Transcript Document

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ ПОДДЕРЖКИ
ПРИНЯТИЯ РЕШЕНИЙ В МЕДИЦИНСКОЙ
ДИАГНОСТИКЕ НА ОСНОВЕ СИНТЕЗА
СТРУКТУРИРОВАННЫХ МОДЕЛЕЙ
Поворознюк Анатолий Иванович
к.т.н., доц.
проф. каф. вычислительной техники и программирования
Национального технического университета «Харьковский
политехнический институт»
Харьков  2011
Актуальные задачи оптимизации при проектировании
СППРМ:
2
1) Анализ биосигналов и медицинских изображений с целью выделения
информативных структурных элементов на фоне помех (анализ во
временной, спектральной, вейвлет, фазовой области).
Параметры
структурных
элементов
служат
для
вычисления
диагностических признаков.
2) Оценка информативности диагностических признаков и формирование
множества информативных признаков. («рекомендации … сводятся к
использованию "джентльменского" набора анализов: дисперсионного,
регрессионного, корреляционного, метода главных компонент. Однако
применение большинства этих методов не вполне корректно, что
объясняется, в частности, различной природой получаемых в процессе
обследования данных» - В. М. Ахутин, В. В. Шаповалов, М. О. Иоффе
//Медицинская техника №2 – 2002. Множество признаков должно
удовлетворять критериям независимости и информационной полноты.
3) Синтез диагностических решающих правил (детерминистические структуры симптомокомплексов, вероятностные, и т.д.) – модель ОД –
«черный ящик», нет учета сложной итерационной процедуры постановки
диагноза (от предварительного до уточненного).
Уровни взаимодействия организма и внешней среды
(Весненко A.И., Попов А.А., Проненко M.И. // Кибернетика и
системный анализ. - 2002. - № 6. ) :
3
– 0-й уровень генетического генератора полевого взаимодействия вещества, энергии, информации
внутренней и внешней среды человека;
– 1-й уровень квантово-биофизический и биохимический системосоздающий;
– 2-й электромагнитный системоорганизующий уровень электромагнитного поля сердечнососудистой и других систем;
– 3-й – биоатомарный уровень;
– 4-й – биомолекулярный уровень;
– 5-й – клеточный уровень;
– 6-й – тканевый уровень;
– 7-й – органный уровень;
– 8-й – биосистемный уровень;
– 9-й – организменный уровень;
– 10-й – уровень тонкого эфирного тела;
– 11-й – уровень астрального (эмоционального) тела;
– 12-й – уровень ментального тела;
– 13-й – уровень каузального тела;
– 14-й – зона контакта и интерфейса с природной и антропо-экологической средой.
Концептуальная модель объекта диагностики
4
Окружающая среда
Внутренняя среда
ОД
{s10j }
{skj0 }
0
{snj
}
{s11 j }
…
{s1kj }
…
{s1nj }
…
{s1i j }
{skji }
i
{snj
}
…
…
…
…
…
{s19j }
{skj9 }
9
{snj
}
…
…
…
{s114j }
{s14
kj }
{s14
nj }
Рецепторные подсистемы
ЦНС
Ефекторная
подсистема
{Di}
{xi}
S i  {s ijk }; k  0,14; i  1, nk ; j  1, ni
Система
управления
(1)
Si = Sin  Sig Sip.
{sijk }  {Di }
КПЭ
Органы чувств
Уровни взаимодействия
Подсистемы организма
(2)
D0  {sijk } sijk  ( Sin  Sig )
{Di }i  0  {sijk } sijk  Sip
(3)
X = {x0, …, xi, …, xm}
(4)
Обобщенный алгоритм оказания медицинской помощи
Пациент
{ s ijk }
Опрос, осмотр,
пальпация, перкуссия,
аускультация
Лечащий
врач
Анамнез
{x}t-τ, {Di}t-τ, {Vi}t-τ,
Мониторинг жизненных
показателей {xж}
Симптомы {xп},
первичный диагноз
{Djп}
Диагност. процедуры
ЭКГ, рентген, лаб.
анализы и т.п. {xу}
Врачи –
специалисты
Анализ результ.
диагност. процедур
{Djу}
Лечебные процедуры
{Vi}
Обеспечение
жизнедеятельности
{Wi}
СППРМ
БД, БЗ,
алгоритмы
обработки,
визуализация
5
Модель ОД на уровне органов и систем
6
Классы заболеваний
сердца
X2d1
X2d2
X2dm
Треб. допол.
обслед.
Заб. сосудов
Заб. сердца
…
Заб. крови
Классы заболеваний сердечно-сосудистой системы
Классы заб.
