Экспертные системы в диагностике меланомы кожи

Одним из методов поддержки принятия врачебных решений может являться использование информационных технологий для диагностики меланомы. Использование информационных технологий уменьшает влияние «мнения», субъективизма при вынесении диагностического решения, систематизирует сбор необходимой информации, вносит определенный алгоритм, необходимый для принятия диагностического решения. Алгоритмизацию диагностики злокачественных новообразований можно рассматривать как один из инструментов обеспечения качества онкологической помощи. Использование информационных систем может помочь в дифференциальной диагностике меланоцитарных новообразований, выявлении фоновых предзлокачественных новообразований и меланомы на ранних стадиях.

Экспертная система (ЭС) — это комплекс программно-аппаратных средств, основанных на алгоритмах искусственного интеллекта и современных средствах вычислительной техники, который использует знания и опыт людей-экспертов с целью выработки рекомендаций или решения проблем. Одним из главных свойств экспертных систем можно считать способность системы объяснить, как и почему она приняла то или иное решение, объяснить ход своего рассуждения понятным для пользователя образом

Главная особенность экспертных систем — способность перерабатывать знания людей, экспертов в своей области. Именно их профессиональные знания, навыки, технологические приемы, эвристические решения и опыт, формализуемые в процессе разработки системы, и формируют базу знаний.

В экспертных системах реализуются четыре базовых функции.

  1. Приобретение (извлечение) знаний.
  2. Представление знаний.
  3. Управление процессом поиска решения.
  4. Разъяснение принятого решения.

Примеры экспертных систем для решения различных задач медицины, в т.ч. дерматологии

В различных областях медицинских знаний накоплен определенный опыт в построении автоматизированных систем по принятию врачебных решений. Одними из первых систем такого рода были MYCIN и DENDRAL, которые появились в США в середине 70-х годов.

MYCIN

Программа MYCIN предназначена быть ассистентом врача, который не является узким специалистом в области применения антибиотиков для лечения инфекционных заболеваний. В процессе работы программа формирует гипотезы диагноза и придает им определенные веса, но самостоятельно не делает окончательного выбора [132, 146].

Работа над программой началась в 1972 году в Стэндфордском университете и велась специалистами в области искусственного интеллекта в тесном сотрудничестве с медиками [20]. В 1979 году были организованы испытания созданной системы MYCIN. Окончательное заключение, вынесенное программой, сравнивалось с заключениями ведущих медиков Стэндфордского университета и рядовых врачей. Отличие между оценкой, полученной MYCIN, и оценками качества рекомендаций ведущих специалистов Стэнфорда, было невелико, а по сравнению с рядовыми врачами система оказалась даже на более высоком уровне [20; 147].

По ряду причин MYCIN не использовалась в реальной врачебной практике: база знаний, включающая около 400 правил, оказалась недостаточной для реального внедрения в практику лечения инфекционных больных; внедрение системы требовало приобретения достаточно дорогой вычислительной техники, что не могло себе позволить в те времена большинство лечебных учреждений; врачи-практики не хотели работать за компьютером; кроме того, существующий в 1976 году интерфейс с пользователем не был тщательно продуман. MYCIN при ее практической направленности осталась экспериментальной исследовательской системой, не рассчитанной на коммерческое применение. Тем не менее, на ее основе были созданы другие диагностические ЭС, которые реально использовались в лечебной практике. Например, система PUFF [67]. Данная система предназначена для диагностики нарушения работы дыхательных органов. В качестве исходных данных использовались результаты спирографического исследования [20].

В качестве дополнительного примера экспертных лечебно-диагностических систем можно привести систему INTERNIST [73], областью экспертизы которой является общая терапия; CASNET [121] — система для диагностики глаукомы, ONCOCIN [111] — система формирует план лечения больных онкологическими заболеваниями. Экспертная информационно-диагностическая система DERM [32] — обеспечивает автоматизированную диагностику формы дерматоза, особенностей течения, обострения процесса и сопутствующих поражений нервной, дыхательной систем, органов желудочно-кишечного тракта и в соответствии с поставленными диагнозами, учитывая оценку тяжести проявлений и их приоритетность, предлагает врачу индивидуализированные программы терапии и реабилитации пациентов.

