Автоматизированная диагностика, основанная на нейронных сетях

При определении входных характеристик, которые необходимы для работы автоматизированной системы диагностики, основанной на нейронных сетях, анализируют истории болезней из различных клиник, данные литературы. Полученный набор входных характеристик (вектор состояния пациента) отражает, клинический минимум обследования пациента, используемый.

Для сбора клинических данных по обследованию пациента разрабатывают анкету, которую заполняют набором входных характеристик. Анкету вводят в компьютер, который выдает автоматический диагноз, являющийся ответом.

При постановке задачи для обучения нейронных сетей исходят из того, что система диагностики должна выбирать один или несколько предполагаемых диагнозов из заданного набора на основании характеристик пациента при поступлении в клинику. Например, как уже было отмечено, в случае артритов ставят четыре диагноза — норма, РА, ПА и ПсА.

Для вычислительных экспериментов создают наборы из нескольких нейронных сетей — по числу возможных диагнозов. Например, при артритах — это набор из четырех нейронных сетей. В каждом наборе одна нейронная сеть представляет собой четырехклассовый классификатор, выдающий в качестве ответа один диагноз из четырех, а остальные три нейронные сети — бинарные классификаторы, обучающиеся отличать каждый из рассматриваемых диагнозов от всех остальных.

Общая схема обучения нейронной сети включает в себя несколько этапов. Из обучающей выборки берется пример текущих характеристик (представляющих в совокупности вектор входных сигналов) пациента с установленным диагнозом (изначально первым), которые подаются на входные синапсы обучаемой нейронной сети. Обычно каждая входная характеристика обрабатываемого примера поступает на один соответствующий входной синапс.

Нейронная сеть работает по следующей циклической процедуре.

• 1. Производство нейронной сетью заданного количества тактов функционирования, при этом вектор входных сигналов распространяется по связям между нейронами (прямое функционирование).
• 2. Измерение сигналов, выданных теми нейронами, которые считаются выходными.
• 3. Интерпретация выданных сигналов и вычисление оценки, характеризующей различие между выданным сетью и требуемым ответами, имеющимся в примере. Оценка определяется с помощью соответствующей функции оценки: чем меньше оценка, тем лучше распознан пример и ближе к требуемому выданный сетью ответ. Равенство оценки нулю означает, что требуемое соответствие выданного и требуемого ответов достигнуто. При этом только что инициализированная (необученная) нейронная сеть может сгенерировать правильный ответ только совершенно случайно.
• 4. Если оценка примера равна нулю, ничего не предпринимается. В противном случае на основании оценки вычисляют поправочные коэффициенты для каждого синаптического веса матрицы связей, после чего проводят подстройку синаптических весов (обратное функционирование). В коррекции синаптических весов и заключается обучение.
• 5. Переход к следующему примеру задачника и повторение перечисленных выше операций. Проход по всем примерам обучаю^ щей выборки с первого по последний считается одним циклом обучения.

При прохождении цикла каждый пример имеет свою оценку. Кроме того, рассчитывают суммарную оценку множества всех примеров обучающей выборки. Если после прохождения нескольких циклов она равна нулю, то обучение считается законченным, в противном случае циклы повторяются. Число циклов обучения, также как и время полного обучения, зависят от многих факторов — размера обучающей выборки, числа входных параметров, вида задачи, типа и параметров нейронной сети и даже от случайного расклада синаптических весов при инициализации сети.

Для обучения нейронных сетей берут достаточно большую выборку примеров, данные для которых взяты из историй болезни пациентов с подтвержденными диагнозами. Часть примеров (-30%) с подтвержденными диагнозами оставляют для тестирования нейронной сети.

При разработке автоматизированной системы диагностики ранних артритов (выборка из 200 примеров) прогностическая способность нейронной сети после стартового обучения составила 84%. Тщательный разбор ошибочных диагнозов (16%) выявил следующие закономерности.

Основное число ошибок возникает при введении в тестирующую выборку пациентов с реактивным артритом (РеА), однозначный классификатор сети относил пациентов к группе РА. При этом неправильный диагноз набирал вес (сумму выходных сигналов нейронов сетей, ответственных за данный класс), находящийся на втором месте.

Таким образом, система диагностики, основанная на нейронных сетях, оказалась эффективной при диагностике заранее определенной группы артритов и малоэффективной при тестировании сторонним множеством. Как следует из опыта нечеткой кластеризации, системы нечеткой логики являются более мощными в плане классификации для данной задачи. В связи с этим предложено использовать гибридные сети.

Гибридная сеть — это нейронная сеть с четкими сигналами, весами и активационной функцией, но с объединением с помощью /-нормы, /-конормы или некоторых других непрерывных операций. Входы, выходы и веса гибридной сети — вещественные числа, принадлежащие отрезку [0, 1].

Процесс обучения гибридной сети аналогичен методу обратного распространения ошибки, но с поправкой на правила работы с характеристическими функциями треугольной формы.

В результате реализации системы диагностики ранних артритов на гибридных сетях ее прогностическая способность составила 94%. При введении сторонних заболеваний в обученную сеть формировался дополнительный кластер со свойствами, характерными для этого класса.

Проведенный анализ значимости обучающих данных по ранним артритам показал, что двумя наиболее значимыми характеристиками являются: уровень мочевой кислоты (0,89) и ревматоидный фактор (0,91). На основе этого анализа были отброшены малозначимые характеристики: температура, снижение массы тела, лимфоциты, иммуноглобулины (> 0,2). В качестве значимых оставлены 24 характеристики состояния пациента.