close

Вход

Забыли?

вход по аккаунту

?

Презентация

код для вставкиСкачать
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
О кр уж аю щ ая ср ед а
В н утр ен н яя ср ед а
ОД
{ s1 j }
0
{ s kj }
0
{ s nj }
1
{ s kj }
1
{ s nj }
{ s1 j }
…
…
9
{ s1 j }
…
14
{ s1 j }
0
1
…
i
{ s1 j }
i
…
{ s kj }
…
9
{ s kj }
…
14
{ s kj
{D i }
…
i
…
{ s nj }
…
…
}
14
{ s nj
}
Е ф ек торн ая
п од си стем а
k
S i { s ij }; k 0,14 ; i 1, n k ; j 1 , n i
k
С и стем а
уп равлен и я
(1)
S i = S in S ig S ip .
{ s ij } { D i }
Р ец еп тор н ы е п од си стем ы
ЦНС
{x i }
9
{ s nj }
КПЭ
О р ган ы ч увств
У ровн и взаи м од ей стви я
П о д си стем ы о р ган и зм а
k
(2)
k
D 0 { s ij } s ij ( S in S ig )
k
k
{ D i }i 0 { s ij } s ij S ip
X = {x0, …, xi, …, xm}
(3)
(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
{x}
i, j
i
{D }
j
i, j+ 1
{x 1 }
…
i+ 1
{x l }
i+ 1
i+ 1, j+ 1
{D 1 }
j+ 1
…
{D n }
j+ 1
i+ 1, r
…
{x 1 }
l
…
{x k }
l
{x m }
l
…
{x v }
l
{D 1 }
r
…
{D k }
r
{D m }
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,
r
{D v }
r
Иллюстрация расположения эллипсоидов рассеяния
классов в пространстве признаков
Dk
xi
sm
sl
sq
Dj
Di
sn
si
sk
Dk
Dj
Di
sj
xi
3
2
1
sp
xj
а)
Dk = Di Dj
xj
б)
8
Расщепление слабых решений
D
1
D2
i
i-1
D3
2
1
i
D2
D1
D4
D3
i+ 1
i
D2
D1
i-1
5
i+ 1
i
D3
2
3
D5
4
а)
1
i
2
3
i-1
9
D4
i+ 1
3
D5
4
i
i+ 1
D6
i+ 1
6
5
б)
D7
i-1
7
в)
основное дерево решений
4
2
5
2
3
б)
Y ' Ω ij = argm in{R {3,4} , R {3,5} }.
6
4
3
7
5
в)
Y ' Ω ij = argm in{R {4,6} , R {4,7} , R {5,6} , R {5,7} }.
Расположение эллипсоидов рассеяния иерархических структур
10
Альтернативное дерево решений
1
D2
D1
1
D1
i-1
i
D4
2а
D3
i-1
i+ 1
D2
i+ 1
5
i
D3
2а
4
D5
3
i
D4
i+ 1
4
i
3а
D6
i+ 1
D5
5
6
а)
i+ 1
D7
i+ 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
н ач ал о
1
k = i
m = j
A
2
m
m
k
D = f ({ x} )
да
3
m
P (D )> α
4
н ет
5
н ет
m = r
k = k + 1
да
6
У стан о вл ен
m
д и агн о з D
7
да
8
k = l
m = m + 1
н ет
да
9
m a = tru e
10
A
к о н ец
m = ma
k = k – 1
н ет
11
У стан о в л ен
д и агн о з
m -1
D
Структурированная С модель (Букатова И.Л.)
