Луганский государственный медицинский университет, Луганск, Украина
*****@***ru
Диагностика и прогнозирование функциональных изменений мозгового кровообращения у белых лабораторных крыс по показателям реоэнцефалографии и поведения в тесте «открытое поле» на основе нейросетевого моделирования
Рассматривается задача построения нейросетевой модели для диагностики и прогнозирования возникновения функциональных изменений мозгового кровообращения у белых беспородных лабораторных крыс. Кроме непосредственного создания нейросетевой модели решается задача нахождения наиболее информативных реоэнцефалографических и поведенческих показателей для диагностики и прогнозирования риска возникновения функциональных изменений мозгового кровообращения. Предложена и реализована нейросетевая модель на основе наиболее информативных показателей. Доказана информативность и адекватность представленной модели для оценки и прогнозирования риска возникновения функциональных изменений мозгового кровообращения.
Ключевые слова: нейросетевая модель, функциональное изменение мозгового кровообращения, открытое поле, поведенческие реакции.
Введение
Нарушения мозгового кровообращения на данный момент занимают одно из ведущих мест среди причин нетрудоспособности и летальности взрослого населения [1]. По мере накопления сведений о механизмах развития сосудистых дисфункций возникают новые вопросы, требующие уточнения, и в том числе, относительно роли и места функциональных изменений мозгового кровообращения [2]. Функциональные изменения мозгового кровообращения могут возникать в результате нарушений механизмов ауторегуляции мозгового кровотока или изменения положения тела относительно вектора гравитации [3]. В результате таких изменений возникает сложный, до конца не изученный комплекс нарушений психических функций, отличный по структуре от симптомокомплекса опухолевого или травматического генеза [2], что определяет их изучение в условиях измененного кровоснабжения головного мозга.
Цель и задачи исследования
Цель работы состояла в разработке нейросетевой модели для диагностики функциональных изменений мозгового кровообращения в зависимости от поведенческих реакций животных в тесте «открытое поле» и состояния церебрального кровотока.
Для достижения поставленной цели решались следующие задачи.
1. Оценить уровень и продолжительности изменений церебральной гемодинамики у белых крыс после моделирования эпизода функционального изменения мозгового кровообращения.
2. Исследовать влияния эпизода функционального изменения мозгового кровообращения на поведенческие реакции белых крыс.
3. Провести интегральную оценку поведенческих реакций и разработать модель для диагностики и прогнозирования риска возникновения функционального изменения мозгового кровообращения.
4. Обосновать математическую и биологическую адекватность построенной модели.
Организация и методы исследования
Экспериментальная часть работы была выполнена на 60 белых беспородных крысах-самцах. Общая схема исследования выглядела следующим образом. Первая часть работы заключалась в исследовании состояния церебральной гемодинамики у лабораторных крыс, перенесших эпизод функционального изменения мозгового кровообращения (20 животных). Вторая часть исследования состояла в оценке влияния эпизода функционального изменения мозгового кровообращения на поведенческие показатели животных в тесте «открытое поле» (40 животных).
Моделирование функционального изменения мозгового кровообращения проводили путем комбинации антиортостатической гипокинезии под углом 45° с укачиванием в течение 1 ч на лабораторном стенде для моделирования эффектов невесомости и болезни движения [4-6]. Внешний вид устройства с закрепленными животными представлен на рис. 1. Особенности церебрального кровотока исследовали методом реоэнцефалографии. При анализе реоэнцефалограм оценивали показатели амплитуды артериальной и венозной компонент, диастолический и дикротический индексы, скорость объемного кровотока, амплитуду венозной компоненты, диастолический индекс, реографический индекс, реографический коэффициент, скорость объемного кровотока.
Рис. 1. Внешний вид автоматизированного лабораторного стенда
для моделирования эффектов невесомости и болезни движения
с закрепленными животными
Рис. 2. Внешний вид теста «открытое поле» (вид сверху, кадр видеозаписи) |
Во второй части исследования проводили оценку поведенческих реакций животных с функциональным изменением мозгового кровообращения в «открытом поле». «Открытое поле» представляло собой арену диаметром 1 метр с высотой стенок 40 см. и диаметром отверстий в полу – 2 см. Пол арены расчерчен на три ряда секторов одинаковой площади. Освещение «открытого поля» осуществлялось лампой накаливания мощностью 100 Вт, подвешенной на расстоянии 1 м от пола арены. Тестирование, с одновременной видеозаписью эксперимента, проводили по стандартной методике [7] в течение 15 мин. Анализ видеозаписей эксперимента проводили при помощи программного обеспечения Real Timer НПО «Открытая наука». Внешний вид теста «открытое поле» представлен на рис. 2.
