РАЗРАБОТКА И СРАВНИТЕЛЬНЫЙ АНАЛИЗ АРХИТЕКТУР НЕЙРОННОЙ СЕТИ ПО РАННЕЙ ДИАГНОСТИКЕ САХАРНОГО ДИАБЕТА

АННОТАЦИЯ

За последние десятилетия использование нейронных сетей получило широкое развитие во всех сферах жизнедеятельности человека, в частности в области медицины. Основной целью данного исследования является разработка и проведение сравнительного анализа различных архитектур нейронных сетей, задачей которых является ранняя диагно­стика сахарного диабета обследуемого пациента. Сделан вывод о том, что нейронные сети могут быть эффективно использованы во всех областях медицинских наук. В частности, с точки зрения огромного количества диабетиков во всем мире, системы на основе аппарата искусственных нейронных сетей могут быть очень полезными для пациентов, счёт того, что свои знания они собирают, аккумулируют и анализируют у нескольких медицинских специалистов.

Ключевые слова: сахарный диабет, искусственная нейронная сеть, компьютерная диагностика, классификация данных, многослойный персептрон, обратное распространение ошибки, сеть прямого распростра­нения, обучение с учителем.

Введение

В современной медицине обширное использование обретают информационные технологии при диагностике и лечении различных заболеваний. Главной задачей формирования таких систем является улучшение качественных показателей диагностики и лечения. По этой причине работы, нацеленные на поиск новых решений при создании таких систем, являются актуальными [1, c. 15].

Одним из примеров таких систем может служить информационная система, построенная на основе накопленной базы знаний о проблеме. Формирование такой базы знаний происходит при совместной работе пользователей и экспертов в предметной области проблемы. При последовательном вводе информации пользователями совершается ее анализ экспертом, что определяет соответствующее выходное состояние задачи. Подобным способом, происходит накопление знаний о проблеме в необходимом объеме. Затем идет построение интеллектуальной модели задачи [2, c. 1252]. Прогнозирование осуществляется с помощью построения и обучения искусственной нейронной сети (ИНС) на основе накопленных данных. По мере поступления новой информации в базу знаний происходит усовершенствование результирующей интеллектуаль­ной модели. С накоплением определенного критический объем базы знаний, построенная модель способна самостоятельно определять решение задачи [3].

Анализ современных российских и зарубежных источников показывает, что в настоящее время не существует введенных в эксплуатацию программных продуктов, которые могли бы решать задачу постановки диагноза о наличии сахарного диабета с использованием нейронных сетей [4, c. 148].

Целью данного исследования является разработка и проведение сравнительного анализа различных архитектур нейронных сетей, задачей которых является определение наличия сахарного диабета у пациента. Лучшая из проанализированных архитектур сможет быть использована в качестве модели, помогающей прогнозировать диабет, что будет оказывать стимулирующие воздействия на мышление врача при постановке диагноза.

Методы и принципы исследования

В процессе работы в качестве основного метода исследования применялся метод экспертных оценок как наиболее приемлемый с учётом сложности формализации методов интерпретации данных при прогно­зировании патологий. Помимо этого, решение многочисленных задач диагностирования и классификации возможно исключительно на основе опыта специалистов [5, c. 259].

Путём информационного поиска в качестве базовой модели подобрана нейронная сеть, проектируемая согласно принципу много­слойного персептрона. С реализационной точки зрения нейросетевая модель разрабатывается на базе языка программирования NodeJS, что дает возможность интегрировать её в состав разрабатываемой ИС.

Наиболее трудной и ёмкой стадией построение нейронной сети считается сбор и подготовка данных для обучения, которые должны быть преобразованы к виду, подходящему к подаче на входы сети. Для использования нейросети применительно к решению поставленных в работе задач ранее были выявлены многочисленные признаки сахарного диабета, которые формируют три группы. Эти параметры будут располагаться на входном слое нейронной сети [6, c. 154].

В первой группе, на основе 15 показателей, определяется начальная ситуация пациента, путем анкетирования его на наличие тех или иных симптомов заболевания. Среди наиболее важных: наличие чрезмерной жажды, долгое заживление ран, отдышка, чрезмерное мочеиспускание, потеря веса без причины, усталость.

Во второй группе находится 12 факторов риска, описывающих состояние здоровья пациента. Среди наиболее важных из них можно выделить: наличие избыточного веса, низкая физическая активность, наличие диабета у родственников, нарушение толерантности к глюкозе в предыдущих тестах.

В третьей группе располагаются необходимые отчеты о тестах, включая: беременность, уровень сахара в крови натощак (FBS1), повторный замер уровня сахара в крови натощак (FBS2), гликированный гемоглобин (HBA1C) [7, c. 66].

Основные результаты

Рассмотрим реализацию нейронной сети, построенной по принципу многослойного персептрона. В состав тестовой сети входит входной слой из тридцати двух нейронов, скрытый слой, а также выходной слой из четырех нейронов.

База обучающих и тестовых данных содержала 1400 записей о пациентах. 800 записей использовались как тренировочный набор, остальные – для тестирования.

Функция активации последнего слоя – SoftMax. Ее удобно использовать с целью решения задач классификации. Она дает возмож­ность рассматривать выходные значения нейронов как вероятность принадлежности данному классу [8, c. 89].

Производим обучение данной нейронной сети. Обучение произво­дилось с использованием алгоритма обратного распространения ошибки. Данный метод подразумевает расчет ошибки, как выходного слоя, так и каждого нейрона обучаемой сети, а также коррекцию весов нейронов в соответствии с их нынешними значениями [9, c. 66].