C {S , F }
12
(5)
Расширенная С’ модель
(6)
C {S , F , E , , }
'
Реконфигурация структур
3
1
2
n
X S1 S 2 Sn
Q
Q
F1 : X S x
Q
Q
F2: D SD
F3:Sx Sy Sz
(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 (w э ,w i ) 17
1
1
Ny
1 ( p j э p ji )
w
w
(11)
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 ,
wt 2 ,
1
Pmin
t ki 1
t ki
если ( w t , T d ) T d Μ 0 ;
если ( w t , T d ) T d Μ 0 ;
t
Вероятностная функция для i-го типа
структурного элемента БКС
Вычисление адаптивного порога
k 2 M ( t ) (1 k 2 ) N ( t ) ,
N ( t 1) N (t ) ,
S (t ) ,
S ( t 1) k 2 M ( t ) (1 k 2 ) S ( t ) ,
если
M (t ) Td (t )
если
M (t ) Td (t )
если M ( t ) T d ( t )
(14)
(15)
если M ( t ) T d ( t )
T d ( t ) N ( t ) k 1 [ S ( t ) N ( t )]
(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
F1 : X S x
F2: D SD
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
j N j
f
ij
j N j
f
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
ij
двойственная задача
U
f ij min
ij
ij L ij ij min
( i , j S )
( i , j S )
(20)
ограничения
f ij U ij
j N j
f
ij
f ij 0
i j ij ij C ij
f ij L ij V ij V
j N j
f
ij 0
ji
V ij V
ij 0
V ij V
С ij C ij i V ij V
(21)
V ij V
(22)
*
j
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
N
j
N
Корректирующие действия:
1) Модификация потоков fij.
2) Модификация приведенных стоимостей C*ij.
j
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
i
ij
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
V ij V
6. Определение fij
7. Поиск минимального разреза Rmin
(25)
Оценка информативности
27
Неопределенность системы диагнозов
n
H ( D ) - P ( D ) log
i
i 1
2
P ( Di )
ID (x j) H (D)
(26)
Количество внесенной информации.
p
ID (X ) (27)
j 1
Информативность признака xj относительно системы диагнозов D
ID (x j) n
P ( Di ) I Di ( x j )
(28)
i 1
Информативность признака xj относительно диагноза Di
x max
I Di ( x j ) m
f ( x j / Di ) I
Di
( x j ) dx j P ( x jk / D i ) log
k 1
x min
P ( x jk / D i )
2
(29)
P ( x jk )
Информативность реализации признака x
I D i ( x jk ) log
f ( x jk / D i )
2
f ( x jk )
P ( x jk / D i )
2
2
f ( x jk )
(30)
P ( x jk )
f ( x jk / D i )
I D i ( x jk ) f ( x jk / D i ) log
log
P ( x jk / D i ) log
P ( x jk / D i )
2
P ( x jk )
Вычисление интегральной ошибки аппроксимации
теоретического закона распределения гистограммой.
Ak f(x)
Ak
f(xj/Di)
28
Nk
(31)
k N
σk
εk k
Ak
Nk
(32)
xj
Δk
xmin
xmax
Аппроксимация f(x) гистограммой
f ( x k 1 ) Ak k
*
f ( x k ) Ak k
*
Ak 1 Ak
k 1 k
Ak Ak 1
k k 1
k ,
(33)
k 1
6
*
2
*
[ f ( x k 1 ) Ak ] [ Ak f ( x k )]
k
6Nk
2
2
Ak 1 Ak A Ak 1 k
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).
П а р а м ет р ы ги ст о гр а м м
№
Н ачало
К он ец
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
К ласс 3
εk
P (X i /D )
0,0000
0,0000
0,0739
0,0473
0,0233
0,0000
0,0000
0,0165
0,4033
0,5802
Ш и р и н а д и ап азо н а: Δ = 9 2 ,0 0 . С р ед н яя о ш и б ка К ласса 3:
С р ед н яя о ш и б ка К ласса 4 :
= 0 ,1 0 2 6 .
Gk
1,6885
4,6124
2,6011
1,7225
0,0000
К ласс 4
εk
P (X i /D )
0,4565
0,2080
0,1966
0,1064
0,0000
= 0 ,0 2 8 5 .
