Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів

Мета роботи. Підвищення ефективності розпізнавання запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів з використанням оптимальних процедур розпізнавання з незалежними ознаками. Результати. У попередніх статтях авторів була зроблена спроба розпізна...

Full description

Saved in:

Bibliographic Details
Published in:	Кібернетика та комп’ютерні технології
Date:	2021
Main Author:	Тарасов, А.Л.
Format:	Article
Language:	Ukrainian
Published:	Інститут кібернетики ім. В.М. Глушкова НАН України 2021
Subjects:	Математичне моделювання та чисельні методи
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/181348
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:	Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів / А.Л. Тарасов // Кібернетика та комп’ютерні технології: Зб. наук. пр. — 2021. — № 3. — С. 34-42. — Бібліогр.: 3 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-181348
record_format	dspace
spelling	Тарасов, А.Л. 2021-11-12T15:10:46Z 2021-11-12T15:10:46Z 2021 Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів / А.Л. Тарасов // Кібернетика та комп’ютерні технології: Зб. наук. пр. — 2021. — № 3. — С. 34-42. — Бібліогр.: 3 назв. — укр. 2707-4501 DOI: https://doi.org/10.34229/2707-451X.21.3.3 https://nasplib.isofts.kiev.ua/handle/123456789/181348 519.217.2+616.006 Мета роботи. Підвищення ефективності розпізнавання запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів з використанням оптимальних процедур розпізнавання з незалежними ознаками. Результати. У попередніх статтях авторів була зроблена спроба розпізнавати запальні процеси за показниками модифікованої швидкості осідання еритроцитів обумовлені онкозахворюваннями головного мозку із використанням байєсівських процедур розпізнавання на базі однієї рідини домішки. В цій роботі побудована нова модель із використанням одразу багатьох незалежних ознак (різних рідин домішок). Отримані результати на базі нової моделі значно підвищили свою ефективність щодо моделей, що використовувались раніше. Цель работы. Повышение эффективности распознавания воспалительных процессов при глиомах, метастазах и менингиомы по показателям скорости оседания эритроцитов с использованием оптимальных процедур распознавания с независимыми признаками. Результаты. В предыдущих статьях авторов была предпринята попытка распознавать воспалительные процессы по показателям модифицированной скорости оседания эритроцитов обусловленных онкозаболеваниями головного мозга с использованием байесовских процедур распознавания на базе одного вещества добавки. В этой работе построена новая модель с использованием сразу нескольких независимых признаков (различных веществ добавок). Полученные результаты на базе новой модели значительно повысили свою эффективность по отношению к моделям, которые использовались ранее. Purpose of the article. Improving the efficiency of recognition of inflammatory processes in gliomas, metastases and meningiomas by indicators of erythrocyte sedimentation rate using optimal recognition procedures with independent signs. Results. In previous articles by the authors, an attempt was made to recognize inflammatory processes by indicators of the modified erythrocyte sedimentation rate caused by brain cancer using Bayesian recognition procedures based on a single substance. In this work, a new model was built using several independent signs (different substances) at once. The results obtained on the basis of the new model significantly increased their efficiency in relation to the models that were used earlier. uk Інститут кібернетики ім. В.М. Глушкова НАН України Кібернетика та комп’ютерні технології Математичне моделювання та чисельні методи Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів Использование байесовских процедур распознавания с независимыми признаками к воспалительным процессам при глиомах, метастазах и менингиомах по показателям скорости оседания эритроцитов Bayesian Recognition Procedures with Independent Signs of Inflammatory Processes in Gliomas, Metastases and Meningiomas by Indicators of Erythrocyte Sedimentation Rate Article published earlier
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
title	Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів
spellingShingle	Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів Тарасов, А.Л. Математичне моделювання та чисельні методи
title_short	Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів
title_full	Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів
title_fullStr	Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів
title_full_unstemmed	Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів
title_sort	використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів
author	Тарасов, А.Л.
author_facet	Тарасов, А.Л.
