Dijagnostika respiratornih bolesti primjenom neuro-fuzzy ekspertnih sistema

Transcription

1 Dijagnostika respiratornih bolesti primjenom neuro-fuzzy ekspertnih sistema doc.dr.sc. Almir Badnjević Phone:

2 Introduction Ime i prezime: Almir Badnjević Akademska titula: Docent badnjevic.almir@gmail.com or almir.badnjevic@ibu.edu.ba Mobitel: Zaposlen u:

3 Sadržaj Uvod i motivacija Respiratorni sustav Tehnike za dijagnostiku bolesti pluća Metode klasifikacije astme i kronične opstruktivne plućne bolesti (KOPB) Integrirani programski sustav Rezultati Zaključak 3

4 Uvod Prema ERS-u bolesti pluća su odgovorne za svaki deseti smrtni slučaj u Europi (astma i KOPB) do stanovnika Europe umire zbog KOPB svake godine, više nego od karcinoma pluća i dojke zajedno do godine KOPB će postati treći najveći svjetski ''ubojica'', a time i glavni rastući javno zdravstveni problem 66% Europljana nije svjesno značaja i rasprostranjenosti KOPB (25% do 50% bolesnika nisu svjesni svoje bolesti) 55% liječenih bolesnika s astmom u Europi nema tu bolest pod kontrolom (70% ih osjeća zaduhu 3 do 6 puta tjedno ) 4

5 Uvod 80% ih primjenjuje simptomatski lijek 2 do 3 puta tjedno, 58% ih se zbog napada astme budi noći barem jednom tjedno Spirometrija i Impulsna oscilometrija (IO) Studije o referentnim vrijednostima zdrave djece korištenjem IO (električni i mehanički ekvivalentni modeli) Integrirani programski sustav u skladu sa GINA (engl. Global Initiative for Asthma) i GOLD (engl. The Global Initiative for Chronic Obstructive Lung Disease) smjernicama Neizrazita logika i umjetne neuronske mreže 5

6 Respiratorni sustav Anatomija respiratornog sustava 6 Google Pages, Human Physiology and Anatomy

7 Respiratorni sustav Bolesti respiratornog sustava - astma National Heart Lung and Blood Institute, Asthma 7

8 Respiratorni sustav Bolesti respiratornog sustava - KOPB National Heart Lung and Blood Institute, COPD 8

9 Tehnike za dijagnostiku bolesti pluća Spirometrija 9

10 Tehnike za dijagnostiku bolesti pluća Sustav impulsne oscilometrije - IOS 2. Respiratorni otpor (otpor središnjih i perifernih dišnih putova, kao i plućnog tkiva i zida prsnog koša) 3. Respiratorna reaktancija (X) (uključuje maseno-inertne snage kretanja stupca zraka izražene u inerciji (I) i elastičnim osobinama periferije pluća izražene u obliku kapaciteta (C) 4. Rezonantna frekvencija f res (točka na kojoj su vrijednosti C i I jednake) 5. Reaktancijska zona AX (jedinstvena količina koja reflektira promjene u stupnju opstrukcije perifernih dišnih putova i usko je vezana sa fdr) 6. Frekvencijska ovisnost otpora (fdr ili R5-R20) (razlika izmjerenog otpora na 20 Hz 10 i otpora na 5 Hz ili 3 Hz).

11 Metode za klasifikaciju astme i KOPB Statička i dinamička procjena stanja dišnog sustava ispitanika SPSDSI - postavljanje dijagnoze samo pomoću spirometrijskih testova ne uzimajući u obzir fizikalni pregled pacijenta, auskultacija pluća, simptome i faktore rizika, krvne analize, kao ni rezultati bronhodilatatornih i/ili bronhoprovokativnih testova. DPSDSI - GOLD klasifikacija KOPB zasnovana na simptomima, spirometrijskoj klasifikaciji i riziku od egzacerbacija 11

12 Integrirani programski sustav Dizajn integriranog programskog sustava Arhitektura sustava za klasifikaciju astme i KOPB 12

