<<
>>

Нейросетевая модель процесса диагностики на основе данных лабораторного анализа

Ниже представлен алгоритм диагностики заболеваний легких на основе данных лабораторного анализа. Потребовалась оценка исследований мочи, крови, плевральной жидкости и биохимии. В результате возникает задача классификации, которая состоит в отнесении объекта, заданного вектором информативных признаков в виде результатов анализов, к одному из классов: «Необходимо лечение с помощью лекарственных препаратов» или «Медикаментозное лечение не

требуется».

Данную задачу можно за счет реализации нейронечетких моделей, относящихся к классу гибридных систем, построение которых осуществляется на базе нечеткой логики, нейронных сетей и генетического алгоритма. Для ее обучения требуется учитывать значительное количество параметров и большой объем накопленной информации, что приводит к сложностям, при построения модели.

Разработана нейронечеткая сеть ANFIS, которая в своем составе содержит пять слоев (рисунок 2.2) [152]. Сеть описывается следующими характеристиками:

1. Выходы узлов первого слоя описываются как значения функций принадлежности при определенных значениях входных параметров:

где х - входной сигнал узла- лингвистическая переменная,

которая связанна с данной узловой функцией,- функция принадлежности

~A ~ ~ A.

переменной i, которая определяет степень, с которой данный х удовлетворяет i.

2. Выходами нейронов второго слоя являются степени истинности

предпосылок каждого правила базы знаний системы.

3.

Каждый i-ый узел третьего слоя определяет отношение веса і-го правила к сумме весов всех правил:

4. Нейроны четвертого слоя выполняют операции вычисления значений

для функций принадлежностей выходного параметра. Для модели, так называемого типа Сугено:- функции принадлежности выходных переменных.

5. Единственный узел данного слоя. В нем происходит вычисление выходного значение адаптивной сети как сумма всех сигналов на выходе

Рисунок 2.2 - Гибридная нейронная сеть

Обучение гибридной нейронной сети происходило методом обратного распространения ошибки. Задача разработанной сети заключается в определении необходимости применения лекарственных препаратов. Результаты работы нейронечеткой нейронной сети распределены в таблице 2.9, где:

1. Медикаментозное лечение не требуется.

2. Медикаментозное лечение, вероятно, не требуется.

3. Равновероятная необходимость или отсутствие медикаментозного лечения.

4. Вероятная необходимость медикаментозного лечения.

5. Определенная необходимость медикаментозного лечения.

Таблица 2.9 Результаты тестирования гибридной нейронечеткой сети

Выборка Наблюдаемые Предсказанные
Верно Ошибочно Процент правильных
Обучающая Лечение не требуется 25563 4437 85,2%
Обучающая Необходимо

медикаментозное

лечение

16121 3879 80,6%
Контрольная Лечение не требуется 6821 1179 85,2%
Необходимо

медикаментозное

лечение

1505 495 75,2%
Проверочная Лечение не требуется 1729 271 87%
Необходимо

медикаментозное

лечение

1801 199 90%

Для изучения информативности диагностики в необходимости лечения на основе лабораторных исследований произведен ROC анализ. Он отражает взаимную зависимость ложноположительных и истинно положительных результатов.

В таблице 2.10 представлено распределение больных и здоровых по ка­тегориям решений

Таблица 2.10 Распределение больных и здоровых по категориям решений

Фактическое

состояние

Категории решений Всего
1 2 3 4 5
Лечение не требуется 83 148 80 1125 564 2000
Необходимо медикаментозное лечение 305 1404 184 67 40 2000

Как видно из рисунка 2.3, предложенная модель обладает достаточно высокой чувствительностью и специфичностью на проверочной выборке.

Рисунок 2.3 - ROC-кривая по результатам тестирования модели

Показатель площади под ROC ( гесеїуег орегайпд сйагас1:епзйс) (рабочая ха­рактеристика приёмника) AUC (от англ. AreaUnderCurve) равен 0,907, что соответствует высокому качеству модели. Чувствительность рассчитывается, как FPR- доля ложно положительных случаев. TP- (Тгие Розіїіуез) - верно классифицированные положительные результаты анализов (так называемые истинно положительные случаи), TN(Тгие Negatives) - верно классифицированные отрицательные результаты анализов (истинно отрицательные случаи); FN (False Negatives) - положительные случаи, рассматриваемые как отрицательные (ошибка I рода). FP (False Pοsitives) - отрицательные примеры, как положительные (ошибка II рода). Это ложное обнаружение в виду того, что при отсутствии события ошибочно выносится решение о его присутствии (ошибочно положительные случаи).

Результатом работы гибридной нейронной сети по анализу лабораторных исследований заболеваний легких являются рекомендации по необходимости

назначения лечения, а также обеспечивает подготовку заключения о необходимости медикаментозного лечения.

2.5

<< | >>
Источник: Васильченко Владислав Алексеевич. ИНТЕЛЛЕКТУАЛИЗАЦИЯ ПРОЦЕССОВ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ В РАМКАХ БИОТЕХНИЧЕСКОЙ СИСТЕМЫ ДИАГНОСТИКИ И ЛЕЧЕНИЯ ПУЛЬМОНОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ. Диссертация на соискание ученой степени кандидата технических наук. Воронеж - 2019. 2019

Еще по теме Нейросетевая модель процесса диагностики на основе данных лабораторного анализа:

  1. Список работ опубликованных по теме диссертации:
  2. Апробация предложенных методов и средств на репрезентативных контрольных выборках
  3. Список литературы
  4. СОДЕРЖАНИЕ
  5. ВВЕДЕНИЕ
  6. Цель работы и задачи исследования
  7. Нейросетевая модель процесса диагностики на основе данных лабораторного анализа
  8. ЗАКЛЮЧЕНИЕ
- Акушерство и гинекология - Анатомия - Андрология - Биология - Болезни уха, горла и носа - Валеология - Ветеринария - Внутренние болезни - Военно-полевая медицина - Восстановительная медицина - Гастроэнтерология и гепатология - Гематология - Геронтология, гериатрия - Гигиена и санэпидконтроль - Дерматология - Диетология - Здравоохранение - Иммунология и аллергология - Интенсивная терапия, анестезиология и реанимация - Инфекционные заболевания - Информационные технологии в медицине - История медицины - Кардиология - Клинические методы диагностики - Кожные и венерические болезни - Комплементарная медицина - Лучевая диагностика, лучевая терапия - Маммология - Медицина катастроф - Медицинская паразитология - Медицинская этика - Медицинские приборы - Медицинское право - Наследственные болезни - Неврология и нейрохирургия - Нефрология - Онкология - Организация системы здравоохранения - Оториноларингология - Офтальмология - Патофизиология - Педиатрия - Приборы медицинского назначения - Психиатрия - Психология - Пульмонология - Стоматология - Судебная медицина - Токсикология - Травматология - Фармакология и фармацевтика - Физиология - Фтизиатрия - Хирургия - Эмбриология и гистология - Эпидемиология -