- степень АГ (FORGB);
- возрастная категория больных (W2): до 45 лет,
46-55 лет, более 55 лет;
- длительность АГ (DZZ): до 5 лет, 6-10 лет, более 10 лет;
- вариант ремоделирования ЛЖ
[7, 8] (REMOD): нормальная геометрия
ЛЖ, концентрическое ремоделирование
ЛЖ, эксцентрическая гипертрофия, концентрическая гипертрофия;
- наличие или отсутствие диастолической
дисфункции ЛЖ [9, 10] (DDLG);
- нормальная или сниженная податливость (комплайнс) ЛЖ [11] (REGID);
- стрессовый вариант АГ [12] (STRES): высокострессовый, нормострессовый;
- тип гемодинамики [13](HEMOD): гипер-, эу-, гипокинетический;
- наличие/отсутствие рестриктивного
синдрома [11, 14] (RESTR);
- наличие или отсутствие систолической дисфункции ЛЖ
[11, 14] (SDLG), оцениваемой по фракции
выброса (FW) ЛЖ и скорости циркулярного
сокращения волокон миокарда (VF).
В качестве выходного (прогнозируемого) параметра, характеризующего
структурную перестройку сосудов у больных ГБ, была использована толщина слоя интима-медия (TIM) ОСА,
градированная по двум категориям: нормальный и увеличенный уровень [15].
Градация по большинству параметров осуществлялась исходя из диапазона М¦2SD соответствующих
показателей в группе здоровых лиц [10].
Оценка информативности качественных факторов, построение на их основе
прогностической модели осуществлялось с помощью нейроимитатора
NeuroPro 2.5.
Результаты.
Обучение нейроимитатора проводилось в режиме
классификатора для консилиума из 15 нейросетей-экспертов
(net1-net15) с заданной степенью надежности. Все нейросети прошли обучение и упрощение структуры для основной
группы больных (обучающая выборка из 71 примеров), а последующее их
тестирование на контрольной выборке из 15 примеров показало высокую степень
уверенности прогнозируемых состояний для показателя TIM.
Особенностью нейроимитатора NeuroPro 2.5 является возможность целенаправленного упрощения
нейронной сети для последующей генерации вербального описания. Упрощение сети
выполнялось путем сокращения числа состояний используемых факторов. В
результате применения этой процедуры сформирован консилиум из 15 упрощенных нейросетей и определены показатели значимости факторов с их
дифференциацией по состояниям. Как и следовало ожидать [4], на основе одной обучающей
выборки получено несколько полуэмпирических теорий (15 нейросетей
минимальной структуры, правильно решающих одну и ту же задачу
). Это объясняется многозначностью решения задачи
поиска системы информативных факторов. Рассматривается некоторое
множество систем информативных факторов, генерируемое на множестве случайных
топологий обученных нейросетей. В то же время, как
следует из результатов эксперимента, частоты использования факторов на
представленном множестве консилиума нейросетей могут
существенно различаться. Показатели значимости факторов, найденные нейроимитатором NeuroPro2.5, характеризуют значимость используемых факторов
применительно к конкретным генерируемым топологиям нейросетей.
Для оценки информационной значимости факторов, в которой снижен "удельный вес"
конкретной топологии предлагается ввести в рассмотрение коэффициент
использования фактора (КИФ) на множестве упрощенных нейросетей:
КИФ =М/N,
где М - число нейросетей,
в которых используется после упрощения данный фактор, N - мощность множества (общее число )
обученных нейросетей.