topic	Математичне моделювання та чисельні методи
topic_facet	Математичне моделювання та чисельні методи
publishDate	2021
language	Ukrainian
container_title	Кібернетика та комп’ютерні технології
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
format	Article
title_alt	Использование байесовских процедур распознавания с независимыми признаками к воспалительным процессам при глиомах, метастазах и менингиомах по показателям скорости оседания эритроцитов Bayesian Recognition Procedures with Independent Signs of Inflammatory Processes in Gliomas, Metastases and Meningiomas by Indicators of Erythrocyte Sedimentation Rate
description	Мета роботи. Підвищення ефективності розпізнавання запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів з використанням оптимальних процедур розпізнавання з незалежними ознаками. Результати. У попередніх статтях авторів була зроблена спроба розпізнавати запальні процеси за показниками модифікованої швидкості осідання еритроцитів обумовлені онкозахворюваннями головного мозку із використанням байєсівських процедур розпізнавання на базі однієї рідини домішки. В цій роботі побудована нова модель із використанням одразу багатьох незалежних ознак (різних рідин домішок). Отримані результати на базі нової моделі значно підвищили свою ефективність щодо моделей, що використовувались раніше. Цель работы. Повышение эффективности распознавания воспалительных процессов при глиомах, метастазах и менингиомы по показателям скорости оседания эритроцитов с использованием оптимальных процедур распознавания с независимыми признаками. Результаты. В предыдущих статьях авторов была предпринята попытка распознавать воспалительные процессы по показателям модифицированной скорости оседания эритроцитов обусловленных онкозаболеваниями головного мозга с использованием байесовских процедур распознавания на базе одного вещества добавки. В этой работе построена новая модель с использованием сразу нескольких независимых признаков (различных веществ добавок). Полученные результаты на базе новой модели значительно повысили свою эффективность по отношению к моделям, которые использовались ранее. Purpose of the article. Improving the efficiency of recognition of inflammatory processes in gliomas, metastases and meningiomas by indicators of erythrocyte sedimentation rate using optimal recognition procedures with independent signs. Results. In previous articles by the authors, an attempt was made to recognize inflammatory processes by indicators of the modified erythrocyte sedimentation rate caused by brain cancer using Bayesian recognition procedures based on a single substance. In this work, a new model was built using several independent signs (different substances) at once. The results obtained on the basis of the new model significantly increased their efficiency in relation to the models that were used earlier.
issn	2707-4501
url	https://nasplib.isofts.kiev.ua/handle/123456789/181348
citation_txt	Використання байєсівських процедур розпізнавання з незалежними ознаками до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів / А.Л. Тарасов // Кібернетика та комп’ютерні технології: Зб. наук. пр. — 2021. — № 3. — С. 34-42. — Бібліогр.: 3 назв. — укр.
work_keys_str_mv	AT tarasoval vikoristannâbaiêsívsʹkihprocedurrozpíznavannâznezaležnimioznakamidozapalʹnihprocesívpriglíomahmetastazahtameníngíomahzapokaznikamišvidkostíosídannâeritrocitív AT tarasoval ispolʹzovaniebaiesovskihprocedurraspoznavaniâsnezavisimymipriznakamikvospalitelʹnymprocessamprigliomahmetastazahimeningiomahpopokazatelâmskorostiosedaniâéritrocitov AT tarasoval bayesianrecognitionprocedureswithindependentsignsofinflammatoryprocessesingliomasmetastasesandmeningiomasbyindicatorsoferythrocytesedimentationrate
first_indexed	2025-11-27T04:52:40Z
last_indexed	2025-11-27T04:52:40Z
_version_	1850797057580728320