Практ.
здоров
X1d1
Треб. допол.
обследов.
Классы заб.
…
X1d2
Патология серд.сосуд. системы
Патология кишеч.жел. сист.
X1dn
…
Патология легких
Мнение врачаэксперта
Признаки патологии
сердечно-сосудистой
системы
Признаки патологии
кишечно-желудочного
тракта
Сигнальные диагностические признаки
…
Признаки патологии
легких
7
Взаимодействие иерархий признаки/диагнозы
i, j
{x}i
{D}j
i, j+1
…
{x1}i+1
{xl}i+1
i+1, j+1
{D1}j+1
{Dn}j+1
…
i+1, r
…
{x1}l
…
{xk}l
{xm}l
…
{xv}l
{D1}r
…
{Dk}r
{Dm}r
Y'i0 → Y'i1 → … → Y'ij → … → Y'in = Yi,
где Y'ij – слабое решение i-го уровня иерархии диагнозов
на j-м шаге итерационной процедуры;
Yi – сильное решение i-го уровня иерархии диагнозов.
Y0 → Y1 → … → Yi → … → Ym,
{Dv}r
Иллюстрация расположения эллипсоидов рассеяния
классов в пространстве признаков
Dk
xi
Dj
Di
sk
sm
sl
sq
Dk
Dj
Di
sn
si
sj
xi
3
1
sp
xj
а)
Dk = Di  Dj
2
xj
б)
8
Расщепление слабых решений
Di-1
1
D2i
1
D3i
2
D1i-1
D2i
D3i
2
3
D4i+1
5
D1i-1
D3i
D2i
2
3
D5i+1
4
а)
1
9
D4i+1
3
D5i+1 D6i+1
4
6
5
б)
D7i-1
7
в)
основное дерево решений
4
2
5
б)
2
3
Y'  Ωij = argmin{R{3,4}, R{3,5}}.
6
4
3
7
5
в)
Y'  Ωij = argmin{R{4,6}, R{4,7}, R{5,6}, R{5,7}}.
Расположение эллипсоидов рассеяния иерархических структур
10
Альтернативное дерево решений
1
D1i-1
D2i
1
D4i
2а
D3i+1
3
5
D3i
D2i
2а
4
D5i+1
D1i-1
D4i+1
4
3а
D6i+1 D5i+1
5
6
а)
D7i+1
7
б)
Число дополнительных матриц условных вероятностей Nд = N/2 – 1.
Вероятность сильных решений
P0  1  γ
γ  αβ
Обобщенный алгоритм постановки диагноза с использованием
11
иерархий признаки – диагнозы
начало
1
k=i
m=j
A
2
Dm=fm({x}k)
да
4
m=r
3
P(Dm)>α
нет
5
нет
k=k+1
да
6
Установлен
диагноз Dm
7
8
k=l
m=m+1
нет
да
да
9
ma = true
10
A
конец
m = ma
k=k–1
нет
11
Установлен
диагноз
Dm - 1
Структурированная С модель (Букатова И.Л.)
C  {S , F }
12
(5)
Расширенная С’ модель
C '  {S , F , E,  , }
(6)
Реконфигурация структур
Q3
Q1
Q2
Qn
X 
S1 
S2 
 
Sn
F1: X  S x
F2: D  SD
F3 : S x  S y  S z
(7)
(8)
(9)
Этапы преобразования информации в СППМ
{x} – множество первичных признаков
{x(t)} – множ. сигналов
{xij} – множ. изображения
2
1
Структурная идентификация
физиологических сигналов и изображений
Формализация описания
{x*} – первичные признаки
(формализованный
вид)
Sе – структурные
элементы
3
Вычисление вторичных признаков
{x*} – вторичные
признаки
4
Синтез иерархической структуры признаков
{D} – исходное множество диагнозов
5
{X}k – иерархическая структура признаков
Синтез иерархической структуры диагнозов
{D}k – иерархическая структура диагнозов
6
Оценка информативности и синтез иерархической структуры информативных признаков
{X*}k – иерархическая структура
информативных признаков
Синтез диагностических правил
7
Dm=fm({X*}k) – диагностические правила
8
9
Синтез индивидуальных диагностических прогнозирующих моделей
F=f(X*,t) – прогнозирующие модели
Рекомендации по выбору оптимальной методики лечения
К – методика лечения
13
Применение расширенных
структурированных моделей вида
C '  {S , F , E ,   ,  }
Модель структурного элемента БКС
C '  {S , F , E ,   }
S – граф неточечного преобразования фрагмента БКС в пространство
параметров Y(P);
F – вычислительные процедуры преобразования Хока;
Е – априорная информация о структуре БКС (временная маска)
  – неопределенность квантования пространства параметров.
