Застосування нечітких множин для удосконалення методів діагностування



У статті пропонується застосування нечітких множин для удосконалення оцінювання результатів медичного обстеження. Діагнози пацієнтів відповідно до їх фізичних станів опрацьовані на реальних даних за допомогою RBF-нейронних мереж в середовищі MATLAB. Використання методу нечітких множин для уточнення діагнозів підвищило ефективність нового комбінованого лікування дерматозів.

Ключові слова: нечіткі множини; нейромережеві технології; діагностика; дерматоз.

О.М. Моргаль

Старший викладач, Національний технічний університет "Київський політехнічний інститут"

О.В. Савчук

Доцент, Національний технічний університет "Київський політехнічний інститут"

В.Л. Артамонова

Лікар, Обласна клінічна лікарня №2

І.О. Латаш

Студент, Національний технічний університет "Київський політехнічний інститут"

Київ, Україна

Usage of fuzzy setsto improve methods of diagnosis

The paper describes the use of fuzzy sets to improve of medical examination. Diagnosis of observed subjects according to their physical states is proposed to operate with the RBF-n**eural networks in the**MATLAB environment. Using fuzzy sets to clarify diagnoses increased efficiency of the new combined treatment of dermatoses.

Keywords: fuzzy sets; neural network technology; diagnostics; dermatosis.

Oleg Morgal

Senior Lecturer, Dept. of Automation and Control in Technical Systems NTUU “KPI”

Olena Savchuk

Assosiate Professor, Dept. of Automation and Control in Technical Systems NTUU “KPI”

Vira Artamonova

Doctor, Regional Hospital №2

Iryna Latash

Student, Dept. of Automation and Control in Technical Systems NTUU “KPI”

Kyiv, Ukraine

Пошук нових ефективних методів лікування хвороб шкіри є актуальною задачею сучасної охорони здоров’я. Оскільки при діагностуванні хвороб намагаються використати як найбільшу кількість доступної інформації, в тому числі і ту, що не має чіткого формулювання, то використання методик прийняття рішень при нечіткій інформації передбачає отримати значні результати в лікуванні.

В умовах збільшення нечіткості інформації неможливо забезпечити точність визначення діагнозу та подальшого лікування захворювань без інтелектуального аналізу діагностичної інформації та застосування сучасних методів обчислювальної техніки [1].

Основна мета полягає в перевірці можливості використання теорії нечітких множин для діагностики захворювань і використання нейронно-мережевої технології для забезпечення точності визначення діагнозу.

Проблеми, які треба буде розв'язати:

- перевірка можливості використання теорії нечітких множин для діагностики захворювань;

- інтелектуальний аналіз і дослідження інформації з використанням нейронних мереж для медичної діагностики пацієнтів в програмному пакеті MATLAB і його бібліотеці Neural Network Toolbox;

- призначення необхідного лікування конкретної патології з використанням сучасних методів.

Для поглибленого розвитку цього напрямку запропонована теорія нечіткої логіки [2], в якій загальний підхід до формування виключення суб'єктивності правил і функцій належності полягає в підготовці системи нечіткого висновку на реальних даних. Рішення задач включає в себе наступні традиційні етапи: 1) введення нечіткості (фазифікації); 2) логічний висновок; 3) композицію; 4)приведення до чіткості (дефазифікація). Зосередимося на фазифікації і створенні правил для логічного виводу.

На основі методу [2] розроблений навчальний алгоритм, який дозволяє будувати функції належності вхідних нечітких змінних. Дослідження вибірки даних P складається з m пар входів і виходів $\left({{k}_{1,p}},...,{{k}_{n,p}},{{q}_{p}} \right)$ вхідних змінних ${{K}_{1}},...,{{K}_{n}}$ і вихідної змінної ${{Q}_{p}},1\le p\le m$. На етапі розпізнавання діагнозу вирішується завдання композиції та приведення до чіткості належності класам фізичного стану пацієнтів.

Розглянемо метод розробки нечіткої моделі класифікації на прикладі лікування хворих дерматитом. Група 1 включає в себе пацієнтів, які постраждали в результаті аварії на Чорнобильській АЕС в кількості 1 395 чоловік; 2-га група включає пацієнтів з сертифікатом інваліда і учасника Другої світової війни в кількості 75 осіб; 3-тя група включала пацієнтів інших категорій - людей, які постраждали, в кількості 429 чоловік.

Незважаючи на відмінності в обстеженні кожного з трьох захворювань, викликаних індивідуальними особливостями пацієнтів, вони мають загальні істотні риси. По-перше,єдність загальної схеми обстеження: опитування пацієнтів, оцінка симптомів(параметрів), порівняння з "еталоном" і прийняття рішення. По-друге,обмежений набір контрольних рішень (найчастіше використовуються два рішення: "здоровий", "хворий"). По-третє, пацієнт повинен відвідувати лікаря, який здатний описати основну стратегію діагностики і подальшого лікування на якісному рівні. Вищезазначене визначає можливість побудови нечітких моделей класифікації для вищевказаних проблем і використовувати їх для автоматизації процесу діагностики і подальшого лікування.

