2 Анализ признаков панкреатита и разработка модели диагностики
2.1 Клинические характеристики больных с панкреатитом
В работе проведен анализ обследования 65 пациентов в возрасте от 28 до 70 лет за последний год. Набор материала проводился в БУЗ ВО «Семилукская ЦРБ им. А.В. Гончарова». У 35 пациентов был выявлен острый панкреатит, у 22 – хронический панкреатит, а у 8 – другая патология.
Рисунок 5 – Зависимость заболевания от возрастной группы
В результате данного анализа получается, что частота заболевания приходится на среднюю возрастную группу пациентов (рисунок 5). Можно заметить, что женщины в возрасте от 28 до 40 лет болеют чаще острым панкреатитом (рисунок 6), чем мужчины этой же возрастной категории (рисунок 7), а в возрасте от 41 до 60 лет количество болеющих мужчин острым панкреатитом резко увеличивается.
Рисунок 6 – Зависимость заболевания острый панкреатит в группе женщин
Рисунок 7 – Зависимость заболевания острый панкреатит по группе мужчин
Сводные данные по клиническим характеристикам острого и хронического панкреатитов представлены на рисунке 8.
Рисунок 8 – Значимость симптомов при различных формах панкреатита
Как видно из рисунка 8 наиболее выраженными признаками острого панкреатита являются интенсивные боли в животе и синюшные пятна на теле, а наиболее информативными для хронического панкреатита являются снижение массы тела и расстройство стула. Так же из гистограммы видно, что обезвоживание довольно показательно при постановке диагноза острый панкреатит.
На рисунке 9 представлена диаграмма УЗИ признаков панкреатита при различных формах заболевания.
Рисунок 9 – УЗИ признаки панкреатита при различных формах заболевания
Проведя анализ диаграммы УЗИ признаков панкреатита, можно сказать, что некоторые признаки такие, как появление сальниковой сумки и увеличение отделов ПЖ , характерны только для острого панкреатита. Что играет немаловажную роль при дальнейшем выборе тактики лечения. Остальные показания характерны как для острого, так и для хронического панкреатита.
Сводные данные по клиническим исследованиям крови и мочи представлены на рисунке 10.
Рисунок 10 – Клинические проявления при различных формах острого панкреатита
Из рисунка 10 видно, что наиболее информативными и выраженными клиническими проявлениями являются два показателя – это повышенное содержание амилазы в крови и в моче. Показатель активности фосфатазы в крови является часто встречаемым признаком, но его информативность не значительна, так как данный показатель присутствует при любом воспалительном процессе, протекающем в организме человека.
2.2 Оценка состояния пациентов с заболеваниями острого и хронического панкреатитов на основе нейросетевого моделирования
Для построения нейронных сетей для диагностики панкреатита острой, хронической формы и другой патологии, был построен ансамбль нейросетей, состоящий из 15 моделей. Для построения использовался пакет STATISTICA 6 и алгоритм обучения с обратным распознаванием ошибки. Сети проходили обучение на 50 примерах, 10 примеров выделялись в качестве тестовых, из них 5 – острый панкреатит, 3 – хронический панкреатит, 2 – другая патология, и 7 в качестве контрольных, из них 3– острый панкреатит, 3 – хронический панкреатит , 1 – другая патология.
Входами сетей являются вектора классификационных признаков заболеваний панкреатита: боль в животе, многократная рвота, вздутие живота, обезвоживание, снижение массы тела, синюшные пятна на теле, расстройство стула, признаки желтухи, увеличение отделов ПЖ, активность амилазы в крови, обнаружение кальцификации ПЖ, активность амилазы в моче, появление сальниковой сумки, повышение алкалинфосфата и трансаминазы, повышение активности фосфатазы в крови, Х16 – Х18 – размеры поджелудочной железы (тело, головка, хвост соответственно), Х19 – Х21 - эхогенность.
Все сети характеризуются 3 выходами, соответствующими классу заболеваний: острый панкреатит, хронический панкреатит и другая патология.
