dijagnostika respiratornih bolesti primjenom neuro-fuzzy ... badnjevic - predavanje etf...
TRANSCRIPT
Dijagnostika respiratornih bolesti
primjenom neuro-fuzzy ekspertnih
sistema
doc.dr.sc. Almir Badnjević
Phone: +387 61 213 599
Introduction
Ime i prezime: Almir Badnjević
Akademska titula: Docent
E-mail: [email protected] or [email protected]
Mobitel: +387 61 213 599
Zaposlen u:
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
Uvod
• Prema ERS-u bolesti pluća su odgovorne za svaki deseti smrtni slučaj
u Europi (astma i KOPB)
• 200.000 do 300.000 stanovnika Europe umire zbog KOPB svake
godine, više nego od karcinoma pluća i dojke zajedno
• do 2020. 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
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
Respiratorni sustav
Anatomija respiratornog sustava
6Google Pages,“Human Physiology and Anatomy”
http://humananatomyandphysiology.googlepages.com
Respiratorni sustav
Bolesti respiratornog sustava - astma
7National Heart Lung and Blood Institute, “Asthma”
http://www.nhlbi.nih.gov/health/dci/Diseases/Asthma/Asthma_WhatIs.html
Respiratorni sustav
Bolesti respiratornog sustava - KOPB
8National Heart Lung and Blood Institute, “COPD”
http://www.nhlbi.nih.gov/health/health-topics/topics/copd
Tehnike za dijagnostiku bolesti pluća
Spirometrija
9
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)
10
4. Rezonantna frekvencija fres (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
i otpora na 5 Hz ili 3 Hz).
Metode za klasifikaciju astme i KOPB
Statička i dinamička procjena stanja dišnog sustava ispitanika
11
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
Integrirani programski sustav
Dizajn integriranog programskog sustava
12
Arhitektura sustava za klasifikaciju astme i KOPB
Integrirani programski sustav
Dizajn umjetne neuronske mreže
13Protok podataka definiranog sustava
Integrirani programski sustav
Grafičko korisničko sučelje
14Početni prozor prilikom pokretanja aplikacije
Integrirani programski sustav
Grafičko korisničko sučelje
15
Forma s prikazom podataka koje je potrebno unijeti o pacijentu
Integrirani programski sustav
Grafičko korisničko sučelje
16Forma s prikazom učitavanja podataka sa nalaza nakon mjerenja
pomoću IO-e
Integrirani programski sustav
Grafičko korisničko sučelje
17Forma s prikazom početne dijagnoze samo na osnovu rezultata mjerenja
IO-e
Integrirani programski sustav
Grafičko korisničko sučelje
18Forma s prikazom uputa za dodatno testiranje
Integrirani programski sustav
Grafičko korisničko sučelje
19Forma s prikazom konačne klasifikacije bolesti
Rezultati
Rezultati treniranja umjetne neuronske mreže
20
- Treniranje neuronskih mreža - Levenberg – Marquardt algoritam (LMA)
- Treniranje i validacija - korištenjem estimacijskih i validacijskih podataka.
- Set za treniranje - 1000 nalaza sa prethodno postavljenim dijagnozama
- Ispitivanje različitih kombinacija za odabir najboljeg omjera podataka za
estimacijski i validacijski set
- Ispitivan postotak ispravnih dijagnoza u slučaju estimacijskog seta
podataka (ispravnost LMA)
- Ispitivan postotak ispravnih dijagnoza kada se koristi validacijski set
podataka.