0,1852
0,2222
0,1852
0,4074
0,0000
Синтез иерархической структуры диагностически-значимых признаков
Отношение вхождения
Причинно-следственная
связь
D01
k ип ( x j , D ) Последовательность
реализации
D1
D32,1
Z31,2
D22,1
D34,2
D33,2
Z33,4
k дц ( 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)
k ип ( 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 ( x ik / D q )
(39)
P ( x ik / D l )
A
B
Матрица условных вероятностей P размерности n*m с элементами
Матрица экспертных оценок S размерности n*m с элементами sij
p ij p ( x i
D
)
j
{e3, e2, e1, e0}
e3 – вес патогномонических
e2 – вес специфических
e1 – вес неспецифических симптомов
e0 – вес показателей, не входящих в симптомокомплекс данного заболевания .
e 3 e 2 e1 e 0
(40)
Матрица H (комбинированного решающего правила)
h ij s ij p ij
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
(42)
x f ({ X }i )
k
i
x k
i
ajx
k 1
j
j {X }
k 1
(43)
i
j
21
s ij a
11
lj
s ij
, j { X }l i 1, N 1D l 1, N 2x
1
(44)
j
б) повышение уровня иерархии диагнозов (объединение строк матрицы S)
k ,2
k ,1
s ij ( s ij )
i
k ,1
( s ij )
i
, i { D }l j 1, N kx l 1, N 2D
1
- функция объединения симптомокомплексов диагнозов,
входящих в один кластер (min, max и др.)
(45)
Учет неопределенности статистических оценок в
решающем правиле
P ( x ik / D l ) G ( x ik / D l ) ik
34
l
P ( x ik / D q ) G ( x ik / D q ) (46)
q
ik
δqik , δlik -доверительные интервалы
Комбинированное решающее правило
н i
S ikq G н ( x ik / D q )
S ikl G в ( x ik / D l )
в i
S ikq G в ( x ik / D q )
S ikl G н ( 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
У ровен ь п ред ставлен и я
И н терф ей с п ользователя
У ровен ь м од ели
П од си стем а
си н теза зн ан и й
Д и агн ости ческая
п од си стем а
П од си стем а раб оты
с д ан н ы м и
Я д ро
ORM
(H ibernate)
У ровен ь д ан н ы х
Б аза д ан н ы х
(M yS Q L)
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.
N ode
N o rm
Interval
B inaryT ree
< im po rt>
#hiB ound: double
#loB ound: double
#left: IntervalB ound
#right: IntervalB ound
+ Interval()
+ contains()
+ histogram A m plitude()
+ w idth()
#hiA ge: short
#loA ge: short
#sex: boolean
#anc: N ode
#desc: List< N ode>
#data: O bjec t
+ N orm ()
+ isM ale()
+ isFem ale()
+ N ode()
+…
+ isR oot()
D iagno se
< im po rt>
< im po rt>
+ B inaryT ree()
+ traversal()
D iagno seT ree
#id: int
#nam e: S tring
#icd: S tring