Модель диагностируемых состояний
C '  {S , F , E}
S – граф диагностируемых состояний (бинарное дерево решений);
F – вычислительные процедуры кластеризации;
Е – априорная информация о симптомокомплексах.
Модель диагностических признаков
C '  {S , F , E ,   ,  }
S ={Sx, Sy, Sz} – графы диагностических признаков;
F – вычислительные процедуры синтеза S;
Е – априорная информация о симптомокомплексах;
  – неопределенность квантования числовых признаков;
 – неопределенность, обусловленная ограниченностью обучающей выборки.
14
Структурная идентификация биологических квазипериодических
сигналов (БКС) – на примере ЭКГ
X(t)
ωэ
τn
t
X(ti)
D(ti)
R
Ω1
…
Ω2
X(ti+n)
a)
P1
X(ti)
D(ti)
…
…
R
Ω1
Ω2
X(ti+n)
Pm
б)
Представление С' модели выделения структурного элемента:
а) при контурном анализе; б) в предлагаемом методе
15
Структурная идентификация сигналов на основании преобразования Хока
16
x2
a1
Аi(x1i, x2i)
x2i
a1 = x2i – x1i b1
x2 = a1 + b1x1
Фip
x1i
x1
b1
а) исходное пространство
б) пространство параметров
Преобразование Хока (поиск прямых линий)
x
w
f k ({xi p }1 )
wp
X(ti) → Y(P) → Y(P,ti)
w
f k ({xi p }2 )
где: X(ti) – исходное пространство;
Y(P) – пространство параметров;
w
{xi p }1
w
{xi p }2
Описание прототипа (эталонного
структурного элемента)
t
Y(P,ti) – расширенное пространство
параметров (с временной привязкой).
(10)
Расстояние в пространстве параметров
D (wэ , wi )  1 
17
1
Ny
(11)
1    ( p wj э  p wj i ) 2
j 1
где p wj э , p wj i – признаки обьектов ωэ и ωi (координаты в пространстве Y(P));
α > 0 – весовой коэффициент, задающий скорость затухания потенциальной
функции;
N y – мерность пространства Y(P).
X,D
1
Dmin(ti) < T
Td
τ11
t
ωt
ωt
ωэ
τ12
τ13
Идентификация структурных элементов при анализе профиля расстояний D(t)
(12)
18
Учет временной маски
Решающее правило
P
 1 , если (wt , Td )  Td  Μ   0;
wt  
 2 , если (wt , Td )  Td  Μ   0;
1
Pmin
t ki 1
t ki
t
Вероятностная функция для i-го типа
структурного элемента БКС
Вычисление адаптивного порога
k2 M  (t )  (1 k2 ) N (t ) , если M  (t )  Td (t )
N (t  1)  
N (t ) ,
если M  (t )  Td (t )

S (t ) ,
если M  (t )  Td (t )

S (t  1)  
k2 M  (t )  (1 k2 ) S (t ) , если M  (t )  Td (t )
Td (t )  N (t )  k1[S (t )  N (t )]
(14)
(15)
(16)
(13)
Оптимизация параметров описания эталона БКС
19
параметрическая оптимизация
Lэ
xi
wэ
Схема
структурной
идентификации
БКС
Вид ОФ
в wэ
Размерность
Y(p )

P min
Td
Критерий
качества
классификации
Ωi
Ωj
Метод
формирования
k1, k 2
Максимизация
F (.) за счет
параметрической
оптимизации
F (.)
Максимизация
F (.) за счет
структурной
оптимизации
T d (Tip 1 )
Способ учета
i
P (t) ( Tip 2 )
структурная оптимизация
Схема оптимизации при структурной идентификации БКС
Примеры медицинских изображений и особенности
их обработки
а) рентгеновский снимок
б) срез томограммы
20
Адаптация метода структурной идентификации БКС
для обработки двумерных изображений
Xl =Xij (i=1,N , j=1,M)
а
б
(17)
в
г
д
Примеры пространственных разверток двумерных объектов
Xl
l
Унимодальная функция описания эталона при
спиральной развертке и ее изменения при повороте
объекта
21
Пример преобразования ЭКГ
1 – зубцов P;
2 – комплексов QRS;
22
3 – зубцов T.
