NEU-2001

В настоящее время сердечно-сосудистые заболевания являются главной причиной смертности взрослого населения в различных странах, причем ее снижение возможно лишь путем эффективной первичной и вторичной профилактики

Создание специализированного липидологического центра в г. Барнауле для определения комплекса патогенетически значимых факторов риска сердечно-сосудистых заболеваний позволило осуществлять не только диагностику, но и индивидуализированный мониторинг субъектов с назначением оптимальных рекомендаций по модификации стиля жизни, диеты и двигательной активности, а также применения профилактических и лечебных препаратов.

Целью настоящего исследования явилась разработка программно-диагностического комплекса автоматизированного фенотипирования дислипопротеинемий (ДЛП), выявления степени глобального кардиоваскулярного риска и прогнозирования развития сердечно-сосудистой патологии на основе обучения искусственных нейронных сетей.

В схеме фенотипирования, согласно Fredrickson D.S. и Levy R.I. (1972) [1], по данным биохимического исследования сыворотки крови выделяют семь типов ДЛП, определяющих степень нарушения липидного метаболизма и, соответственно, наличие атеросклеротических признаков. В зависимости от их типа определяются профилактические меры по предотвращению развития атеросклероза. Вместе с тем проводимые экспериментальные исследования выявляют наличие нескольких ("смешанных") типов дислипопротеинемий у индивидуума. Для фенотипирования таких типов необходим соответствующий математический аппарат, основанный на теории нечетких множеств. Его применение позволит более гибко оценивать кардиоваскулярный риск субъекта и проводить терапевтическое вмешательство по коррекции и профилактике ДЛП. При этом необходимо выполнить описание биохимических профилей выделенных нечетких типов ДЛП.

Для распознавания типов дислипопротеинемий были применены искусственные нейронные сети, на вход которой подавались биохимические показатели сыворотки крови.

Выявление нечетких типов ДЛП выполнялось по разработанному методу, состоящий из следующих этапов: 1. построение искусственной обучающей выборки ИНС, содержащей типичных представителей каждого четкого класса, связанного с соответствующим выходным нейроном; 2. обучение ИНС по методу обратного распространения ошибки для построенной выборки; 3. определение множества точек в пространстве активностей выходных нейронов по тестирующей выборке, полученной из реальных экспериментальных данных; 4. проведение кластерного анализа в пространстве активностей выходных нейронов по алгоритму ИСОМАД [2]; 5. определение принадлежности каждого вектора тестирующей выборки к одному из выявленных нечетких классов, полученных кластерным анализом; 6. построение функции принадлежности нечетких множеств для каждой компоненты входного вектора на основе персептронного обучения и экспертного метода, где экспертами являются активности выходных нейронов соответствующих кластеров.

Результатом работы данного алгоритма является нечеткое описание всех компонент входного вектора для каждого кластера. По данному описанию эксперт определяет необходимое управляющее воздействие на объект исследования.

Конечным звеном системы является модуль диагностики и прогноза, также основанный на технологии нейронных сетей. Здесь активностям выходных нейронов сопоставляется вероятность возникновения кардиоваскулярного риска. Но на практике оказалось, что достаточно сложно выделить четкие границы между смежными "кардиоваскулярными" классами. Для ранжировки признаков и оценки эффективности разделения классов был применен метод дивергенции [2], где ранг важности каждого входного признака устанавливается исходя из значения соответствующей ему дивергенции. Данный подход к выделению признаков заключается в порождении множества признаков, свойства которых позволяют максимизировать меру различия между классами. Дивергенция используется в качестве функции критерия при порождении оптимального множества признаков.

Таким образом, разработанная компьютерная программа позволяет обрабатывать значительные массивы информации, автоматизировать диагностические определения, интегрировать и мониторировать результаты комплекса направленных исследований, а также оптимизировать рекомендации по первичной и вторичной профилактике болезней системы кровообращения с оценкой эффективности проводимых мероприятий.

Литература

1. Fredrickson D.S., Levy K.J. Familial hyperlipoproteinemia. The metabolic basis of inherited diseases. / Eds. J.B. Wyngarden et al. New York, 1972. P. 545–614.

2. Ту Дж., Гонсалес Р. Принципы распознавания образов / Пер. с анг. М:. Мир, 1978. 412 с.