Ранняя диагностика отслойки сетчатки на основе нейросетевых технологий

Актуальность

Отслойка сетчатки в настоящее время является одной из наиболее распространенных офтальмопатологий. За последние десятилетия отмечается рост данной нозологической формы. Например, в странах Западной Европы, по сравнению с 1950-1960 годами, этот показатель увеличился почти втрое и составил в 1980-1990 годах 10,6 на 100.000 населения. В США по данным М. Хайманна и Т. Бартона, ежегодно регистрируется около 30.000 больных с данной патологией [1].

За последние годы количество успешно оперированных больных с регматогенной отслойкой сетчатки возросло с 25-50% до 80-90% [2]. Однако функциональные результаты операций, несмотря на полное прилегание сетчатки, зачастую оказываются не всегда удовлетворительными [3]. При отдаленных наблюдениях имеет место преимущественно низкий уровень (до 0,1) зрительных функций, тогда как относительно высокая (0,2-0,5) и высокая (0,61,0) острота зрения наблюдается лишь у 31,1% больных. Все это связано с поздней диагностикой отслойки сетчатки и поздними сроками оперативного вмешательства, что имеет решающее значение. В работе российских авторов [3, 4] приводятся данные о том, что только треть пациентов поступает на операцию в оптимальные сроки с точки зрения достижения как анатомического, так и высокого функционального результата. Для наиболее благоприятного функционального исхода хирургического лечения сроки ретинальной отслойки не должны превышать 1 месяц [3 С.51].

Цель работы – разработать способ ранней диагностики отслойки сетчатки с использованием нейросетевых технологий.

Методика ранней диагностики отслойки сетчатки на основе нейросетевой программы

Для решения большинства плохо формализуемых задач (плохо формализуемые задачи – это такие задачи,

Разработан метод ранней диагностики отслойки сетчатки с помощью нейросетевых технологий. Достоверность ранней диагностики заболевания на этапе внедрения составила 85,4%. Данные обследований доступны и могут широко применяться в поликлинических и стационарных условиях.

Нам представилось перспективным использование нейронных сетей для ранней диагностики отслойки сетчатки. Необходимость данного исследования была продиктована поздней обращаемостью больных с отслойкой сетчатки, низкими зрительными функциями в послеоперационном периоде.

Нами, совместно с сотрудниками лаборатории компьютерного моделирования института математики Министерства образования и науки РК, для разработки способа ранней диагностики отслойки сетчатки был использован многослойный персептрон MLP (MLP – Multi Layer Perseptron) реализованный в виде приложения к Statistica Neural Networks 4.0 E [11, 12]. Основной структурной единицей искусственной нейронной сети MLP явился формальный нейрон, предложенный в 1943 г. нейробиологом Уорреном С. Мак-Каллоком и статистиком Вальтером Питтсом в работе «Логическое исчисление идей, относящихся к нервной активности». Модель нейрона была представлена простым процессором с несколькими входами и одним выходом в соответствии с рисунком 1.

Нейрон состоял из двух частей: суммирующей функции и функции активации . Суммирующая функция вычисляла общий входной сигнал нейрона, в данном случае как взвешенную сумму выводов .

Здесь - параметры, называемые синаптическими весами; – смещение или порог. Известны где между входным вектором х и выходным вектором у не существует связи, записанной в аналитическом виде) уже давно применяются искусственные нейронные сети (ИНС). Их успех связан с принципиальным отличием от традиционных методов. Нейронные сети или персептроны не программируются в привычном смысле этого слова, они обучаются, что позволяет находить сложные нелинейные зависимости в данных. Для обучения персептрона используется простой метод коррекции ошибок. В 1974 году Пол Вербос изобрел алгоритм обратного распространения ошибки [5], что позволило расширить использование нейронной сети.