Для каждого фактора были рассчитаны средние показатели
значимости (СПЗ) и КИФ (табл. 1). Из анализа этих характеристик следует, что
для исследуемой системы факторов наибольшим СПЗ
соответствует наибольшее КИФ (факторы FORGB, DZZ, STRES, HEMOD,
REMOD). Это указывает на то, что соответствующие факторы
могут быть отнесены к категории наиболее информативных,
поскольку имеют высокие показатели значимости и оказываются часто востребованными
при обучении на множестве нейросетей. Делается
предположение о том, что при общем анализе системы факторов (без учета
структурной топологии конкретной нейросети) оценка
информативности с использованием КИФ является приоритетной. Это положение
подтверждается тем, что два фактора, отражающих наличие гипертрофии ЛЖ (HLG) и длительность заболевания (DZZ), имели невысокую среднюю значимость (0,18 и 0,09
соответственно), но при расчете КИФ их прогностическое значение приблизилось к
уровню четырех предикторных факторов - FORGB, STRES, HEMOD,
REMOD - и составило 0,87 и 1 соответственно.
Дополнительный набор
приоритетных факторов более точно соответствует патогенетическим представлениям
о структурно-функциональной сердечно-сосудистой дизадаптации. Итоги тестирования консилиума нейросетей на контрольной выборке выявили высокие
показатели точности прогнозирования наличия или отсутствия ремоделирования
сонных артерий - среднее число правильно решенных примеров на консилиуме нейросетей составило 71% при 100% степени уверенности в
результате и 1,7% - при степени уверенности менее 100% (табл. 2).
.
Таблица 1
Средние показатели значимости и коэффициенты
информативности факторов
|
Факторы |
СПЗ |
КИФ |
|
W2 |
0,07 |
0,67 |
|
FORGB |
0,28 |
1,00 |
|
DZZ |
0,09 |
1,00 |
|
HLG |
0,18 |
0,87 |
|
DDLG |
0,14 |
0,87 |
|
SDLG |
0,12 |
0,53 |
|
STRES |
0,51 |
1,00 |
|
HEMOD |
0,34 |
1,00 |
|
REMOD |
0,26 |
0,93 |
|
RESTR |
0,09 |
0,60 |
|
FW |
0,09 |
0,60 |
|
VF |
0,06 |
0,47 |
|
RIGID |
0,07 |
0,67 |
Таблица 2
Тестирование консилиума нейросетей
Консилиум
нейросетей
|
Результаты тестирования |
||
|
Правильно: |
Неуверенно: |
Неправильно: |
|
net1
|
11(73,3%) |
0(0%) |
4(26,67%) |
net2
|
11(73,3%) |
0(0%) |
4(26,67%) |
net3
|
10(66,7%) |
1(6,7%) |
4(26,7%) |
net4
|
12(80%) |
0(0%) |
3(20%) |
net5
|
10(66,7%) |
0(0%) |
5(33,3%) |
net6
|
13(86,7%) |
0(0%) |
2(13,3%) |
net7
|
10(66,7%) |
1(6,7%) |
4(26,7%) |
net8
|
11(73,3) |
0(0%) |
4(26,7%) |
net9
|
9(60%) |
1(6,7%) |
5(33,3%) |
net10
|
10(66,7%) |
1(6,7%) |
4(26,7%) |
net11
|
12(80%) |
0(0%) |
3(20%) |
net12
|
9(60%) |
0(0%) |
6(40%) |
net13
|
9(60%) |
0(0%) |
6(40%) |
net14
|
13(86,7%) |
0(0%) |
2(13,3%) |
net15
|
10(66,7%) |
0(0%) |
5(33,3%) |
|
Ср. знач. |
71% |
1,70% |
27,30% |
Результаты анализа значимости факторов и тестирования
позволяют найти минимальную структуру нейросетей,
обеспечивающую максимально возможную для выбранного консилиума точность
прогнозирования. Для данного консилиума максимальная точность прогнозирования
(~87%) обеспечивается структурами net6
(используется 11 факторов без VF, FW) и
net14 (используется
10 факторов без REGID, FW, HLG).