После обучения сети, подаем на нее тестовые данные. Чувстви­тельность разработанной нейросетевой модели составила 71,2%

Далее начинаем изменять архитектуру сети, путем добавления скрытых слоев, нейронов в скрытых слоях, а также варьируя параметры, используемые при обучении сети по следующему правилу: сначала используется сеть с одним скрытым слоем с одним, двумя нейронами. Если она смогла достигнуть необходимого уровня ошибки, то процесс обучения закончен, иначе добавляем еще один нейрон и так до тех пор, пока ошибка сети не станет приемлемо малой, или до тех пор, пока увеличение числа нейронов не сможет значительно улучшить характеристики сети [10, c. 59].

Необходимое количество нейронов в скрытых слоях персептрона можно определить по формуле, рассчитывающей рекомендованное количество синоптических связей и являющейся следствием из теорем Арнольда – Колмогорова – Хехт-Нильсена (1).

               (1)

где:    — размерность выходного сигнала;

 — число элементов множества обучающих примеров;

 — размерность входного сигнала;

 — необходимое число синаптических связей.

По нашим данным, имеем:  = 4,  = 800,  = 32.

Произведя расчет получим, что рекомендуемое количество синоптических связей лежит в интервале от 291 до 3851.

В общей сложности было проведено более 100 испытаний, с различными конфигурациями сети. Результаты полученных наиболее удачных нейросетевых моделей представлены в таблице 1.

Таблица 1.

Таблица результатов тестирования нейросетевых моделей

Обсуждение

Результаты обучения и проверки работоспособности спроектиро­ванных нейронных сетей показывают, что наибольший процент правильно поставленных диагнозов будет получен при использовании архитектуры под номером шесть из таблицы 1.

При данной конфигурации, количество синаптических связей равно 752. Данное значение лежит в рекомендуемом диапазоне, который мы получили по формуле 1.

За счет сложной структуры, правильно подобранных весовых коэффициентов, функций активации, а также порога ошибки и скорости обучения, сеть показывает её успешное применение для решения поставленных задач и способность находить сложные закономерности и взаимосвязи между различными характеристиками объекта.

Разработанная нейронная сеть может быть использована в качестве вспомогательного решения при постановке диагноза сахарного диабета, что может поспособствовать грамотному проведению организационных работ в этой области.

Вывод

С на сегодняшний день является прогрессивный рост сахарного диабета.

Результаты получение в ходе данного исследования значительно упростят работу врачей-эндокринологов по диагностике сахарного диабета и назначению лечения.

На данном этапе нейросеть позволит Медицинским информацион­ным системам автоматически определять вероятные «группы риска» для пациентов на основе анализа их данных.

Результатом использования нейронной сети станет точная постановка диагноза, выбор наиболее оптимального метода лечения, а также быстрая оценка эффективности лечения.

Это не освобождает врача от задач по проверке групп риска пациентов, но может заметно облегчить его работу.

Список литературы:

1. Шеррер Ж. Информационные системы в здравоохранении: технология и организация [Текст] / Ж. Шеррер // Кремлевская медицина. Клинический вестник. – 2000. –No4. –С.15–17.
2. Рассел С. Искусственный интелллект: современный подход. 2-е издание [Текст] / C. Рассел // Вильямс. – 2006. – 1424 с.
3. Гусев А.В. Особенности в проектировании и практической разработке медицинской информационной системы [Текст]: [Электронный ресурс] / А.В. Гусев. – Режим доступа: Worl Wide Web. URL: http://citforum.ru/consulting/articles/med/.
4. Соловьева О.И. Компьютерная система обработки экспериментальных данных на базе нейронной сети / О.И. Соловьева // Системи обробки інформації. – Х.: ХУПС, 2015. – Вип. 5(130). – С. 148-151.
5. Лапта С.С. Нейросетевая обработка гликемических данных ПТТГ для повы­шения его диагностической эффективности / С.С. Лапта, О.И. Соловьева, С.И. Лапта // Системи обробки інформації. – Х.: ХУПС, 2011. – Вып. 8 (98). – С. 259-262.
6. Телятицкий А.Г. Разработка архитектуры нейронной сети для ранней диагностики сахарного диабета / Д.Н. Старченко, А.Г. Телятицкий, Р.У. Стативко // Студенческая наука для развития информационного общества: сборник мат-лов IX Всероссийской науч.-техн. конференции. Ч.1. – Ставрополь: Изд-во СКФУ, 2019. – 373 с.
7. Basaran Filik U.,Kurban M. A New Approach for the Short-Term Load Forecasting with Autoregressive and Artificial Neural Network Models // International Journal of Computational Intelligence Research. 2007, No.3. P. 66 – 71.
8. Korablyov M.M. Adaptation of fuzzy inference models using artificial immune systems / M.M. Korablyov, I.V. Ovcharenko // Advanced Computer Systems and Net- works: Design and Application: Proceedings of the 3-rd In- ternational Conference ACSN-2007. Lviv, September 20-22, 2007 – Lviv: Publishing Housing of Lviv Polytechnic National University, 2007. – P. 89-91.
9. World Health Organization, “Definition, diagnosis and classification of diabetes mellitus and its complications. Part 1: Diagnosis and classification of diabetes mellitus,” World Health Organization, pp. 1-66, 1999.
10. Definition, Diagnosis and Classification of Diabetes Mellitus and its Complications: Report of a WHO Consultation. Part 1: Diagnosis and Classification of Diabetes Mellitus. – Geneva: WHO. Department of Noncommunicable Dis- ease Surveillance, 1999. – 59 p.