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 } 0 {skj } 0 {snj } {s11 j } … {s1kj} … {s1nj } … {s1i j } … i {skj } … i {snj } … … 9 {skj } 9 {snj } {s19j } … … … … {s114j } {s14 kj } {s14 nj } Рецепторные подсистемы ЦНС Ефекторная подсистема {Di} {xi} S i {sijk }; k 0,14; i 1, nk ; j 1, ni Si = Sin Sig Sip. {sijk } {Di } КПЭ Органы чувств Уровни взаимодействия Подсистемы организма Система управления (1) (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 αβ 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 Sy 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 , jS ) двойственная задача U f min ij ij ( i , jS ) ij ij Lij ij min (20) ограничения i j ij ij Cij f ij U ij fij Lij Vij V f ij f j N j j N j f ij 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 ) log 2 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 ) log 2 i P( x jk ) k 1 xmin (29) Информативность реализации признака x I Di ( x jk ) log 2 f ( x jk / Di ) f ( x jk ) I D i ( x jk ) f ( x jk / Di ) log 2 log 2 P( x jk / Di ) f ( x jk / Di ) f ( x jk ) (30) P( x jk ) P( x jk / Di ) log 2 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 A Ak 1 f * ( xk ) Ak k k k k 1 k (33) k 1 [ f * ( xk 1 ) Ak ]2 [ Ak f * ( xk )]2 6 k 6 Nk 2 Ak 1 Ak Ak Ak 1 k 1 k 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 / D q ) 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 s ij 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 ( xik / D q) SiklGн ( xik / Dl ) (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 F эв F стандартное III эв F однополюсное F aVL F эв однополюсное F aVR F эв однополюсное F aVF F эв стандартное II F 1 L Структурный эл-т Отведение P QRS T 3,80 0 0,36 F Грудное V1 эв 12,66 0,18 0,9 F 3,62 0 1,08 F Грудное V2 эв 12,30 0 6,87 F 2,53 0 0,72 F Грудное V3 эв 8,32 0,36 8,67 F 3,07 0 0 F Грудное V4 эв 11,03 0 2,71 F 6,14 0 0,9 F Грудное V5 эв 14,47 0 5,06 F 1,99 0,18 0,36 F Грудное V6 эв 8,68 0,18 4,16 F 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 3 1 уровень 2 1 Limf, Hb, Leic, Eozin, Pal, Seg, Mon, Coe 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 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 D1 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 .