Как уже отмечалось было построено 15 моделей. Обучение проводилось в следующих режимах:
НС№ 1 – равномерное упрощение сети: сокращение числа входных сигналов (3), а также сокращение числа нейронов в первом скрытом слое (3);
НС№ 2 – равномерное упрощение сети: сокращение числа входных сигналов (5) и сокращение числа нейронов в первом скрытом слое(5), а также удаление синапсов (15);
НС№ 3 – сокращение числа нейронов в первом скрытом слое (4);
НС№ 4 – равномерное упрощение сети: сокращение числа входных сигналов (7), сокращение числа нейронов в первом скрытом слое (3);
ИНС№ 5 – равномерное упрощение сети: сокращение числа входных сигналов (6), сокращение числа нейронов в первом скрытом слое (4), а также удаление синапсов (14);
НС№ 6 – равномерное упрощение сети: сокращение числа входных сигналов (4), а также сокращение числа нейронов в первом скрытом слое (2) и сокращение числа нейронов во втором скрытом слое (2);
НС№ 7 – равномерное упрощение сети: равномерное упрощение сети: сокращение числа входных сигналов (9) и сокращение числа нейронов во втором скрытом слое (1), а также удаление синапсов (13);
НС№ 8 – равномерное упрощение сети: сокращение числа входных сигналов (6), а также сокращение числа нейронов в первом скрытом слое (2);
НС№ 9 – модель на основе многослойного персептрона с 3 входами и двумя промежуточными слоями;
НС№10 – равномерное упрощение сети: сокращение числа входных сигналов (10), а также сокращение числа нейронов в первом скрытом слое (5);
НС №11 – число входных сигналов (21) число нейронов в скрытом слое(12).
НС№12 – равномерное упрощение сети: сокращение числа входных сигналов (11) и сокращение числа нейронов в первом скрытом слое (6);
НС№ 13 – равномерное упрощение сети: сокращение числа входных сигналов (19), а также сокращение числа нейронов в первом скрытом слое (2);
НС№ 14 – сокращение числа входных сигналов (8);
НС№ 15- число входных сигналов (20) число нейронов в скрытом слое(10).
Результаты моделирования представлены в таблице 1.
Анализируя полученные результаты, мы пришли к выводу, что наилучшей является НС№9и НС№11, НС№15 т. к. обладают наибольшей достоверностью постановки диагноза
Таблица 1 – Характеристика эффективности разработанных НС
|
№ сети |
Правильно распознанные примеры в тестовой выборке |
Правильно распознанные примеры в контрольной выборке |
Число скрытых слоев |
Кол-во удаленных входов (из 21) |
Кол-во удаленных нейронов 1 скрытого слоя (из 11) |
Кол-во удаленных нейронов 2 скрытого слоя
|
Кол-во удаленных синапсов |
Прогноз сети, % |
|||||||||
|
Кол-во |
% |
Кол-во |
% |
|
|
|
|
|
|
||||||||
|
1 |
7 |
70 |
5 |
71 |
1 |
3 |
3 |
- |
0 из 176 |
70,13 |
|||||||
|
2 |
5 |
50 |
4 |
57 |
1 |
5 |
5 |
- |
15 из 176 |
53,24 |
|||||||
|
3 |
6 |
60 |
3 |
43 |
1 |
0 |
4 |
- |
20 из 234 |
51,72 |
|||||||
|
4 |
6 |
60 |
5 |
71 |
1 |
7 |
3 |
- |
0 из 234 |
65,12 |
|||||||
|
5 |
4 |
40 |
4 |
57 |
2 |
6 |
4 |
0 |
14 из 162 |
45,36 |
|||||||
|
6 |
5 |
50 |
5 |
71 |
2 |
4 |
4 |
4 |
10 из 162 |
60,32 |
|||||||
|
7 |
4 |
40 |