В открытом поле регистрировали длительность латентного периода выхода из центрального сектора, уровень горизонтальной двигательной активности, уровень вертикальной двигательной активности (стойки с опорой и без опоры на стенку открытого поля), уровень исследовательской активности (обнюхивание и заглядывания в отверстия), количество актов и длительность груминга, количество актов дефекации и уринаций.
Компьютерное моделирование проводилось при помощи лицензионного программного пакета Statistica Neural Networks. В качестве архитектуры нейронной сети был выбран многослойный персептрон, который позволяет моделировать функцию практически любой сложности. Веса и пороговые значения являлись свободными параметрами модели, которые оценивались в процессе обучения, подавая на вход сети выборку с известными результатами и наблюдая отклики сети [8].
Полученные результаты
В результате исследования состояния церебральной гемодинамики после моделирования эпизода функционального изменения мозгового кровообращения при помощи реоэнцефалографии получено большое количество показателей, характеризующих кровоток головного мозга. Для оценки информативности полученных данных в диагностике этих изменений были построены нейросетевые модели классификации животных в две группы: «норма» (контрольная группа данных, зарегистрированных до моделирования функционального изменения мозгового кровообращения) и «не норма» (опытная группа данных, зарегистрированных сразу после моделирования функционального изменения мозгового кровообращения). Установлено, что наиболее качественно распределение животных по группам происходило на таком наборе признаков: скорость медленного наполнения артериальной компоненты (характеризующая кровенаполнение средних и мелких артериальных сосудов), дикротический индекс (отражающий преимущественно тоническое состояние артериол в зависимости от периферического сосудистого сопротивления), диастолический индекс (отражающий состояние оттока крови из артерий в вены, а так же величину венозного тонуса), амплитуда венозной компоненты (описывающая приток крови в венозное русло головного мозга).
Для оценки адекватности модели был использован тестовый набор случаев, созданный с помощью генератора случайных чисел. Граница разделения группы «норма» от группы «не норма» была определена путем построения кривых операционных характеристик (Receiver Operating Characteristic). Установлено, что критическое значение для данной модели составляло Yкр = 0,6896. В том случае, когда в результате расчетов в рамках построенной модели получалось значение Y>Yкр, прогнозировалось наличие функционального изменения мозгового кровообращения, в противном случае – норма. Оценка прогностических свойств модели проводилась по показателям чувствительности (Se) и специфичности (Sp).
Результаты прогнозирования наличия функционального изменения мозгового кровообращения для модели, которая включает показатели скорости медленного наполнения артериальной компоненты, дикротического индекса, диастолического индекса и амплитуды венозной компоненты представлены в табл. 1.
Таблица 1. Результаты прогнозирования функционального изменения
мозгового кровообращения на основании показателей реоэнцефалографии
для полученной модели
Результат прогнозирования | Группа «норма» | Группа «не норма» |
Правильный прогноз | 17 | 19 |
Неправильный прогноз | 3 | 1 |
Все случаев | 20 | 20 |
Таким образом, верный прогноз в группе «норма» был получен для 85% случаев, а в группе «не норма» - для 95%. Для полученной модели были рассчитаны показатели чувствительности Se = 85% и специфичности Sp = 95%. Полученная модель описывается уравнением
(1)
где X12, X14, X17, X18 – входные параметры модели (скорость медленного наполнения артериальной компоненты, дикротический индекс, диастолический индекс, амплитуда венозной компоненты).
С целью оценки прогностической значимости поведенческих паттернов, оцененных в тесте «открытое поле» в диагностике функциональных изменений мозгового кровообращения была построена модель классификации животных в две группы: «норма» и «не норма». При построении модели в качестве факторных признаков использовались поведенческие показатели животных, оцененные в тесте «открытое поле».
При анализе как оценка эмоционального состояния (результирующий признак) прогнозировалось состояние животных Y. При построении модели нулевому значению результирующего признака (Y=0) соответствовало отнесение животного к группе контроля, а при значении результирующего признака Y=1 – к группе с функциональными изменениями мозгового кровообращения.
