Математическая морфология.

Электронный математический и медико-биологический журнал. - Т. 8. -

Вып. 3. - 2009. - URL:

http://www.smolensk.ru/user/sgma/MMORPH/TITL.HTM

http://www.smolensk.ru/user/sgma/MMORPH/N-23-html/TITL-23.htm

http://www.smolensk.ru/user/sgma/MMORPH/N-23-html/cont.htm

 

 

УДК 616-006.43/442+616-002.7

 

Иммунологический аспект применение нейросетей в диагностике гемобластозов

 

Ó 2009 г. Ермаков Г. А.1, Тузанкина И. А.2

 

(ermakov.doc)

 

Рассматривается целесообразность использования нейросетей в процессе диагностики гемобластозов у детей. На примере четырех нозологических форм показана возможность установления диагноза по данным иммунограмм с применением нейросети созданной на базе пакета Statistica Neural Networks.

Ключевые слова: гемобластозы, нейросети.

 

Нейросетевой подход широко используется в целях прогнозирования динамики тех или иных явлений. Медицинский сегмент нейросетевых исследований позиционируется на установлении диагноза и прогноза заболевания, как выходных параметров, при предъявлении обученной нейросети клинически значимых данных. Диагностика гемобластозов проводится на основании субъективных, объективных данных, анамнеза, лабораторных методов исследования – клинического анализа крови, данных миелограммы, иммунограммы, иммунофенотипирования, и пр.

Целью нашего исследования являлось выявление целесообразности использования нейросетей в процессе диагностики гемобластоза.

В ранее проведенных исследованиях установлена взаимосвязь иммунологического профиля пациентов с нозологической формой гемобластоза [1,2,3,4]. Таким образом, из всех диагностических критериев был сделан выбор в пользу данных иммунограммы, без учета  миелограмм и остальных диагнозопределяющих данных.

 

Материалы и методы исследования

 

Для создания и обучения нейросети использована программа Statistica Neural Networks.

В исследовании использованы данные иммунограмм детей в возрасте от 3 до 17 лет больных В-клеточным острым лимфобластным лейкозом (ОЛЛ), и лимфогранулемазом (ЛГМ). Группу детей с ОЛЛ разделяли на подгруппу детей с ОЛЛ в первично-активной стадии заболевания (n=43) и подгруппу детей с ОЛЛ в клинико-гематологической ремиссии (n=26).

Группу детей с ЛГМ делили на две подгруппы по гистологическому варианту заболевания (смешанно-клеточный вариант (n=9) и нодулярный склероз (n=4). В процесс исследования была включена группа условно-здоровых детей (n=30).

Таким образом, в качестве выходной переменной мы имели пять вариантов диагноза (таблица 1).

Таблица 1

Условные обозначения диагнозов

 

Диагноз

Обозначение диагноза

1.

ОЛЛ первично-активная стадия

ALLPAS

2.

ОЛЛ клинико-гематологическая ремиссия

ALLKGR

3.

ЛГМ, смешанно-клеточный вариант

LGMSKV

4.

ЛГМ, нодулярный склероз

LGMNS

5.

Условно-здоров

CLEAR

 

В качестве входных переменных были использованы следующие иммунологические параметры: лейкоциты, 109/л; лимфоциты, %; CD3+лимфоциты в %; CD3+лимфоциты 109/л; CD19+лимфоциты в %; CD19+лимфоциты 109/л; CD4+лимфоциты в %; CD4+лимфоциты 109/л; CD8+лимфоциты в %; CD8+лимфоциты 109/л; CD16+лимфоциты в %; CD16+лимфоциты 109/л; CD25+лимфоциты в %; lg-A/сыв. г/л; Ig-М/ сыв. г/л; Ig-G /сыв. г/л; фагоцитарный индекс в %; фагоцитарное число в м.т.; НСТ  СВ базальн %; АВ стимулир %; резервные возм. АВ/СВ; ИРИ (CD4+/CD8+) (Рис. 1).

При создании нейросети использовался тип сети – многослойный персептрон. Алгоритм обратного распространения был выбран как основной для обучения многослойного персептрона.

 

 

Рис. 1 Создание нейросети. Таблица входных и выходных данных.

Результаты и обсуждение.