В диагностике глазных болезней уже давно применяются методы статистической обработки данных, основанные на нейросетевом подходе. С помощью нейронных сетей разработаны экспертные системы для дифференциальной диагностики опухолей орбиты и прогнозирования рецидивов, для диагностики миопии, внутриглазной меланомы и первичной открытоугольной глаукомы [6-10].

и другие методы комбинации входов нейрона, но самым распространенным является линейная суммирующая функция.

Выход нейрона ɑ был связан с ' линейным или нелинейным преобразованием ű = ƒ(ü) , называемым функцией активации. Вычисленное значение ɑ передавалось затем другим нейронам сети. В многочисленных моделях нейросетей использовались различные функции активации, например, пороговая, кусочно-линейная, сигмоида и др.

В общем случае нейронные сети решали задачу аппроксимации многомерных функций, т.е. построение многомерного отображения . , обобщающего заданный набор примеров {x^α_jy^α} . Для задач классификации набор выходных значений был дискретным.

Общая схема обучения нейронной сети, называемая обучением «с учителем», выглядела так:

Весовые коэффициенты нейронной сети устанавливались некоторым образом, обычно - малыми случайными значениями.

На вход нейронной сети в определенном порядке подавались учебные примеры. Для каждого примера вычислялась ошибка EL (ошибка обучения) и по определенному алгоритму производилась коррекция весов. Целью процедуры коррекции весов была минимизация ошибки EL.

Проверка правильности работы сети - на вход в определенном порядке подавались контрольные примеры. Для каждого примера вычислялась ошибка EG (ошибка обобщения). Если результат был неудовлетворительным то, производилась модификация множества учебных примеров или архитектуры сети и повторение цикла обучения.

Если после нескольких итераций алгоритма обучения ошибка обучения ET падала почти до нуля, в то время как ошибка верификации EV в начале спадала, а затем начинала расти, то это был признак эффекта переобучения. В этом случае обучение прекращали.

Решение задачи классификации является одним из основных применений нейронных сетей. Задача классификации представляла собой задачу отнесения образца к одному из нескольких попарно не пересекающихся множеств. Данные можно было представить несколькими способами. Наиболее подходящим явился способ, при котором образец представлялся вектором. Компоненты этого вектора представляли собой различные характеристики образца, которые влияли на принятие решения о том, к какому классу можно было отнести данный образец. Таким образом, на основании некоторой информации о примере, было определено, к какому классу его отнести. Классификатор, таким образом, отнес объект к одному из классов в соответствии с определенным разбиением N-мерного пространства, которое назвали пространством входов, и размерностью этого пространства явилось количество компонент вектора.

Клинический материал включал результаты обследования 147 пациентов с отслойкой сетчатки, находившихся на лечении в Казахском НИИ глазных болезней. В нейронной сети использовали следующие клинические параметры: остроту зрения, показатели периметрии в градусах по восьми меридианам, высоту «отслоечного» эхосигнала, показатели электроретинограммы.

Результаты исследования

Произведена выборка 150историй болезни больных с отслойкой сетчатки, из которых отобраны 18 компонент. Первые 17 компонент это закодированные клинические признаки, а 18-ая компонента это факт наличия отслойки сетчатки. Наличие отслойки отмечено «1», ее отсутствие - «0». Клинические признаки состояли из данных: остроты зрения, периметрии в градусах по 8 меридианам, УЗИ (высота «отслоечного» эхосигнала), электроретиногра- фической латентности и амплитуд «а», «в» волн и их соотношения.

Данные разбивали на обучающее (74 примеров), верификационное (36 примеров), тестовое (40 примеров) множество. Нормировку входных компонент проводили отдельно. Дискретным компонентам соответствовали отдельные входные элементы по количеству значений компонент. Непрерывные компоненты входного вектора центрировали и нормировали на дисперсию. В обучение использовали нейронную сеть многослойного персептрона MLP состоящего из трех слоев: входной (17 элементов), скрытый (9 элементов), выходной (1 элемент) слой. Она обучалась методом стохастического градиентного спуска.