Расположение объектов стандартного отведения V2 в
пространстве признаков Y при структурной идентификации
Кластеризация признаков/диагнозов и построение
иерархических структур
F2: D  SD
F1: X  S x
метод корреляционных плеяд
x2
0,5
x1
0,2
x4
0,35
0,1
0,6
0,2
x5
0,35
0,4
x3
R1
R2
Пример разбивки графа (R1=1,1 – по методу корреляционных плеяд rпор= 0,35 ;
R2 =0,9 – используя минимальный разрез)
23
Формализация задачи иерархической кластеризации в
терминах потоковой модели
24
G = {N, V}, s – начальная вершина (исток), t – конечная вершина (сток).
а) параметры дуги Vij:
- Lij – нижняя пропускная способность дуги;
-Uij – верхняя пропускная способность дуги;
- fij – поток по дуге Lij ≤ fij ≤ Uij;
- Cij – стоимость прохождения единицы потока из узла i в узел j.
б) условие сохранения потока
 f ij   f
j N j
j N j
ji
(18)
в) теорема о максимальном потоке и минимальном разрезе (Форд и Филкерсон):
fij = Uij для Vij  (Ns, Nt),
fij = 0 для Vij  (Nt, Ns).
fijmax = ∑ fij для Vij Rmin. .
(19)
алгоритм “дефекта”
25
прямая задача
c
( i , jS )
двойственная задача
U
f  min
ij ij
( i , jS )
ij
ij  Lij   ij  min
(20)
ограничения
 i   j  ij   ij  Cij
fij  U ij f ij  Lij Vij V
 f ij   f
j N j
j N j
fij  0
ij  0
ji
Vij V
 ij  0
Vij V
Vij V
(21)
Vij V
Сij*  Cij   i   j
(22)
Условия оптимальности
к1: fij = Uij, если C*ij  0,
к2: fij = Lij, если C*ij  0,
к3: Lij  fij  Uij если C*ij = 0.
к4: j f ij  j f
Nj
Nj
Корректирующие действия:
1) Модификация потоков fij.
2) Модификация приведенных стоимостей C*ij.
ji
(23)
Адаптация алгоритма “дефекта”
26
1. Параметры дуг: Lij = 0; Uij = rij; Cij = eij ;
2. Предварительная разбивка G на два подграфа Gs и Gt методом корреляционных
плеяд
3. Определение начальной и конечной вершин (s и t)
N i  max  V ij
i
j
s  N i i , j  N s
t  N i i , j  N t
(24)
4. Возвратная дуга с параметрами: Lts = 0; Uts = ∞; Cts = 0.
5. Задаются начальные значения переменных
fij = 0,
i  0
Vij V
6. Определение fij
7. Поиск минимального разреза Rmin
(25)
Оценка информативности
27
Неопределенность системы диагнозов
n
H ( D)  - P( D )  log2 P( Di )
i
i 1
(26)
Количество внесенной информации.
p
I D ( X )   I D ( x j )  H ( D)
j 1
(27)
Информативность признака xj относительно системы диагнозов D
n
I D ( x j )   P( Di )  I Di ( x j )
i 1
(28)
Информативность признака xj относительно диагноза Di
xmax
m
P( x jk / Di )
I Di ( x j )   f ( x j / Di ) I D ( x j ) dx j  P( x jk / Di ) log2
i
P( x jk )
k 1
xmin
(29)
Информативность реализации признака x
I Di ( x jk )  log2
f ( x jk / Di )
f ( x jk )
I D i ( x jk )  f ( x jk / Di ) log2
 log2
P( x jk / Di )
f ( x jk / Di )
f ( x jk )
(30)
P( x jk )
 P( x jk / Di ) log2
P( x jk / Di )
P( x jk )
Вычисление интегральной ошибки аппроксимации
теоретического закона распределения гистограммой.
28
 Nk
Ak 
k N
(31)
f(x)
Ak
f(xj/Di)
σk
εk   k
Ak
Nk
(32)
xj
xmin
Δk
xmax
Аппроксимация f(x) гистограммой
A  Ak
f ( xk 1 )  Ak  k k 1
,
k 1  k
k 
*
A  Ak 1
f * ( xk )  Ak  k k
k  k 1
(33)
k 
1
[ f * ( xk 1)  Ak ]2  [ Ak  f * ( xk )]2
6
k
6Nk
 Ak 1  Ak

 k 1  k
2
  Ak  Ak 1 
  

  k  k 1 
(34)
2
(35)
Разработка метода формирования диагностически - значимых
интервалов числовых признаков
29
1) Значения каждого численного признака x ранжируются и для каждого x определяется
динамический диапазон изменения [xmax, xmin].
2) Выбирается начальное значение m =[N/Nmin] (Nmin – минимальное значение точек,
которое может содержать интервал, [.] – целая часть) и динамический диапазон [xmax, xmin]
разбивается на m интервалов, каждый из которых содержит Nmin точек.