fulltext	МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ ТА ЧИСЕЛЬНІ МЕТОДИ 34 ISSN 2707-4501. Кібернетика та комп'ютерні технології. 2021, № 3 КІБЕРНЕТИКА та КОМП'ЮТЕРНІ ТЕХНОЛОГІЇ Робота описує застосування байєсівських процедур розпізнавання з незалежними озна- ками до показників швидкості осідання ери- троцитів при гліомах, метастазах та менін- гіомах. Як незалежні ознаки постають ріди- ни домішки, що додаються в кров. Побудова- на більш ефективна модель, що дала змогу значно підвищити розпізнавання запальних процесів щодо моделі, яка застосовувала лише одну ознаку – рідину домішку. Ключові слова: байєсівська процедура розпі- знавання з незалежними ознаками, Гліоми, метастази, менінгіоми, швидкість осідання еритроцитів.   А.Л. Тарасов, 2021 УДК 519.217.2+616.006 DOI:10.34229/2707-451X.21.3.3 А.Л. ТАРАСОВ ВИКОРИСТАННЯ БАЙЄСІВСЬКИХ ПРОЦЕДУР РОЗПІЗНАВАННЯ З НЕЗАЛЕЖНИМИ ОЗНАКАМИ ДО ЗАПАЛЬНИХ ПРОЦЕСІВ ПРИ ГЛІОМАХ, МЕТАСТАЗАХ ТА МЕНІНГІОМАХ ЗА ПОКАЗНИКАМИ ШВИДКОСТІ ОСІДАННЯ ЕРИТРОЦИТІВ Вступ. На сьогодні проблема лікування гліом та мета- стазів у головний мозок – актуальна тому, що явля- ються не виліковними захворюваннями. Гліоми – основний різновид пухлин головного мозку, які в процесі зросту прогресують, переходячи з менш зло- якісних форм у більш злоякісні. Відповідно до класи- фікації гліоми розрізняють по ступеням злоякісності. Гліоми I та II ступенів вважаються умовно доброякіс- ними. Гліоми III та IV ступенів вважаються злоякіс- ними. (Аналіз гліом I ступеню в цій роботі не прово- диться через відсутність даних). Метастази у головний мозок – клітинні утворення з первинного позамозкового пухлинного осередка, які мігрують у головний мозок та формують у ньому ба- гато осередків злоякісного росту. Метастази є більш злоякісними у порівнянні з гліомами. Менінгіоми – позамозкові пухлини, що ростуть з клітин павутинних мозкових оболонок, оточуючих головний мозок. У більшості випадків радикальне видалення менінгіом забезпечує одужання та знижує ризик повторного утворення пухлини практично до нуля, хоча бувають випадки прогресії менінгіом до злоякісних форм. При комплексному лікуванні гліом та метастазів (хірургічне втручання, променева та хіміотерапія) середня тривалість життя складає один рік у 68 % пацієнтів, у 24 % – не більше двох років, та у 5 % – не більше трьох років. Лікування злоякісних гліом та метастазів одна з актуальних проблем у сучасній нейрохірургії, яка по- требує нових методів діагностики в доопераційному та післяопераційному періодах. В клінічній практиці, при багатьох захворюваннях, для виявлення запальних процесів, широко викорис- товується метод ШОЕ (швидкість осідання еритроци- тів). Це показник осідання еритроцитів (клітинного складу крові), який фіксується на 60 хвилині https://doi.org/10.34229/2707-451X.21.3.3 ВИКОРИСТАННЯ БАЙЄСІВСЬКИХ ПРОЦЕДУР РОЗПІЗНАВАННЯ З НЕЗАЛЕЖНИМИ ... ISSN 2707-4501. Cybernetics and Computer Technologies. 2021, No.3 35 при кімнатній температурі. Нормою зазвичай вважається діапазон осідання 2 – 18 мм. Якщо показ- ник ШОЕ вище, то в такому випадку вважається, що у пацієнта є запальний процес в організмі. Слід сказати, що підвищене ШОЕ у пацієнтів з гліомами та метастазами згідно наших даних є лише у 25 % пацієнтів [1]. Тобто, звичайне ШОЕ не є індикатором запальних процесів при цих захворюваннях. В цій роботі продовжується аналіз показників МШОЕ (модифікована швидкість осідання ери- троцитів), які з використанням сучасних процедур розпізнавання з незалежними ознаками значно підвищили ефективність своєї роботи щодо результатів отриманих в [2]. Основні моменти в моди- фікації щодо існуючого ШОЕ є: фіксація осідання еритроцитів у динаміці через кожні 5 хв. до 90 хв. включно та зняття максимального осідання через добу, додавання у кров певних фарма- кологічних домішок, таких як верапаміл, NaАТФ, моваліс, кетамін та інших, причому ці речовини розводяться у різних концентраціях з водою в 1:10, 1:100 разів і до 1:1000000. В результаті такої модифікації та використання оптимальних процедур розпізнавання з незалежними ознаками МШОЕ став більш чуттєвим для виявлення запальних процесів при таких захворюваннях, як гліо- ми головного мозку та метастази у головний мозок [2]. Алгоритм розпізнавання на основі