Scientific journal
International Journal of Applied and fundamental research
ISSN 1996-3955
ИФ РИНЦ = 0,593

Гистологическое исследование является ключевым и самым значимым этапом он­кологической диагностики опухолей с точ­ки зрения принятия решения о диагнозе. Гистологическая диагностика основана на принципе подобия выявленных изме­нений некому стандарту и в значительной мере зависит от субъективных факторов: квалификации эксперта, его способности выделить, объединить и соотнести выявленные признаки с определенной нозоло­гической единицей [1]. Микроскопические изображения, являющиеся при гистоло­гическом исследовании объектами ана­лиза, имеют сложную пространственно-яркостную организацию, поэтому задача их интерпретации относится к классу труд­но формализуемых, не имеющих адек­ватного традиционного математического описания. Также это связано с отсутствием в ряде нозологий четких критериев и раз­нообразием форм объектов исследования. Процесс гистологического исследования микропрепаратов в клинической прак­тике  в большинстве  случаев  базируется на формировании у врача-патологоанатома качественных образов объектов, напри­мер разновидностей опухолей, аналогично у человека формируется память на лица.

Бсе вышеперечисленные факторы свиде­тельствуют о том, что в области гистологи­ческой диагностики необходимо создавать высокотехнологичные (с применением пе­редовых информационных технологий) экс­пертные системы, аккумулирующие опыт и знания передовых врачей-диагностов, ко­торых по некоторым заболеваниям в стране единицы. Такие экспертные системы могут использоваться как эффективное средство поддержки принятия диагностических ре­шений врачом в сложных случаях заболе­ваний и опухолей. Наряду с диагностикой, они также призваны решать задачи обуче­ния и повышения квалификации врачей.

Предложена модель построения эксперт­ной системы гистологической диагностики (рис.1), в основе которой база знаний эта­лонных изображений опухолей, описанных в системе формализованных признаков, которые содержат как количественные, так и качественные характеристики объ­ектов исследования. Также система содер­жит подсистемы интеллектуального выво­да, обучения и редактирования. Стратегия поддержки принятия решений врачом, заложенная в систему, основана на сопо­ставлении комбинации стандартизованных информативных признаков исследуемого случая заболевания с совокупностью при­знаков эталонных объектов заданных клас­сов заболеваний. Б результате определяет­ся наиболее вероятный класс исследуемого случая и коэффициент достоверности по­лученного результата.

Математическая модель базы знаний включает в себя следующие основные по­ложения:

Список классов - список нозологиче­ских форм, дифференцировка между кото­рыми наиболее значима при постановке ги­стологического диагноза, {Ki}.

Выборка эталонных объектов (микропре­паратов), представляющих заданные классы {Mэk}.

Словарь информативных признаков. Ие­рархическая модель словаря включает век­тор свойств S и вектор признаков , при­чем каждое свойство описывается своим вектором признаков . Каждому входному объекту X, таким образом, может быть поставлен в соответствие набор из указанного словаря.

Описания объектов из эталонной вы­борки классов {Mk} с помощью словаря признаков. Т.е. каждому объекту из клас­са ставится в соответствие набор свойств и признаков из словаря  

В основу подсистемы интеллектуально­го вывода положена модель распознавания, основанная на постепенном сужении про­странства поиска сходных с исследуемым случаев заболеваний с их процентным ран­жированием по степени схожести. Включа­ет следующие основные положения [2]:

1.    При анализе исследуемого объекта лицо, принимающее решение, из указанного словаря определяет набор свойств и признаков, характерных для исследуемого объекта Х (см. (1)).

2.   В системе происходит анализ введенной комбинации признаков входного объекта Х и оценивается наличие выбранного набора признаков в совокупности признаков для каждого класса эталонной выборки.

Обозначим как Wk - количество эталонных объектов в классе K, а Vэk - вес комбинации свойств и признаков объекта X в классе K.

Вес комбинации оценивается следующим образом:

где Mэk - эталонные объекты класса K, для которых выполняются следующие условия:
 

где s - свойство из вектора свойств S входного объекта X . Тогда считается, что объект X ∈ классу Ki при условии, что для ∀t ( t ≠ i ) выпол-
няется условие

где - частота встречаемости комбинации признаков объекта X среди объектов Ki класса,- частота встречаемости комбинации признаков объекта X среди объектов Kt класса,

3. Для характеристики уровня доверия к решению системы по отнесению анали­зируемого объекта к определенному классу вводится коэффициент достоверности, кото­рый вычисляется по следующей формуле.

 

 где Gk - коэффициент, зависящий от представительно­сти выборки класса K а Zx - условный вес комбинации признаков объекта X во всей выборке.

где N - число классов.

Таким образом, определяется наиболее вероятный класс входного объекта и коэф­фициент достоверности полученного ре­зультата.

Анализ предметной области, объектной среды, а также консультации с экспертами в области гистологической диагностики по­казали адекватность предложенных моделей для построения экспертных систем гистоло­гической диагностики различных нозологий (щитовидной железы, молочной железы, ор­ганов желудочно-кишечного тракта и др.).

Созданные экспертные системы мо­гут применяться в клинической практике для повышения достоверности принимае­мых диагностических решений, повышения квалификации врачей патологоанатомов, об­учения и тестирования студентов-медиков.

Эффективность предложенных решений реализации экспертных систем гистоло­гической диагностики была подтвержде­на экспериментальными исследованиями на тестовой выборке изображений с уча­стием молодых врачей со стажем работы менее 5 лет. Тестовая выборка составляла 180 изображений. Экспериментальные ис­следования показали, что система предло­жила правильный диагноз в 91% случаев (молодые врачи в 64%). Система ошиблась в 9%, причем ошибки распределились сле­дующим образом: 71% - ошибки не име­ющие существенного значения, 18% - ле­чебная тактика идеинтична, 11% - грубые ошибки. В соотношении с общим количе­ством случаев грубые ошибки системы со­ставили менее 2% [3].

Эксперимент показал также, что в слож­ных пограничных случаях опухолей, воз­никают разногласия даже среди экспертов в интерпретации информативных призна­ков. Поэтому актуальной является задача повышения объективности формализован­ных списков признаков для экспертных си­стем гистологической диагностики с при­влечением групп независимых экспертов.

Список литературы

1. Стратегия разработки информационно-диагностического комплекса «Биопсия» / Левадная М.Г., Никитаев Б.Г., Бердникович Е.Ю. и др. // Науч. Сессия МИФИ-2005. Сб. науч. тр. Б 15 томах. - М.: МИФИ, 2004.

2.    Никитаев Б.Г., Бердникович Е.Ю. Система баз данных экспертных оценок для информационно-измерительных систем онкологической диагностики. Международный форум «Новые информационные технологии и менеджмент качества» (NIT & QM). Материалы международного форума. Под редакцией д.т.н., профессора Б.Н.Азарова. - М.:Фонд «Качество», 2009.

3.   Экспертная система для гистологической диагностики опухолей щитовидной железы / Ротин Д.Л., Петровичев Н.Н., Бердникович Е.Ю. // Архив патологии. ISSN 0004-1955. 2004г. N 2.