NEU-2002

Известно, что процессы сердечного и сосудистого ремоделирования у больных с артериальной гипертонией (АГ) протекают в тесной взаимосвязи друг с другом. В связи с чем, можно предполагать возможность прогнозирования структурной перестройки сосудистой системы на основе морфофункциональной дезадаптации сердца. Одним из перспективных подходов к решению указанной задачи является нейросетевой [1,2].

Целью работы являлась выработка подхода к созданию интерактивных нейросетевых классификаторов для прогнозирования ремоделирования сосудистой системы у больных гипертонической болезнью (ГБ) на основе допплерэхокардиографической оценки структурно-функциональной дезадаптации левого желудочка (ЛЖ).

В основную группу был включен 71 больной и в контрольную группу – 15 пациентов с гипертонической болезнью 1-3 степени. Группы были сопоставимы между собой по возрасту, полу, длительности и степени АГ. В обеих группах в конце семидневного плацебо-периода проводили допплерэхокардиографию и ультразвуковое исследование общих сонных артерий (ОСА) на ультразвуковых сканерах Aloka SSD-2000 и SSD-630 (Япония).

В качестве базовых (входных) параметров, на основе которых осуществлялось прогнозирование структурной перестройки ОСА, были выбраны такие комплексные характеристики, как: степень АГ (FORGB), возрастная категория больных (W2), длительность АГ (DZZ), вариант ремоделирования ЛЖ (REMOD), наличие или отсутствие диастолической дисфункции ЛЖ (DDLG), нормальная или сниженная податливость (комплайнс) ЛЖ (REGID), стрессовый вариант АГ (STRES), тип гемодинамики (HEMOD), наличие или отсутствие рестриктивного синдрома (RESTR), наличие или отсутствие систолической дисфункции ЛЖ (SDLG), оцениваемой по фракции выброса (FW) ЛЖ и скорости циркулярного сокращения волокон миокарда (VF). В качестве выходного (прогнозируемого) параметра, характеризующего структурную перестройку сосудов у больных ГБ, была использована толщина слоя интима-медия (TIM) ОСА, градированная по двум категориям: нормальный и увеличенный уровень.

Оценка информативности качественных факторов, построение на их основе прогностической модели осуществлялось с помощью нейроимитатора NeuroPro 2.5.

Обучение нейроимитатора проводилось в режиме классификатора для консилиума из 15 нейросетей-экспертов (net1-net15) с заданной степенью надежности. Все нейросети прошли обучение и упрощение структуры для основной группы больных (обучающая выборка из 71 примеров), а последующее их тестирование на контрольной выборке из 15 примеров показало высокую степень уверенности прогнозируемых состояний для показателя TIM. Результаты этого тестирования приведены в таблице. Cреднее число правильно решенных примеров на консилиуме нейросетей составило 71% при 100% степени уверенности результата и 1,7% при степени уверенности менее 100%.

Оценка информативности факторов осуществлялась с использованием среднего значения показателя значимости факторов (СПЗ) на множестве нейросетей консилиума. Анализ этих оценок показал, что наиболее информативными являются факторы STRES, HEMOD, FORGB, REMOD, имеющие СПЗ соответственно: 0,51;0,34;0,28;0,26. Действительно, используя лишь эти факторы в качестве основных удалось провести обучение нейросетей на рассматриваемой обучающей выборке.

Полученные результаты анализа значимости факторов и тестирования позволяют решить задачу нахождения минимальной структуры нейросетей, обеспечивающей максимально возможную для выбранного консилиума точность прогнозирования. Для данного консилиума максимальная точность прогнозирования (~87%) обеспечивается структурами net6 (используется 11 факторов, исключены факторы VF, FW) и net14 ( используется 10 факторов, исключены факторы REGID, FW, HLG). Сформулированную задачу можно интерпретировать как задачу нахождения минимального набора информативных факторов, обеспечивающих максимальную точность прогнозирования. Вербальные описания структур net6 и net14 позволили создать интерактивные программные нейроклассификаторы, использующие минимальные наборы факторов для прогнозирования наличия или отсутствия ремоделирования сонных артерий в условиях клиники.

1.  Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. - Н.: Наука, 1996.-276 с.

2.  Россиев Д.А. // в сб. Методы нейроинформатики, СО РАН, Красноярск, 1998, С.6-22.