байєсівських процедур з однією ознакою. У попередніх роботах авторів [2, 3] показано, що для аналізу показників МШОЕ з однією незалежною ознакою на основі дискретних розподілів МШОЕ було введено термін КП (комплексний параметр). Цей КП характеризується: класами, які розпізнаються (наприклад, клас «Гліоми III» та клас «Гліоми IV»), розведеним фармпрепаратом, наприклад, верапаміл з концентрацією 1:100000, хвилини зняття МШОЕ, наприклад, 75 та 30 (кількість таких комбінацій щодо попередніх хвилин зняття МШОЕ для 75 хвилини складає 15: 75 та 70 хв., 75 та 65 хв. і так до 0), інтервал розбиття діапазону можли- вих значень МШОЕ, наприклад, 7.6 мм (показники МШОЕ отримуються, як різниця показника МШОЕ на 75 хвилині щодо показника МШОЕ на 30 хвилині), дискретний розподіл показників МШОЕ (рис. 1), ймовірності розпізнавання класів (Гліоми III – 79,41 %, Гліоми IV – 78,26 %). РИС. 1. Комплексний параметр розподілів показників МШОЕ з інтервалом 7.6 мм Процедура розпізнавання з однією ознакою базується на формулі Байєса: 1 1 1 ( \| ) ( ) ( \| ) , {Гліоми III, Гліоми IV} ( ) P x f i P f i P f i x i P x      . (1) 0 7.6 15.2 22.8 30,4 38 45.6 4 3 23 4 0 0 Кількість показників МШОЕ з інтервалом 34 Гліоми III 0 7.6 15.2 22.8 30.4 38 45.6 2 5 3 13 0 0 Кількість показників МШОЕ з інтервалом 23 Гліоми IV ст. А.Л. ТАРАСОВ 36 ISSN 2707-4501. Кібернетика та комп'ютерні технології. 2021, № 3 Якщо замість ймовірностей у формулі (1) підставляти частотні розподіли на базі існуючої вибірки, то відповідно до [2, 3] маємо: 1 Гліоми III, ( ) Гліоми IV, , Невідомий, jIII jIV jIII jIV jIII jIV m m A x j m m m m             (2) де 1( )A x j – стан об’єкта, що досліджується (Гліома III або Гліома IV ступеня), j – номер інтер- валу, в який попадає показник МШОЕ, jIIIm – кількість показників МШОЕ, які потрапили у j інтервал, jIVm – кількість показників МШОЕ, які потрапили в j-й інтервал. Тобто, згідно з (2) для того, щоб оцінити ефективність роботи БПР достатньо, просто порівня- ти кількість показників, які потрапляють в певні інтервали (рис. 1). Використання байєсівських процедур розпізнавання з незалежними ознаками. В роботі [3] зроблена подібна спроба такого використання коли брали комплексний параметр (КП) від різних рідин домішок (кожна окрема рідина і є незалежною ознакою для байєсівської процедури). Але у попередніх роботах авторів аналізувались такі показники МШОЕ, які позначались показник МШОЕ S (показник МШОЕ на певну хвилину зняття) та показник МШОЕ V (різниця показника МШОЕ певної хвилини щодо показника МШОЕ першої попередньої хвилини). В цій же роботі як і в [2] береться більш широкий спектр показників МШОЕ коли для якоїсь певної хвилини МШОЕ беруться всі можливі комбінації щодо всіх попередніх хвилин зняття МШОЕ. Показники МШОЕ кожної комбінації отримуються як різниця показника МШОЕ певної хвилини та попередньої хви- лини. В роботі [2] такі показники МШОЕ були позначені ,m nV , де m – якась хвилина зняття МШОЕ, n – будь-яка попередня хвилина включаючи 0 хвилину (зазначимо, що для ,m nV , коли n дорівнює 0 – показник МШОЕ S [3], а коли n перша попередня хвилина щодо m – показник МШОЕ V [3]). Такий підхід дав більш широкий спектр аналізуємих даних за рахунок чого вдалося значно покращити розпізнавання. Процедура розпізнавання з незалежними ознаками базується на наступній формулі Байєса: 1 2, 1 2 1 2 ( , ,.., \| ) ( ) ( \| , ,.., ) , {Гліоми III, Гліоми IV} ( , ,.., ) n n n P x x x f i P f i P f i x x x i P x x x      . (3) Зазначимо, що при використанні нами цієї формули всі ймовірності в ній заміщаються часто- тами з навчальної вибірки. 