В таблице 1 приведены результаты нейросетевого диагностирования отслойки сетчатки (ОС). Видно, что на обучении классификатор не усвоил 2 примера с отслойкой сетчатки из 60. На верификации классификатор допустил 1 ошибку с ОС из 29. На тестировании 1 ошибка с отсутствием ОС и 3 ошибки с наличием ОС из 37. Средняя квадратичная ошибка на обучение 0.14, на верификации 0.18, на тесте 0.29.

Достоверность диагноза, исходя из полученных результатов обучения, составила 71%, что является относительно высокой достоверностью в диагностике. Чувствительность метода ранней диагностики отслойки сетчатки на этапе разработки составила 91,1%.

Достоверность нейросетевого классификатора

Пусть X - выборка объема ƒƒ тестовых примеров X₃- подаваемых на вход искусственной нейронной сети (ИНС). Тогда Y множество всех ответов Уį даваемых ИНС на тестовые примеры. В алгоритмах обучения с учителем уже априори известны правильные ответы t_i из множества ' . Причем объемы всех трех множеств совпадают. И область значений ответов сети ƒ¡■ лежит в интервале [0,1], а область значений правильных ответов ⅞ принадлежит бинарному множеству {0,1}. Средней квадратичной ошибкой будем называть сумму квадратов разностей между выходом сети ƒ¡■ и правильными ответами t_i .

Рассмотрим свойства этой функции на примере ИНС более подробно. Положим что во всех тестовых случаях нейроклассификатор даёт правильный ответ, т.е. разница между ожиданием ⅞■ и выходом ƒ_г· будет грубо говоря нулевая, соответсвенно, такой же будет и средняя квадратичная ошибка. Благодаря возведению в квадрат в суммарной ошибке учитываются только значительные отклонения выхода сети от ожидаемого значения. Поскольку функция ошибки нормированная, то область ее значений лежит в интервале [0,1]. Введем величину достоверности для тестовой выборки X.

D=∖-MSE

Ее значение также будет лежать в интервале [0,1]. И чем больше значение , тем меньше ИНС ошибалась на контрольных примерах. Тем больше вероятность того, что классификатор не ошибется в будущем на новых примерах. На основании введенных нами данных получена точность разработанного способа, которая составляет 71%.

Таким образом, полученные результаты выглядят обнадеживающими. Точность разработанного способа, исходя из полученных результатов обучения, составляет 71%, что является относительно высокой достоверностью в диагностике. Нами разработан нейроклассификатор для ранней диагностики отслойки сетчатки, его широкое ведрение в клиническую практику в виде прикладного программного обеспечения позволит своевременно проводить хирургическое лечение и тем самым повысить анатомические и функциональные результаты.

На этапе внедрения искусственной нейронной сети в клиническую практику для диагностики отслойки сетчатки нами проведены исследования 55 пациентов. У 25 обследованных с использованием нейронной сети не было выявлено отслоения сетчатки, у 30 больных – выявлено. Для подтверждения точности диагностики отслойки сетчатки предлагаемым способом у всех пациентов проводилась циклоскопия (таблица 2).

Как видно из таблицы 15, при диагностировании заболевания предлагаемым способом отслоение сетчатки было установлено в 26 случаях (глаз) из 30, процент совпадения составил 86,7% , в контрольной группе, где не было отслоения сетчатки в 21 случае из 25, процент совпадения составил 84%.

Для подтверждения полученного результата на этапе внедрения метода диагностики ОС определены показатели специфичности и чувствительности предлагаемого способа. Чувствительность показывает насколько точен предлагаемый способ в отношении положительных результатов, а специфичность – насколько точен способ в отношении отрицательных результатов, и рассчитываются по формулам [13]:

• Ч=ИП/(ЛП+ИП)х100%
• С=ИО/(ЛО+ИО)х100%, где
• Ч – чувствительность способа

• С – специфичность способа
• ИП – истинно положительный результат
• ИО – истинно отрицательный результат
• ЛП – ложноположительный результат
• ЛО – ложноотрицательный результат

Чувствительность предлагаемого способа ранней диагностики отслойки сетчатки на этапе внедрения искусственной нейронной сети составила 86,7%, а специфичность способа – 84%. Усредненный показатель эффективности составил 85,4%.

