XVII Международная студенческая научная конференция Студенческий научный форум - 2025

Введение

На сегодняшний день наблюдается широкое внедрение компьютерных технологий в медицину [1,2]. Нейроинформатика позволяет анализировать задачи диагностики и прогнозирования различных заболеваний с помощью нейросетей [4,6]. С помощью таких продуктов уменьшаются временные и технические затраты на получение результатов [3,5]. Таким образом, актуальность применения искусственных нейронных сетей объясняется их востребованностью и практичностью в использовании прогнозирования эффективности лечения больных туберкулезом легких.

Цель исследования

Оценка прогнозирования эффективности лечения и выявления значимости входных параметров нейросети у больных в процессе проведения интенсивной фазы химиотерапии у больных туберкулезом легких.

Материал и методы исследования

Критерии включения в исследование: 335 больных туберкулезом органов дыхания в возрасте от 18 до 65 лет (212 пациентов с впервые выявленным туберкулезом легких и 123 человека с хроническим туберкулезом легких, получающих интенсивную фазу химиотерапии.

Критериями исключения из исследования: пациенты с тяжелыми сопутствующими заболеваниями (злокачественные новообразования, системные заболевания кровеносной системы, сердечно-легочная и почечная недостаточность в стадии декомпенсации, резкое истощение, анемия, тиреотоксикоз, психические заболевания). Модель нейронной сети была построена в программе SPSS Statistika 27.

Результаты и их обсуждение

Построение нейросетевой модели прогнозирования осуществлялось в 2 этапа. На первом этапе с целью выбора входных параметров и их взаимосвязи с выходным параметром «(эффективность лечения) был проведен корреляционно-регрессионный анализ. На втором этапе был проведено непосредственно построение нейросетевой модели.

Проведенный корреляционно-регрессионный анализ, который показал очень тесную связь между эффективностью, как функцией (у), в которой за 1 принималось улучшение, за 0 – нет улучшения, за -1 – ухудшение состояния больного и фактором (х), а именно количеством пациентов с которыми эти изменения происходили.

По данным наблюдениям, отчета выборки (n=335), из которых у 165 наблюдалось улучшение (1), у 148 – не было улучшения (0), и у 22 – ухудшение (-1).

С этой целью была построена прямая регрессия, которая нашла тесную связь, по коэффициенту корреляции (табл. 1).

Таблица 1

Схема расчета коэффициента корреляции

п/п
1	1	165	53	1	2809	1	53
2	0	148	36	0	1296	0	0
3	-1	22	-90	-1	8100	1	90
Σ	0	335	-	0	12205	2	143

(1)

- коэффициент прямой регрессии

; (2)

-прямая регрессии (3)

у=0,012(х-112)=0,012·х-1,344 (4)

На основании проведенного корреляционно-регрессионного анализа для построения нейросетевой модели были включены следующие входные параметры: генотипы ферментов биотрасформации ксенобиотиков (NAT2 (590G>A (rs1799930), CYP2E1 (9896C>G (rs2070676), ABCB1 (3435T>C (rs1045642), GSTM1 (E/D), GSTT1 (E/D)), генотипы цитокинов (ФНО-а (-308G>A (rs1800629)), ИЛ-4 (C-589N), ИЛ-10 (G-1082A), ИЛ-10 (A592), ИЛ-1b (T-31C), количественная динамика цитокинов (ФНО-а, ИЛ-4, ИЛ-10, ИЛ-1b, ИЛ-6, ИФН-γ) и С-реактивного белка, а также пол, возраст пациента, употребление алкоголя, курение, клиническая форма туберкулеза (очаговый, инфильтративный, диссеминированный и фиброзно-кавернозный), наличие (отсутствие) деструкции легочной ткани, распространенность процесса, наличие (отсутствие) МБТ при поступлении (метод микроскопии и посева), наличие (отсутствие) антибиотикорезистентности, число полостей распада, размер максимальной полости распада, режим специфической химиотерапии (интенсивная фаза), сведения о бактериовыделении после завершения интенсивной фазы химиотерапии (метод микроскопии и посева), нарушение режима лечения, сведения о рубцевании полостей распада, уменьшение (увеличение/без изменения) размеров полостей распада, уменьшение(увеличение/без изменения) инфильтрации легочной ткани, наличие (отсутствие) сведения о побочных реакциях на проводимую специфическую химиотерапию, впервые выявленный (хронический) туберкулез легких. Выходным параметром нейросети была «эффективность лечения».