Для побудови нечіткої моделі класифікації діагностики спочатку необхідно знайти кілька симптомів, які найбільш істотно впливають на результати діагностики. До них відносяться деякі топографічні особливості захворювання. Наступні лінгвістичні змінні T, S, G визначатимуть симптоми.

Вищевказані змінні мають наступні лінгвістичні значення: T { "малий" (mt ), "середній" (сt), "великий" (bt)}; S { "сильний" (bs), "слабкий" (cs)}; G { "глибока"(rg), "дрібна" (mg)}. Далі на підставі опитування медичних експертів будуємо якісну структуру моделі діагностики. В результаті отримана таблиця 1, в якій стан пацієнта визначається комбінацією симптомів.

Таблиця 1. Таблиця рішень

Відповідно до методу [3], побудувані функції належності для всіх значень лінгвістичних змінних T, S і G (рис. 1, а,б,в). Кожна з змінних T, S і G визначається за стандартною шкалою зі значеннями умовних одиниць.

Рис. 1. Функції належності для лінгвістичних змінних T (a), S (б) і G (в)

Далі за вирішальною таблицею будуємодва класи ${{Z}_{1}}$, ${{Z}_{2}}$ множин лінгвістичних значеньвідповідно до рішень «здоровий» або «хворий». Отримаємо

Для класів ${{Z}_{1}}$ і ${{Z}_{2}}$ , відповідно до (1)

\[{{\mu}_{{{P}_{i}}}}(x,y,z)=\underset{(\tilde{\alpha },\tilde{\beta },\tilde{\gamma})\in {{L}_{i}}}{\mathop{V}}\,{{\mu }_{\alpha }}(x)\And {{\mu }_{\beta}}(y)\And {{\mu }_{\gamma }}(z)\]

\[(i=\overline{1,k)},\quad\quad\quad(2)\]

де ${{L}_{i}}$ - множини наборів $(\tilde{\alpha},\tilde{\beta },\tilde{\gamma })$ до розв’язку ${{r}_{i}}$, будуємо функції належності ${{\tilde{f}}_{1}}={{\mu }_{{{P}_{1}}}}$й ${{\tilde{f}}_{2}}={{\mu }_{{{P}_{2}}}}$ для еталонних класів ${{\tilde{P}}_{1}}$ і ${{\tilde{P}}_{2}}$, що відповідають рішенням «здоровий» або«хворий». Одержимо

\[{{\tilde{f}}_{1}}(t,s,g)={{\mu}_{mt}}(t)\And {{\mu }_{bs}}(s)\And {{\mu }_{mg}}(g)\vee {{\mu }_{mt}}(t)\And {{\mu}_{s}}(s)\And {{\mu }_{mg}}(g)\vee {{\mu }_{ct}}(t)\And {{\mu }_{cs}}(s)\And{{\mu }_{mg}}(g)\vee {{\mu }_{bt}}(t)\And {{\mu }_{s}}(s)\And {{\mu}_{mg}}(g);\]

\[{{\tilde{f}}_{2}}(t,s,g)={{\mu}_{mt}}(t)\And {{\mu }_{bs}}(s)\And {{\mu }_{rg}}(g)\vee {{\mu }_{mt}}(t)\And{{\mu }_{s}}(s)\And {{\mu }_{rg}}(g)\vee {{\mu }_{ct}}(t)\And {{\mu}_{bs}}(s)\And {{\mu }_{rg}}(g)\vee {{\mu }_{t}}(t)\And {{\mu }_{bs}}(s)\And{{\mu }_{mg}}(g)\vee \]

\[{{\mu }_{}}(t)\And {{\mu }_{s}}(s)\And {{\mu}_{rg}}(g)\vee {{\mu }_{b}}(t)\And {{\mu }_{bs}}(s)\And {{\mu }_{rg}}(g)\vee{{\mu }_{bt}}(t)\And {{\mu }_{bs}}(s)\And {{\mu }_{mg}}(g)\vee {{\mu}_{bt}}(t)\And {{\mu }_{s}}(s)\And {{\mu }_{rg}}(g).\quad\quad\quad(3)\]

Ці функції розбивають тривимірний простір ознак W = T * S * G на дві нечіткі області відповідно до рішень "здоровий" і "хворий", а також використовуються в моделі класифікації лікування.

Наведений подалі алгоритм робить рекомендації до застосування розробленої нечіткої кваліфікаційної моделі. Нехай ситуація,що характеризує стан пацієнта, представлена точкою ${{\omega}_{0}}=({{x}_{0}},{{y}_{0}},{{z}_{0}},)$ в просторі W. Тоді алгоритм буде зведений до наступної формальної процедури:

$1.$ Підставляємо точку $({{x}_{0}},{{y}_{0}},{{z}_{0}},)$ до класів функцій належності ${{\mu}_{{{P}_{i}}}}(x,y,z)(i=\overline{1,k})$ і отримуємо значення ${{\mu}_{{{P}_{i}}}}({{x}_{0}},{{y}_{0}},{{z}_{0}})(i=\overline{1,k})$.