Было установлено, что наиболее качественно распределение животных в группы «норма» и «не норма» происходило на таком наборе данных: стойки без опоры в центральном секторе открытого поля, обнюхивание и заглядывания в отверстия в центральном секторе открытого поля, показатели количества актов и длительности груминга.
Результаты прогнозирования для модели, которая включала вышеуказанные показатели, представлены в табл. 2.
Таблица 2. Результаты прогнозирования функционального изменения
мозгового кровообращения для полученной модели
Результат прогнозирования | Группа «норма» | Группа «не норма» |
Правильный прогноз | 18 | 19 |
Неправильный прогноз | 2 | 1 |
Все случаев | 20 | 20 |
Таким образом, верный прогноз был получен для 90 % случаев в группе «норма» и для 95 % случаев в группе «не норма». Для полученной модели были рассчитаны показатели чувствительности Se = 90 % и специфичности Sp = 95%, Yкр = 0,7436.
Полученная модель описывается уравнением
где X6, X9, X12, X15, X16 – входные параметры модели (стойки без опоры в центральном секторе ОП (СбО 1/3), обнюхивание отверстий в центральном секторе ОП (ОО 1/3), заглядывания в отверстия в центральном секторе ОП (ЗвО 1/3), количество актов груминга (ГрА) и длительность груминга (ГрДл) соответственно).
Для оценки степени влияния функционального изменения мозгового кровообращения на эмоциональное состояние экспериментальных животных была построена нейросетевая модель классификации в две группы: «норма» и «не норма». В качестве факторных признаков для классификации были выбраны показатели реоэнцефалографии и поведенческие показатели животных, оцененные в тесте «открытое поле» (амплитуда артериальной компоненты, скорость быстрого наполнения артериальной компоненты, время быстрого наполнения артериальной компоненты, скорость медленного наполнения артериальной компоненты, время медленного наполнения артериальной компоненты, дикротический индекс, диастолический индекс, амплитуда венозной компоненты и др.). Всего было использовано 40 показателей.
При проведении анализа в качестве результирующего признака прогнозировалось состояние животных Y. При построении модели нулевому значению результирующего признака (Y=0) соответствовало отнесение животного к группе контроля, а при значении результирующего признака Y=1 – к группе с функциональными изменениями мозгового кровообращения.
В процессе построения модели был проведен отбор наиболее значимых признаков. В результате было установлено, что наиболее качественно распределение животных в группы «норма» и «не норма» происходил по таким признакам: количество стоек без опоры в центре «открытого поля», количество обнюхиваний отверстий в центре «открытого поля» и дикротический индекс. По данным показателям была построена модель классификации, для которой была проведена процедура ROC-анализа для оптимизации порога принятия-отбрасывания решения. В результате проведения ROC-анализа было получено критическое значение Yкр= 0,74. Таким образом, если в результате расчетов в рамках представленной модели полученное значение Y превышало критическое значение Yкр = 0,74 – то диагностировали функциональное изменение мозгового кровообращения. В противном случае – состояние оценивали как норма. Полученная модель описывается уравнением
(3)
где – X7, X10, X30 - входные параметры модели (количество стоек без опоры в центре «открытого поля», количество обнюхиваний отверстий в центре «открытого поля» и дикротический индекс соответственно).
При оценке чувствительности и специфичности модели на учебной выборке были получены такие результаты: Sp = 90 %, Se = 95 %. При сравнении чувствительность и специфичности модели, оцененных на учебной и тестовой выборках, нами не было обнаружено статистически значимых различий (p = 0,83 и p = 0,54 соответственно), что свидетельствует об адекватности построенной модели.
С целью определения диагностической значимости влияния выбранных признаков была построена логистическая регрессионная модель, которая оказалась адекватной (χ2 = 34,83, p < 0,001). Результаты построения данной модели представлены в табл. 3.
Таблица 3. Влияние факторных признаков на формирование функционального изменения мозгового кровообращения (логистическая регрессионная модель)
Факторный признак | Коэффициент | Стандартная ошибка | p | Отношение шансов ОШ (95% ДИ) |
Const. B0 | 7,6185 | - | - | - |
СбО 1/3 | 1,26 | 0,851 | 0,03 | 0,65 (0,48-0,72) |
ОО 1/3 | -3,14 | 0,981 | 0,001 | 0,043 (0,006-0,29) |
ДкрИ | 0,083 | 0,036 | 0,02 | 0,91 (0,85 -0,98) |
Примечание к табл. 3: СбО 1/3 - «стойки без опоры» в центральном секторе «открытого поля»; ОО 1/3 - «обнюхивание отверстий» в центральном секторе «открытого поля»; ДкрИ – дикротический инднкс; ДИ – доверительный интервал.