4 |
57 |
1 |
9 |
0 |
1 |
13 из 242 |
45,35 |
|||||||
|
8 |
5 |
50 |
3 |
43 |
1 |
6 |
2 |
- |
0 из 171 |
45,72 |
|||||||
Продолжение таблицы 1
|
№ сети |
Правильно распознанные примеры в тестовой выборке |
Правильно распознанные примеры в контрольной выборке |
Число скрытых слоев |
Кол-во удаленных входов (из 21) |
Кол-во удаленных нейронов 1 скрытого слоя (из 11) |
Кол-во удаленных нейронов 2 скрытого слоя (из 8) |
Кол-во удаленных синапсов |
Прогноз сети, % |
||
|
Кол-во |
% |
Кол-во |
% |
|||||||
|
9 |
7 |
70 |
6 |
86 |
2 |
0 |
2 |
0 |
0 из 334 |
77,23 |
|
10 |
5 |
50 |
4 |
57 |
2 |
10 |
5 |
- |
0 из 96 |
54,43 |
|
11 |
8 |
80 |
6 |
86 |
1 |
0 |
0 |
- |
0 из 312 |
83 |
|
12 |
6 |
60 |
3 |
43 |
1 |
11 |
6 |
- |
0 из 66 |
51,12 |
|
13 |
7 |
70 |
4 |
56 |
2 |
9 |
2 |
- |
0 из 228 |
62,23 |
|
14 |
5 |
50 |
4 |
56 |
1 |
8 |
0 |
- |
18 из 228 |
53,29 |
|
15 |
8 |
80 |
6 |
86 |
1 |
1 |
0 |
- |
14 из 168 |
83 |
Таким образом, чтобы классифицировать заболевания о панкреатита были выбраны три нейронные сети на базе многослойного персептрона. Архитектура выбранных нейронных сетей представлены на рисунке 11, рисунке 12 и рисунке 13, где
F1.1, F2.1, F3.1 – острый панкреатит;
F1.2, F2.2, F3.2 – хронический панкреатит;
F1.3, F2.3, F3.3 – пациент болен другой патологией.
X1-X21-клинические, лабораторные и УЗИ признаки, а именно:
X1 – боль в животе, X2 – многократная рвота, X3 – вздутие живота, X4 – обезвоживание, X5 – снижение массы тела, X6 – синюшные пятна на теле, X7 – расстройство стула, X8 – признаки желтухи, X9 – увеличение отделов ПЖ, X10 – активность амилазы в крови, X11 – обнаружение кальцификации ПЖ, X12 – активность амилазы в моче, X13 – появление сальниковой сумки, X14 – повышение алкалинфосфата и трансаминазы, X15 – повышение активности фосфатазы в крови, Х16 – Х18 – размеры поджелудочной железы (тело, головка, хвост соответственно), Х19 – эхогенность в норме, Х20 – эхогенность повышена, Х21 – эхогенность понижена.
Обучение сетей выполнялось с использованием линейной функции на входном слое, сигмоидальной (гиперболического тангенса) функции на скрытом и логистической функции на выходном слое.
Рисунок 11 – Архитектура нейронной сети №9
Рисунок 12 – Архитектура нейронной сети №11
Рисунок 13 – Архитектура нейронной сети №15
Анализ НС№9 показал, что достоверность постановки диагноза для острого панкреатита равна 100%, для хронического панкреатита – 66,7%, а для другой патологии – 50%. Аналогичный анализ НС№11 показал, что достоверность постановки диагноза острого панкреатита равен 66,7%, для хронического панкреатита – 100%, другая патология – 50%. Анализ НС№15 установил, что достоверность постановки диагноза для острого панкреатита равна 50%, для хронического панкреатита – 100%, другая патология – 50%
Результаты тестирования тестовой и контрольной группы каждого рассматриваемого заболевания представлены в таблице 2.
Таким образом, для реализации информационно-программного обеспечения системы диагностики панкреатита будут использованы эти три модели.