Эту задачу можно интерпретировать как задачу нахождения минимального набора
факторов, обеспечивающих максимальную точность прогнозирования. Вербальные
описания структур net6 и net14 позволяют создать интерактивные программные нейроклассификаторысс
минимальным набором факторов для прогнозирования наличия или отсутствия ремоделирования сонных артерий.
Нейросетевые классификаторы на основе категорийных
значений структурно-функциональных характеристик ЛЖ, степени АГ, возраста
больных позволяют с высокой степенью уверенности прогнозировать наличие или
отсутствие ремоделирования ОСА у больных с ГБ. Предположенный интегральный КИФ объективирует индивидуальную
значимость входных факторов в общей системе характеристик, определяющих
структурную дизадаптацию сосудов у пациентов с АГ.
Возможность получения вербальных описаний минимальных нейроструктур
с высокими показателями точности прогнозирования дает подход к созданию
быстродействующих интерактивных компьютерных классификаторов для экспресс-прогноза в условиях клиники.
Литература
1. Метелица В.И.
// Тер.арх.-1992.- N 9.-
С.112-116.
2. Профилактическая фармакология
в кардиологии / Под ред. В.И. Метелицы, Р.Г.Оганова.- М.: Медицина, 1988.- 384 с.
3. Кобалава Ж.Д., Котовская Ю.В.
Артериальная гипертония 2000: ключевые аспекты диагностики, дифференциальной
диагностики, профилактики, клиники и лечения.- М.:Фортэ-АРТ.,
2001.- 208 с.
4. Горбань А.Н., Россиев Д.А. Нейронные сети на
персональном компьютере.- Н.: Наука, 1996.-276 с.
5. Россиев А.А.
// В сб.: Методы нейроинформатики, СО РАН, Красноярск,
1998.- С. 6-22.
6. Профилактика,
диагностика и лечение артериальной гипертонии в Российской Федерации: Первый
доклад экспертов научного общества по изучению артериальной гипертонии.- М., 2000.- 62 с.
7. Ganau A. et al. // J..Am.
Coil. Card.- 1992.- Vol. l9.- P. 1550-1558.
8. Ganau A. et al. //
J. Am. Coll. Cardiol.-
l992.-Vol. l9.- P. 1550-1558.
9. Алехин М. Н., Седов В. П.
// Tep.apx.-
1996.- N 9.- C.
23-26.
10. Али Садек
Али и др. //Tep.apx.-
1989.- N 9.- C.
85-91.
11. Атьков О.Ю. и др.
Болезни сердца и сосудов./ Под ред. Е.И.
Чазова.- М.: Медицина,1992.- Т.1.- C. 318-382.
12. Staner B. //Am. J. Cardiol.- 1979.- Vol. 44.- P. 999-1006.
13. Гундаров И.А. и др.
// Бюлл. Всесоюз. кардиол. науч. центра.- 1983.- N
2.- C.
13-18.
14.
Коледенок В.И., Захаров В.П. Ультразвуковая диагностика в кардиологии.- М.,1992.- 170 с.
15.
Том С.А., Хьюдж А.
// Медикография.- 1998.- .N 1.- C. 58-64.
Using of Neural Net
Qualifiers for an Evaluation of Remodeling of Vessels in Patients Having Arterial Hypertension
V.N.
Lopin, E.V. Lopina, S.V. Povetkin
Summary
In the work the authors explored a possibility of forecasting of presence
of structured remodeling of common carotid arteries on the base of evaluation
of presence and expression of monofunctional disadaptation of the aortic ventricle in patients having
hypertension by means of neural net qualifiers. Instrumental possibilities
NeuroPro2.5 have allowed to work out an approach to the synthesis of high-speed qualifiers capable to distinguish presence and absence
of vascular remodeling with a high degree of confidence.
Key
words: remodeling, neural net qualifiers, carotid
arteries
|
|
Лопин Вячеслав
Николаевич - доктор технических наук, профессор кафедры
информатики КГМУ, член-корр. МАНЭБ. Автор более 130 научных работ