Создан ряд экспертных систем (CAPSULE, PRODIGY), оказывающих информационную и интеллектуальную поддержку принятия лечебных решений и позволяющих существенно (на 28%) снизить ошибки при назначении лечения [143], системы, помогающие врачу подобрать оптимальное решение использования антибиотиков и других антиинфекционных препаратов для тяжело больных, используя большой комплекс входной информации [101].

Накоплен опыт создания немедицинских экспертных систем, таких как HEARSAY — система распознавания речи, DENDRAL — система построения структуры химических соединений по данным масс-спектрометрии, MOLGEN -система-ассистент при планировании экспериментов в генетике и многие другие

На кафедре медицинской кибернетики и информатики РГМУ также ведутся разработки консультативных лечебно-диагностических систем:

  • экспертная система «РЕПРОКОД», «ТИРЭКС», «НЕФРЭКС» и др.,
    созданные с помощью единой оболочки, под руководством доцента кафедры
    Киликовского В.В [25, 26, 40];
  • экспертная система «ТАИС» (под руководством проф. Устимова А.Г.)

Эти системы разработаны для применения в нефрологии, эндокринологии, психиатрии и других областях медицины.

На основе оболочки «Репрокод» нами в 2003 году был разработан прототип консультативной экспертной системы по назначению лечения инфекций, передающихся половым путем [38]. На основе поставленного диагноза, собранного анамнеза и индивидуальных особенностей организма (индивидуальная непереносимость лекарственных средств) система предлагает варианты лечения заболевания. Сначала предлагаются препараты выбора с рекомендуемыми схемами приема. При наличии факторов, запрещающих применение препаратов выбора (индивидуальная непереносимость лекарственных средств, беременность, лактация и др.) система предлагает альтернативные схемы лечения. Система апробировалась на историях болезни Центрального Научно-Исследовательского Кожно-Венерологического института и Республиканского кожно-венерологического диспансера г. Ижевска.

В настоящее время существует целый ряд компьютерных программ, в том числе экспертных систем, предназначенных для решения диагностических задач дерматологии в целом [102, 105, 123, 136,] и дифференциальной диагностики пигментных новообразований кожи в частности. Материалом анализа для экспертной системы могут быть как клинические признаки и собранный анамнез, так и цифровые изображения новообразований, полученные с помощью цифрового фотоаппарата или дерматоскопа. В изученной литературе нам удалось найти описание только одной экспертной системы для диагностики новообразований кожи, которая использует данные анамнеза и клинико-макроскопическое описание новообразований для вынесения диагностических гипотез — EXPERT, остальные экспертные системы используют цифровые изображения образования.

EXPERT

EXPERT — медицинская компьютерная система, основанная на знаниях и предназначенная для решения задач дерматологии. В основе ее использовалась система SEEK (System for Experimentation with Expert Knowledge). В качестве оболочки была использована программа, написанная на Фортране.

Экспертная система проводила дифференциальную диагностику 13 различных опухолей кожи, наиболее часто встречающихся в практике врача-дерматолога. Точность диагностики созданной системы составляла 84%. Программа позиционировалась как инструмент для обучения студентов, интернов и ординаторов, изучающих дерматологию, и для врачей, проходящих обучение на кафедрах дерматологии [142].

EXPERT оперирует признаками, правилами и гипотезами. Правила являются связующим звеном между признаками и гипотезами для постановки диагнозов, т.е. для вывода заключений. Признаками являются клинические данные, полученные из истории болезни и в результате осмотра врачом. Для каждой из нозологических форм признаки и правила собирались в специальную таблицу признаков. Каждая таблица признаков являлась моделью знаний и правил, которые используют врачи для постановки диагноза.