+ D iagnose()
+ toS tring()
#root: N ode
+ D iagnoseT ree()
< im po rt>
< im po rt>
< im po rt>
H isto gram
S ign
#nam e: S tring
#norm : N orm
#data: List
#diagnose: D iagnose
+ S ign()
+ variationR ange()
< im po rt>
#sign: S ign
#iset: List< Interval>
#d0: List< D iagnose>
#d1:List< D iagnose>
+ H istogram ()
+ integralE rror()
+ optim ize()
D ecisio n R ule
#tree: D iagnoseT ree
#a: double
#b: double
#exam : List< O bject>
+ C om binedS olveR ule()
+ diagnostics()
39
Тестовая проверка и результаты экспериментов
П р о ц ен тн ы й п о казатель ко ли чества р асп о зн ан н ы х ко м п лексо в Q R S п р и р азн ы х
ш агах кван то ван и я п р о стр ан ства п р и зн ако в
№
Ш аг кван то ван и я
отвед ен и я
1
2
3
4
5
6
7
8
9
10
11
12
1
10
50
100
200
250
p1
р2
p1
p2
p1
p2
p1
p2
p1
p2
p1
p2
75
30
76
45
100
50
100
25
25
80
95
25
60.5
0
0
0
0
0
0
0
0
0
0
0
0
0
75
55
50
84
50
50
100
50
65
65
95
50
65.8
0
0
0
0
0
0
0
0
0
0
0
0
0
85
85
90
75
100
90
100
80
75
93
100
55
0
0
0
0
0
0
0
0
0
0
0
0
0
100
92
90
100
95
100
100
100
100
75
100
55
92.3
0
0
0
0
0
0
0
0
0
0
0
0
0
80
100
100
100
100
100
100
100
100
100
100
100
98.3
80
0
0
0
0
*
100
70
75
85
90
0
0
**
83.3
100
100
100
100
10
100
100
35
35
20
15
100
67.9
100
*
100
*
100
*
100
0
*
100
*
100
0
0
0
0
*
100
**
100
85.7
*
С тати сти чески е характери сти ки врем ен н ы х затрат
С тати сти ческая
х арактери сти ка
М атем ати ческое
ож и дан и е, t , сек.
С редн еквадрати ческое
отклон ен и е, t
Ш аг кван тован и я
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
В и д о п о р н о й ф ун кц и и
Зн ачен и я кр и тер и я п р и стр уктур н о й
и д ен ти ф и кац и и
Зуб ц о в
Зуб ц о в К о м п ле- С р ед н ее
кса Q R S
P
T
О тр езо к п р ям о й
0 ,6 9 4
0 ,7 2 0
0 ,4 2 0
0 ,6 1 2
П ар аб о ла
0 ,7 1 3
0 ,7 3 2
0 ,4 2 8
0 ,6 2 4
Д уга о кр уж н о сти
0 ,7 1 1
0 ,7 3 0
–
–
Д уга элли п са
0 ,7 1 1
0 ,7 3 0
–
–
Сравнения качества классификации с помощью разработанного метода
структурной идентификации и с помощью контурного анализа
С тр уктур н ы й эл -т
О твед ен и е
P
F
стан д ар тн о е I
F
QRS
T
С тр уктур н ы й эл -т
О твед ен и е
эв
3 ,8 0
1 2 ,6 6
0
0 ,1 8
0 ,3 6
F
Г р уд н о е V 1
0 ,9
F
42
P
QRS
T
эв
2 ,7 1
8 ,1 4
0
0
0 ,1 8
4 ,5 2
стан д ар тн о е II
F
F
эв
3 ,6 2
1 2 ,3 0
0
0
1 ,0 8
F
Г р уд н о е V 2
F
6 ,8 7
эв
2 ,8 9
9 ,2 2
0
0
0
0 ,3 6
стан д ар тн о е III
F
F
эв
2 ,5 3
8 ,3 2
0
