Preview

Вестник урологии

Расширенный поиск

Экспертные системы в оценке данных урофлоуграмм

https://doi.org/10.21886/2308-6424-2018-6-3-12-16

Полный текст:

Аннотация

Актуальность. В практике врача-уролога принято судить о типе мочеиспускания по двум параметрам: чаще всего это эффективный объём мочевого пузыря (V) и максимальная объёмная скорость мочеиспускания (Qmax). Поскольку экспертная оценка цифровых характеристик потока мочи часто неоднозначна, они скептически воспринимаются частью врачей и нередко остаются без должного внимания. В настоящее время всё больше проявляется стремление медицины к объективизации путём количественного выражения клинических показателей. Основной технологией, используемой для решения задач обработки и анализа данных, а также их классификации и прогнозирования, являются искусственные нейронные сети. Целью работы являлась разработка экспертной системы распознавания данных урофлометрии на основе нейросетевого классификатора.

Материалы и методы. Обучение искусственной трёхслойной нейронной сети прямого распространения происходило по данным 210 урофлоуграмм и многомерного вектора, характеризующегося 9 входными параметрами.

Результаты. Тестирование системы проводилось на 40 примерах – данных урофлоуграмм пациентов, не участвовавших в обучении нейронной сети. При этом нейронная сеть определила все предложенные примеры правильно.

Выводы. Предложен нейросетевой метод распознавания данных урофлометрии различных заболеваний нижних мочевых путей. Сформировано пространство информативных признаков, влияющих на оценку данных урофлоуметрии. Разработана экспертная система, классифицирующая заболевания (3 вида отклонений от нормы) нижних мочевых путей (НМП) со степенью уверенности в 95%.

Для цитирования:


Ершов А.В., Капсаргин Ф.П., Бережной А.Г., Мылтыгашев М.П. Экспертные системы в оценке данных урофлоуграмм. Вестник урологии. 2018;6(3):12-16. https://doi.org/10.21886/2308-6424-2018-6-3-12-16

For citation:


Ershov A.V., Kapsargin F.P., Berezhnoy A.G., Miltigashev M.P. Expert systems in uroflowmetry data evaluation. Vestnik Urologii. 2018;6(3):12-16. (In Russ.) https://doi.org/10.21886/2308-6424-2018-6-3-12-16

Введение

В настоящее время всё больше проявляется стремление медицины к объективизации путём количественного выражения клини­ческих показателей. В первую очередь это связано с появлением новых технических возможностей. При­чём это касается не только лабораторных данных, но и сведений, имеющих весьма субъективный характер оценки [1].

Основной технологией, используемой для реше­ния задач обработки и анализа данных, а также их классификации и прогнозирования, являются искус­ственные нейронные сети.

Основное преимущество нейронных сетей в меди­цине - обработка и учёт большого количества параме­тров, которые зачастую выявить врачу невозможно. В этом и заключается основная сложность прогнозиро­вания, значительная часть информации представляет собой субъективные оценки врача, основанные на его знаниях и опыте [2][3]. Тем не менее, влияние этих данных на постановку диагноза или выбор тактики лечения довольно высоко. Нейросети способны при­нимать решения, основываясь на скрытых закономер­ностях, фильтруя многочисленные данные [4].

В свете изложенного, не лишена интереса работа С. Van de Beek et al. [5], в которой представлены ре­зультаты интерпретации 25 урофлоуграмм здоровых пациентов и больных с нарушениями мочеиспуска­ния группой урологов из 58 человек; определялись нормальные урофлоуграммы и формулировались ве­роятные диагнозы. Оказалось, что в 43% случаев нор­мальные урофлоуграммы были отнесены к патологи­ческим, а в 6% - наоборот [2].

Целью нашей работы являлась разработка экс­пертной системы распознавания данных урофлометрии на основе нейросетевого классификатора. Суть метода заключается в распознавании входных пара­метров и соотношении их к тому или иному классу за­болеваний.

Материалы и методы

Обучающую выборку составили данные 210 уроф­лоуграмм (на базе урологического отделения «До­рожной клинической больницы на ст. Красноярск ОАО

«РЖД») и многомерного вектора, характеризующего­ся 9 входными параметрами, численных показателей обследования (табл. 1).