Архитектура многослойного персептрона была выбрана в автоматическом режиме в программе SPSS Statistika 27 с минимальным количеством нейронов в скрытом слое – 1 и максимальным количеством нейронов в скрытом слое – 50.

С целью построения нейронной сети использовался многослойный персептрон (рисунок).

Рис.1 Многослойный персептрон.

Для формирования модели персептрона использовались три выборки (обучающая, которая составляла 66,67%, тестовая – 22,22% и контрольная – 11,1%).

Вывод данных прогноза включал в себя: структуру сети (описание, диаграмму и веса нейронов) и производительность сети (сводка по модели, результаты классификации, ROC – кривая, кумулятивная диаграмма выигрыша, диаграмма прироста, диаграмма точности прогнозов, а также сводный отчет наблюдений и анализ значимости входных параметров нейросети).

В ходе проведенного анализа обучения нейронной сети получилась наиболее оптимальная по прогнозу модель многослойного персептрона. Чувствительность нейросетевой модели составила 100%, специфичность – 30%, процент правильно предсказанных событий при тестировании на контрольной группе – 88,9 (таблица).

Таблица

Сводные данные по модели полученной нейронной сети

Обучающая выборка	Процент неверных предсказаний (%)	0,0
Тестовая		0,0
Контрольная		11,1

В результате построения нейросетевой модели были выявлены наиболее значимые «входные» параметры нейросети, которые оказывали наибольшее влияние на эффективность лечения. Согласно полученным данным, наибольшее влияние на эффективность лечения оказывало уменьшение размеров полостей распада (100%), наличие антибиотикорезистентности (100%), наличие МБТ до назначения специфической химиотерапии методом микроскопии (55%) и методом посева (40%), уровень ИЛ10 (35%), ИЛ 4 (23%) и ФНОа (20%) до назначения специфической химиотерапии (23%), а также генотип ЕЕ гена GSTT1 (30%) (рисунок).

Рис. 2. Значимость «входных» параметров нейросети влияющих на эффективность лечения

(%).

Выводы

1. Нейросетевое прогнозирование эффективности лечения больных туберкулезом легких позволяет с достаточной точностью получить прогноз возможного развития в будущем с вероятностью 88,9%. Полученные данные позволяют сделать вывод о том, что применение нейронных сетей для прогнозирования эффективности лечения оправданно и может обеспечить приемлемую ошибку прогноза.

2. В результате построения нейросетевой модели были выявлены наиболее значимые «входные» параметры нейросети, которые оказывали наибольшее влияние на эффективность лечения: уменьшение размеров полостей распада (100%), наличие антибиотикорезистентности (100%), наличие МБТ до назначения специфической химиотерапии методом микроскопии (55%) и методом посева (40%), уровень ИЛ 10 (35%), ИЛ 4 (23%) и ФНОа (20%) до назначения специфической химиотерапии (23%), а также генотип ЕЕ гена GSTT1 (30%).

3. Целесообразно внедрить данную нейросетевую модель в практику врача фтизиатра с целью получения прогнозирования эффективности лечения больных туберкулезом легких в интенсивной фазе химиотерапии.

Список литературы

1. Волчек Ю.А., Шишко О.Н., Спиридонова О.С., Мохорт Т.В. Положение модели искусственной нейронной сети в медицинских экспертных системах. Juvenis Scientia. 2017;9:4-9. DOI: 10.15643/ jscientia.2017.9.001.

2. Кравченко В.О. Методы использования искусственных нейронных сетей в медицине. Устойчивое развитие науки и образования. 2018;6:266-70.

3. Мустафаев А.Г. Использование нейросетевых технологий в задачах медицинской диагностики. Вестник компьютерных и информационных технологий. 2019;6:32-8. DOI: 10.14489/ vkit.2019.06.pp.032-038.

4. Хайкин С. Нейронные сети: полный курс. М.: Вильямс; 2016.

5. Kriegeskorte N., Golan T. Neural network models and deep learning. Curr Biol. 2019;29(7):R231-6. DOI: 10.1016/j.cub.2019.02.034.

6. Pérez J., Cabrera J.A., Castillo J.J., Velasco J.M. Bio-inspired spiking neural network for nonlinear systems control. Neural Netw. 2018;104:15-25. DOI: 10.1016/j.neunet.2018.04.002.

Код для цитирования: Скопировать