3) В каждом из интервалов Δk подсчитываются априорные вероятности P(xjk) и P(xjk/Di) и
соответствующие им амплитуды гистограмм по (31).
4) Определяется x0 - точка пересечения P(xjk/D0) и P(xjk/D1), для чего в окрестности
интервала, где модуль отклонения P(xjk/D0) от P(xjk/D1) минимален, выполняется
полиномиальная аппроксимация соответствующих гистограмм.
5) Начиная от x0, в обе стороны откладываются по одному интервалу Δ-1 и Δ1, каждый из
которых содержит Nmin точек, и подсчитывается εk по (35).
6) Интервалы монотонно "расширяются" до тех пор, пока не будет достигнут минимум εk
и фиксируются значения Nk и их границы z-1 и z2, которые являются начальными точками
следующих интервалов Δ-2 и Δ2.
7) В качестве начального значения минимального количества точек N для следующих
интервалов выбирается значения Nk, и п.6 повторяется. Критерием останова является
достижение границ xmax и xmin .
30
Результаты разбивки диагностического признака Hb на интервалы при дифференциальной
диагностике состояний: Класс 3 (D1) и Класс 4 (D3, D4).
Параметры гистограмм
№
Начало
Конец
Δk
1
2
3
4
5
108,00
118,09
124,00
130,55
152,31
118,09
124,00
130,55
152,31
200,00
10,09
5,91
6,55
21,76
47,69
Gk
0,0000
0,0000
0,2312
1,7051
1,1194
Класс 3
εk
P(Xi/D)
0,0000
0,0000
0,0739
0,0473
0,0233
0,0000
0,0000
0,0165
0,4033
0,5802
Gk
1,6885
4,6124
2,6011
1,7225
0,0000

Ширина диапазона: Δ = 92,00. Средняя ошибка Класса 3:

Средняя ошибка Класса 4: = 0,1026.
Класс 4
εk
P(Xi/D)
0,4565
0,2080
0,1966
0,1064
0,0000
= 0,0285.
0,1852
0,2222
0,1852
0,4074
0,0000
Синтез иерархической структуры диагностически-значимых признаков
Отношение вхождения
Причинно-следственная
связь
D01
kип ( x j , D ) 
Последовательность
реализации
D1
D32,1
Z31,2
D22,1
D34,2
D33,2
Z33,4
kдц ( x j , D) 
D12,1
1,2
1,1
Z21,2
D21,1
D31,1
Z1
Z23,4
D23,2
D36,3
D35,3
Z35,6
D38,4
D37,4
Z37,8
Типы взаимодействий элементов иерархических
структур SD и Sz
ID (x j )
H ( D)
(36)
kип ( x j , D)
rt ( x j )
kдц(yi) ≥ kдц(yj) ≥ … ≥ kдц(yq)
D24,2
31
(37)
(38)
Синтез комбинированного решающего правила
32
Вероятностная логика (последовательный анализ)
 
i
P( xik / Dq )
P( xik / Dl )
 A
(39)
B
Матрица условных вероятностей P размерности n*m с элементами
Матрица экспертных оценок S размерности n*m с элементами sij
pij  p( xi
Dj
)
{e3, e2, e1, e0}
e3 – вес патогномонических
e2 – вес специфических
e1 – вес неспецифических симптомов
e0 – вес показателей, не входящих в симптомокомплекс данного заболевания .
e3  e2  e1  e0
(40)
Матрица H (комбинированного решающего правила)
hij  sij  pij
i  1,n j  1,m
(41)
Определение экспертных оценок при взаимодействии иерархических
33
структур
а) повышение уровня иерархии признаков (объединение столбцов матрицы S)
k 1
x  f ({ X }i )
k
i
k 1
x  aj xj
k
i
j
(42)
k 1
j  { X }i
1
21
11
1
2
sij   alj sij , j  { X }l i  1, N D l  1, N x
(43)
(44)
j
б) повышение уровня иерархии диагнозов (объединение строк матрицы S)
1
k ,2
k ,1
k
2
sij   (sij ) , i {D}l j  1, N x l  1, N D
i
k ,1
 ( sij )
i
- функция объединения симптомокомплексов диагнозов,
входящих в один кластер (min, max и др.)
