеры с точностью 100% (р<0,025) для любой из диагностируемых патологий.
Выводы. Успешная оценка препарата возможна только при накоплении специалистом опыта работы, который позволяет врачу не просто механически анализировать признаки в соответствии с общепринятыми критериями, а сравнивать их с теми образцами, которые он запомнил в ходе работы. Чем больше опыт врача, тем больше его «фототека» - тем выше вероятность того, что он правильно оценит гистологические особенности изучаемого образца ткани. Поскольку в онкологии постановка диагноза невозможна без морфологического исследования, то ответственность врача-патологоанатома велика, и от его диагноза зависит выбор дальнейшего лечения больного. Использование современных информационных подходов к обработке и интерпретации информации облегчает процесс принятия решений в трудноформализуемых проблемных ситуациях [5,6,18]. Приведенные в статье результаты свидетельствуют о том, что обученная нейронная сеть (многослойный персептрон) с высокой степенью точности различает оба типа патологий, рассмотренных в работе. Использование технологии ИНС может оказаться перспективным подходом при дифференциальной диагностике мультиформной глиобластомы (первичная опухоль ГМ) и метастаза меланомы в ГМ по результатам гистологических и иммуно-гистохимических исследований.
Внедрение ИНС в диагностический процесс упрощает оценку результатов и постановку диагноза, особенно, для начинающих специалистов, что обеспечивает последующее правильное лечение больного, а также минимизирует врачебные ошибки.
Литература
I. Фролов Ю.В. Интеллектуальные системы и управленческие решения.- М.: Инженер, 2000.- С. 293.
2Автандилов Г.Г. Медицинская морфометрия.- М.: Медицина, 1990.- С.245.
3.Руанет В.В. и др. // Биомед. химия.- 2004.- Т. 50.- Прил. №1.- С.163.
4Алешин В.А., Карахан В.Б. // Современная онкология.-
2005.-. Т. 07, № 2.- С.12.
5.Руанет В.В. Нейросетевые технологии в медикобиологических исследованиях.- Тула: ТулГУ, 2007.- С. 144.
6МихайловВ.Н. и др. // Научная сессия МИФИ - 2001.- М.: МИФИ, 2001.- Сб. науч. тр.- Т. 1.- С. 185.
7.Руанет В.В., Хетагурова А.К Информационные технологии в медицине (введение в медицинскую нейроинформатику).-М.: МАКСПресс, 2003.- С. 97.
8.Дадашев С.Я. и др. // ВНМТ.- 2006.- Т. XIII, №4.- С. 16.
9.Круглов В.В., Борисов В.В. Искусственные нейронные сети М.: Горячая линия - Телеком, 2001.- С. 327.
10.Каллан Р. Основные концепции нейронных сетей.- М.: Вильямс, 2001.- С. 287.
II.Горбат А.Н., Россиев ДА. Нейронные сети на персональном компьютере.- Новосибирск: Наука, 1996.- С. 276.
12.Dabbs D.J. // Elsevier Inc.- 2nd ed. .- 2006.- P. 1-42.
13.Taylor C.R., Cote R.J. // Saunders. Elsevier Inc.- 3d ed.-
2006.-. P. 1-74.
14.Константинова ММ. // Соврем. онкол.- 2006.- Т.08, №4.-. С. 17.
15.Руанет В.В. и др.// Генетика.- 2005.- Т. 41, №1.- С. 1.
\6.Ironside J.F. et al. // Churchill Livingstone.- 2000.-.P. 383424.
18.Россиев Д.А. Медицинская нейроинформатика / В кн. Нейроинформатика.- Новосибирск Наука,1998.- С. 138.
THE USE OF NEURONET TECHNOLOGIES IN PRACTICE PATHOMOR-PHOLOGICAL RESEARCHERS
V.V.RUANET, E.M.PALTSEVA, A.K. КHETAGUROVA Summary
The artificial neuronetes (ANN) are better «images processors» and can be use for making decision. In the work the possibility of the use of ANN for analysis of data morphologic and immunohysto-chemic studies. The basis for this study was the tumor of brain (glioblastomes and metastasis of malignant melanoma). The results attest that neuronet can determine the data with high precisely for diagnosted pathology.