 

Теория нейросетевого анализа предполагает построение эмулированной нейросети с использованием ЭВМ. Полученная нейросеть, обладая несколькими слоями нейронов и определенными значением веса межнейрональной передачи, получая входные данные должна выдавать диагностически верный результат. Именно подстройка веса синапсов нейронов является регулируемым параметром, которое корректируется до тех пор, пока нейросеть не будет выдавать верные результаты на заранее известные значения вводные переменных.

В ходе исследования было проанализировано более 100 вариантов нейросетей и выбраны одна, которая в дальнейшем была натренирована по алгоритму обратного распространения (Рис. 2).

 

 

Рис. 2  Алгоритм обратного распространения

 

Тренировка полученной нейросети проводиласть до тех пор, пока уровень ошибки не приблизился к значению <0,01 и составил 0,005848 (рисунок 2). Процент правильных выходных данных нейросети составил 100%.

Таким образом, удалось за небольшой временной период (20-30 мин.) создать и обучить нейросеть, которая, по одним лишь данным иммунограммы, выдавала диагноз одного из четырёх вариантов гемобластоза и отличала больных и условно – здоровых..

Использование нейросетевого подхода к анализу множества исходных данных с целью постановки диагноза, по нашему мнению весьма перспективное направление исследований, так, как возможности нейросетей созданных на базе ЭВМ ограничены только вычислительными мощностями данных устройств и при современном развитии вычислительной техники (суперкомпъютеры с тактовой частотой процессора в 1 петафлопс и оперативной памятью в несколько сотен гигабайт) предвещают определенные положительные результаты.

Выводы

 

В ходе исследования, при использовании пакета Statistica Neural Networks была создана нейросеть использующая данные имунограмм для установления диагноза гемобластоза. Данная нейросеть (файл 1.bnt), а также входные и выходные данные размещены нами в сети Интернет (http://www.amursma.ru/immunomorf.zip).

Выявлен высокий процент верных результатов на выходе (100%) при уровне ошибки равном 0,005848.

 

ЛИТЕРАТУРА

 

1.     Новик, А.А. Особенности иммунитета у больных лимфогранулематозом в процессе химиотерапии  / А.А. Новик, В.Н. Цыгана, В.Ю.Никитина, Е.В. Долгополовой // Научно-информационный медицинский журнал.- 2001.-№1,- С.16-23.

2.     Blair, A, Immunotherapeutic strategies in acute lymphoblastic leukaemia relapsing after stem cell transplantation.  /N.J. Goulden, N.A. Libri, A Oakhill, DH Pamphilon. // Blood Rev. -2005.- V.6.-P.289-300.

3.     Luczynski, W. Is cellular immunity not impaired after remission induction in acute lymphoblastic leukemia in children.  / W. Luczynski, A. Stasiak-Barmuta, M. Krawczuk-Rybak, E. Kasprzycka, J. Zak, M. Nowakowska // Pol Merkuriusz Lek.- 2004.-№91.-P.17-21.

4.     Luczynski, W. Acute lymphoblastic leukaemia cells express CCR7 but not higher amounts of IL10 after CD40 ligation.  / W. Luczynski // Scand J Clin Lab Invest. - 2006.- № 66. – P. 1–9.

 

IMMUNOLOGICAL ASPECT OF APPLICATION NEURAL NETWORK IN DIAGNOSTICS OF HEMOBLASTOSIS

 

George A.Yermakov assistent1, Irina A. Tuzankina MD, professor of medicine2

 

 

The expediency of use neural network in the course of diagnostics of hemoblastosis at children is considered. On an example of four forms of hemoblastosis possibility of an establishment of the diagnosis by immunological data with application neural network created on the basis of package Statistica Neural Networks is shown.

Key words: hemoblastosis, neural network.

 

Ермаков Георгий Александрович – ассистент кафедры микробиологии, вирусологии и иммунологии ГОУ ВПО АГМА

Тузанкина Ирина Александровна – доктор медицинских наук, профессор, заведующая лабораторией иммунофизиологии института иммунологии и физиологии УрО РАН.

 

1Амурская государственная медицинская академия

Благовещенск, Россия

2Институт иммунологии и физиологии УрО РАН

Екатеринбург, Россия

1- Microbiology department, Amur state medical academy, Blagoveshchensk, Russia

2-Immunophysiology lab., Institute of immunology and physiology of Ural division of the Russian Academy of Sciences, Ekaterinburg, Russia

 

 

Поступила в редакцию 19.08.2009.