1 2,( , ,.., \| )nP x x x f i – це добуток частот подій 1 2,, ,.., nx x x для класу i; ( )P f i – частота появи класу i у всій навчальній вибірці; 1 2( , ,.., )nP x x x – добуток частот подій 1 2,, ,.., nx x x для всієї навчальної вибірки; 1 2,, ,.., nx x x – комбінації КП (рис. 1) від різних рідин домішок; i – діагнози, що розпізнаються. Пояснимо роботу байєсівської процедури на базі рис. 2. Розпізнаються поміж собою Гліоми III та IV ступенів. Як незалежні ознаки взяті КП для верапамілу (1:100000), води та кетаміну 1:1000. Кількість аналізів для Гліом III дорівнює 34, для Гліом IV – 23. Слід зазначити, що в кожному ана- лізі який розпізнається присутні одразу всі три рідини домішки. Для верапамілу 1:100000 беремо різницю показників МШОЕ між 75 хв. та 30 хв., для води між 55 хв. та 30 хв., для кетаміну 1:1000 між 35 хв. та 25 хв.. Крок розбиття діапазону значень МШОЕ для верапамілу 1:00000 – 7.6 мм, води – 3.2 мм та для кетаміну 1:1000 – 1.9 мм. Ефективності розпізнавання кожної окремої рідини відповідно до (2) та рис. 2 складають: верапаміл 1:100000 – 78,26 %, вода – 70,58 %, кетамін 1:1000 ВИКОРИСТАННЯ БАЙЄСІВСЬКИХ ПРОЦЕДУР РОЗПІЗНАВАННЯ З НЕЗАЛЕЖНИМИ ... ISSN 2707-4501. Cybernetics and Computer Technologies. 2021, No.3 37 – 47,82 %. Завдання є таким, щоб ефективність розпізнавання комбінації КП була більшою щодо верапамілу (78,26 %). Ефективність розпізнавання комбінації КП для рис. 2 склала 86,95 %. РИС. 2. Дискретний розподіл показників МШОЕ для трьох незалежних ознак байєсівської процедури Гліоми IV Верапаміл 1:100000, 75,30V 2 5 3 13 0 0 0 0 0 0 7.6 15.2 22.8 30.4 38 45.6 53.2 60.8 68.4 Розподіл 23 показників МШОЕ з інтервалом Кетамін 1:1000, 35,25V 0 5 4 6 4 0 2 0 2 0 1.9 3.8 5.7 7.6 9.5 11.4 13.3 15.2 17.1 Розподіл 23 показників МШОЕ з інтервалом Вода, 55,30V 0 3 10 2 8 0 0 0 0 0 3.2 6.4 9.6 12.8 16 19.2 22.4 25.6 28.8 Розподіл 23 показників МШОЕ з інтервалом Гліоми III Верапаміл 1:100000, 75,30V 4 3 23 4 0 0 0 0 0 0 7.6 15.2 22.8 30.4 38 45.6 53.2 60.8 68.4 Розподіл 34 показників МШОЕ з інтервалом Кетамін 1:1000, 35,25V 2 3 11 4 7 7 0 0 0 0 1.9 3.8 5.7 7.6 9.5 11.4 13.3 15.2 17.1 Розподіл 34 показників МШОЕ з інтервалом Вода, 55,30V 2 5 7 13 3 4 0 0 0 0 3.2 6.4 9.6 12.8 16 19.2 22.4 25.6 28.8 Розподіл 34 показників МШОЕ з інтервалом А.Л. ТАРАСОВ 38 ISSN 2707-4501. Кібернетика та комп'ютерні технології. 2021, № 3 Відповідно до формули (3), при потраплянні, наприклад, на вхід навчальної вибірки трьох по- казників МШОЕ для верапамілу 1:100000 – 10 мм (другий інтервал на рис. 2), води – 14 мм (п’ятий інтервал на рис. 2) та кетаміну 1:1000 – 3 мм (другий інтервал на рис. 2), кожен з класів (Гліоми III та IV) дає свою відповідь. Стан дослідження відповідає максимальному з двох. Для рис. 2 формула (3) набуває наступний вигляд: 1 2, 3 1 2 3 1 2 3 ( , , \| ) ( ) ( \| , , ) , {Гліоми III, Гліоми IV}. ( , , ) P x x x f i P f i P f i x x x i P x x x      (4) Замінюємо в (4) ймовірності відповідними частотами ураховуючи наші показники МШОЕ та ще той факт, що при порівнянні відповідей наших класів знаменник в (4) один й той же і відпо- відно скорочується. 2 5 2 1 2 3 2 5 2 , Гліоми III ( , , ) ( ) , , Гліоми IV III III III IV IV IV вер вода кет III III III III III IV вер вода кет IV IV IV IV III IV m m m m m m m m m P x x x P f i m m m m m m m m m          (5) де 2 IIIверm , 5 IIIводаm , 2 IIIкетm – кількості показників МШОЕ, які потрапили у другий інтервал вера- памілу, п’ятий інтервал води та другий інтервал кетаміну (рис. 2) класу Гліоми III, 2 IVверm , 5 IVводаm , 2 IVкетm – кількості показників МШОЕ, які потрапили у другий інтервал верапамілу, п’ятий інтервал води та другий інтервал кетаміну (рис. 2) класу Гліоми IV, IIIm , IVm – кількість аналізів для класів Гліом III та IV, відповідно. Ураховуючи, що відповіді обох класів порівнюються маємо наступний вигляд формули (5): 2 5 2 2 1 2 3 2 5 2 2 , Гліоми III ( , , ) ( ) . , Гліоми IV III III III IV IV IV вер вода кет III вер вода кет IV m m m m P x x x P f i m m m m          (6) Тобто формула (2) набуває узагальнений вигляд 1 1 1 1 1 1 1 1 1 1 Гліоми III, 1 1 ( ,.., ) Гліоми IV, . 1 1 Невідомий, III IV IV III IV III j n j nn n n nIII IV n n j n j nn n n nIV III j n j nn n n nIV III m m m m A x j x j m m m m m m m m                                    (7) ВИКОРИСТАННЯ БАЙЄСІВСЬКИХ ПРОЦЕДУР РОЗПІЗНАВАННЯ З НЕЗАЛЕЖНИМИ ... ISSN 2707-4501. Cybernetics and Computer Technologies. 