(45)
Учет неопределенности статистических оценок в
решающем правиле
P( xik /Dl )  G ( xik / Dl )   ikl
P( xik / Dq )  G ( xik /
34
(46)
Dq )   ikq
δqik , δlik -доверительные интервалы
Комбинированное решающее правило
н  
SikqGн ( xik / D q)
i
SiklGв ( xik / Dl )
в  
i
SikqGв ( x ik / D q )
SiklGн ( x ik / D l )
(47)
Пессимистическая оценка
н  A
в  B
(48)
Структурная схема ПО СППРМ
Пациент
БКС
Ввод
БКС
Медицинские
изображения
(МИ)
Ввод
МИ
Диагностические
признаки {X}
Ввод
{X}
Множество диагнозов
{D}
Врач
ЛПР
БД
Верификация диагноза
Постановка
уточняющего диагноза
Ввод
{D}
Ввод режимов,
параметров, экспертных
оценок
Синтез C'
{D}
35
БЗ
МАИ
Синтез C'
МИ
Синтез C'
{X}
Реконфигурация C'
{X}
Интерфейс
Синтез C'
РП
Синтез C'
БКС
Структурная схема подсистемы постановки диагноза
Уровень представления
Интерфейс пользователя
Уровень модели
Подсистема
синтеза знаний
Ядро
Диагностическая
подсистема
Подсистема работы
с данными
ORM
(Hibernate)
Уровень данных
База данных
(MySQL)
36
37
Структура ядра системы
Объект диагностики
Строитель
иерархической
структуры
диагнозов/признаков
Строитель
последовательностей
интервалов
признаков
Математический
модуль
Диагноз
Ядро
Представление
объекта
диагностики
Фабрики знаний
Фабрики
сущностей
Hibernate
Решающее
правило
P(x)
S(x)
Структура пакетов
38
Упрощенная диаграмма классов, которые
принимают участие в диагностике.
Node
Norm
Interval
#hiBound: double
#loBound: double
#left: IntervalBound
#right: IntervalBound
+Interval()
+contains()
+histogramAmplitude()
+width()
#hiAge: short
#loAge: short
#sex: boolean
#anc: Node
#desc: List<Node>
#data: Object
+Norm()
+isMale()
+isFemale()
+Node()
+…
+isRoot()
Diagnose
<import>
<import>
#root: Node
+BinaryTree()
+traversal()
DiagnoseTree
#id: int
#name: String
#icd: String
+Diagnose()
+toString()
BinaryTree
<import>
+DiagnoseTree()
<import>
<import>
<import>
Histogram
Sign
#name: String
#norm: Norm
#data: List
#diagnose: Diagnose
+Sign()
+variationRange()
<import>
#sign: Sign
#iset: List<Interval>
#d0: List<Diagnose>
#d1:List<Diagnose>
+Histogram()
+integralError()
+optimize()
DecisionRule
#tree: DiagnoseTree
#a: double
#b: double
#exam: List<Object>
+CombinedSolveRule()
+diagnostics()
39
Тестовая проверка и результаты экспериментов
Процентный показатель количества распознанных комплексов QRS при разных
шагах квантования пространства признаков
№
Шаг квантования
отведения
1
2
3
4
5
6
7
8
9
10
11
12

1
p1
75
30
76
45
100
50
100
25
25
80
95
25
60.5
р2
0
0
0
0
0
0
0
0
0
0
0
0
0
10
p1
75
55
50
84
50
50
100
50
65
65
95
50
65.8
p2
0
0
0
0
0
0
0
0
0
0
0
0
0
50
p1
85
85
90
75
100
90
100
80
75
93
100
55
85.7
p2
0
0
0
0
0
0
0
0
0
0
0
0
0
100
p1
100
92
90
100
95
100
100
100
100
75
100
55
92.3
200
p2
0
0
0
0
0
0
0
0
0
0
0
0
0
p1
80
100
100
100
100
100
100
100
100
100
100
100
98.3
250
p2
p1
p2
80
100 100*
0
100 100*
0
100 100*
0
100 100*
0
10
0
100* 100 100*
70
100 100*
75
35
0
85
35
0
90
20
0
0
15
0
0
100 100*
83.3** 67.9 100**
Статистические характеристики временных затрат
Статистическая
характеристика
Математическое
ожидание, t, сек.
