ВИРТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ МОДЕЛИ СТАДИРОВАНИЯ ОПУХОЛЕЙ ПЕЧЕНИ
Виртуальные информационные модели (ВИМ) представляют собой особый метод компьютерного воссоздания структуры изучаемой живой системы, основанного на формировании специальных баз данных, привязанных к конкретным точкам создаваемой модели [2].
Основным принципом ВИМ печени является объединение отдельных расположенных в пространстве точек в трехмерную структуру, отражающую с той или иной степенью приближения форму моделируемого органа. При этом каждая точка объекта имеет свою числовую характеристику, конкретные значения которой определяются, с одной стороны координатами данной точки, а с другой - степенью влияния на нее соседних точек. Поскольку ВИМ используется для компьютерного воссоздания структуры различных органов биологических организмов, влияние отдельных точек может распространяться на разные части (подуровни) моделируемого объекта и соответствовать тем функциональным связям между тканями и органами, которые реально существуют в организме биологического прототипа. Каждая точка модели соответствует строго определенной части организма-прототипа. Основой для формирования ВИМ служат послойные электронные изображения объекта, выполняемые с заданным шагом. Такие изображения переводятся в электронную таблицу, являющуюся каркасом базы данных виртуальной модели печени. К данной БД могут обращаться программы, ставящие своей целью моделирование конкретных процессов в организме. ВИМ является новым направлением в информационном моделировании биообъектов (грант РФФИ 04-07-97002).При множестве разнообразных методологических средств объективного анализа в медицине, экологии, экологической радиологии классическое изучение организма, проводимое в течение длительного исторического периода, всегда включало в себя в том или ином отношении два основных принципа познания - визуальное отражение и метрический. Принцип визуального отражения состоит в стремлении максимально достоверно или схематически изобразить на носителе информации внешний вид и внутреннюю структуру изучаемого объекта живой природы [3, 10].
Метрический принцип заключается в качественном и количественном анализе исследуемого объекта [1, 5, 6, 11]. В зависимости от характера и объема исследования может рассматриваться в качестве объекта как каждая особь, ее организм, отдельные его органы, ткани, клетки и субклеточные структуры, так и популяция в целом. Иногда метрический принцип используется при изучении связей между основными системами жизнеобеспечения организма, отдельными особями, субпопуляциями экосистемы и другими элементами живых систем различной сложности и размерности (задачи математической экологии, патофизиологии и т. п.). До сих пор в научных исследованиях данные принципы исследования применяются параллельно, взаимно дополняя друг друга. Их интеграция, как правило, осуществляется самим ученым, связывающим результаты метрических исследований с визуальными характеристиками объекта исследования. Такой подход, безусловно оправданный во всех отношениях с позиций медицины, далеко не идеален для задач компьютерного программирования. В данной ситуации характер интеграции метрических и визуальных данных на определенном этапе программирования определяется исследователем и до некоторой степени является субъективным. Еще в конце 80-х гг. в лаборатории медицинской информатики ВЦ ДВО РАН была разработана идеология метода информационного моделирования объектов живой природы, основанная на теоретико-игровом подходе к задачам распознавания образов (ТИМ), пространственных принципах построения специализированных баз данных, биологических информационных системах (БИС) и логикосемантических представлениях о процессах жизнедеятельности организма [1, 2]. Актуальность подобного подхода к исследованию живых систем связана с возможностями широкого применения новых информационных технологий, современных средств программирования и вычислительной техники, информационной среды в задачах биологии, экологии, медицины, управления природными Ресурсами, охраны здоровья; использования информационной среды Интернет для повышения эффективности профилактики, диагностики и лечения заболеваний, особенно в отдаленных районах. В связи с этим представляется важной проблема адаптации к медицинским задачам известных средств визуального моделирования, подходов к °рганизации визуальных данных, инструментария распознавания Растровых изображений, применяемых в других областях науки.