 

Таблица 1. Показатели при урофлоуметрии

Table 1. Parameters of uroflowmetry

Входной параметр/ Input parameter

Комментарий / Comment

Age

Возраст пациента / Age of the patient

T Q max

Время достижения максимального мочеиспускания / Time to maximize urination

T Q max\T

Соотношение времени максимального мочеиспускания к полному времени обследования / Ratio of maximum urination time to total examination time

Q mid

Средняя скорость мочеиспускания / Average urination rate

V

Объём мочеиспускания / Urination volume

T

Время мочеиспускания / Urination time

KA

Коэффициент адекватности мочеиспускания / Coefficient of urination

Q mid\Q max

Соотношение средней к максимальной скорости мочеиспускания / The ratio of the average speed to the maximum speed of urination

Q max

Максимальная скорость мочеиспускания / Maximum urination rate

Все пациенты обследованы по стандартному диагностическому алгоритму, включающему лабо­раторные, инструментальные, рентгенологические и ультразвуковые методы, которые позволяли выбрать оптимальный метод лечения в зависимости от анатомо-функционального состояния нижних мочевых путей, выявленной патологии, а также фазы течения воспалительного процесса.

Каждый пример имеет выходной параметр «класс», представляющий заранее известный диа­гноз (нормальное мочеиспускание кодируется циф­рой 0, аденома простаты -1, стриктура уретры - 2, а сфинктерно-детрузорная диссинергия (СДД) -3) (рис. 1). Количество примеров каждого класса составили: 58 - число пациентов с нормальным мочеиспускани­ем, 107 -с аденомой простаты, 25 - со стриктурой уре­тры и 20 - с СДД.

 

Рисунок 1. Классы заболеваний нижних мочевых путей.

Figure 1. Classes of diseases of the lower urinary tract.

 

Все пациенты обследованы по стандартному диагностическому алгоритму, включающему лабо­раторные, инструментальные, рентгенологические и ультразвуковые методы, которые позволяли выбрать оптимальный метод лечения в зависимости от анатомо-функционального состояния нижних мочевых путей, выявленной патологии, а также фазы течения воспалительного процесса.

Каждый пример имеет выходной параметр «класс», представляющий заранее известный диа­гноз (нормальное мочеиспускание кодируется циф­рой 0, аденома простаты -1, стриктура уретры - 2, а сфинктерно-детрузорная диссинергия (СДД) - 3) (рис. 1). Количество примеров каждого класса соста­вили: 58 - число пациентов с нормальным мочеиспу­сканием, 107 - с аденомой прстаты, 25 - со стрикту­рой уретры и 20 - с СДД.

Результаты и обсуждение

В практике врача-уролога принято судить о типе мочеиспускания по двум параметрам: чаще всего это эффективный объём мочевого пузыря (V) и макси­мальная объёмная скорость мочеиспускания (Qmax). Поскольку экспертная оценка цифровых характери­стик потока мочи часто неоднозначна, они скептиче­ски воспринимаются частью врачей и нередко оста­ются без должного внимания [2]. Мы же считаем, что вывод можно сделать только при одновременной оценке множества параметров, и этот вывод делается на основании опыта .

Цель обучения нейросети - приобрести этот опыт, поработав с данной обучающей выборкой. В работе использовалась стандартная трехслойная нейронная сеть. Процесс обучения представляет собой поиск за­кономерности между совокупностью обучающих дан­ных и заранее известным результатом. Обучение сети для 9 входных векторов и 210 записей заняло около 14 минут.

Следующей важной задачей явилось изучение значимости входных параметров нейросети, для по­становки диагноза (рис. 2).

 

Рисунок 2. Средняя значимость входных параметров.

Figure 2. Average significance of input parameters.

 

Наиболее значимыми показателями (р<0,05) яви­лись: полное время мочеиспускания (0,677), эффек­тивный объём мочевого пузыря (0,547), коэффициент адекватности (0,427), а также отношение периода максимального мочеиспускания к полному периоду (0,305). Следует отметить, что максимальную объём­ную скорость мочеиспускания экспертная система не отнесла к наиболее значимым показателям при уста­новке диагноза.