Среднеквадратическое
отклонение, t
Шаг квантования
50
100
1
10
8,917
2,247
1,438
0,715
0,276
0,179
200
250
1,133
0,866
0,225
0,061
0,126
0,141
40
41
Результаты структурной идентификации информативных фрагментов
электрокардиограммы при использовании различных видов опорных функций
Вид опорной функции
Значения критерия при структурной
идентификации
Зубцов Зубцов Компле- Среднее
кса QRS
P
T
Отрезок прямой
0,694
0,720
0,420
0,612
Парабола
0,713
0,732
0,428
0,624
Дуга окружности
0,711
0,730
–
–
Дуга эллипса
0,711
0,730
–
–
Сравнения качества классификации с помощью разработанного метода
структурной идентификации и с помощью контурного анализа
Отведение
стандартное I
F
F эв
F
стандартное II F эв
F
стандартное III F эв
однополюсное
aVL
однополюсное
aVR
однополюсное
aVF
F
F эв
F
F эв
F
F
F эв
  
1
L
Структурный эл-т
Отведение
P
QRS
T
3,80
0 0,36
F
Грудное V1 F эв
12,66 0,18
0,9
3,62
0 1,08
F
Грудное V2 F эв
12,30
0 6,87
2,53
0 0,72
F
Грудное V3 F эв
8,32 0,36 8,67
3,07
0
0
F
Грудное V4 F эв
11,03
0 2,71
6,14
0
0,9
F
Грудное V5 F эв
14,47
0 5,06
1,99 0,18 0,36
F эв
Грудное V6 F
8,68 0,18 4,16
 100%
F =3% Fэв =10%
42
Структурный эл-т
P
QRS
T
2,71
0 0,18
8,14
0 4,52
2,89
0
0
9,22
0 0,36
0
0
0
6,51
0
0
0
0
0
5,06
0 0,18
3,98
0 0,90
12,48 0,54 8,32
0
0
0
4,16
0
0
Апробация метода синтеза иерархических структур
диагностических признаков и диагнозов
Группы анализируемых диагнозов
№
п/п
Код
Название диагноза
Код
диагноза
диагноза
по МКБ 10
1 –
Здоров
D1
2 D64.9
Анемия неуточненная
D2
3 I42.9
Кардиомиопатия
D3
4 I25.9
Хроническая ИБС неуточненная (ИБС
D4
кардиосклероз)
5 L95.9
Неуточненные геморрагические состоD5
яния (аллергический геморрагический
васкулит)
6 K81.1
Хронический холецистит
D6
7 J18.9
Пневмония неуточненная
D7
8 B27.9
Инфекционный мононуклеоз
D8
неуточненный
9 C91.1
Хронический лимфоидный лейкоз
D9
10 N18.9
Почечная недостаточность
D10
неуточненная
Всего
Кол.
человек в
группе
243
29
10
17
24
21
16
28
26
20
434
43
44
Показатели общего клинического анализа крови
Индекс
1
2
3
4
5
6
Аббревиатура
Eritr
Hb
Leic
Limf
Eozin
Pal
7
Seg
8
9
Mon
Coe
Показатель
Эритроциты
Гемоглобин
Лейкоциты
Лимфоциты
Эозинофилы
Нейтрофилы
палочкоядерные
Нейтрофилы
сегментоядерные
Моноциты
Скорость оседания
эритроцитов (СОЭ)
Единица
измерения
кл х 1012/л
г/л
кл х 109/л
%
%
Норма-коридор
м/ж
4,0-5,0 / 3,9-4,7
130-160 / 120-140
4,0-9,0
19,0-37,0
1,0-5,0
%
1,0-6,0
%
47,0-72,0
%
3,0-11,0
мм/час
1-10 /2-15
45
0
D1–D10
Уровень 1
1
2
D2, D5–D10
D1, D3, D4
Уровень 2
3
4
D1
5
6
D2, D5,
D8–D10
D6, D7
D3, D4
Уровень 3
7
9
8
D3
D4
D6
10
D7
11
D10
12
D2, D5, D8,
D9
Уровень 4
13
14
D2, D9
D5, D8
Уровень 5
15
D2
16
D9
17
D5
18
D8
Иерархическая структура диагностируемых состояний
(основное дерево решений)
Расщепление вершин основного дерева на альтернативные потомки
1
0
D1, D3, D4
D1–D10
D1, D4
D3, D4, D6,D7
6
7
4a
2a
1a
D1, D2, D5,
D8–D10
3
8
3
5
4
6
2
D2, D5,
D8–D10
D2, D5–D10
D6,D10
11
D2, D9, D10,
12
10
11
12
D2, D5, D8, D9
14a
13a
D8, D9
D2, D5
15
17
16
14
11a
6a
D2, D5, D7,
D8, D9
5a
9
46
18
13
47
9 признаков
(Eritr, Hb, Leic, Limf, Eozin,
Pal, Seg, Mon, Coe)
ИП1
1
Limf, Hb, Leic,
Eozin, Pal, Seg,
Mon, Coe
3
1 уровень
2
Eritr
2 уровень
ИП2
4
Hb, Leic, Eozin,
Pal, Seg, Mon, Coe
Limf
ИП3
5
6
Seg
3 уровень
Hb, Leic, Eozin,
Pal, Mon, Coe
4 уровень
7Leic, Mon,
Eozin, Pal
8
Coe, Hb
