Возможности методов искусственного интеллекта для дифференциальной диагностики подтипов транзиторных ишемических атак (стр. 1 )

ARS MEDICA

№ 3 (13), 2009, с. 60-72

Возможности методов искусственного интеллекта

для дифференциальной диагностики подтипов

транзиторных ишемических атак

, ,

Транзиторные ишемические атаки (ТИА) – заболевание полиэтиологичное, причины их возникновения разнообразны – это и многочисленные факторы риска, и сопутствующие заболевания и различные нарушения нормальных физиологических функций организма пациента, нарушения метаболизма. Прежде всего следует отметить системный атеросклероз, склероз сосудов головного мозга, кардиопатии, артериальная гипертензия. Следует также не упускать из виду возможность наличия у пациента гемостазиопатий (тромбофилии, ДВС и др.) [5, 7, 10, 13].

В последнее время отмечается увеличение частоты ТИА, обусловленных экстравазальной компрессией позвоночных артерий патологически измененными шейными позвонками вследствие остеохондроза. В случае обратимой компрессии позвоночных артерий или шейного остеохондроза развиваются приступы резкой мышечной гипотонии и обездвиженности с кратковременной (несколько секунд) утратой сознания, провоцируемые поворотами или запрокидыванием головы (дроп-атаки). Если аналогичный пароксизм протекает более длительно, то в этом случае речь идет о синдроме Унтерхарншейдта.

Основное отличие патогенеза ТИА от патогенеза ишемического инсульта заключается в нестабильности патологического процесса и его обратимости, который может благополучно закончиться, как правило, в течение часа, но может длиться несколько часов до суток, и перейти в необратимый процесс. Впрочем, представления о ТИА, об их этиологии и патогенезе окончательно не устоялись и в настоящее время переживают период реорганизаций пересмотра и уточнений формулировок.

Такое положение вещей побуждает искать новые подходы к дифференциальной и прогнозной диагностики этой острой цереброваскулярной патологии.

Одним из перспективных подходов к решению этой проблемы мы видим в привлечении формально-логических интеллектуальных систем, способных приблизится к самому началу развития острой церебральной недостаточности путем более глубокого и скрупулезного анализа анамнестических данных и несложных быстродоступных признаков-предикторов начала возникновения пока еще обратимой ишемии мозга.

Общие представления об интеллектуальных алгоритмах распознавания образов (дифференциальной диагностики) и историческая справка по созданию моделей искусственного интеллекта

Отличительной чертой систем или моделей на базе разработок по созданию искусственного интеллекта – это их способность генерировать гипотезы. Причем, не только генерировать, но адаптироваться самим и адаптировать исходные данные под цели, преследуемые в распознавательных (дифференциально-диагностических) задачах. В этом отношении особенность их работы заключается в схожести с обычным естественным обучением в приобретении знаний. На основе приобретенных знаний, они становятся способными генерировать гипотезы (в большинстве случаев, это классифицирующие правила в формате «Если..., то…с вероятностью…»), делать обобщения и экстраполировать свой искусственно приобретенный интеллектуальный опыт на новую, не встречающуюся ранее классификационную ситуацию.

Попытки объединить разрозненные работы по пониманию и моделированию процессов обработки информации мозгом начали предприниматься еще с 40-х года прошлого столетия.

С течением времени они объединялись в разработках по созданию искусственного интеллекта, постепенно выкристаллизовываясь в единое научное направление. С 80-х годов прошлого столетия это направление начало особенно интенсивно развиваться и включало в себя уже различные научные направления и технические устройства с приставкой нейро: нейрокибернетика, нейроинформатика, нейроматематика, нейрокомпьютеры, нейрочипы, нейроускорители. В этом же русле – нейрофизиология, нейрореабилиталогия и ангионеврология. Начали более четко обозначаться единые принципы понимания и моделирования биологической когнитивной способности мозга, и, наконец, слились в единое обобщающее понятие: НЕЙРОКОМПЬЮТИНГ. В этом ключе известная узкому кругу теоретиков-математиков теорема Колмогорова-Арнольда-Хехт-Нильсона служит математической основой теории нейронных сетей и ее прикладного применения [31, 37].

Выкристаллизовались два основных направления НЕЙРОКОМПЬЮТИНГА: создание искусственной модели когнитивной способности мозга и разработка инструментария для анализа и обработки данных различных исследований моделированием когнитивной способности мозга.

В основе этих направлений были работы Дж. фон Неймана по созданию самовоспроизводящихся автоматов. Уже в 40-е годы прошлого столетия он предвидел, что однажды "логика будет вынуждена претерпеть метаморфозу и превратиться в неврологию в гораздо большей степени, чем неврология - в раздел логики" [30]. Он же и основоположник архитектуры современных компьютеров (устройства ввода и вывода данных, центральный процессор, память оперативная и долговременная), которыми мы и пользуемся в настоящее время.

