Математический метод распознавания образов применительно к задачам диагностики, прогнозирования и классификации в области сердечно – сосудистой хирургии

Медицина всегда была и до настоящего времени остается во многом наукой эмпирической, оперирующей огромными массивами информации, значительная часть которой слабо формализуется и в ряде случаев не может быть представлена в количественной форме. На сегодняшний день методы распознавания образов (РО) находят практическое применение в различных областях человеческой деятельности - везде, где одной из основных задач, стоящих перед человеком, является классификация некоторых объектов или явлений, которым можно сопоставить их формализованное описание.

Актуальность: Еще недавно шли споры о том, будет ли математизирована клиническая медицина ближайшего будущего. Сегодня медицина становится наиболее активным потребителем математических методов и вычислительной техники (В.И.Бураковский, Л.А.Бокерия 1998г.). Медицина всегда была и до настоящего времени остается во многом наукой эмпирической, оперирующей огромными массивами информации, значительная часть которой слабо формализуется и в ряде случаев не может быть представлена в количественной форме. Поэтому, несмотря на довольно давно и упорно предпринимаемые попытки исследователей математизировать медицину и тем самым придать ей более высокий научный статус, до последнего времени вряд ли можно было констатировать полный успех этой заслуживающей уважение деятельности. Только в последние годы, вместе со стремительным прогрессом в области информатики, прикладной математики, компьютерной техники, средств связи появились новые достаточно широкие возможности по сбору, обработке, хранению, передаче медицинской информации с применением математических методов и современной компьютерной техники. На сегодняшний день методы распознавания образов (РО) находят практическое применение в различных областях человеческой деятельности - везде, где одной из основных задач, стоящих перед человеком, является классификация некоторых объектов или явлений, которым можно сопоставить их формализованное описание [1,2]. Автоматизация медицинской диагностики имеет как научное, так и большое практическое значение. Среди основных факторов, которые определяют ее актуальность, хотелось бы отметить следующие:

• сокращение сроков постановки диагнозов;
• поддержание качества диагностики на высоком уровне;
• возможность более детального анализа больших объемов взаимозависимых данных при использовании комплексных методов постановки диагноза;
• упрощение для врача-эксперта процесса переработки поступающей к нему с приборов обследования пациента информации.

Методы распознавания образов.

Методы позволяющие создать вычислительные среды для автоматизации медицинской диагностики уже существуют - это методы РО, обнаруживающие несомненное родство с задачами медицинской диагностики по содержанию и понятийному аппарату [1, 6, 7]. Классическая задача РО состоит в разбиении некоторых объектов на классы с предварительным обучением. Роль изучаемого физического объекта в методах РО играет объект исследования (в нашем случае пациент). Объект исследования представляется своим формализованным описанием - вектором значений определенных признаков физического объекта. На основании значений признаков производится классификация. Группы, на которые разбиваются исследуемые объекты, называют классами - множествами объектов, в определенном смысле родственных по общему свойству. Объекты исследования задач медицинской диагностики являются массовыми в смысле количества накопленных эталонов (историй болезни). Но эти данные не являются однородными, так как диагнозы ставились разными экспертами и в различное время, то есть при разном уровне знаний, накопленных в медицине. Поэтому при решении задач медицинской диагностики предпочтение отдается нестатистическим методам распознавания образов, к тому же эти методы имеют следующие преимущества перед статистическими:

1. статистический подход нацелен на часто происходящие события, а нестатистический ставит в равные условия как частые, так и редкие;
2. в нестатистическом подходе при формировании обучающей выборки от эксперта не требуется разъяснение того, как он принимает решение о принадлежности обучающих объектов к классам, достаточно одного утверждения о принадлежности;
3. нестатистический подход к вычислению оценок обладает тем привлекательным свойством, что обучающая информация относительно малообъемная.

Для реализации алгоритмов на основе нестатистических методов распознавания образов был выбран метод динамического кластерного анализа [2].