Иерархическая структура дианостических признаков
0
D1–D10
ИП2,
Hb,
Leic,
Eritr,
Limf,
1a
1
D1, D3, D4
4a
D1
Pal,
Coe
Pal,
Coe
Уровень 2
6a
5a
5
4
Mon,
Coe,
Seg,
Limf,
Eritr
D2, D5–D10
D3, D4, D6,D7
Hb,
Eritr,
Leic,
Limf,
Seg
D1, D4
2
2a
D1, D2, D5,
D8–D10
Hb,
Eritr,
Leic,
Limf,
Seg
3
Уровень 1
D3, D4
D6, D7
Mon,
Coe,
Seg,
Limf,
Eritr
Leic,
ИП1,
Limf,
Hb
6
D2, D5,
D8–D10
D2, D5, D7,
D8, D9
D6,D10
Pal
Limf,
Pal
Limf,
Pal
Уровень 3
D10
D7
D6
D4
D3
11
10
9
8
7
11a
12
D2, D9,D10,
D2, D5,
D8, D9
Mon,
Hb
Mon,
Hb
Уровень 4
13
13a
14a
14
D2, D9
D2, D5
D8, D9
D5, D8
Coe,
Limf
Coe,
Limf
Mon,
Hb
Coe
Уровень 5
16
15
D2
18
17
D9
D5
D8
48
49
Число пациентов, у которых анализируется диагностический признак
на всех уровнях иерархии диагнозов
Номер анализируемого кластера
№
п/п
xj
1
ИП2
434
2
Hb
73
3
Pal
4
Limf
5
Mon
6
Coe
7
Leic
8
Eritr
9
Seg
10
ИП1
0
1
2
4
5
4
270
11
1
7
5
всего
13
14
8
355
3
6
27
5
12
434
164
5
6
11
127
161
134
107
10
12
167
55
37
52
124
54
15
1
16
7
2
14
8
8
11 Eozin
0
ИП3
0
12
50
Показатели качества классификации
D1 D2 D3 D4 D5 D6 D7 D8 D9
Ψ класт.% 97,53 75,86 40,00 29,41 91,67 85,71 62,50 85,71 88,46
Ψ%
97
63 52 69 98,4 97,3 77 98,4 89
Ψ* %
98,5 67 62 69 98,4 97,3 79 98,4 93
MDi кол. 2,2 6,68 7,82 6,42 5,39 3,67 4,58 5,39 5,75
D10 Среднее
95,0 88,48
90
89,9
95
92,8
3,73 3,61
Ψ класт. – достоверность классификации методом кластерного анализа (неправильно
установлен диагноз 50 пациентам ) ,
Ψ – предлагаемым методом с использованием основного дерева (6 – неправильно
установлен диагноз, 5 – отказ от постановки диагноза, 30 – установлен
предварительный диагноз) ,
Ψ* – с использованием основного и альтернативного дерева (6 – неправильно
установлен диагноз, 3 – отказ от постановки диагноза, 22 – установлен
предварительный диагноз) ,
MDi – среднее число анализируемых признаков.
51
ВЫВОДЫ
1) Разработана концептуальная модель ОД – многоуровневой системы связей подсистем
организма человека друг с другом и факторами окружающей среды и на ее основе
разработана расширенная структурированная модель ОД, которая учитывает не только
функциональный и структурный базис, но и экспертные оценки и неопределенности
статистических оценок функционального базиса, а также формализованы этапы
преобразования информации при построении СППРМ.
2) Разработаны структурированные модели ОД на этапах структурной идентификации
БКС и медицинских изображений, при синтезе иерархических структур диагностических
признаков и диагнозов.
3) Разработан метод синтеза комбинированного РП с расщеплением недостоверных
решений при взаимодействии иерархических структур диагностических признаков и
диагнозов. Разработанное РП позволяет выполнять последовательный анализ
диагностических признаков до достижения заданного уровня достоверности диагноза, при
этом выполняется "пессимистический" прогноз, обусловленный неопределенностью
априорных условных вероятностей при учете экспертных оценок структур
симптомокомплексов.
4) Разработана структура и создано ПО СППРМ. Выполнена проверка адекватности
разработанных информационных технологий при обработке реальных биомедицинских
данных.
52
Спасибо за внимание!
Организационный комитет приглашает принять участие в работе одиннадцатой
международной конференции
"Проблемы информатики и моделирования (ПИМ-2011)",
которая состоится в сентябре 2011 г. (г. Ялта).
www.pim.net.ua .