0 ,3 6
0 ,7 2
F
Г р уд н о е V 3
F
8 ,6 7
эв
0
6 ,5 1
0
0
0
0
о д н о п о лю сн о е F
F
aV L
эв
3 ,0 7
1 1 ,0 3
0
0
0
F
Г р уд н о е V 4 F
2 ,7 1
эв
0
5 ,0 6
0
0
0
0 ,1 8
о д н о п о лю сн о е F
F
aV R
эв
6 ,1 4
1 4 ,4 7
0
0
0 ,9
F
Г р уд н о е V 5 F
5 ,0 6
эв
3 ,9 8
1 2 ,4 8
0
0 ,5 4
0 ,9 0
8 ,3 2
о д н о п о лю сн о е F
F
aV F
эв
1 ,9 9
8 ,6 8
0 ,1 8
0 ,1 8
0 ,3 6
F
Г р уд н о е V 6 F
4 ,1 6
эв
0
4 ,1 6
0
0
0
0
F L
1
100 %
F =3% Fэв =10%
Апробация метода синтеза иерархических структур
диагностических признаков и диагнозов
Г р уп п ы ан али зи р уем ы х д и агн о зо в
№
п /п
1
2
3
4
Код
д и агн о за
по М КБ 10
–
D 6 4 .9
I4 2 .9
I2 5 .9
5
L 9 5 .9
6
7
8
K 8 1 .1
J1 8 .9
B 2 7 .9
9 C 9 1 .1
1 0 N 1 8 .9
В сего
Н азван и е д и агн о за
Код
д и агн о за
Здоров
А н ем и я н еуто ч н ен н ая
К ар д и о м и о п ати я
Х р о н и ч еская И Б С н еуто ч н ен н ая (И Б С
кар д и о склер о з)
Н еуто ч н ен н ы е гем о р р аги ч ески е со сто ян и я (аллер ги ч ески й гем о р р аги ч ески й
васкули т)
Х р о н и ч ески й х о лец и сти т
П н евм о н и я н еуто ч н ен н ая
И н ф екц и о н н ы й м о н о н уклео з
н еуто ч н ен н ы й
Х р о н и ч ески й ли м ф о и д н ы й лей ко з
П о ч еч н ая н ед о стато ч н о сть
н еуто ч н ен н ая
D1
D2
D3
D4
К о л.
ч ело век в
гр уп п е
243
29
10
17
D5
24
D6
D7
D8
21
16
28
D9
D 10
26
20
434
43
44
П о казатели о б щ его кли н и ческо го ан али за кр о ви
И н д екс
1
2
3
4
5
6
А б б р еви атур а
E ritr
Hb
L eic
L im f
E o zin
P al
7
S eg
8
9
M on
Coe
П о казатель
Э р и тр о ц и ты
Г ем оглобин
Л ей ко ц и ты
Л и м ф о ц и ты
Э о зи н о ф и лы
Н ей тр о ф и лы
п ало чко яд ер н ы е
Н ей тр о ф и лы
сегм ен то яд ер н ы е
М о н о ц и ты
С ко р о сть о сед ан и я
эр и тр о ц и то в (С О Э )
Единица
и зм ер ен и я
12
кл х 1 0 /л
г/л
9
кл х 1 0 /л
%
%
Н о р м а-ко р и д о р
м /ж
4 ,0 -5 ,0 / 3 ,9 -4 ,7
1 3 0 -1 6 0 / 1 2 0 -1 4 0
4 ,0 -9 ,0
1 9 ,0 -3 7 ,0
1 ,0 -5 ,0
%
1 ,0 -6 ,0
%
4 7 ,0 -7 2 ,0
%
3 ,0 -1 1 ,0
м м /час
1 -1 0 /2 -1 5
45
0
D 1 –D 1 0
У ровен ь 1
1
2
D 2 , D 5 –D 1 0
D 1, D 3, D 4
У ровен ь 2
3
4
D1
5
6
D 2, D 5,
D 8 –D 1 0
D 6, D 7
D 3, D 4
У ровен ь 3
7
9
8
D3
D4
10
D6
11
D7
12
D 2, D 5, D 8,
D9
D 10
У ровен ь 4
13
14
D 2, D 9
D 5, D 8
У ровен ь 5
15
16
D2
17
D9
18
D5
D8
И ер ар х и ческая стр уктур а д и агн о сти р уем ы х со сто ян и й
(о сн о вн о е д ер ево р еш ен и й )