Постановка задачи.

Создание прикладных программ, применяемых для решения задач медицинской диагностики, должно основываться на сочетании инструментов принятия решений, с механизмом хранения и представления входной и выходной информации. Это диктуется необходимостью накопления опытной базы исследований не только для улучшения диагностического аппарата, но и повышения эффективности лечения пациентов. Исходя из этого, была поставлена цель, создания Информационно Классифицирующей Системы, сочетающей в себе возможности хранилища информации о пациентах и системы принятия решений в области медицинской диагностики. Основной идеей системы является предоставление врачу возможности использовать современные средства управления данными в сочетании с комплексом методов распознавания образов. Для обеспечения пользователю (врачу, эксперту) возможности создавать и обучать классификаторы, необходимые для принятия решений на основе предыдущего опыта, в Системе предусмотрены несколько специальных инструментов:

1. Инструмент создания схемы исследований (анализов). С помощью этого инструмента пользователь формирует описание интересующего его исследования, описывая его параметры, такие как: название исследования, их максимальные и минимальные значения, диапазон нормы и т.д.
2. Инструмент создания схемы классификации предназначен для создания схемы классификации.

Итогом использования этих двух инструментов, является готовность системы к обучению.

Обучение.

Обучение созданных классификаторов производится по следующим трем вариантам:

1. Специализированное обучение. Вариант, когда обучение производит врач - эксперт, специально привлекаемый к созданию данного классификатора.
2. Обучение в процессе диагностики. 3. Обучение на имеющихся в системе данных.

Процедура обучения состоит из двух подэтапов: а).формирование обучающей выборки. б). определение границ классов для объектов обучающей выборки (например, путем ее разбиения на кластеры)

Формирование обучающей выборки.

Hаиболее важным подэтапом на этапе обучения является формирование обучающей выборки на базе принятой системы признаков. Обучающая выборка концентрирует в себе интеллектуальный потенциал формирующих ее экспертов (опытных специалистов в данной предметной области). Последние включают в состав обучающей выборки описания таких объектов исследования, которые с их точки зрения являются наиболее типичными представителями каждого из заданных классов.

Разбиение на кластеры

Второй подэтап этапа обучения заключается в кластеризации обучающей выборки, то есть в разбиении ее на кластеры (сгустки объектов одного класса) каким-либо методом. Основными используемыми сейчас методами кластеризации [4] являются следующие:а) метод полных связей: б) метод максимального локального расстояния: в) ВСК-метод (метод Ворда): г) центроидный метод: д) метод ближайшего соседа (общий случай центроидного метода): е) двухгрупповой метод: ж) метод групповых средних:

Этап принятия решения.

Этап принятия решений заключается в определении численных оценок, характеризующих степень уверенности, с которой распознающая система относит описание любого заданного объекта исследования к каждому из заданных классов. Hа основании полученных оценок делается вывод о принадлежности объекта тому или иному классу [1,2,3,7].Численные оценки определяются на основе формализованного описания объекта исследования и данных о границах кластеров, полученных на этапе обучения.Процедура принятия решения предполагает выполнение следующих двух последовательных подэтапов: 1) вычисление оценок принадлежности распознаваемых объектов к кластерам; 2) вычисление оценок принадлежности распознаваемых объектов к классам на основании данных, полученных на предыдущем подэтапе. Описание классов и результаты распознавания объектов.

Hа мониторе представлено примерное описание класса 1. МИКХ которая в свою очередь может делиться на ряд подклассов. Определяются границы классов, как минимум, максимум и центр и по расстоянию до центра класса говорит о принадлежности к тому или иному классу. Вторая графа предполагает минимальные и максимальные значения для объектов исследования. Признаками же объектов может быть неопределенное множественное количество принадлежащих данному классу. Третья графа включает описание признаков в зависимости от лагорифметической зависимости. Hа рисунке 1 представлен универсальный числовой классификатор для распознавания образа МИКХ, введены исходные признаки присущие для данного конкретного объекта.

