Байесовская процедура распознавания глиом головного мозга
На основі комбінацій деяких оптимальних параметрів певних рідин-домішок вдалося підвищити ефективність роботи байєсівської процедури розпізнавання. За показниками швидкості осідання еритроцитів вдалося розпізнати гліоми різної ступені злоякісності та метастази. On the basis of combination of some op...
Gespeichert in:
| Veröffentlicht in: | Проблемы управления и информатики |
|---|---|
| Datum: | 2009 |
| Hauptverfasser: | , , , |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2009
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/210621 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Байесовская процедура распознавания глиом головного мозга / И.В. Сергиенко, Н.Я. Гридина, А.М. Гупал, А.Л. Тарасов // Проблемы управления и информатики. — 2009. — № 5. — С. 150-154. — Бібліогр.: 5 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859528791847600128 |
|---|---|
| author | Сергиенко, И.В. Гридина, Н.Я. Гупал, А.М. Тарасов, А.Л. |
| author_facet | Сергиенко, И.В. Гридина, Н.Я. Гупал, А.М. Тарасов, А.Л. |
| citation_txt | Байесовская процедура распознавания глиом головного мозга / И.В. Сергиенко, Н.Я. Гридина, А.М. Гупал, А.Л. Тарасов // Проблемы управления и информатики. — 2009. — № 5. — С. 150-154. — Бібліогр.: 5 назв. — рос. |
| collection | DSpace DC |
| container_title | Проблемы управления и информатики |
| description | На основі комбінацій деяких оптимальних параметрів певних рідин-домішок вдалося підвищити ефективність роботи байєсівської процедури розпізнавання. За показниками швидкості осідання еритроцитів вдалося розпізнати гліоми різної ступені злоякісності та метастази.
On the basis of combination of some optimal parameters of certain liquids-additions we succeeded in improving effectiveness of Bayes recognition procedure. By erythrocyte sedimentation rate indeces we succeeded in distinguishing gliomas of different degree of malignancy
|
| first_indexed | 2025-12-17T12:03:35Z |
| format | Article |
| fulltext |
© И.В. СЕРГИЕНКО, Н.Я. ГРИДИНА, А.М. ГУПАЛ, А.Л. ТАРАСОВ, 2009
150 ISSN 0572-2691
УПРАВЛЕНИЕ В БИОЛОГИЧЕСКИХ
И ПРИРОДНЫХ СИСТЕМАХ
УДК 616-006; 007:681.518.2
И.В. Сергиенко, Н.Я. Гридина, А.М. Гупал, А.Л. Тарасов
БАЙЕСОВСКАЯ ПРОЦЕДУРА РАСПОЗНАВАНИЯ
ГЛИОМ ГОЛОВНОГО МОЗГА
Введение. Ранее байесовская процедура распознавания (БПР) [1] применя-
лась для показателей модифицированной методики снятия показателей СОЭ [2],
которые определялись для глиом различной степени злокачественности (II, III, IV,
II–III, III–IV), метастазов, черепно-мозговой травмы средней тяжести (ЧМТ) и для
класса здоровых. Известно, что БПР для дискретных объектов с независимыми
признаками оптимальна [1]. Для того чтобы она работала, необходимо снимаемые
показатели СОЭ привести к дискретному варианту. Показатели СОЭ снимаются
в динамике каждые 5 минут до 90-й минуты включительно. Последний показатель
СОЭ снимается через сутки и должен попадать в интервал 50–60 мм.
При снятии показателей СОЭ в кровь in vitro добавлялись растворы: верапа-
мил-гидрохлорида 0,25 % (далее верапамил); мовалиса 0,1 % (далее мовалис);
NaАТФ 1 % (далее NaАТФ) и др., всего 16 веществ-добавок. БПР легко вычисли-
ма, она относится к классу полиномиальных процедур, так как число необходи-
мых операций зависит от количества признаков описания объектов, размеров
обучающей выборки, числа значений признаков и количества классов. Процесс
дискретизации байесовской процедуры заключается в том, чтобы подобрать такие
«оптимальные» параметры (вещество-добавка, минута снятия показателя СОЭ,
шаг разбиения интервала СОЭ), при которых процедура имеет наилучшие тесто-
вые показатели распознавания. Работа БПР по некоторым веществам-добав-
кам [3, 4] для классов здоровые/больные, ЧМТ/больные приведена в табл. 1 и 2.