Расщепление вершин основного дерева на альтернативные потомки
1
0
D 1, D 3, D 4
D 1– D 10
D 1, D 2, D 5,
D 8– D 10
D 1, D 4
D 3 , D 4 , D 6 ,D 7
6
7
4a
2a
1a
3
8
3
5
4
6
2
D 2, D 5,
D 8– D 10
D 2, D 5– D 10
D 2, D 5, D 7,
D 8, D 9
D 6 ,D 1 0
11
D 2, D 9, D 10,
12
10
11
12
D 2, D 5, D 8, D 9
14a
13a
D 8, D 9
D 2, D 5
15
17
14
11a
6a
5a
9
46
16
18
13
47
9 признаков
(E ritr, H b, Leic, Lim f, E ozin,
P al, S eg, M on, C oe )
ИП1
3
1 уровен ь
2
1
Lim f, H b, Leic,
E ozin, P al, S eg,
M on, C oe
E ritr
2 уровен ь
ИП2
4
H b, Leic, E ozin,
P al, S eg, M on, C oe
Lim f
ИП3
5
6
S eg
3 уровен ь
H b, Leic, E ozin,
P al, M on, C oe
4 уровен ь
7 L eic, M on ,
E ozin, P al
8
C oe, H b
И ер ар х и ч еская стр уктур а д и ан о сти ч ески х п р и зн ако в
0
D 1– D 10
И П 2,
H b,
L eic,
E ritr,
L im f,
1a
1
D 1, D 3, D 4
4a
P al,
Coe
P al,
Coe
У ровен ь 2
6a
5a
5
4
M on,
C o e,
S eg,
L im f,
E ritr
D 2, D 5– D 10
D 3 , D 4 , D 6 ,D 7
H b,
E ritr,
L eic,
L im f,
S eg
D 1, D 4
D1
2
2a
D 1, D 2, D 5,
D 8– D 10
H b,
E ritr,
L eic,
L im f,
S eg
3
У ровен ь 1
D 3, D 4
D 6, D 7
M on,
C o e,
S eg,
L im f,
E ritr
L eic,
И П 1,
L im f,
Hb
6
D 2, D 5,
D 8– D 10
D 2, D 5, D 7,
D 8, D 9
D 6 ,D 1 0
P al
L im f,
P al
L im f,
P al
У ровен ь 3
11a
D 10
D7
D6
D4
D3
11
10
9
8
7
12
D 2 , D 9 ,D 1 0 ,
D 2, D 5,
D 8, D 9
M on,
Hb
M o n,
Hb
У ровен ь 4
13
13a
14a
D 2, D 9
D 2, D 5
D 8, D 9
C o e,
L im f
C o e,
L im f
M on,
Hb
14
D 5, D 8
Coe
У ровен ь 5
16
15
D2
18
17
D9
D5
D8
48
49
Ч и сло п ац и ен то в, у ко то р ы х ан али зи р уется д и агн о сти чески й п р и зн ак
н а всех ур о вн ях и ер ар х и и д и агн о зо в
Н о м ер ан али зи р уем о го кластер а
№
п /п
xj
1
ИП2
434
2
Hb
73
3
P al
4
L im f
5
M on
6
Coe
7
L eic
8
E ritr
9
S eg
10
ИП1
11
E o zin
0
12
ИП3
0
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
50
П о казатели качества класси ф и кац и и
D1
D2
D3
D4
Ψ класт.% 9 7 ,5 3 7 5 ,8 6 4 0 ,0 0 2 9 ,4 1
Ψ %
97
63
52
69
Ψ* %
9 8 ,5 6 7
62
69
M D i ко л. 2 ,2 6 ,6 8 7 ,8 2 6 ,4 2
D5
9 1 ,6 7
9 8 ,4
9 8 ,4
5 ,3 9
D6
D7
8 5 ,7 1 6 2 ,5 0
9 7 ,3 7 7
9 7 ,3 7 9
3 ,6 7 4 ,5 8
D8
D9
D 1 0 С р ед нее
8 5 ,7 1 8 8 ,4 6 9 5 ,0 8 8 ,4 8
9 8 ,4 8 9
90
8 9 ,9
9 8 ,4 9 3
95
9 2 ,8
5 ,3 9 5 ,7 5 3 ,7 3
3 ,6 1
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 .
Документ
Категория
Презентации
Просмотров
16
Размер файла
1 189 Кб
Теги
1/--страниц
Пожаловаться на содержимое документа