Rezultati
Rezultati treniranja umjetne neuronske mreže
21
Treniranje umjetnih neuronskih mreža sa estimacijskim setom podataka veličine 100
i validacijskim setom podataka veličine 900
Broj
nalaza
Veličina
estimacijsko
g seta
podataka
Veličina
validacijskog
seta
podataka
Postotak
ispravnih
dijagnoza za
slučaj
estimacijskog
seta podataka
Postotak
ispravnih
dijagnoza za
slučaj
validacijskog
seta
podataka
Prosječni
postotak
ispravnih
dijagnoza
1000 100 900 99,2% 54,4% 76,8%
Rezultati
Rezultati treniranja umjetne neuronske mreže
22
Treniranje umjetnih neuronskih mreža sa estimacijskim setom podataka veličine 200
i validacijskim setom podataka veličine 800
Broj
nalaza
Veličina
estimacijsko
g seta
podataka
Veličina
validacijskog
seta
podataka
Postotak
ispravnih
dijagnoza za
slučaj
estimacijskog
seta podataka
Postotak
ispravnih
dijagnoza za
slučaj
validacijskog
seta
podataka
Prosječni
postotak
ispravnih
dijagnoza
1000 200 800 99,5% 59,1% 79,3%
Rezultati
Rezultati treniranja umjetne neuronske mreže
23
Treniranje umjetnih neuronskih mreža sa estimacijskim setom podataka veličine 400
i validacijskim setom podataka veličine 600
Broj
nalaza
Veličina
estimacijsko
g seta
podataka
Veličina
validacijskog
seta
podataka
Postotak
ispravnih
dijagnoza za
slučaj
estimacijskog
seta podataka
Postotak
ispravnih
dijagnoza za
slučaj
validacijskog
seta
podataka
Prosječni
postotak
ispravnih
dijagnoza
1000 400 600 99,3% 81,0% 86,6%
Rezultati
Rezultati treniranja umjetne neuronske mreže
24
Treniranje umjetnih neuronskih mreža sa estimacijskim setom podataka veličine 600
i validacijskim setom podataka veličine 400
Broj
nalaza
Veličina
estimacijsko
g seta
podataka
Veličina
validacijskog
seta
podataka
Postotak
ispravnih
dijagnoza za
slučaj
estimacijskog
seta podataka
Postotak
ispravnih
dijagnoza za
slučaj
validacijskog
seta
podataka
Prosječni
postotak
ispravnih
dijagnoza
1000 600 400 99,8% 91,2% 95,5%
Rezultati
Rezultati treniranja umjetne neuronske mreže
25
Treniranje umjetnih neuronskih mreža sa estimacijskim setom podataka veličine 800
i validacijskim setom podataka veličine 200
Broj
nalaza
Veličina
estimacijsko
g seta
podataka
Veličina
validacijskog
seta
podataka
Postotak
ispravnih
dijagnoza za
slučaj
estimacijskog
seta podataka
Postotak
ispravnih
dijagnoza za
slučaj
validacijskog
seta
podataka
Prosječni
postotak
ispravnih
dijagnoza
1000 800 200 99,7% 98,6% 99,1%
Rezultati
Rezultati treniranja umjetne neuronske mreže
26
Treniranje umjetnih neuronskih mreža sa estimacijskim setom podataka veličine 900
i validacijskim setom podataka veličine 100
Broj
nalaza
Veličina
estimacijsko
g seta
podataka
Veličina
validacijskog
seta
podataka
Postotak
ispravnih
dijagnoza za
slučaj
estimacijskog
seta podataka
Postotak
ispravnih
dijagnoza za
slučaj
validacijskog
seta
podataka
Prosječni
postotak
ispravnih
dijagnoza
1000 900 100 99,8% 98,2% 99,0%
Rezultati
Rezultati treniranja umjetne neuronske mreže
27
Usporedni prikaz % ispravnih dijagnoza za estimacijski set podataka za sve
testirane kombinacije
Rezultati
Rezultati treniranja umjetne neuronske mreže
28
Usporedni prikaz % ispravnih dijagnoza za validacijski set podataka za sve testirane
kombinacije
Rezultati
Rezultati treniranja umjetne neuronske mreže
29
Usporedni prikaz prosječnih % ispravnih dijagnoza za sve testirane kombinacije
Rezultati
Rezultati treniranja umjetne neuronske mreže
30
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
podataka
Postotak ispravnih
dijagnoza za slučaj
validacijskog seta
podataka
Prosječni
postotak ispravnih
dijagnoza
1 46,24% 11,20% 27,72%
Rezultati
Rezultati treniranja umjetne neuronske mreže
31
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
podataka
Postotak ispravnih
dijagnoza za slučaj
validacijskog seta
podataka
Prosječni postotak
ispravnih
dijagnoza
2 61,53% 43,02% 52,27%
Rezultati
Rezultati treniranja umjetne neuronske mreže
