dijagnostika respiratornih bolesti primjenom neuro-fuzzy ... badnjevic - predavanje etf...

Dijagnostika respiratornih bolesti

primjenom neuro-fuzzy ekspertnih

sistema

doc.dr.sc. Almir Badnjević

[email protected]

Phone: +387 61 213 599

mailto:[email protected]

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


Dizajn umjetne neuronske mreže

13Protok podataka definiranog sustava


Grafičko korisničko sučelje

14Početni prozor prilikom pokretanja aplikacije



15

Forma s prikazom podataka koje je potrebno unijeti o pacijentu



16Forma s prikazom učitavanja podataka sa nalaza nakon mjerenja

pomoću IO-e



17Forma s prikazom početne dijagnoze samo na osnovu rezultata mjerenja

IO-e



18Forma s prikazom uputa za dodatno testiranje



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


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


22



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


23



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


24



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


25



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


26



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


27

Usporedni prikaz % ispravnih dijagnoza za estimacijski set podataka za sve

testirane kombinacije

Rezultati


28

Usporedni prikaz % ispravnih dijagnoza za validacijski set podataka za sve testirane

kombinacije

Rezultati


29

Usporedni prikaz prosječnih % ispravnih dijagnoza za sve testirane kombinacije

Rezultati


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


validacijskog seta

podataka

Prosječni

postotak ispravnih

dijagnoza

1 46,24% 11,20% 27,72%

Rezultati


31


mrežu.

Rezultati umjetne neuronske mreže sa dva neurona u skrivenom sloju

Broj neurona u

skrivenom sloju

Postotak ispravnih


estimacijskog seta

podataka

Postotak ispravnih


validacijskog seta

podataka

Prosječni postotak

ispravnih

dijagnoza

2 61,53% 43,02% 52,27%

Rezultati


32


mrežu.

Rezultati umjetne neuronske mreže sa pet neurona u skrivenom sloju

Broj neurona u

skrivenom sloju

Postotak ispravnih


estimacijskog seta

podataka

Postotak ispravnih


validacijskog seta

podataka

Prosječni

postotak ispravnih

dijagnoza

5 92,12% 86,82% 89,52%

Rezultati


33


mrežu.

Rezultati umjetne neuronske mreže sa deset neurona u skrivenom sloju

Broj neurona u

skrivenom sloju

Postotak ispravnih


estimacijskog seta

podataka

Postotak ispravnih


validacijskog seta

podataka

Prosječni

postotak ispravnih

dijagnoza

10 99,71% 98,65% 99,18%

Rezultati


34


mrežu.

Rezultati umjetne neuronske mreže sa dvadeset neurona u skrivenom sloju

Broj neurona u

skrivenom sloju

Postotak ispravnih


estimacijskog seta

podataka

Postotak ispravnih


validacijskog seta

podataka

Prosječni

postotak ispravnih

dijagnoza

20 99,62% 98,91% 99,26%

Rezultati


35

Usporedni prikaz % ispravnih dijagnoza za estimacijski set podataka za sve različite

testirane kombinacije broja neurona u skrivenom sloju


mrežu.

Rezultati


36

Usporedni prikaz % ispravnih dijagnoza za validacijski set podataka za sve različite

testirane kombinacije broja neurona u skrivenom sloju


mrežu.

Rezultati


37

Usporedni prikaz prosječnih % ispravnih dijagnoza za sve različite testirane

kombinacije broja neurona u skrivenom sloju


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


39

Usporedni prikaz prosječnih % ispravnih dijagnoza za sve različite testirane

kombinacije broja neurona u skrivenom sloju

Rezultati


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


41

Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od vrijednosti

R20 parametra




Rezultati


42

Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od vrijednosti X5

parametra




Rezultati


43Ovisnost ANN klasifikacije od vrijednosti X5 parametra




Rezultati


44Ovisnost klasifikacije odlučivanja sustava neizrazitog odlučivanja od spirometrijskih

vrijednosti parametra




Rezultati


45

Ovisnost ANN klasifikacije od spirometrijskih vrijednosti parametra




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

dijagnostika respiratornih bolesti primjenom neuro-fuzzy ... badnjevic - predavanje etf...

Documents