нечеткая модель дифференциальная диагностика заболевания пациента

В таких случаях нейронная сеть, по сути, является реализацией той или иной модели нечёткого вывода. Данный подход подразумевает использование численной оценки принадлежности наборов данных к заранее известным множествам с помощью нечётких логических операторов. При этом параметры функций принадлежности настраиваются с помощью тех же методов, которыми обучаются традиционные нейронные сети.Нечеткая нейронная сеть – это многослойная нейронная сеть, в которой слои выполняют функции элементов системы нечеткого вывода. Нейроны данной сети характеризуется набором параметров, настройка которых производится в процессе обучения, как у обычных нейронных сетей.Нечетким логическим выводом называется аппроксимация зависимости каждой выходной лингвистической переменной от входных лингвистических переменных и получение заключения в виде нечеткого множества, соответствующего текущим значениям входов, с использованием нечеткой базы знаний и нечетких операций.В качестве примера предлагается рассмотреть нечеткую нейронную модель с двумя входами и одним выходом. Значения входных нейронов будет ограничена двумя нечеткими градациями: «в норме», «выше нормы». Нейронная сеть получается следующего вида (Рис. 1). Сотр 1И1А11Р1Сотр 2И2А12ВА21А22И4Р2Сотр 4Сотр 3И3Рис. 1. Структура нечеткой нейронной сетиСеть имеет нулевой слой, содержащий np=2 Р-нейрона, выполняющих функцию распределения входных сигналов по нейронам первого слоя. Первый слой сети содержит А-нейроны, их количество равно nA=np*ng=2*2=4. Эти нейроны моделируют нечеткие градации «в норме», «выше нормы» и образуют компоненты условных частей нечетких правил в виде «Pip есть Аipig». Во втором солее содержится nИ=nnpg=22=4 И-нейронов, каждый из которых однозначно задает нечетко продуктивное правило в виде«ЕСЛИ P1есть A1iИP2есть А2i ТО Bi»Где A1i, А2i – одна из нечетких градаций для входов Р1 и Р2 соответственно; В – конкретный выход нейронной сети.nC=nИ=4 Сотр-нейроны входят в состав третьего слоя. На выходе этих нейронов вычисляются коэффициенты достоверности полученных решений. Таким образом, комплексный показатель СотрRjхарактеризует окончательную степень достоверности принятого решения для правила Rj. Каждый Сотр-нейрон связан непосредственно с выходом нейронной сети Вi. Степень достоверности сформированного правила определяется величиной связи сформированного правила.Выходной В-нейрон находится в четвертом слое сети.Дерево решенийДля решения поставленной задачи используется дерево решений, сформированное с участием врачей-инфекционистов (Рис. 2).РеконвалесценцияПаст-инфекцияTrueГВ с низкой экспрессией HBsAgTrueFalseFalseПост-вакцинальный иммунитетTrueTrueFalseПаст-инфекцияTrueFalseTrueОстрый или ХГВ, требует динамического контроляFalseTrueХронический репликативный гепатит ВИнкубационный периодНачало острой фазыFalseFalseTrueTrueОстрый гепатит В Обострение хронического репликативного ГВFalseTrueTrueНачало сероконверсии при остром гепатите ВTrueОстрый гепатит ВИнкубационный периодTrueFalseTrueFalseFalseВ нормеВыше нормыХронический гепатит ВОстрый гепатит ВРис. 2. Дерево решений.Используемые названия вершин дерева:HBsAg–основной серологический маркер гепатита В, может как присутствовать в крови пациента, так и отсутствовать. HBsAgϵ [false, true].HBeAg – маркер острой инфекции. HBеAgϵ [false, true].Anti-HBe – в зависимости от срока появления в крови свидетельствует о благоприятном течение заболевания или о переходе заболевания в хроническую форму. Anti-HBеϵ [false, true].Anti-HBcore – суммарные антитела к HBcore, включают 2 маркера: HBcoreIgM(маркер острой фазы) и HBcoreIgG, характеризующие разные стадии заболевания, иногда могут обнаруживаться одновременно. Anti-HBcore, HBcoreIgM,HBcoreIgGϵ [false, true].Anti-HBs – маркер перенесенной (паст-инфекции) болезни и вакцинального иммунитета. Anti-HBsϵ [false, true].Для нечетких предпосылок были определены и построены графики функций принадлежностей (Рис. 3).μНормаВыше нормы4535МЕ/лГрафик функции принадлежности для предпосылки - АЛТμfalsetrueОП/ОПкрит0,81,0График функции принадлежности для предпосылки - HBsAgРис. 3. Графики функций.