Признаковое пространство включает в себя 114 признаков, описывающие визуальные характеристики образований. Каждый из признаков имеет несколько градаций, таким образом, признаковое пространство состоит из 280 градаций. Все признаки однозначно определены, использовавшаяся терминология   соответствовала терминологии  дерматологов.   Все  признаки, кроме возраста, регистрировались как «истинный», «ложный» или «неизвестный». Только возраст регистрировался как целое число.

В ЭС использовалось 3 уровня диагностической точности — «мало вероятно», «вероятно», «точно». Для каждого из уровней точности существовал свой набор правил.

Правила также были разных типов. Первый тип правил использовал главные и второстепенные признаки для постановки диагноза с определенным уровнем уверенности. Второй тип правил использовал дополнительные признаки (дополнительные исследования) для постановки диагноза. Третий тип правил (исключающие правила) использовал признаки, которые никогда не встречаются при данном диагнозе, т.е. их наличие исключает конкретный диагноз.

При клинических испытаниях EXPERT диагноз, предлагаемый экспертной системой, сверялся с гистологическим диагнозом, в тех случаях, когда имелись результаты биопсии. Если результатов биопсии не было, то диагноз сверялся с диагнозами, которые выносили два независимых дерматолога.

Всего исследователями было проанализировано 199 образований, полученных от 132 пациентов по 39 диагностическим формам. В 159 случаев экспертная система предлагала верный диагноз, т.е. диагностическая точность составила 80%. Только для 13 видов опухолей удалось набрать как минимум 5 образцов, что составило 173 случая. Из них в 145 случаях диагноз, предложенный системой, оказался верен, и диагностическая точность составила 84%.

При разработке данной экспертной системы набор выходных диагнозов не был определен заранее. Разработчики не ставили перед собой цели дифференциальной диагностики [142], что, несомненно, сузило возможности ее использования.

EXPERT, как уже отмечалось выше, единственная экспертная система, основанная на данных клинического осмотра,  упоминание о  которой нам удалось найти в доступной литературе. Все другие разработки компьютерных систем, предназначенных в помощь врачу-дерматологу, шли по пути компьютерного анализа изображений образований.

DANAOS

Особое место в ряду таких компьютерных экспертных систем занимает экспертная система DANAOS (Diagnostic and Neural Analysis of Skin Cancer). Тестирование и обучение этой ЭС включало в себя материал 13 дерматологических центров разных стран мира. Всего было исследовано 2218 дерматологических изображения, полученных от 1173 пациентов (694 мужчин и 479 женщин). Средний возраст пациентов составил 36.6 + 16.4 [109].

Разработка этой экспертной системы сопровождалась целым рядом исследований, в которых рассматривались проблемы анализа изображений и пути их преодоления. Обширный материал для тестирования и обучения позволил сделать ряд выводов об общих правилах подбора тестировочного и обучающего материала для экспертных систем.

В отличие от разработчиков экспертной системы EXPERT разработчики данной ЭС ставили перед собой задачу проведения дифференциальной диагностики различных новообразований кожи, но, так же как и в случае с разработкой EXPERT, набор диагнозов не был определен заранее. Набор диагнозов определился уже во время начавшегося исследования. Всего исследование включало 23 нозологических единицы.

В основе DANAOS была использована модель искусственных нейронных сетей.

Программа предназначалась для предварительного скрининга злокачественных новообразований кожи неопытными операторами, например медицинскими сестрами, или для поддержки принятия решений клиницистами во время дифференциальной диагностики пигментных новообразований.

В рамках обычного скрининга на меланому пациенты обследовались дерматологами-экспертами.   Обследование   включало   в   себя   клинический осмотр и цифровую дерматоскопию. Каждое из образований классифицировалось либо как доброкачественное, либо как потенциально злокачественное. Если возникало подозрение на злокачественность новообразования, то его удаляли хирургическим методом и отправляли на гистологический анализ. Гистологическое заключение давали два независимых гистолога. Если новообразование определяли, как доброкачественное, то его не удаляли, а проводилась его диагностика двумя независимыми дерматологами-экспертами, которые и выставляли клинический диагноз. Данные случаи также включались исследователями в обучающую выборку системы.