техники, геологии, производстве и управлении. Научное значение проекта связано с разработкой универсального подхода к созданию унифицированной БИС для дальнейших перспективных исследований живых систем, физиологических механизмов деятельности, развития и устойчивости организма человека и животных, экологической физиологии человека и животных, биологии развития, а также в теоретической области разработки нейрокомпьютеров; нейрофизиологии и нейробионике. Для этого были изучены принципы распознавания образов в экологии, медицине и биологии, в частности, основные методы распознавания визуальных изображений (тексты, карты, образы и прочие паттерны). Были исследованы принципы создания на основе существующих печатных и электронных анатомических атласов человека пространственной «идеальной» числовой модели организма, и в результате разработан оригинальный принцип сравнения идеальной виртуальной модели с реальными моделями, получаемыми в ходе диагностической медицинской компьютерной томографии. На основе глубокой теоретической проработки принципов использования средств числовой томографии для анализа рентгеновских компьютерно-томографических изображений органов были предложены новые методы определения границ органов отдельных анатомических структур и патологических объектов на примере двумерных КТ и ЯМР растровых изображений различных частей тела [4, 6, 9]. Особый интерес проявлен к возможностям использования метода информационного моделирования живых систем в задачах распознавания зрительных образов для построения экспертной части биологической информационной системы (БИС). Изучены проблемы применения различных статистических методов для решения задачи распознавания образов как задачи вычисления свойств биообъекта (гранты РФФИ 01-07-96316, 04-07-97002).
Разработаны программные средства автоматизированной экспертной системы по распознаванию класса тканевого субстрата организма по его двухмерным изображениям (пакеты прикладных программ Human Base, Project 1,2,3 и т. д.). Напомним, что виртуальная информационная модель (ВИМ) представляет собой созданную в результате компьютерного моделирования систему, отражающую форму, внутреннюю структуру и функции биологического объекта [11, 14]. Основной задачей ВИМ является воссоздание в компьютерном варианте функциональных и патологических процессов, происходящих в организме биологического прототипа. Степень схожести модели с реальным биологическим объектом, а также тип самого про-тотипа могут быть различными, что определяется характером задач решаемых исследователем. Ее основными элементами являются база данных (БД) модели, моделирующие программы, обращающиеся к БД и осуществляющие непосредственный процесс моделирования и сценарий, определяющий в соответствии с характером воссоздаваемой функции выбор моделирующих программ, последовательность этапов их использования. Построение первичной информационной модели как набора растровых изображений послойных срезов биологического объекта - начало процесса информационного моделирования. В качестве первичной модели может быть послойное МРТ или КТ изображение тела, послойная фотография, либо послойные рисунки объекта. В процессе виртуального информационного моделирования из двухмерных графических файлов создается база данных в виде электронной таблицы, при этом минимальная точка графического изображения (пиксель) путем преобразования является строчкой в таблице. Таким образом, ВИМ представляет собой группировки точек в замкнутом пространстве биологического объекта, соответствующие органам и основным системам жизнеобеспечения организма [1, 6, 11]. Каждая точка кроме координатных значений отображает конечное множество логической и числовой информации. в той или иной степени характеризующей конкретную анатомическую область, которую представляет данная точка.