13 Integrirani programski sustav Dizajn umjetne neuronske mreže Protok definiranog sustava 13

14 Integrirani programski sustav Grafičko korisničko sučelje Početni prozor prilikom pokretanja aplikacije 14

15 Integrirani programski sustav Grafičko korisničko sučelje Forma s prikazom koje je potrebno unijeti o pacijentu 15

16 Integrirani programski sustav Grafičko korisničko sučelje Forma s prikazom učitavanja sa nalaza nakon mjerenja pomoću IO-e 16

17 Integrirani programski sustav Grafičko korisničko sučelje Forma s prikazom početne dijagnoze samo na osnovu rezultata mjerenja IO-e 17

18 Integrirani programski sustav Grafičko korisničko sučelje Forma s prikazom uputa za dodatno testiranje 18

19 Integrirani programski sustav Grafičko korisničko sučelje Forma s prikazom konačne klasifikacije bolesti 19

20 Rezultati treniranja umjetne neuronske mreže - Treniranje neuronskih mreža - Levenberg Marquardt algoritam (LMA) - Treniranje i validacija - korištenjem estimacijskih i validacijskih. - Set za treniranje nalaza sa prethodno postavljenim dijagnozama - Ispitivanje različitih kombinacija za odabir najboljeg omjera za estimacijski i validacijski set - Ispitivan postotak ispravnih dijagnoza u slučaju estimacijskog seta (ispravnost LMA) - Ispitivan postotak ispravnih dijagnoza kada se koristi validacijski set. 20

21 Rezultati treniranja umjetne neuronske mreže Treniranje umjetnih neuronskih mreža sa estimacijskim setom veličine 100 i validacijskim setom veličine 900 Broj nalaza Veličina estimacijsko g seta Veličina validacijskog seta Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza ,2% 54,4% 76,8% 21

22 Rezultati treniranja umjetne neuronske mreže Treniranje umjetnih neuronskih mreža sa estimacijskim setom veličine 200 i validacijskim setom veličine 800 Broj nalaza Veličina estimacijsko g seta Veličina validacijskog seta Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza ,5% 59,1% 79,3% 22

23 Rezultati treniranja umjetne neuronske mreže Treniranje umjetnih neuronskih mreža sa estimacijskim setom veličine 400 i validacijskim setom veličine 600 Broj nalaza Veličina estimacijsko g seta Veličina validacijskog seta Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza ,3% 81,0% 86,6% 23

24 Rezultati treniranja umjetne neuronske mreže Treniranje umjetnih neuronskih mreža sa estimacijskim setom veličine 600 i validacijskim setom veličine 400 Broj nalaza Veličina estimacijsko g seta Veličina validacijskog seta Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza ,8% 91,2% 95,5% 24

25 Rezultati treniranja umjetne neuronske mreže Treniranje umjetnih neuronskih mreža sa estimacijskim setom veličine 800 i validacijskim setom veličine 200 Broj nalaza Veličina estimacijsko g seta Veličina validacijskog seta Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza ,7% 98,6% 99,1% 25

26 Rezultati treniranja umjetne neuronske mreže Treniranje umjetnih neuronskih mreža sa estimacijskim setom veličine 900 i validacijskim setom veličine 100 Broj nalaza Veličina estimacijsko g seta Veličina validacijskog seta Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza ,8% 98,2% 99,0% 26

27 Rezultati treniranja umjetne neuronske mreže 27 Usporedni prikaz % ispravnih dijagnoza za estimacijski set za sve testirane kombinacije

28 Rezultati treniranja umjetne neuronske mreže 28 Usporedni prikaz % ispravnih dijagnoza za validacijski set za sve testirane kombinacije

29 Rezultati treniranja umjetne neuronske mreže Usporedni prikaz prosječnih % ispravnih dijagnoza za sve testirane kombinacije 29

30 Rezultati treniranja umjetne neuronske mreže Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku mrežu. Rezultati umjetne neuronske mreže s jednim neuronom u skrivenom sloju Broj neurona u skrivenom sloju Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza 1 46,24% 11,20% 27,72% 30

31 Rezultati treniranja umjetne neuronske mreže Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku mrežu. Rezultati umjetne neuronske mreže sa dva neurona u skrivenom sloju Broj neurona u skrivenom sloju Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza 2 61,53% 43,02% 52,27% 31