Далее нами разработана нейросетевая эксперт­ная система, позволяющая тестировать данные. Те­стирование системы проводилось на 40 примерах заболеваний нижних мочевых путей (НМП). При этом нейронная сеть определила все предложенные при­меры правильно. Более того, экспертная система «отбраковала» два примера, которые были внесены в тестовую выборку по ошибке. Урофлоуметрия двух пациентов была произведена на 10 сутки после ТУР аденомы простаты (эксперт определил показатели мочеиспускания как нормальные).

Выводы

Таким образом, в данном исследовании нами ре­шены следующие задачи:

  • предложен нейросетевой метод распознавания данных урофлометрии различных заболеваний ниж­них мочевых путей.
  • сформировано пространство информативных признаков, влияющих на оценку данных урофлоуметрии.
  • разработан нейросетевой классификатор в сре­де Panalyzer0. Рассчитаны показатели значимости параметров, которые имели наибольшее влияние на выбор метода лечения.
  • выполнено тестовое прогнозирование раз­работанной экспертной системы с использованием контрольной выборки пациентов урологического от­деления «Дорожной клинической больницы на ст. Красноярск ОАО «РЖД». Тестирование проводилось на 40 примерах, при этом степень диагностической уверенности системы составила 95%.

Список литературы

1. Каллан Р. Основные концепции нейронных сетей. Пер. с англ. М.: Издательский дом «Вильямc”; 2001:128-140. (In Russ.). ISBN: 5-8459-0210-Х

2. Вишневский Е.Л., Пушкарь Д.Ю., Лоран О.Б., Данилов В.В., Вишневский А.Е. Урофлоуметрия. М.: Печатный город; 2004. ISBN: 5-98467-001-1

3. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком; 2002. ISBN 5-93517-031-0

4. Россиев Д.А. Самообучающиеся нейросетевые экспертные системы в медицине: теория, методология, инструментарий, внедрение: Дис. … док. мед. наук. Красноярск; 1997. Доступно по: http://earthpapers.net/samoobuchayuschiesya-neyrosetevye-ekspertnyesistemy-v-meditsine-teoriya-metodologiya-instrumentariyvnedrenie Ссылка активна на 28.09.2018.

5. Van de Beek C, Stoevelaar HJ, McDonnell J, Nijs HG, Casparie AF, Janknegt RA. Interpreta on of urofl owmetry curves by urologists. J Urol. 1997;157(1):164-8. PMID: 8976242


Об авторах

А. В. Ершов
ФГБОУ ВО «Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого» МЗ РФ
Россия

Ершов Артём Владимирович ‒ ассистент кафедры урологии, андрологии и сексологии



Ф. П. Капсаргин
ФГБОУ ВО «Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого» МЗ РФ
Россия

Капсаргин Федор Петрович ‒ д.м.н, профессор, заведующий кафедрой урологии, андрологии и сексологии.

Тел.: +7 (908) 212-48-20



А. Г. Бережной
ФГБОУ ВО «Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого» МЗ РФ
Россия

Бережной Александр Григорьевич ‒ кандидат медицинских наук, доцент кафедры урологии, андрологии и сексологии



М. П. Мылтыгашев
ФГБОУ ВО «Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого» МЗ РФ
Россия

Мылтыгашев Мирген Прокопьевич ‒ кандидат медицинских наук, ассистент кафедры урологии, андрологии и сексологии



Для цитирования:


Ершов А.В., Капсаргин Ф.П., Бережной А.Г., Мылтыгашев М.П. Экспертные системы в оценке данных урофлоуграмм. Вестник урологии. 2018;6(3):12-16. https://doi.org/10.21886/2308-6424-2018-6-3-12-16

For citation:


Ershov A.V., Kapsargin F.P., Berezhnoy A.G., Miltigashev M.P. Expert systems in uroflowmetry data evaluation. Vestnik Urologii. 2018;6(3):12-16. (In Russ.) https://doi.org/10.21886/2308-6424-2018-6-3-12-16

Просмотров: 605


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2308-6424 (Online)