В результате процесса распознавания образов определяется принадлежность к тому или иному классу (Рисунок 2). Расстояние от центра 1 класса 226,25, расстояние до центра 2 класса 71, а до центра 3 класса 270. При этом мы учитываем тот факт, что расстояние 1 класса до цента исходно равнялось 932,25, что говорит о его принадлежности к 1 классу, т.е. МИКХ, хотя и не исключен вариант принадлежности к 3 классу с его методами реконструкции на коронарных артериях. Полностью же для данного объекта исключен вариант 2, т.е. ТМЛР.

Таким образом, мы можем предложить для данного объекта, т.е. больного 2 варианта: первый МИКХ и второй стандартный вариант АКШ, при этом исключен вариант ТМЛР. Данная модель безошибочно распознала все обучающие пары, то есть по данным классификации обучающей выборки была получена 100% чувствительность и специфичность. При проверке эффективности модели на тестовой выборке в количестве 85 случаев показатели были следующие: чувствительность - 91% , специфичность - 93%. 

Таким образом, данный метод позволил получить эффективную модель для решения задачи распознавания образов и определения метода реваскуляризации миокарда.

Высокая стоимость кардиохирургических вмешательств, особенности жизни и социальной адаптации таких больных заставляет искать наиболее оптимальные варианты лечения. Именно борьба за оптимальность решений в кардиохирургии так актуализирует метод РО путем использования математико-статистических методов [4,5]. Возможности статистического и имитационного моделирования, телемедицины, новых информационных и телекоммуникационных технологий формируют все более заманчивые горизонты для совершенствования врачебной деятельности и поиска оптимальных решений в лечении и реабилитации больных.

СПИСОК ЛИТЕРАТУРЫ

1. Айткожин Г.К., Исраилова В.К., Юдин В.Н Применение математических методов распознавания образов к задачам диагностики и прогнозирования в кардиохирургии.//. ”Аспирант и соискатель” -№3-2001. - С. 279 - 281
2. Айткожин Г. К, Исраилова Применение математического метода распознавания образов при определении хирургической тактики и метода реваскуляризации миокарда у больных ИБС.// В.К. Деп. в ВИНИТИ. -, №97. - В-01, УК №3.
3. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. - М.: Наука, 1970. - 259 с.
4. Березкин О.И., Серолапкин А.В., ЧенскихН.Л.Применение методов распознавания в задачах медицинской диагностики // ЖВМ и МФ (Р1338). - т. 32, No 12. - 1992. - С. 1956-1970.
5. Блинов Н.Н., Гуслистый В.П., Новицкая Н.Н., Снигирева Г.П., Степанов П.В. Использование нестатистических методов распознавания образов для выявления групп риска среди лиц, принимавших участие в ликвидации последствий аварии на ЧАЭС. //Журн. "Медицинская радиология". - No 8. - 1993. - С. 11-13.
6. Дюран Б., Оделл П. Кластерный анализ. - М.: Статистика, 1977. - 197 с.
7. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации.// В сб. "Проблемы кибернетики" Н. 33. - М.: Наука, 1978. - С. 5-68.
8. Ставицкий Р.В., Гуслистый В.П., Зубрихина Г.Н. //Применение методов распознавания образов для выявления групп риска среди пациентов, проживающих на загрязненных территориях, по показателям крови. - "Украинский радиологический журнал". - Харьков: 1994. - С. 85-89.
9. Ставицкий Р.В., Гуслистый В.П., Машковцев А.Н., Лебедев Л.А. Использование Автоматизированной Классифицирующей Системы (АКС) для оценки дозы облучения человека. //Тезисы докладов Конференции с международным участием “Медицинская физика-95”, посвященной 100-летию открытия В.К.Рентгена, Москва, 4-8 дек. 1995 “Медицинская физика”. - М.: 1995. - №2. - С. 23.

175