Затем, на основе построенного дерева решений и формулы (1), были сформулированы правила вывода и, при участии врачей-инфекционистов определены веса предпосылок и веса самих правил. Всего построено десять правил вывода. Вес предпосылки указаны в круглых скобках, в квадратных – вес правила.П1: ЕСЛИИФА: HBsAgtrue (0,9) Иanti-HBcorefalse (0,8) ИHBeAgtrue (0,9) ТО острый гепатит В, инкубационный период [1].П2: ЕСЛИИФА: HBsAgtrue (0,9) Иanti-HBcoretrue (0,9) ИHBeAgtrue (0,9)И anti-HBetrue (0,9) ТОначало сероконверсии “HBeAg - anti-HBe” при остром гепатите В [1].П3: ЕСЛИ ИФА: HBsAg true (0,9) И anti-HBcore true (0,9) И HBeAg true (0,9) И anti-HBe false (0,8) И HBcore IgM true (0,9) И HBcore IgG true (0,9) ТО Острый гепатит В, обострение хронического репликативного ГВ [1].П4: ЕСЛИ ИФА: HBsAg true (0,9) И anti-HBcore true (0,9) И HBeAg true (0,9) И anti-HBe false (0,8) И HBcore IgM true (0,9) И HBcore IgG false (0,8) ТОИнкубационный период, начало острой фазы[1].П5: ЕСЛИИФА: HBsAgtrue (0,9) Иanti-HBcoretrue (0,9) ИHBeAgtrue (0,9) Иanti-HBefalse (0,8) ИHBcoreIgMfalse (0,8) ИHBcoreIgGtrue (0,9) ТОхроническийрепликативныйгепатитВ [1].П6: ЕСЛИ ИФА: HBsAgtrue (0,9) Иanti-HBcoretrue (0,9) ИHBeAgfalse(0,8) ТО острый или хронический гепатит В, требует динамического контроля через 6 месяцев [1].П7: ЕСЛИ ИФА: HBsAg false (0,8) И anti-HBcore true (0,9) И anti-HBstrue (0,9) И HBcore IgM false (0,8) И HBcore IgG true (0,9) ТОпаст-инфекция [1].П8: ЕСЛИ ИФА: HBsAg false (0,8) И anti-HBcore true (0,9) И anti-HBsfalse (0,8) И HBcore IgM false (0,8) И HBcore IgG true (0,9) ИПЦР:ДНК true (0,9) ТОгепатит Вс низкой экспрессией HBsAg [1].П9: ЕСЛИ ИФА: HBsAg false (0,8) И anti-HBcore true (0,9) И anti-HBsfalse (0,8) И HBcore IgM false (0,8) И HBcore IgG true (0,9) ИПЦР:ДНК false (0,8) ТОреконвалесценция, паст-инфекция [1].П10: ЕСЛИИФА: HBsAgfalse (0,8) Иanti-HBcorefalse (0,8) Иanti-HBstrue (0,9) ТО поствакцинальный иммунитет, пациент здоров[1].ЗаключениеСформировансписок информативных признаков, и по результатам анализа особенностей и структуры, выбран математический метод нечеткой логики принятия решений для достоверной диагностики, оценки тяжести течения и предполагаемых исходов вирусного гепатита.Создана система нечетких правил принятия решений ранней диагностики: оценка тяжести и прогнозирования результатов вирусного гепатита В, что обеспечивает уверенность в принятии решений и позволяет рекомендовать их для использования в медицинской практике.Построенная система правил дает возможность провести нечеткий логический вывод на основании индивидуальных показателей пациента и определить наиболее вероятный диагноз.Список литературы1). Борисов, В.В. Нечеткие модели и сети. В.В. Борисов, В.В. Круглов, А.С. Федулов – М.:Горячая линия – Телеком, 2007. – 284с.2). Бочков В.Б. Разработка моделей и алгоритмов диагностики и прогнозирования острых нарушений мозгового кровообращения: Дисс. канд. мед. наук, 2000. 151 с.3). Гнездилов А.А. Методы и средства ранней диагностики, оценки тяжести течения и прогнозирования исходов вирусного гепатита на основе нечетких моделей принятия решений. Автореф. дисс. … канд. тех. таук. Курск. 2009.4). Горелик А. Л., Скрипкин В-А. Методы распознавания. М.:Высшая школа, 1989.315с.5). Егоров А.М., Осипов А.П., Дзантиев Б.Б., Гаврилова Е.М.. Теория и практика иммуноферментного анализа. —М.: Издательство "Высшая школа", 1991.— С.3-7.6). Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.- 2-е изд. Стереотип.-М. 2002. 382с.7). Ле Н.В., Камаев В.А. Модель представления знаний при создании медицинской экспертной системы дифференциальной диагностики. XIIвсероссийское совещание по проблемам управления ВСПУ-2014. М. 2014.8). Математическая обработка результатов исследования в медицине, биологии и экологии: Монография / С.А.Воробьев, А.А.Яшин. Тула, 1999. 120с.9). Солдатова, О.П. Многофункциональный имитатор нейронных сетей [Текст]. – Международный журнал «Программные продукты и системы» – Тверь, 2012. – Вып. 3. – С. 27-31.10). Соринсон С.Н. Вирусные гепатиты. Санкт-Петербург: Теза, 2-е изд., 2003.298 с.11). Ющук Н.Д., Климова Е.А., Знойко О.О. и др. Протокол диагностики и лечения больных вирусными гепатитами В и С. РЖГГК, 2010, №6. С. 4-57.12). James K. Immunoserology of infectious diseases. Clin Microbiol Rev. 1990 Apr; 3(2): 132–152.