Для анализа DANAOS использует цифровые изображения новообразований, полученные методом дермоскопии.

Для обучения экспертной системы включались изображения пигментных новообразований, анамнестические данные и указание типа кожи. Не все изображения подходили для обучения экспертной системы. Часть из них требовала специальной доработки.

Для обучения было важно, чтобы в выборке присутствовали разные диагностические формы. Для описания компьютерного изображения использовались такие признаки, как асимметрия образования, фестончатость контура границ, цвета, консистенция.

Вся база данных была разделена на 10 частей. 9 из них были использованы для обучения и 1 для тестирования. Обучение повторялось 10 раз с разными тестовыми наборами.

Чтобы оценить диагностическую способность экспертной системы, данные о специфичности и чувствительности экспертной системы сравнивали с данными о специфичности и чувствительности обычной клинической диагностики и с данными диагностики, сопровождающейся интеллектуальной поддержкой, полученными из литературы.

При тестировании данной экспертной системы использовались истории болезни 13 дерматологических центров. Это важно, т.к. обеспечивает достоверность выборки и устойчивость системы при принятии решений.  В частности, был проведен следующий эксперимент. Было исследовано три различных сценария обучения и тестирования системы. В первом случае и обучение, и тестирование проводилось на выборке из одного дерматологического центра; во втором случае обучение проводилось на историях болезни из одного дерматологического центра, а тестирование — на историях болезни из другого дерматологического центра; и, наконец, в третьем случае проводилось мультицентровое обучение и тестирование системы. Во всех случаях объем обучающей выборки был одинаковым. Соотношение между чувствительностью и специфичностью системы оказалось самым худшим во втором случае, в первой модели эксперимента соотношение оказалось немного лучше, по сравнению с третьей моделью эксперимента [109]. Таким образом, было показано, что экспертная система, созданная на материале только одного источника данных, может оказаться не способной решать поставленные перед ней диагностические задачи на других выборках, следовательно, чем больше источников знаний и данных используется при разработке ЭС, тем устойчивее работает экспертная система.

В случае, когда экспертная система использует в качестве входных данных цифровые изображения пигментных новообразований, перед разработчиками встает вопрос о том, какие изображения следует использовать для дообучения экспертной системы. Часто на изображении присутствуют различные артефакты, такие, например, как волосы, закрывающие часть изображения. Следует ли использовать «чистые» изображения, без каких бы то ни было артефактов или любые изображения? [112, 129]

Той же группой ученых во время разработки системы DANAOS был проведен следующий эксперимент. Они сравнили соотношение между чувствительностью и специфичностью системы, когда обучение и тестирование ведется на «чистых» изображениях; когда обучение ведется на «чистых», а тестирование на любых; и когда и обучение, и тестирование ведется на разных изображениях (и с артефактами и без артефактов). В первом и последнем случае данное соотношение было практически одинаковым, в третьем случае соотношение было наихудшим [109].

Полученные во время этого эксперимента данные можно экстраполировать и для случая, когда экспертная система использует в качестве исходных данных материалы историй болезни. Если обучать ЭС на эталонных описаниях пигментных новообразований, то ее диагностическая способность на реальных историях болезни, вероятнее всего, окажется недостаточно высокой. Таким образом, экспертная система, предназначенная для использования врачами в своей повседневной деятельности, должна быть дообучена данных, извлеченных из реальных историй болезни.

В результате проведенных разработок был создан прототип экспертной системы DANAOS, использующий принцип нейронных сетей и предназначенный для дифференциальной диагностики пигментных новообразования кожи. Исследование проводилось на базе 13 дерматологических центров 9 европейских стран. Диагностические предположения, выносимые экспертной системой, в большинстве случаев, совпадали с диагнозами, выставляемыми клиницистами, тем не менее, в некоторых случаях у клиницистов и ЭС возникали расхождения в диагностике: в ряде случаев клиницист без проблем мог поставить точный диагноз, в то время как ЭС не справлялась с этой задачей, и наоборот — в тех случаях, когда ЭС выносила верное диагностическое предположение, у клиницистов возникало затруднение с точной диагностикой. В настоящее время ведется дополнительная работа по улучшению диагностической способности описанной экспертной системы [109].