В результате получены «оптимальные» параметры БПР [3, 4]. В табл. 1 и 2
график S соответствует естественному способу снятия показателей СОЭ, график
V — скорости оседания крови. «Оптимальный» параметр задается следующими
характеристиками: вещество-добавка; график S или V; минута снятия показателя
СОЭ; шаг разбиения шкалы 0–60 мм возможных значений СОЭ.
Работа БПР заключается в следующем. Пусть анализируется одно вещество-
добавка при фиксированных параметрах (минута снятия показателя СОЭ, шаг
разбиения, график V или S). Для пациентов, составляющих обучающую выборку
определенного класса, подсчитывается количество показателей СОЭ, попадаю-
щих в заданный интервал (на рис. 1 шаг разбиения равен 3 мм). Для исследуемого
пациента снимается показатель СОЭ и фиксируется интервал i, который содержит
этот показатель.
Проблемы управления и информатики, 2009, № 5 151
Таблица 1
Вещество Возраст
Cнятие
СОЭ,
мин
Шаг
разбиения,
мм
Количество
больных
Количество
здоровых
График
Эффективность
распознавания
классов, %
Больные Здоровые
NaCl все 20 2,2 13 27 S 76,9 81,48
Верапамил все 25 1,3 94 31 V 80,8 70,9
NaАТФ все 20 4 67 24 V 76,11 70,8
Верапамил до 35 40 0,3 25 17 V 96 82,3
NaАТФ до 35 40 0,1 15 10 V 86,6 80
Вода до 35 35 0,3 35 15 V 85,7 86,6
Таблица 2
Вещество Возраст
Cнятие
СОЭ,
мин
Шаг
разбиения,
мм
Количество
больных
Количество
здоровых
График
Эффективность
распознавания
классов, %
Больные ЧМТ
Верапамил все 50 1,1 94 35 V 81,9 80
NaCl все 55 2,6 13 22 S 76,9 86,36
Верапамил до 35 50 0,3 25 18 V 80 77,7
CaCl2 (10%) до 35 сут 3 34 22 V 79,4 72,7
Верапамил после 35 25 1,1 64 17 V 85,9 82,35
Класс больных
Количество
показателей СОЭ
по интервалам
3
Класс здоровых
2 8 4 5 4 7 1 5 2 0
5 4 8 4 3 4 5 7 2 1 0
0 3 6 9 12 15 18 21 24 27 30 57 60
0 3 6 9 12 15 18 21 24 27 30 57 60
Рис. 1
БПР вычисляет оценки апостериорных вероятностей того, что показатель
СОЭ пациента, соответствующий интервалу i, попадает в класс здоровых и в
класс больных и принимает решение, сравнивая полученные оценки вероятно-
стей. По обучающей выборке (см. рис. 1) определяются числа )H,(ik и ),I,(ik
где )H,(ik — количество показателей СОЭ, попадающих в интервал i для класса
здоровых; )I,(ik — количество показателей СОЭ, попадающих в класс больных.
Если выполняется неравенство ),H,()I,( ikik то БПР записывает пациента в
класс больных, в противном случае — в класс здоровых.
Предположим, что у исследуемого пациента для верапамила на 15-й минуте
графика V показатель СОЭ составляет 13 мм (интервал i 1215). Количество по-
казателей СОЭ класса здоровых указанного интервала составляет 5 (рис. 1), а для
класса больных — 3 (рис. 2). Поэтому в результате работы БПР заключаем, что
анализ пациента принадлежит к классу здоровых.
Цель работы. Естественно ожидать, что БПР на основе нескольких показа-
телей СОЭ анализов пациента (с помощью различных веществ-добавок) повысит
эффективность работы по сравнению с описанным выше случаем одного анализа
(одного вещества-добавки).
152 ISSN 0572-2691
Чтобы не перебирать все комбинации параметров (минута снятия показателя
СОЭ, шаг разбиения интервала СОЭ), для вещества-добавки выделено конечное
множество «подходящих» параметров, для которых байесовская процедура распо-
знавания правильно распознала свыше 70 % объектов обучающей выборки.