$2.$ Серед всіх ${{\mu}_{{{P}_{i}}}}({{x}_{0}},{{y}_{0}},{{z}_{0}})(i=\overline{1,k})$ знаходимо таке ${{\mu }_{{{P}_{j}}}}({{x}_{0}},{{y}_{0}},{{z}_{0}})$, яке приймає максимальне значення в точці $({{x}_{0}},{{y}_{0}},{{z}_{0}},)$.

$3.$ Отримуємо рішення ${{r}_{j}}$ таке, що відповідає еталонному класу ${{\tilde{P}}_{j}}$.

При рішенні багатоцільових проблем в умовах невизначеності доцільно процес прийняття рішень розділити на два етапи. У нашому випадку на першому етапі визначають два основні класи: «здоровий» і «хворий». На другому етапі виявляють основні причини виникнення захворювань і отже, дають рекомендації з лікування.

У загальній групі цих пацієнтів розглядалася підгрупа хворих з дерматозами, серед яких були 60 хворих з атопічним дерматитом (АД) рук.

Було застосовано нове комбіноване лікування, яке складалося з мазі "Пімафукорт" (крем), 0,1%, "Протопік" мазі, УФБ- терапії . Результати лікування оцінювалися щодо толерантності терапії, швидкості регресії уражень, тривалості ремісії.

Таблиця 2. Аналіз ефективності лікування хворих з АД

Рис. 2. Результати лікування пацієнтів АД

Серед основної групи хронічних хворих АД спостерігалося 75,2 % випадків регресу уражень протягом 10 днів, 23,9% хворих - протягом 25 днів.

Тривалість ремісії спостерігалася протягом трьох місяців у 55 (91,7%)пацієнтів.

Через 6 місяців, 42 (70%) пацієнти не прийшли на огляд. Було розглянуто 18 (30%) хворих, з яких 15 виявилися здоровими. Таким чином, можна припустити, що немає рецидиву протягом 6 місяців в 57 (95%) випадках.

Результати нової комбінованої терапії в лікарні №2 м. Києва та в Одесі [3] представлені, відповідно, ​​прямими 2 та 3 на рисунку 2 і в таблиці 2. Крива 1 відображає результати лікування традиційним методом.
Застосування нової терапії в досліджуваній групі значно прискорило епітелізацію ерозій і тріщин, зниження активності запалення, сухість шкіри, гіперкератоз в ураженнях шкіри. У разі комбінованої терапії тривалість ремісії атопічного дерматиту рук збільшилася до 6 місяців.

Класифікацію пацієнтів відповідно до їх фізичних станів проводили на нейронних мережах в середовищі MATLAB. Були використані два типи імовірнісних нейронних мереж. Насправді,мережа навчається для оцінки функції щільності ймовірності. Згідно байєсівської статистики для мінімізації помилок вибирається. модель з найбільшою щільністю ймовірностей. Результати експерименту для пацієнтів 1-ї групи наведені в таблиці 3.

Таблиця 3. Результати нечіткої класифікації для пацієнтів 1-ї групи

Отримані дані для підтвердження діагнозу у пацієнтів з дерматитом показали найвищу ступінь точності 91,34% при використанні імовірнісної RBF-мережі (PNN) мереж в порівнянні з нейронними мережами з радіальними базисними елементами і з урахуванням нульової похибки (NEWRBE).

ВИСНОВКИ

Використання теорії нечіткої логіки з підготовкою нечіткого виводу на реальних даних удосконалило медичне діагностування дерматозів.

Нечіткий метод класифікаційної стратегії лікування покращив діагностику. Застосування нейронних мереж для обчислення параметрів моделі дозволило підвищити точність визначення діагнозу.

Результати лікування з використанням нової комбінованої терапії показали добру переносимість лікування та безпеку запропонованого методу.

Перелік посилань:

$1.$ Савчук О.В. Інтелектуальний аналіз діагностичної інформації складних технічних комплексів/ Савчук О.В., Кривенко К.С. // Інтелектуальний аналіз інформації ІАІ-2014 / Зб. праць. – К.: Просвіта, 2014. – С.172-177.

$2.$ Теленик С.Ф. Нечітке оцінювання в задачах управління рівнем обслуговування/Теленик С.Ф., Ролік О.І., Ясочка М.В., МоргальО.М.// Наукові записки УНДІЗ, 2011. - №2(18). - С.24-43.

$3.$ Запольський М.Е. Ураження шкіри кистей і стоп при гострих і хронічних дерматозах. Терапевтичні можливості на сучасному етапі/ Запольський М.Е., Лебедюк М.М., Фролова А.І., Квітко Л.П., Нерубащенко С.В.// Український журнал дерматології, венерології, косметології, 2015.- № 3. - С. 101-108.

Mar 29, 2017