В том случае, когда экспертная система в качестве исходного материала использует цифровые изображения пигментных новообразований, перед разработчиками и пользователями системой встает много различных задач.

Об одной из них мы уже упоминали выше — это чистота изображения, отсутствие на нем каких-либо артефактов (например, волос). Волосы на изображении выглядят как темные полосы, закрывающие часть изображения.

Избежать появления волос на изображении можно либо путем сбривания их с поверхности, либо путем программной обработки уже полученного изображения [112, 129]. Таким образом, пигментное образование необходимо либо подготавливать специальным образом для получения наиболее достоверного изображения, либо использовать специальные программные средства для восстановления образования. В последнем случае встает вопрос об аутентичности полученного после обработки изображения.

Другой задачей, встающей при анализе цифровых изображений новообразований, является получение шкалы мер каждого из признаков. Основные критерии для оценки злокачественности новообразований (ABCD-правило) являются во многом субъективными, не имеющими четкой оценочной меры. Например, при оценке границ новообразования у эксперта, как правило, не возникает сомнения в том, считать ли границу новообразования ровной или волнистой. Перед экспертом, как правило, даже не стоит задачи четко отделить, какой участок кожи считать частью новообразования, а какой — частью неизмененной кожи. В случае с анализом компьютерных изображений данный вопрос требует составления четких алгоритмов, по которым программа будет четко обрисовывать данную линию, внутри которой будет пигментное новообразование, а снаружи — неизмененная кожа, а затем лишь приступать к анализу ее на «ровность». Такая же ситуация и с симметричностью — сначала необходимо обрисовать границы пигментного новообразования, а потом приступать к анализу на симметричность, причем симметричность может быть по форме, по цвету, по консистенции. Все три вида симметрии должны рассматриваться отдельно друг от друга, т.к. нет доказательств того, что между ними существует корреляция, особенно у «почти» симметричных и асимметричных образований. Кроме этого симметричность может оцениваться по разным осям, и тогда уже встает вопрос о составлении «карт симметричности» [127, 128, 129].

Таким образом, несомненными плюсами экспертных систем, материалом для которых являются цифровые изображения, можно считать минимизацию

41

 

«субъективизма» врача при постановке диагноза: камера получает цифровое изображение, которое анализируется по заданным параметрам. Для каждого из используемых параметров составляется шкала мер каждого из признаков и, следовательно, такие признаки, как, например, цвет, симметричность пигментного новообразования становится возможным оценить не субъективно, а объективно. Объективизация субъективных признаков является важным шагом в процессе улучшения дифференциальной диагностики меланомы и других новообразований кожи [129].

В качестве преимущества можно также назвать возможность использования данных систем при скриннинговых исследованиях, когда анализируется поток образований. Ведь в данном случае нет необходимости применять какие-либо из специальных знаний, самой главной задачей становится правильное получение изображения.

Несмотря на все преимущества, данные системы являются дорогостоящими. Получение цифровых изображений требует использования качественной дорогостоящей аппаратуры. Искажение изображения на стадии его получения неизбежно приводит к искажению результата, выносимого системой. Позволить себе приобрести такую экспертную систему могут только крупные специализированные медицинские центры, а поддержка в принятии решений требуется специалистам, как правило, более широкого профиля, таким как терапевты, хирурги, косметологи. Эти врачи первыми встречают пациента, от их правильного решения зависит судьба больного и именно таким врачам-неэкспертам в данной области требуется поддержка в принятии диагностических решений.

Добавить комментарий

Ваш e-mail не будет опубликован.

Статистика

Просмотров за сегодня: _ Просматривают сейчас: 0

Свежие комментарии

    Пройдите опрос

    Доверяете ли вы врачам

    Показать результаты

    Загрузка ... Загрузка ...

    Рубрики

    Реклама