Взаимоотношения (поверхности отклика) между параметрами построенной модели представлены на рис. 3.
|
|
|
а | б | в |
Рис. 3. Поверхности отклика для параметров представленной модели:
а – зависимость между количеством стоек без опоры и количеством заглядываний
в отверстия в центре «открытого поля»; б – зависимость между количеством
заглядываний в отверстия в центре «открытого поля» и дикротическим индексом;
в – зависимость между количеством стоек без опоры в центре «открытого поля»
и дикротическим индексом
Анализ построенной логистической регрессионной модели показал, что увеличение показателей «стойки без опоры» в центральном секторе «открытого поля» и дикротического индекса указывает на увеличение вероятности отнесения животного к группе с функциональными нарушениями мозгового кровообращение (ОШ соответственно 0,65 (0,48-0,72) и 0,91 (0,85 -0,98) на каждую единицу изменения показателей), а увеличение показателя «обнюхивание отверстий» в центральном секторе «открытого поля» – на уменьшение шансов отнесения животного к группе с функциональными изменениями мозгового кровообращения (ОШ 0,043 (0,006-0,29) на каждую единицу изменения показателя).Таким образом, представленная модель позволяет с высокой степенью вероятности диагностировать функциональное изменение мозгового кровообращения в зависимости от поведенческих показателей и состояния церебрального кровотока у экспериментальных животных.
Выводы
Выявлены наиболее информативные реоэнцефалографические показатели для диагностики функционального изменения мозгового кровообращения – скорость медленного наполнения артериальной компоненты, дикротический индекс, диастолический индекс, амплитуда венозной компоненты. По этим показателям разработана прогностическая модель оценки церебральной гемодинамики. Характеристики модели составили Se = 85 %, Sp = 95%, Yкр = 0,6896.
По результатам оценки поведенческих реакций животных, перенесших эпизод функционального изменения мозгового кровообращения, установлены наиболее информативные поведенческие паттерны для характеристики эмоционального состояния животных: стойки без опоры в центральном секторе «открытого поля», обнюхивание отверстий в центральном секторе «открытого поля», заглядывания в отверстия в центральном секторе «открытого поля», количество актов груминга и длительность груминга. Характеристики модели составили Se = 90 %, Sp = 95 %, Yкр = = 0,7436
Разработана обобщенная модель для диагностики функционального изменения мозгового кровообращения в зависимости от поведенческих реакций животных в «открытом поле» и состояния церебрального кровотока. Модель включала в себя показатели количества стоек без опоры в центре «открытого поля», количество обнюхиваний отверстий в центре «открытого поля» и дикротический индекс. Характеристики модели составили Sp = 90 % , Se = 95 %, Yкр= 0,74.
Доказана информативность и адекватность представленной обобщенной модели для диагностики функционального изменения мозгового кровообращения у экспериментальных животных.
Список литературы
1. Гусев головного мозга. М.: Медицина, 2001.
2. Доброхотова . М.: БИНОМ, 2006.
3. , , Глебов венозного кровотока головного мозга белах лабораторних крыс при болезни движения // Патология, 2008. Т. 5. №3. С.134-135.
4. Тананакіна Т. П., Глєбов О. М., , Івасенко А. В., Якобсон пристрій для моделювання ефектів невагомості та хвороби руху у лабораторних тварин. Патент України № 000Бюл. 3.
5. Глєбов О. М., Тананакіна Т. П., , Маврич С. І. Спосіб моделювання транзиторного порушення мозкового кровообігу у лабораторних тварин // Патент України № 000Бюл. 23.
6. , Мамчур эффекты ницерголина при моделировании преходящих расстройств мозгового кровообращения // Мистецтво лікування, 2011. № 3 (79). С.53-56.
7. Хьюстон Дж. П. Методики и основные эксперименты по изучению мозга и поведения. М.: Наука. 1992.
8. Боровиков. Statistica. Искусство анализа данных на компьютере: для профессионалов. СПб.: Питер. 2003.