Размер такого подмножества зависит от разрешающей способности конкретного метода исследования, т. е. насколько подробно должна описывать ВИМ морфологию организма-прототипа. Между точками в замкнутом пространстве существует множество связей, распространяющихся на все пространство или только на отдельные его части. Данные связи имитируют функциональные связи, реально существующие между отдельными частями организма. Все множество точек с их разнообразной релевантной информацией и функциональными связями между собой представляет БД в форме электронной таблицы, к которой могут обращаться любые компьютерные программы, ставящие своей целью моделирование того или иного биологического процесса в организме. При достаточно большом количестве информационных кодов и связей конкретной точки с другими точками ВИМ может отображать бесконечное число морфологических и функциональных состояний организма-прототипа. Такой Подход позволяет по-новому взглянуть на проблему соотношения основных принципов познания - визуального отражения и метрического. ВИМ дает возможность создать виртуальный организм, с любой степенью подобия отображающий не только морфологию, но и модели функционирования биологического прототипа. При этом на стыке медицины и информатики возникает новое научное направление - виртуально-информационная анатомия. Анатомия организма в рамках виртуального информационного моделирования имеет существенные отличия от классической анатомии. Во-первых, в рамках информационной виртуальной модели организма строение неотделимо от функции, т. е. (патологическая) анатомия - от физиологии. Так. каждая строчка системы (она же строчка в электронной таблице) помимо информационного кода, указывающего на принадлежность ее к какой-либо ткани, может содержать информацию о тех или иных биологических константах в данном месте, протекающих здесь тех или иных биологических процессах. Во-вторых, каждая точка ВИМ полифункциональна, т. е. одновременно содержит информацию о различных физиологических процессах, протекающих в данном месте при тех или иных условиях. В-третьих, объем и масса части организма-прототипа, соответствующей той или иной точке ВИМ, является одним из параметров, включаемых в строку электронной таблицы информационной базы данных. Указанные особенности свидетельствуют о том, что информационные системы, созданные на основе метода ВИМ, представляют собой особый вариант интеграции данных, относящихся к различным разделам биологии в рамках единой модели живой системы. Возможности такой интеграции определяются лишь размером базы данных БИС и характеристиками ЭВМ. Рассмотрим принципы применения ВИМ на примере диагностики и лечения злокачественных новообразований печени (ЗНОЙ). Как известно, одним из путей улучшения результатов лечения злокачественных новообразований является индивидуализация лечебных программ, осуществляемая с учетом распространенности опухолевого процесса. Применение в радиологии и онкологии методов восстановления пространственного изображения изучаемых органов на основе ЗИ-графики дает большой объем информации о распространении опухолевого процесса большинства локализаций. Однако при классификации по традиционно используемой системе TNM применяется лишь небольшая часть от всей получаемой при медицинской компьютерной томографии (КТ) актуальной информации. Как уже указывалось [4, 10, 14], одним из существенных недостатков стадирования по TNM является неоднородность классификационных критериев: критерии TNM имеют либо количественное, либо вероятностно-прогностическое значение. КритерииTNM не являются универсальными для описания размеров (объема) опухоли в разных частях одного и того же организма: в разных анатомических зонах организма под одним и тем же значением критерия Т понимается разный объем опухолевой ткани. Тотальное применение вероятностно-прогностических критериев, одинаковых для всех органов и систем, в силу анатомических особенностей организма невозможно. Основной целью наших практических исследований является разработка методологических подходов ВИМ к определению оптимального соотношения таких параметров, как размер опухоли и ее локализация, для классификации распространенности новообразований печени (рис. 1).
Рис 1 Построение упрощенной модели печени норма (а) и патология (б)
В процессе создания ВИМ печени можно выделить три этапа. На первом (подготовительном) этапе проводится визуальный анализ послойных компьютерных томограмм, определяется необходимое расстояние между соседними срезами
В создаваемых нами моделях печени таковым является расстояние в 10 мм (рис. 2). На втором этапе (графическом) в каждом срезе выделяются зоны, различающиеся между собой вероятностью радикального удаления опухоли, возникающей в каждой из них. Третьим этапом формирования модели является создание БД, представленных в виде электронной таблицы локальной ВИМ с помощью специализированных программ (рис. 3). Для этого методом экспертных оценок определялась вероятность радикального удаления опухоли в каждой выделенной зоне, этот числовой показатель обозначается как признак «неоперабельности». Согласно вышеизложенным принципам ВИМ, стадируемая ЗНОП, представленная серией послойных изображений (рентгеновских компьютерных томограмм, магнитно-резонансной, Позитронно-эмиссионной томографии), рассматривается как совокупность точек (пикселей) электронного изображения (рис. 4-5).