Key words: artificial neuronetes, immunohystochemic studies
УДК 616.65
КОМБИНИРОВАННОЕ ИСПОЛЬЗОВАНИЕ ЛАЗЕРОТЕРАПИИ, АКУ- И ЛАЗЕРОПУНКТУРЫ В КОРРЕКЦИИ ИНФЕРТИЛЬНОСТИ У БОЛЬНЫХ ХРОНИЧЕСКИМ ПРОСТАТИТОМ
А.Т. ТЕРЕШИН, Н.Г. ИСТОШИН, В.А. ПУТИЛИН, Н.В. МЕРЗЛИКИН*
Хронический неспецифический простатит (ХП) в структуре нарушений фертильности занимает 52-76% [3,4,9], что представляет собой медико-биологическую и социально-экономическую проблему.
Немедикаментозное лечение инфертильности у больных с ХП представлено единичными работами [1,3-4,7-8], зачастую носящими крайне противоречивый характер, в связи с отсутствием системно-структурного подхода. Узколокальный подход к проблеме инфертильности у больных ХП без учета центрального репродуктивного гомеостата, половой конституции ведет к терапевтической резистентности [2,4,6].
Несмотря на огромный арсенал методов лечения, терапевтическая эффективность инфертильности у больных составляет 45-56% [4,9] в связи с тем, что фармакологические препараты в большем проценте случаев не проникают в предстательную железу (ПЖ) [4,9]. В связи с этим ряд исследователей [1,4,7] при лечении инфертильности у больных ХП рекомендуют использовать бальнео- и комбинированную физиотерапию. Этим требованиям отвечают лазеротерапия, оказывающая аналгезирующее, биостимулирующее, иммунокорригирующее, вазотропное, анти-гипоксическое, противоотечное, противовоспалительное действия [1,3-5,8], аку- и лазеропунктура, повышающая качественные и количественные показатели спермограммы [1,4-5,8].
Цель работы - исследование данных о комбинированном использовании внутривенной лазеротерапии (ВЛОК) в сочетании с аку- и лазеропунктурой с позиций типов половой конституции у больных ХП с инфертильностью.
В связи с этим под нашим наблюдением находилось 90 больных ХНП с инфертильностью в возрасте от 22 до 45 лет (в среднем 33,8±1,4 года) с длительностью бесплодия от 1 года до 8 лет (в среднем 3,8±0,7 лет). Женский, психологический, иммунологический факторы бесплодия были исключены.
Инфекционный скрининг показал в супружеских парах отсутствие инфекций, передающихся половым путем. Всем больным проводилось исследование эякулята по унифицированной методике, предложенной ВОЗ, определяли индексы половой конституции по Г.С. Васильченко [2], иммуноферментным методом концентрацию в крови фолликулостимулирующего (ФСГ), лютеинизирующего (ЛГ) гормонов, тестостерона (Т), эстрадиола (Е2), пролактина (ПРЛ), дегидроэпиандростерон-сульфата
(ДГЭА-С). По возрастному цензу, длительности ХП, индексам половой конституции больные были репрезентативно распределены на 2 группы. 1-я группа (30 чел.) получала йодобромные ванны, ВЛОК, аку- и лазеропунктуру, массаж предстательной железы и лечебную физкультуру (ЛФК).
Аку- и лазеропунктура выполнялась по методике, предложенной В. В. Михайличенко [4]. Акупунктура выполнялась в положении больного лежа на животе за 2 часа до или через 2 часа после приема ВЛОК в точки акупунктуры поясничной области -шэнь-шу, мин-мэнь, ло-ян-гуань. Длительность процедуры 25 минут, на курс 10 процедур ежедневно (с двумя днями перерыва в неделю). По окончании курса акупунктуры начинали курс лазеропунктуры посредством облучения указанных точек акупунктуры лучом гелий-неонового лазера длиной волны 632,8 нм, мощностью на выходе световода 5,0 мВт и диаметром светового пятна 2 мм, в течение 20 с на каждую точку последовательно, на курс 10 процедур (с двумя днями перерыва в неделю).
ВЛОК проводилась через день (в дни свободные от использования йодобромных ванн) в количестве 10 сеансов на аппарате «Матрикс-ВЛОК» лазерным излучением в красной области спектра (0,63 мкм), мощностью 1,5-2 мВт на выходе одноразовых стерильных световодов с иглой КИВЛ-0,1 в течение 20 минут. Массаж ПЖ проводился через день в количестве 15 сеансов, ЛФК - ежедневно в количестве 30 сеансов. 2-я группа (30 чел.) получала аку- и лазеропунктуру, ЛФК по вышеприведенной методике.
Непосредственная терапевтическая эффективность клинических синдромов у 2-х групп больных ХП отражена в табл. 1
* Пятигорский ГНИИК