Таблица 2 – Прогнозирование заболеваний острого панкреатита по модели многослойного персептрона
|
Нейронная сеть |
Выходы |
Количество примеров в тестовом множестве |
Количество распознанных примеров в тестовом множестве |
Количество примеров в контрольном множестве |
Количество распознанных примеров в контрольном множестве |
||||
|
Кол-во |
% |
Кол-во |
% |
||||||
|
НС№9 |
F1.1 |
4 |
4 |
100 |
3 |
3 |
100 |
||
|
F1.2 |
4 |
3 |
75 |
3 |
2 |
66,7 |
|||
|
F1.3 |
2 |
1 |
50 |
2 |
1 |
50 |
|||
|
НС№11 |
F2.1 |
4 |
3 |
75 |
3 |
2 |
66,7 |
||
|
F2.2 |
3 |
3 |
100 |
3 |
3 |
100 |
|||
|
F2.3 |
2 |
1 |
50 |
2 |
1 |
50 |
|||
|
НС№15 |
F3.1 |
3 |
2 |
66,7 |
2 |
1 |
50 |
||
|
F3.2 |
4 |
4 |
100 |
3 |
3 |
100 |
|||
|
F3.3 |
2 |
2 |
100 |
2 |
1 |
50 |
|||
Фрагмент математической модели НС№11
Скрытый слой:
Y1.1= 0,433*X1 – 0,912*X2 + 0,351*X3 – 1,276*X4 + 0,948*X5 +0,301*X6 + 0,051*X7 + 1,148*X8 + 0,256*X9 – 1,187*X10 – 0,126*X11 + 1,289*X12 + 0,302*X13 + 0,183*X14 – 0,103*X15 – 1,178*X16 + 0,132*X17 + 0,520*X18 – 0,621*X19 +– 0,101*X20 – 1,211X21 –– 0,036;
…
Y1.12=0,067*X1 + 0,302*X2 + 0,011*X3 – 0,921*X4 – 1,747*X5 – 0,193*X6 + 0,332*X7 – 0,101*X8 – 0,821*X9 + 0,324*X10 – 0,668*X11 –0,234*X12 + 0,222*X1 + 0,103*X14 – 0,589*X15 + 0,629*X1 + 0,656*X17 + 0,104*X18 – 0,991*X19 + + 1,128*X20 + 0,155*X21 –– 0,115.
Выходной слой:
F1.1= 0,297*Y1.1 +1,544*Y1.2 + 0,727*Y1.3 – 4,722*Y1.4 – 0,207*Y1.5 + 0,824*Y1.6 + 0,409*Y1.7 – 0,961*Y1.8 – 0,971* Y1.9 + 0,456*Y1.10 – 2,015*Y1.11 + 0,101*Y1.12 + 0,116.
F1.2= 1,318*Y1.1 – 0,207* Y1.2 + 1,488*Y1.3 – 4,911*Y1.4 – 1,886*Y1.5 – 0,927*Y1.6 + 1,133*Y1.7 – 2,188*Y1.8 + 0,443*Y1.9 – 6,173*Y1.10 – 3,253*Y1.11 – 0,402*Y1.12+2,823;
F1.3= - 1,141* Y1.1+0,635* Y1.2+1,755* Y1.3-1,572* Y1.4 – 0,437* Y1.5 + 2,254* Y1.6 – 0,255*Y1.7 + 1,373* Y1.8 – 0,197Y1.9 + 6,573Y1.10 – 0,145*Y1.11 + 1,413* Y1.12 + 0,507.
Фрагмент математической модели НС№9
Скрытый слой 1:
Y2.1= 0,301*X1 + 0,944*X2 – 0,523*X3 – 0,383*X4 + 0,532*X5 – 0,581*X6 + 1,331*X7 – 0,751*X8 + 0,279*X9 – 0,101*X10 + 0,107*X11 + 0,188*X12 – 0,458*X13 + 0,810*X14 + 0,828*X15 – 0,978*X16 – 0,752*X17 + 0,685*X18 – 0,473*X19 + 0,202*X20 + 0,759*X21 – 0.372.
…
Y2.10= - 0,776*X1 – 0,172*X2 + 0,772*X3+ 0,727*X4 + 0,279*X5 + 0,472*X6 + 0,872*X7 – 0,872*X8 + 0,522*X9 + 0,445*X10 + 0,578*X11 – 0,686*X12 + 0,372*X13 + 0,890*X14 + 0,383*X15 + 0,373*X16 + 0,395*X17 – 0,102*X18 – 0,535*X19 – 0,283*X20 – 0,285*X21 – 1,453.