Ріа 2 Окно программы ВИМ
Для моделирования различных вариантов опухолевого процесса разработано программное обеспечение, позволяющее интегрировать информационные модели печени и опухоли [8] Основными критериями классификации выбраны отношение площади поверхности опухоли к ее объему, отношение объема опухоли к объему печени (индекс объемов), среднее значение признака «неоперабельность» в оболочке из окружающей опухоль тканей (индекс неоперабельности) Помещая модель опухоли одного и того же объема в разные точки информационной модели печени, мы получаем различные значения индекса неоперабельности (рис 6-8)
В электронные таблицы БД заносились координаты каждой точки изображения (пикселя) и соответствующие ему значения признака неоперабельности ВИМ исследуемой ЗНОП смещалась в определенные зоны печени с определенными значениями признака неопе-
Рис 3 КТ печени
Рис 4 Принципы создания ВИМ печени (увеличенное изображение участка печени)
рабельности В каждом срезе значения признака неоперабельности на границе «опухоль - нормальная ткань» было разным Важной задачей при разработке принципов стади- рования является определение оптимального сочетания двух признаков размера опухоли (в нашем случае - объема) и ее локализации
Рис ї ВИМ печени (фрагмент)
Выявлено, что отдаленный прогноз зависит не столько от размеров опухоли печени, сколько от ее гистологического строения, локализации, близости к лимфоузлам, кровеносным сосудам и пр В условиях клинического эксперимента на базе Хабаровского краевого онкоцентра и Дорожной больницы нами была показана принципиальная возможность использования метода ВИМ в оценке распространенности новообразований в печени Разработаны алгоритмы моделей экстремальных патологических ситуаций при ЗНОП, которые в реальных условиях необратимо заканчиваются летальным исходом Исследованы пути моделирования различных терапевтических воздействий, в том числе оперативных вмешательств, лекарственной и лучевой терапии, что служит основной определения числовых характеристик тяжести оперативного вмешательства, химію и лучевой терапии Перспективность описанного метода стадирования
Рис 6 Построение локальной ВИМ печени выделение признаков и формирование многомерной числовой модели
заключается в его универсальном характере, что обуславливает возможность использования для оценки распространения опухолей любых локализаций. Упрощенная ВИМ может использоваться для моделирования различных патофизиологических состояний, вызванных не только внутренними причинами (последствия травм, ожогов, нарушения кровообращения, гипертермия, гипоксия, воспаление. опухолевый рост и пр.), но и внешними (инфекции, разноплановые факторы окружающей среды). В силу принципов универсальности, метричности и иерархичности метода ВИМ при медикоэкологических и эпидемиологических исследованиях возможно объединение в единую БД и корректный математический анализ тех или иных пострадавших органов различных пациентов на популяционном уровне, например, все множество графических файлов печени при ЗНОГГ и т. д. Эти и иные особые свойства ВИМ позволяют прогнозировать их широкое использование в задачах лучевой диагно-
Рис. 7. Свойства ВИМ опухоли печени
Рис. S. Интегральная шкала оценки распространенности опухолевого процесса
в печени
стики, лучевой терапии, медицинской экологии, радиоэкологии и радиационной медицины.
Литература
1. Кондратьев А.И., Полумиенко С.К., Савин С.З. и др. Теоретико-игровой распознающий метод: информационная, алгоритмическая и программная реализация. Владивосток: ДВО АН СССР, 1986. 76 с.
2. Золотов Е.В., Ионичевский В.А., Кондратьев А.И., Савин С.З. Информационное моделирование живых систем. Владивосток: ДВО РАН, 1991. 260 с.
3. Косых Н.Э.. Савин С.З. Виртуальные информационные модели организма в задачах лучевой диагностики и лучевой терапии // Информационные технологии в науке, проектировании и производстве: материалы VI Веерос. науч.-техн. конф. Нижний Новгород: МВВО АТН РФ, 2002. С. 27.
4. Косых Н.Э.. Савин С.З.. Хомснюк А.В. Информационные модели в задачах лучевой диагностики // Тр. Дальневосточной математической школы-семинара им. академика Е.В. Золотова, 2002. Владивосток: Дальнаука, 2002. С. 154-156.
