Экспертная система онкологической диагностики опухолей желудочно-кишечного тракта (на основе архивов ронц им. Н. Н. Блохина рамн)

Вид материала

Документы

Содержание Желудочно-кишечного тракта

Подобный материал:

• Клинические и экспериментальные аспекты изучения молекулярно-биологических маркеров, 476.4kb.
• Каршиева Саида Шамильевна Роль индукторов дифференцировки в комбинированной терапии, 622.77kb.
• Возможности эндоскопических методов исследования в ранней диагностике онкологических, 42.3kb.
• Классификация заболеваний желудочно – кишечного тракта, 81.44kb.
• Академик ран и рамн, профессор, директор нии ко ронц им. Н. Н. Блохина рамн, г. Москва,, 126.09kb.
• Внутрипросветноэндоскопические изменения желудочно-кишечного тракта при болезнях органов, 463.75kb.
• Программа конгресса рооу 5-7 октября 2011 г. Москва, конгресс-центр гк «Космос», 158.33kb.
• Исследование микробиоценоза желудочно-кишечного тракта перепелов на фоне применения, 56.33kb.
• Клиническая эффективность препарата лактофильтрум у больных с хроническими заболеваниями, 106.11kb.
• Клиническое значение оценки цитокинового статуса у больных функциональными заболеваниями, 297.09kb.

В.Г. Никитаев, Е.Ю. Бердникович, о.А. венедиктоВ, В.В. МОЧАЛЬНИКОВА¹, Е.А. НОЖЕНКО, Л.В. Осипова,

Н.Н. Петровичев¹, А.Н. Проничев, А.Г. ПЕРЕВОЩИКОВ¹, Д.Л. РОТИН¹, Е.А. СОРОКИНА¹, И.Н. СОКОЛОВА¹,

Н.С. ТАВРИНА, М.В. ФИЛИППЕНКО

Московский инженерно-физический институт (государственный университет),

¹Российский онкологический научный центр им. Н.Н. Блохина РАМН


ЭКСПЕРТНАЯ СИСТЕМА ОНКОЛОГИЧЕСКОЙ ДИАГНОСТИКИ ОПУХОЛЕЙ

ЖЕЛУДОЧНО-КИШЕЧНОГО ТРАКТА
(НА ОСНОВЕ АРХИВОВ

РОНЦ ИМ. Н.Н. БЛОХИНА РАМН)


О совместной МИФИ и РОНЦ им. Н.Н. Блохина разработке экспертной системы онкологической диагностики опухолей желудочно-кишечного тракта.


Целью данной работы является разработка экспертной системы онкологической диагностики опухолей желудка, пищевода, поджелудочной железы и толстой кишки. Эталонная база данных построена на уникальном архиве Российского онкологического научного центра им. Н.Н. Блохина РАМН.

Гистологическое исследование является ключевым и самым значимым этапом онкологической диагностики опухолей с точки зрения принятия решения о диагнозе. Микроскопические изображения, являющиеся при гистологическом исследовании объектами анализа, имеют сложную пространственно-яркостную организацию, что ставит проблему их корректной интерпретации. В силу специфики предметной области задача микроскопического анализа относится к классу трудно формализуемых, не имеющих адекватного традиционного математического описания. Как правило, такие задачи решаются с использованием экспертных систем, которые могут содержать не только количественные, но и качественные характеристики объектов исследования. Важнейшее значение в таких системах приобретают проблемы построения исходной базы знаний для конкретной предметной области.

В результате анализа объектной среды РОНЦ была разработана модель интерактивного распознавания изображений, которая позволила определить требования к эталонной системе баз данных препаратов опухолей ЖКТ, являющейся основой экспертной системы.

Предложена следующая модель интерактивного распознавания изображений при микроскопическом анализе:

1. Определение списка классов – списка нозологических форм, дифференцировка между которыми наиболее значима при постановке гистологического диагноза, .
   
2. Формирование выборки эталонных объектов (микропрепаратов), представляющих заданные классы .
   
3. Разработка словаря информативных признаков. Иерархическая модель словаря включает вектор свойств 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.
   

(1)

4. С помощью словаря признаков построение описания объектов из эталонной выборки классов . Т.е. каждому объекту из класса ставится в соответствие набор свойств и признаков из словаря
   

.

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

6. В системе происходит анализ введенной комбинации признаков входного объекта X и оценивается наличие выбранного набора признаков в совокупности признаков для каждого класса эталонной выборки. Обозначим как W_k – количество эталонных объектов в классе K, а V_xk – вес комбинации свойств и признаков объекта X в классе .



Вес комбинации оценивается следующим образом:

,

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

,

где S – свойство из вектора свойств входного объекта X.

Тогда считается, что объект классу K_i при условии, что для () выполняется условие

, где

– частота встречаемости комбинации признаков объекта X среди объектов K_i класса, – частота встречаемости комбинации признаков объекта X среди объектов K_t класса,

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

, где

– коэффициент, зависящий от представительности выборки класса K_i , а Z_x – 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.

Данная модель была положена в основу программного обеспечения системы, которое позволяет вводить изображения гистологических препаратов с камеры микроскопа, осуществлять анализ изображений по стандартизованным наборам признаков, проводить поиск изображений препаратов по определенным критериям, вести архив изображений, поддерживать базу данных.

Данная экспертная система может применяться в клинической практике для повышения достоверности принимаемых диагностических решений, повышения квалификации врачей патологоанатомов, обучения и тестирования студентов-медиков.