Таким образом, эффективность предлагаемого способа ранней диагностики отслойки сетчатки в 2,5 раза выше общеизвестного и составляет 85,4%.

В результате проведенных исследований нами разработан способ ранней диагностики отслойки сетчатки основанный на нейросетевом программном обеспечении, чувствительность которого составила 91,1%. Достоверность предлагаемого способа на этапе внедрения составила 85,4%.

Список использованной литературы

1. Шишкин М.М. Современная хирургия отслоек сетчатки: Методическое пособие. – М., 1996. – 65 с.
2. Субботин П.К., Артемьев Н.В., Чупров А.Д., Мурзин В.А. Особенности диагностики и тактика хирургического лечения регматогенных отслоек сетчатки // Вестник офтальмологии. – 1993. - №3. – С. 19 – 20.
3. Азнабаев М.Т., Ахтямов К.Н., Бабушкин А.Э. Причины низких зрительных функций и методы реабилитации у больных, после успешно оперированной отслойки сетчатки // Вестник офтальмологии. – 2005. - №5. – С. 50 -52.
4. Макаров П.Г., Похабов А.А., Манькова Т.Л., Сычев Г.М. // Офтальмологический журнал – 1989. - №6. – С. 372 - 374.
5. Werbos P.J. Beyond regression: New tools for prediction and analysis in the behavioral sciences // Ph.D. thesis. – Harvard University, 1974.
6. Долматова И.А., Югай И.С. Применение нейронных сетей к дифференциальной диагностике опухолей орбиты // Нейроинформатика и ее приложение: Тез. докл. Всеросс. рабочего семинара 7 - 10 октября,2000 года. - Красноярск, 2000. – С. 65.
7. Россиев Д.А., Бутакова Е.В. Ранняя диагностика злокачественных опухолей сосудистой оболочки глаза с использованием нейронных сетей // Нейроинформатика и ее приложения. – Тез. докл. Всеросс. рабочего семинара 7 - 10 октября, 1994 года. - Красноярск, 1994. – С. 44.
8. Комаровских Е.Н., Ланин С.Н. и др. Возможность диагностики первичной открытоугольной глаукомы искусственными нейронными сетями // Сб. науч.тр. «Глаукома. Глаукома на рубеже тысячелетий. Итоги и перспективы». – М., 1999. – С. 72-74.
9. Пак А.А., Тапенбаева А.Д., Тулетова А.С. Нейросетевое диагностирование миопии // Нейроинформатика и ее приложения: Тез. докладов Всеросс. Рабочего семинара 22-25 января 2008 г. - Москва, 2008. – С. 78.
10. Пак А.А., Канафьянова Э.Г. Нейросетевое прогнозирование посттравматической остроты зрения при проникающих ранениях глаза // Офтальмологический журнал Казахстана – 2009. - №2-3 – С. 49 – 55.
11. Bishop Ch.M. Neural Networks for Pattern Recognition // Clarendon Press., Oxford, 1996. – Р. 200.
12. Tuv E., Borisov A., Torkkola K. Intelligent Data Engineering and Automated Learning – IDEAL 2006 // Springer Berlin. – 2006. – P. 1048-1056.
13. Панова И.Е., Пилат А.В., Семенова Л.Е., Важенина Д.А., Дудник С.Н. Инструментальная диагностика распространенных стадий увеальной меланомы // IV Всероссийская школа офтальмолога: сб.научных трудов под ред. Е.А.Егорова. – М., 2005. – С.453-463.