2021, No.3 39 Відповідно до (7) маємо, що відповідь класу Гліоми III складає 0.79, а відповідь класу Гліоми IV складає 8.69, тобто об’єкт дослідження належить до Гліом IV ступеня. Особливість роботи програмного комплексу, що був розроблений із використанням описаного алгоритму полягає у тому, що з початку виділяються всі комбінації діагнозів (у нашому випадку Гліоми III та IV ступенів, а можуть бути Гліоми III, IV ступенів, метастази і т. д.). Потім для кожної окремої комбінації діагнозів виділяються можливі комбінації рідин домішок (згідно рис. 2 це ве- рапаміл 1:100000, вода, кетамін 1:1000). Для кожної окремої рідини домішки виділяються КП, які дають найкращі результати розпізнавання. Причому не обов’язково ефективність роботи КП по- винна бути високою (ефективність КП кетаміну 1:1000 для рис. 2 складає 47,82 %). Далі виділя- ються комбінації цих КП по одному від кожної рідини домішки та запускається алгоритм байєсів- ської процедури, який описано вище. Ефективність комбінації КП повинна бути кращою щодо всіх КП рідин домішок комбінації. Результати. В табл. 1 наведені порівняння щодо результатів, що отримані в [2]. Комбінації діагнозів: здорові або черепно-мозковий струс (ЧМС) щодо гліом, метастазів у головний мозок та менінгіом I. ТАБЛИЦЯ 1. Розпізнавання здорових або ЧМС щодо гліом, метастазів та менінгіом Комбінація діагнозів Розпізнавання на базі одної рідини домішки Розпізнавання на базі комбінації рідин домішок Рідина Ефектив- ність, % Рідини в комбінації Ефектив- ність, % Здорові, Гліоми II Верапаміл 1:1000 78,26 Верапаміл 1:1, контроль, моваліс 1:10, KCl 3 %, CaCl2 10 % 84,35 Здорові, Гліоми III CaCl2 0,1 % 80 NaATF 1:1, верапаміл 1:1, контроль, моваліс 1:10, CaCl2 10 % 91,66 Здорові, Гліоми IV Моваліс 1:10 78,7 NaATF 1:1, вода, KCl 3 % 90,9 Здорові, метастази CaCl2 0,1 % 85,41 NaATF 1:100, верапаміл 1:10, контроль, моваліс 1:1000 88,88 Здорові, менінгіоми I Вода 83,33 Верапаміл 1:10, верапаміл 1:1000, контроль 88,88 ЧМС, Гліоми II Аміназін 89,47 Верапаміл 1:100, кетамін 1:100000 93,33 ЧМС, Гліоми III Кетамін 1:100000 або метрогіл 75 Верапаміл 1:10, верапаміл 1:10000, вера- паміл 1:100000, вода, кетамін 1:100000 93,75 ЧМС, Гліоми IV Метрогіл 75 Верапаміл 1:100, верапаміл 1:1000, кетамін 1:100000 93,33 ЧМС, метастази Кетамін 1:100000 80 Вода, CdCl2 10 %, KCl 3 %, CaCl2 10 % 91,3 ЧМС, менінгіоми I Верапаміл 1:1000 78,94 Верапаміл 1:10, верапаміл 1:1000, контроль 84,61 При аналізі результатів табл. 1 видно, що у всіх випадках за рахунок показників МШОЕ одразу від деяких рідин домішок (незалежних ознак) вдалося значно підвищити ефективність байєсівської процедури розпізнавання аніж із використанням однієї рідини (однієї ознаки). Максимальна ефек- тивність згідно табл. 1 і у всій роботі програмного комплекса складає 93,75 % при розпізнаванні ЧМС щодо Гліом III. Розпізнавання ЧМС до гліом, метастазів та менінгіом відноситься до дифе- ренційної діагностики (медичний термін) коли порівнюються запальні процеси ЧМС щодо запаль- них процесів онкологічних захворювань головного мозку. Така діагностика дозволяє розрізняти ці запальні процеси поміж собою та висувати гіпотезу про їх різний природній характер. При А.Л. ТАРАСОВ 40 ISSN 2707-4501. Кібернетика та комп'ютерні технології. 2021, № 3 розпізнаванні запальних процесів онкозахворювань головного мозку до здорового стану людей особливо наголосимо на розпізнаванні щодо Гліом II. Ці гліоми є умовно доброякісними тому, що повільно прогресують до злоякісних Гліом III та IV ступенів. Виявлення запальних процесів при Гліомах II ступеня, тобто на ранніх стадіях розвитку хвороби, завжди є актуальним завданням. В цій роботі ефективність розпізнавання таких гліом підвищилася на 8 % та склала 84,35 %. В табл. 2 наведені деякі інші результати розпізнавання щодо результатів табл. 1. ТАБЛИЦЯ 2. Розпізнавання деяких комбінацій діагнозів Комбінація діагнозів Рідини домішки Ефективність, % Гліоми II, метастази Кетамін 1:10000, кетамін 1:100000, контроль 88,88 Гліоми II, Гліоми IV Верапаміл 1:10000, верапаміл 1:100000, вода, контроль 88,88 Гліоми II, Гліоми III Кетамін 1:10, моваліс 1:1000 88,23 