5. Косых Н.Э.. Линденбратен В.Д.. Савин С.З. Применение биоинформацп- онных систем в патофизиологии // Актуальные проблемы ревматологии. Хабаровск: Дальневост. гос. мед. ун-т, 2002. С. 46^39.
6. Чушкин Н.А., Косых Н.Э. Лучевое лечение и диагностика больных раком прямой кишки укоренным фракционированием дозы в условиях применения термохимиотерапии и нейропеитидов // Тезисы докладов Дальневосточной математической школы-семинара им. академика Е.В. Золотова. Владивосток: Дальнаука, 2002. С. 159.
7. Немцов В.Ю., Савин С.З., Посвалюк Н.Э.. Косых Н.Э. Применение МРТ для задач виртуального информационного моделирования рассеянного склероза // Актуальные вопросы охраны профессионального здоровья железнодорожников на ДВЖД: со. науч. тр. науч.-практ. конф. Комсомольск-на-Амуре: ДКБ ДВЖД. 2003. С. 74-76.
8. Савин С.З.. Косых Н.Э.. Чушкин Н.А. Виртуальные информационные системы в задачах медицинской компьютерной томографии /У Вычислительные и информационные технологии в науке, технике и образовании: материалы междунар. науч.-техн. конф. ВИТ-2003. Усть-Каменогорск, Казахстан. Вычислительные технологии, 2003, Т. 8. Новосибирск: Институт вычислительных технологий СО РАН,
2003. С. 263.
9. Косых Н.Э.. Савин С.З., Хомснюк А.В. Виртуальное информационное моделирование в задачах числовой классификации опухолевого роста // Информационные технологии в науке, проектировании и производстве: материалы Всерос. науч.-техн. конф. Нижний Новгород: МВВО АТН РФ, 2003. С. 17.
10. Косых Н.Э., Савин С.З. Универсальная классификация локальных патоло- іических процессов в организме // Тезисы докладов Дальневосточной математической школы-семинара им. академика Е.В. Золотова. Владивосток: Изд-во ДВГУ, 2003. С. 192-193.
11. Косых Н.Э., Савин С.З. Виртуальные нейроинформационные модели в задачах медицинской диагностики // Тезисы докладов VI Всероссийской научнотехнической конференции «НЕЙРОИНФОРМАТИКА-2004». Москва. М.: МИФИ,
2004. С. 113-120.
12. Косых Н.Э., Савин С.З, Линдснбратен В.Д Метод виртуального информационного моделирования в радиологии // Радиология - практика. М.: Видар-М,
2004. С. 32-35.
13. Косых Н.Э., Посвалтк Н.Э , Савин С 3. Биологические информационные системы как средство доказательной медицины // Дальневосточный медицинский журнал. 2004, № 1. С. 56.
14. Косых Н.Э, Савин С.З. Новые информационные технологии в задачах стадирования новообразований центральной нервной системы // Успехи естественных наук. 2004, № 2 С. 69-70.
15. Косых Н.Э., Кривошеев И.А., Савин С.З. Виртуальные информационные технологии в медицинском образовании // Информационные технологии в высшем образовании. АлмаАта: Казахский Национальный университет им аль-Фараби.
2005, № 1. Юс.
16. Линдснбратен В.Д., Савин С.З. Компаниченко В.Н. Синергетика живых систем. Хабаровск: ИВЭП ДВО РАН, 2006. 163 с.
17. Косых Н.Э.. Савин С.З., Смагин С.И. Виртуальные информационные модели опухолевого роста // Информационные технологии и вычислительные системы. 2005. №1. С. 31-44.
18. Kosykh N.E., Savin S.Z. Perspectives of Virtual Information Models method // Proc. of Intern. Conference «Science and Future». May, 2006. Moscow.
19. Virtual Information Modelling in Medical Ecology // Proc. of Intern. Conference «Computational and Informational Technologies for Research, Engineering and Education», CIT-2004. Alma-Ata, Kazakhstan. October, 6-10, 2004. C. 223-226.
Л.Г. Вайнер, И. О. Иваненко, Д.А. Миллер, М. С. Савин