Скрытый слой 2:
Z2.1= - 1,452*Y1 + 1,378*Y2 – 1,277*Y3 + 1,654*Y4 – 0,676*Y5 – 0,123*Y6 + 0,786*Y7 + 1,315*Y8 + 0,488*Y9 – 0,473Y10 + 0,273.
…
Z2.8 = - 0,637*Y1 + 0,005*Y2 – 1,204*Y3 + 1,353*Y4 + 0,155*Y5 + 0,873*Y6 – 0,132*Y7 – 0,700*Y8 + 0,185*Y9 + 0,173 Y10 + 0,738
Выходной слой
F2.1 = -3,755*Z2.1 – 0,475*Z2.2 + 0,455*Z2.3 + 2,967*Z2.4 + 0,4552Z2.5 + 0,354*Z2.6 – 0,732*Z2.7 – 0,683*Z2.8 + 0,473;
F2.2= -1,224*Z2.1 + 1,023*Z2.2 – 2,566*Z2.3 + 3,255*Z2.4 – 1,276*Z2.5 – 2,176*Z2.6 – 3,076*Z2.7 – 2,507*Z2.8 + 1,577;
F2.3= - 0,929*Z2.1 + 0,676*Z2.2 + 3,762*Z2.3 + 0,776*Z2.4 + 1,200*Z2.5 – 0,652*Z2.6 + 3,404*Z2.7 – 0,208*Z2.8 + 1,165.
Фрагмент математической модели НС№15
Скрытый слой:
Y1.1= 0,434*X1 – 0,922*X2 + 0,325*X3 – 1,256*X4 + 0,945*X5 +0,325*X6 + 0,151*X7 + 1,248*X8 + 0,456*X9 – 1,287*X10 – 0,124*X11 + 1,214*X12 + 0,341*X13 + 0,123*X14 – 0,143*X15 – 1,121*X16 + 0,122*X17 + 0,541*X18 – 0,611*X19 +– 0,121*X20 – 1,141X21 –– 0,124;
…
Y1.10=0,014*X1 + 0,412*X2 + 0,411*X3 – 0,671*X4 – 1,343*X5 – 0,333*X6 + 0,352*X7 – 0,2552X8 – 0,644*X9 + 0,353*X10 – 0,7754*X11 –0,312X12 + 0,224*X1 + 0,345*X14 – 0,533*X15 + 0,255*X1 + 0,523*X17 + 0,253*X18 – 0,634*X19 +1,145*X20 + 0,111*X21 –– 0,225.
Выходной слой:
F1.1= 0,444*Y1.1 +1,454*Y1.2 + 0,054*Y1.3 – 4,455*Y1.4 – 1,552*Y1.5 + 0,644*Y1.6 + 0,585*Y1.7 – 0,644*Y1.8 – 0,342* Y1.9 + 0,965*Y1.10 –0,290.
F1.2= 2,318*Y1.1 – 0,241* Y1.2 + 1,448*Y1.3 – 4,411*Y1.4 – 1,516*Y1.5 – 0,547*Y1.6 + 1,543*Y1.7 – 2,452*Y1.8 + 0,755*Y1.9 – 5,363*Y1.10 +2,644;
F1.3= - 1,144* Y1.1+0,645* Y1.2+1,735* Y1.3-1,535* Y1.4 – 0,447* Y1.5 + 2,254* Y1.6 – 0,645*Y1.7 + 1,363* Y1.8 – 0,196Y1.9 + 6,646Y1.10 + 0,447.
F1.1, F2.1, F3.1 острый панкреатит,
F1.2, F2.2 , F3.2 – хронический панкреатит,
F1.3, F2.3, F3.3 – другая патология.
Разработанные нейросети позволяют достаточно точно прогнозировать новые наблюдения, которые использовались для разработки информационно-программного обеспечения системы диагностики панкреатита.
3 Реализация моделей и алгоритмов при автоматизации управления процессом диагностики заболевания панкреатит.