Развитие послеоперационных осложнений является основной проблемой в лечении больных с доброкачественной гиперплазией предстательной железы (ДГПЖ).
Анализ существующих методик прогнозирования показывает, что для повышения эффективности работы прогнозирующей интеллектуальной системы необходимо объединение достоинств технологий нейронных сетей и систем нечеткого вывода. Для решения данной задачи разработана специализированная гибридная интеллектуальная система, которая использует обучаемые нейронные сети в системе нечеткого вывода на этапе дефуззификации.
В качестве основы для разработки гибридной системы выбрана распространенная модель нечеткого решающего модуля, состоящая из блоков фуззификатора, агрегатора и дефуззификатора. В отличие от известной структуры, в которой осуществляется анализ всех признаков исходного пространства, в рассматриваемой системе на этапе фуззификации выполняется разбиение признакового пространства на группы для последующего блочного анализа наборов сгруппированных признаков. Агрегирование выполняется в два последовательных шага.
на первом шаге агрегирования решающих правил выполняется построение структуры групповых агрегаторов, предназначенных для вычисления коэффициентов уверенности, определяющих принадлежности объектов к заданному классу на основании каждой группы признаков.
На втором шаге агрегации для рассчитанных групповых коэффициентов уверенности строятся агрегаторы, позволяющие определить окончательный (финальный) коэффициент уверенности в принадлежности объекта к определенному классу. В качестве дефуззификатора гибридной системы используется нейронная сеть, обучение которой производилось на основе исходных обучающих данных, полученных из анализа существующих результатов хирургического лечения ДГПЖ, содержащихся в историях болезни больницы скорой медицинской помощи г. Курска.
Алгоритм построения системы интеллектуальной поддержки для определения риска послеоперационных осложнений работает следующим образом. В начале осуществляется обучение системы путем ввода числовых значений признаков объектов, сгруппированных в обучающие данные. На следующем этапе выполняется построение нечетких функций принадлежности и фуззификация признакового пространства. Затем выполняется кодирование списка нечетких операций, выбранных для построения агрегаторов, и рассчитываются длины битовых строк для генетических алгоритмов. После этого инициализируется цикл по всем группам признаков классов, в котором для каждой группы признаков строятся наборы агрегаторов по каждому классу. Затем выполняется построение агрегаторов (финальных агрегаторов) для объединения полученных значений частных коэффициентов уверенности. После завершения обучения выполняется прогнозирование результатов с использованием полученной гибридной системы и оценка качества работы системы. При неудовлетворительном качестве прогнозирования выполняется подстройка отдельных элементов гибридной системы в зависимости от вида ошибок прогнозирования. Если качество прогнозирования признано удовлетворительным, полученная модель структуры гибридной системы сохраняется в разработанном в среде Matlab 7.10 программном модуле.
Для нейросетевого прогнозирования использовались 29 информативных признаков.
Поставленная задача прогнозирования результатов послеоперационных осложнений при хирургическом лечении ДГПЖ характеризуется отсутствием практической возможности эмпирической экспертной оценки наиболее подходящего вида и порядка нечетких операций для каждого из агрегаторов. В связи с этим был разработан способ автоматизированного подбора наиболее эффективных комбинаций нечетких операций, основанный на использовании генетического алгоритма. Подбор осуществляется с использованием встроенного модуля gatool из пакета Genetic Algorithm системы Matlab 7.10, который выполняет минимизацию количества ошибок заданной целевой функции.
В качестве обучающей функции выбрана встроенная функция trainlm, которая модифицирует значения весов и смещений в соответствии с методом оптимизации Левенберга-Маркара.
Преимуществом данного способа является тот факт, что при наличии ситуаций, в которых действительным исходом хирургического лечения являлся класс не с максимальным коэффициентом уверенности – подобные ситуации будут запоминаться нейронной сетью в процессе обучения и эти сведения отразятся на принятии последующих решений на контрольных данных.
Экспериментальные исследования показывают, что для корректной работы сети в качестве дефуззификатора при необходимости разделения данных на три класса достаточно наличие двух внутренних слоев с четырьмя нейронами в каждом из них.
Таким образом, разработана структура гибридной решающей системы, позволяющая выполнять прогнозирование результатов осложнений при хирургическом лечении ДГПЖ, отличающаяся использованием этапа агрегирования, состоящего из двух последовательных шагов и включающего в себя групповые и три итоговых агрегатора, и применением нейронной сети в качестве дефуззификатора системы нечеткого вывода. Предложен алгоритм последовательной настройки гибридной прогнозирующей системы, включающий в себя этапы выбора нечетких функций принадлежности, составление набора нечетких операций для агрегаторов, обучение нейронной сети, используемой в качестве дефуззификатора, контроль качества прогнозирования, выполняемого полученной системой. Разработан способ дефуззификации нечетких коэффициентов уверенности в модели нечеткого логического вывода с помощью обучаемой нейронной сети, что позволило улучшить качество работы системы за счет того, что в ходе обучения нейронной сети учитывается влияние всех рассчитанных коэффициентов уверенности на результат прогнозирования. Разработан алгоритм автоматизированного составления агрегаторов решающей системы, позволяющий выполнять автоматический подбор эффективного набора нечетких операций и порядка объединения функций принадлежности для расчета коэффициентов уверенности принадлежности объекта к каждому из классов. Подбор осуществляется с применением встроенного модуля генетических алгоритмов gatool системы Matlab 7.10, принимающего в качестве цели минимизации разработанную автором специализированную процедуру оценки ошибки прогнозирования.