Начало изучения искусственных нейронных сетей было предпринято Маккалокком и Питтсом в начале 40-х годов [39]. Уже в последующие 50-е годы Фрэнк Розенблатт разрабатывает теорию обучаемого нейросетевого устройства для распознавания образов – ПЕРСЕПТРОН, который он рассматривал как модель работы мозга [22].

К этим разработкам в конце 60-х годов подключился основоположник теории искусственного интеллекта Мервин Минский, который развил дальше идею ПЕРСЕПТРОНА, окончательно увязав ее с концепцией искусственного интеллекта [14]. Заслуживает упоминания мнение М. Минского о том, что «искусственным интеллектом» принято называть то, что еще пока не создано, но как только появляется система для распознавания объектов, то обобщающее понятие «искусственный интеллект» сразу же утрачивает свое определяющее значение и замещается другим, более конкретным. В наших работах это распознавание с помощью искусственных нейросетевых моделей [1, 4-6, 18-20].

Работы в этом направлении в 60-х годах проводились в Минском мединституте на кафедре невропатологии (проф. ) [15, 16] и на кафедре факультетской терапии (доц. ) [23]. В масштабах Советского Союза это направление развивалось работами , , . В нейрофизиологии и медицине это направление связано также с именами выдающихся советских ученых: академиками , , профессорами , и многими другими.

Особое место в прикладном аспекте развития идей нейрокомпьютинга занимают работы основоположника концепции нечетких множеств Лотфи Заде [11, 45]. Здесь же нельзя обойти молчанием работы австрийского математика Курта Гёделя по разработке концепции неполноты логик высказываний и доказательств, в этом же ключе принцип неопределенности Гейзенберга в квантовой механике. В медицине неопределенность порождает феномен «белого халата» при измерении артериального давления, истинное абсолютно точное значение которого так и остается непознанной «вещью в себе».

Однако, следует заметить, что до 80-х лет прошлого столетия ничего принципиально нового в нейрокомпьютинге не произошло. Но с этого периода начал резко возрастать прикладной интерес к этому направлению.

В настоящее время уже имеются отдельные наработки по применению нейросетевых алгоритмов для прогнозной диагностики в неврологической практике. Так, обычными лабораторно-клиническими методами невозможно предупредить эпизод ТИА и провести соответствующие лечебно-профилактические мероприятия, определить зарождающийся в мозге очаг или множественные очаги эпилептиформной активности с последующим принятием упреждающих превентивных мер. Решение этих и аналогичных им прогнозных диагностических задач стало возможным с применением нейросетевых методов искусственного интеллекта [1, 4-6, 18, 19, 21, 33, 35].

Первые результаты применения адаптивного нейросетевого классификатора и генетического алгоритма

Концептуальный аспект нашего подхода к решению дифференциально - диагностической задачи распознавания подтипов ТИА был представлен в предыдущих наших публикациях. По нашему представлению, для решения такой задачи оптимально подходит адаптивный нейросетевой классификатор (АНК) [4-6, 18-20]. В качестве примера эффективности классификации по подтипам с помощью АНК приводим клинический случай. В таблице 1 представлен фрагмент выборки из 40 наблюдений, тестовой дифференциальной диагностики по трем классам (подтипам) ТИА – атеротромботическому (СубТИА1), кардиоэмболическому (СубТИА2) и гипертензивному (СубТИА3), а также по классу НОРМА [5]. Обращает на себя внимание близость вероятностей класса НОРМА и класса СубТИА2. Это побудило провести дополнительное обследование пациента по другим высокотехнологичным параклиническим признакам-предикторам, не включенным в базу данных обучающей выборки. Что и было сделано.

Таблица 1

Дифференциальная диагностика подтипов ТИА по ННМ

(фрагмент тестовой выборки).

и возраст пациента	Класс распозна-вания	Д и а г н о з
СубТИА1	СубТИА2	СубТИА3	НОРМА
М-ин АС 66 лет	4	0	0,428	0	0,571

Выписка из карты реабилитационного больного № 000/1209

М-ин А. С., 68 лет Находился на стационарном лечении с 12,10,2007 по 25,10,2007.

Диагноз: Транзиторная ишемическая атака в вертебрально-базиллярном бассейне артерий при артериальной гипертензии.

При поступлении 12,10,2007 Жалобы на периодически возникающие эпизоды головокружения и головные боли под утро 4:00 – 5:30 с периодичностью один раз в 1,5-2 месяца. АД во время таких эпизодов варьирует около значений 160/100 мм рт ст.

Общий анализ крови от 16,10,2007. Hb – 149, Эр. – 4,48 , Лейк. – 5,88, СОЭ – 2, Эоз.- 4,07, Нейтр. – 50,3, Лимф.- 35,1, Моно. – 9,22.

Биохимический анализ крови 16,10,2007 Билирубин – 19,3, Мочевина – 4,0.