32 Rezultati treniranja umjetne neuronske mreže Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku mrežu. Rezultati umjetne neuronske mreže sa pet neurona u skrivenom sloju Broj neurona u skrivenom sloju Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza 5 92,12% 86,82% 89,52% 32

33 Rezultati treniranja umjetne neuronske mreže Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku mrežu. Rezultati umjetne neuronske mreže sa deset neurona u skrivenom sloju Broj neurona u skrivenom sloju Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza 10 99,71% 98,65% 99,18% 33

34 Rezultati treniranja umjetne neuronske mreže Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku mrežu. Rezultati umjetne neuronske mreže sa dvadeset neurona u skrivenom sloju Broj neurona u skrivenom sloju Postotak ispravnih dijagnoza za slučaj estimacijskog seta Postotak ispravnih dijagnoza za slučaj validacijskog seta Prosječni postotak ispravnih dijagnoza 20 99,62% 98,91% 99,26% 34

35 Rezultati treniranja umjetne neuronske mreže Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku mrežu. Usporedni prikaz % ispravnih dijagnoza za estimacijski set za sve različite 35 testirane kombinacije broja neurona u skrivenom sloju

36 Rezultati treniranja umjetne neuronske mreže Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku mrežu. Usporedni prikaz % ispravnih dijagnoza za validacijski set za sve različite 36 testirane kombinacije broja neurona u skrivenom sloju

37 Rezultati treniranja umjetne neuronske mreže Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku mrežu. Usporedni prikaz prosječnih % ispravnih dijagnoza za sve različite testirane 37 kombinacije broja neurona u skrivenom sloju

38 Rezultati validacije sustava - Validacija sustava je izvršena na 455 pacijenata na Plućnom odjelu Kliničkog centra Univerziteta u Sarajevu u vremenskom razdoblju od 6 mjeseci. - Liječnici su u skladu sa svojim procedurama i uputama za korištenje razvijenog sustava pregledali pacijente i postavili dijagnoze. Učinkovitost sustava za klasifikaciju astme, KOPB i zdravih ispitanika Ukupna populacija Σ 455 Astma KOPB Zdravi ispitanici Prosječna točnost Astma Σ ,41 % KOPB Σ ,19 % Zdravi ispitanici Σ % 38

39 Rezultati validacije sustava 39 Usporedni prikaz prosječnih % ispravnih dijagnoza za sve različite testirane kombinacije broja neurona u skrivenom sloju

40 Rezultati validacije sustava Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću umjetne neuronske mreže. Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od vrijednosti R5 40 parametra

41 Rezultati validacije sustava Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću umjetne neuronske mreže. Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od vrijednosti 41 R20 parametra

42 Rezultati validacije sustava Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću umjetne neuronske mreže. Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od vrijednosti X5 42 parametra

43 Rezultati validacije sustava Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću umjetne neuronske mreže. Ovisnost ANN klasifikacije od vrijednosti X5 parametra 43

44 Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od spirometrijskih 44 vrijednosti parametra Rezultati Rezultati validacije sustava Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću umjetne neuronske mreže.

45 Rezultati validacije sustava Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću umjetne neuronske mreže. Ovisnost ANN klasifikacije od spirometrijskih vrijednosti parametra 45

46 Zaključak Jednostavnije metode za dijagnostiku astme i KOPB. Metode su implementirane kroz integrirani programski sustav zasnovan na GINA i GOLD preporukama. Klasifikacija bolesti zasnovana na statičkoj i dinamičkoj procjeni stanja dišnog sustava ispitanika. Najbolji rezultati ostvareni su korištenjem 10 neurona u skrivenom sloju. 46

47 Zaključak 98,6% ispravnih dijagnoza ostvareno je korištenjem slučaja sa estimacijskim setom veličine 800 i validacijskim setom veličine 200. Ispravna klasifikacija ostvarena je u 99,41% astmatičara i 99,19% KOPB pacijenata, a osjetljivost od 99,28% i specifičnost od 100%. Rezultat klasifikacije je omogućen kako tekstualno, tako i slikovito, te je maksimalno prilagođen krajnjem korisniku. 47

48 48