Гліоми II, менінгіоми I Кетамін 1:10, кетамін 1:100, контроль 89,47 Гліоми III, Гліоми IV Верапаміл 1:100, кетамін 1:1000, моваліс 1:100 88,23 Гліоми III, метастази NaATF 1:10, контроль 88,23 Гліоми IV, метастази NaATF 1:100, NaATF 1:1000, моваліс 1:1000 85 Гліоми II, Гліоми III, здорові NaATF 1:1, вода, контроль, моваліс 1:10, CaCl2 0.1% 70,58 Гліоми II, метастази, здорові NaATF 1:10, NaATF 1:100, NaATF 1:1000, верапаміл 1:10, верапаміл 1:1000 68,75 Гліоми II, Гліоми III, Гліоми IV Верапаміл 1:1000, кетамін 1:100, кетамін 1:1000, кета- мін 1:10000 60,86 Гліоми II, Гліоми III, метастази NaATF 1:10, NaATF 1:100, контроль, моваліс 1:100 64,7 Гліоми II, Гліоми IV, метастази Верапаміл 1:1000, моваліс 1:1000 60 Гліоми II, Гліоми III, метастази, здорові NaATF 1:10, NaATF 1:1000, верапаміл 1:10, верапаміл 1:1000 51,61 Гліоми II, Гліоми III, Гліоми IV, метастази NaATF 1:10, верапаміл 1:100, контроль, моваліс 1:100, моваліс 1:1000 51,61 Аналізуючи результати розпізнавання табл. 2 бачимо, що ефективність розпізнавання комбі- націй діагнозів коли в комбінації не більше двох діагнозів достатньо висока та досягає 89,47 %. Цікавим завданням постає розпізнавання комбінацій діагнозів коли кількість діагнозів, що входять у таку комбінацію більше 2 діагнозів. В роботі [2] ефективність розпізнавання таких комбінацій була нижча 50 %. В цій же роботі вдалося розпізнавати одразу три діагнози поміж собою. Макси- мальна ефективність розпізнавання досягнута в комбінації Гліом II, Гліом III та здорових – 70,58 %. При розпізнаванні одразу чотирьох діагнозів ефективність не перебільшила 51,61 %. Ефективність розпізнавання п’ятьох та більше діагнозів нижча за 50 %. Висновки. Логічним є той факт, що при збільшенні кількості ознак, які описують об’єкт дослідження, вдається побудувати більш ефективну модель на базі якої із застосуванням процедур розпізнавання підвищується ефективність розпізнавання об’єктів досліджень. Використовуючи байєсівські процедури з незалежними ознаками в якості яких в цій роботі постають різні рідини домішки, що додаються в кров, вдалося побудувати такі ефективні моделі. Порівнюючи результати в цій роботі з найкращими результатами, що отримані в [2] у всіх випадках вдалося значно підви- щити ефективність розпізнавання (в деяких випадках таке підвищення склало майже 12 % та максимальна ефективність досягла трохи менше 94 %). Також вперше при аналізі показників МШОЕ вдалося розпізнавати три стани об’єктів (діагнозів) поміж собою – 70,58 %. ВИКОРИСТАННЯ БАЙЄСІВСЬКИХ ПРОЦЕДУР РОЗПІЗНАВАННЯ З НЕЗАЛЕЖНИМИ ... ISSN 2707-4501. Cybernetics and Computer Technologies. 2021, No.3 41 Таким чином на базі МШОЕ, що є індикатором запальних процесів при багатьох захворюван- нях робимо висновок, що ці запальні процеси відіграють важливу роль при онкозахворюваннях головного мозку. Наголосимо, що виявлення таких запальних процесів (при відсутності дослі- джень КТ, МРТ та ін.) не дає нам змогу вважати, що ми маємо справу з онкозахворюваннями. МШОЕ відносно новий індикатор таких процесів, який за допомогою байєсівських процедур суттєво підвищив свою ефективність. Дані МШОЕ дають змогу говорити, що ми маємо запальні процеси в організмі людини та потрібно робити більш ретельні дослідження по виявленню хворо- би. Той факт, що вдалося розпізнавати одразу три стани об’єктів є ще одним кроком у постановці діагнозу. МШОЕ – допоміжний індикатор при гліомах. Але враховуючи, що кінцевий діагноз паці- єнту ставиться лише при вивченні хірургічно видаленої пухлини МШОЕ дає змогу до операції говорити з якою патологією ми маємо справу. В деяких випадках, коли до операції КТ, МРТ та інші дослідження дають помилковий діагноз, МШОЕ дає інформацію, яка може відмінити хірургічне втручання. МШОЕ також дозволяє робити більш ефективну диференційну діагностику (медичний термін), коли розпізнаються запальні процеси між хворобами не онкологічної (в цій статті ЧМС) та онкологічної природи поміж собою. Особливо суттєвим МШОЕ постає у післяопераційному періоді, як індикатор повторного ре- цидиву гліом. Список літератури 1. Гридина Н.