32
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
podataka
Postotak ispravnih
dijagnoza za slučaj
validacijskog seta
podataka
Prosječni
postotak ispravnih
dijagnoza
5 92,12% 86,82% 89,52%
Rezultati
Rezultati treniranja umjetne neuronske mreže
33
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
podataka
Postotak ispravnih
dijagnoza za slučaj
validacijskog seta
podataka
Prosječni
postotak ispravnih
dijagnoza
10 99,71% 98,65% 99,18%
Rezultati
Rezultati treniranja umjetne neuronske mreže
34
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
podataka
Postotak ispravnih
dijagnoza za slučaj
validacijskog seta
podataka
Prosječni
postotak ispravnih
dijagnoza
20 99,62% 98,91% 99,26%
Rezultati
Rezultati treniranja umjetne neuronske mreže
35
Usporedni prikaz % ispravnih dijagnoza za estimacijski set podataka za sve različite
testirane kombinacije broja neurona u skrivenom sloju
Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku
mrežu.
Rezultati
Rezultati treniranja umjetne neuronske mreže
36
Usporedni prikaz % ispravnih dijagnoza za validacijski set podataka za sve različite
testirane kombinacije broja neurona u skrivenom sloju
Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku
mrežu.
Rezultati
Rezultati treniranja umjetne neuronske mreže
37
Usporedni prikaz prosječnih % ispravnih dijagnoza za sve različite testirane
kombinacije broja neurona u skrivenom sloju
Rezultati testiranja utjecaja broja neurona u skrivenom sloju na umjetnu neuronsku
mrežu.
Rezultati
Rezultati validacije sustava
38
- 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.
Ukupna
populacija Σ 455 Astma KOPB
Zdravi
ispitanici
Prosječna
točnost
Astma Σ 170 169 0 1 99,41 %
KOPB Σ 248 1 246 2 99,19 %
Zdravi
ispitanici
Σ 37 0 0 37 100 %
Učinkovitost sustava za klasifikaciju astme, KOPB i zdravih ispitanika
Rezultati
Rezultati validacije sustava
39
Usporedni prikaz prosječnih % ispravnih dijagnoza za sve različite testirane
kombinacije broja neurona u skrivenom sloju
Rezultati
Rezultati validacije sustava
40
Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od vrijednosti R5
parametra
Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu
klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću
umjetne neuronske mreže.
Rezultati
Rezultati validacije sustava
41
Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od vrijednosti
R20 parametra
Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu
klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću
umjetne neuronske mreže.
Rezultati
Rezultati validacije sustava
42
Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od vrijednosti X5
parametra
Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu
klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću
umjetne neuronske mreže.
Rezultati
Rezultati validacije sustava
43Ovisnost ANN klasifikacije od vrijednosti X5 parametra
Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu
klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću
umjetne neuronske mreže.
Rezultati
Rezultati validacije sustava
44Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od spirometrijskih
vrijednosti parametra
Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu
klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću
umjetne neuronske mreže.
Rezultati
Rezultati validacije sustava
45
Ovisnost ANN klasifikacije od spirometrijskih vrijednosti parametra
Rezultati testiranja osjetljivosti pojedinih parametara IO-e i spirometrije u procesu
klasifikacije nakon neizrazitog odlučivanja i u procesu konačne klasifikacije pomoću
umjetne neuronske mreže.
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
Zaključak
• 98,6% ispravnih dijagnoza ostvareno je korištenjem
slučaja sa estimacijskim setom podataka veličine 800 i
validacijskim setom podataka 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