Я., Гупал А.М., Сергиенко И.В., Тарасов А.Л. Анализ показателей скорости оседания эритроцитов при глиомах головного мозга. Проблемы управления и информатики. 2007. № 6. С. 127–134. 2. Тарасов А.Л., Гупал А.М., Гридіна Н.Я. Модифікація використання байєсівських процедур розпізнавання до запальних процесів при гліомах, метастазах та менінгіомах за показниками швидкості осідання еритроцитів. Кібернетика та комп'ютерні технології. 2021. № 2. С. 57–62. https://doi.org/10.34229/2707-451X.21.2.5 3. Гридина Н.Я., Гупал А.М., Тарасов А.Л. Байесовские процедуры распознавания воспалительных процессов при глиомах головного мозга. Кибернетика и системный анализ. 2017. № 3. С. 41–48. http://www.kibernetika.org/PDFsE/2017/03/4.pdf Одержано 14.06.2021 Тарасов Андрій Леонтійович, кандидат технічних наук, старший науковий співробітник Інституту кібернетики імені В.М. Глушкова НАН України, Київ. freearcher@ukr.net MSC 60G05 Andrii Tarasov Bayesian Recognition Procedures with Independent Signs of Inflammatory Processes in Gliomas, Metastases and Meningiomas by Indicators of Erythrocyte Sedimentation Rate V.M. Glushkov Institute of Cybernetics of the NAS of Ukraine, Kyiv Correspondence: freearcher@ukr.net Introduction. The article discusses the application of Bayesian recognition procedures with independent signs in relation to the data of the modified erythrocyte sedimentation rate, which were taken from patients with gliomas, metastases, meningiomas, craniocerebral concussion and from a group of healthy people. https://doi.org/10.34229/2707-451X.21.2.5 http://www.kibernetika.org/PDFsE/2017/03/4.pdf mailto:freearcher@ukr.net mailto:freearcher@ukr.net А.Л. ТАРАСОВ 42 ISSN 2707-4501. Кібернетика та комп'ютерні технології. 2021, № 3 Purpose of the article. Improving the efficiency of recognition of inflammatory processes in gliomas, me- tastases and meningiomas by indicators of erythrocyte sedimentation rate using optimal recognition procedures with independent signs. Results. In previous articles by the authors, an attempt was made to recognize inflammatory processes by indicators of the modified erythrocyte sedimentation rate caused by brain cancer using Bayesian recognition procedures based on a single substance. In this work, a new model was built using several independent signs (different substances) at once. The results obtained on the basis of the new model significantly increased their efficiency in relation to the models that were used earlier. Such an increase in all comparisons ranged from 3 to 12 %, and up to almost 94 %. If earlier it was possible to recognize only combinations of diagnoses in which there were no more than two diagnoses, then in this work for the first time it was possible to recognize three diagnoses at once. At the same time, the recognition efficiency became slightly more than 70 %. An attempt was also made to recognize more than three diagnoses, but the new model did not give significant results, slightly exceeding 50 % when recognizing four diagnoses at once. Conclusions. Thanks to the use of Bayesian recognition procedures with independent signs, it was possi- ble to significantly increase the recognition of inflammatory processes caused by brain cancer. The modified erythrocyte sedimentation rate, which is an auxiliary tool in the diagnosis of gliomas, allows one or another pa- thology to be determined in the preoperative period, since the pathology is finally determined only when study- ing a surgically removed tumor. In the postoperative period, such a modification is an indicator of repeated re- currence of gliomas. It was also possible to significantly increase the recognition of inflammatory processes caused by non-oncological disease (traumatic brain injury) in relation to oncological processes in gliomas, me- tastases and meningiomas. Keywords: Bayesian recognition procedure, independent signs, gliomas, metastases, meningiomas, modi- fied erythrocyte sedimentation rate, complex parameter.

Institution

Similar Items