Было выбрано три вещества-добавки: верапамил, NaАТФ, мовалис, которые
для описанного выше случая получили наилучшие результаты. Далее эти веще-
ства обозначаем соответственно В1, В2 и В3. Для верапамила количество «подхо-
дящих» параметров составило 15, для NaАТФ — 4, а для мовалиса — 2, т.е. общее
количество вариантов комбинаций 120. «Оптимальная» комбинация параметров
для трех веществ-добавок получается путем проверки работы БПР для каждого
варианта комбинации параметров на множестве объектов, составляющих обуча-
ющую выборку.
Кратко опишем работу БПР для трех веществ-добавок. Пусть зафиксирована
комбинация параметров трех веществ-добавок; Hm — объем класса здоровых,
Im — объем класса больных. Аналогично рис. 1 для пациентов, составляющих
обучающую выборку определенного класса, подсчитывается количество показа-
телей СОЭ, попадающих в заданный интервал для веществ-добавок В1, В2 и В3
(см. рис. 2). Для исследуемого пациента снимаются показатели СОЭ для этих ве-
ществ-добавок и фиксируются интервалы ),1(Вi ),2(Вi ),3(Вi которые содержит
эти показатели.
Класс больных
Верапамил,
30-я минута, шаг
разбиения 3,7 мм,
график S
NaАТФ,
15-я минута,
шаг разбиения 3,6 мм,
график S
Мовалис,
90-я минута,
шаг разбиения 0,8 мм,
график V
Класс здоровых
Верапамил,
30-я минута, шаг
разбиения 3,7 мм,
график S
NaАТФ,
15-я минута,
шаг разбиения 3,6 мм,
график S
Мовалис,
90-я минута,
шаг разбиения 0,8 мм,
график V
Количество
показателей СОЭ
по интервалам
1 3 4 2 1 3 1 1 0
0 3,7 7,4 14,8 22,2 29,6 59,2 60,0
0 1 2 3 5 2 2 1 0
0 3,6 7,2 14,4 21,6 28,8 57,6 60,0
0 1 3 3 4 2 0 1 0
0 0,8 1,6 2,4 4,8 6,4 59,2 60,0
2 3 4 7 2 3 4 2 0
0 3,7 7,4 14,8 22,2 29,6 59,2 60,0
1 1 0 2 4 6 7 3 0
0 3,6 7,2 14,4 21,6 28,8 57,6 60,0
0 0 1 2 3 4 5 6
0 0,8 1,6 2,4 4,8 6,4 59,2 60,0
0
Рис. 2
БПР вычисляет оценки апостериорных вероятностей того, что показатели СОЭ
пациента, соответствующие интервалам ),1(Вi ),2(Вi ),3(Вi попадают в класс здо-
ровых и в класс больных и сравнивает полученные оценки вероятностей. По обу-
чающей выборке (см. рис. 2) определяются наборы чисел ),H),1(({ Вik
),H),2(( Вik )}H),3(( Вik и )},I),3(),I),2(),I),1(({ ВiВiВik где )I),1(( Вik — коли-
Проблемы управления и информатики, 2009, № 5 153
чество показателей СОЭ, попадающих в интервал )1(Вi для класса здоровых;
)I),1(( Вik — количество показателей СОЭ, попадающих в интервал )1(Вi для
класса больных (аналогично для двух других веществ-добавок).
Если выполняется неравенство
,H)),((
1
I)),((
1 3
1
2
H
3
1
2
I
jBik
m
jBik
m jj
то БПР записывает пациента в класс больных, в противном случае — в класс здо-
ровых. Проведенные расчеты легко проводятся на основе результатов работы [1].
Приведем пример работы БПР. Предположим, что на входе обучающей си-
стемы имеются следующие показатели СОЭ: для верапамила — 15 мм (попадает в
интервал 14,8–18,5 мм для верапамила (см. рис. 2)); для NaАТФ — 4,5 мм (попа-
дает в интервал 3,6–7,2 мм для NaАТФ); для мовалиса — 4,3 мм (попадает в ин-
тервал 4,0–4,8 мм для мовалиса); величины Hm и Im (см. рис. 2) равны 16 и 30
соответственно;
3
1
2
I
)I),((
1
j
jВik
m
0,0088,
3
1
2
H
)H),((
1
j
jВik
m
0,0078. Согласно
предыдущему неравенству определяем, что анализы пациента принадлежат к
классу больных.
В табл. 3 приведен набор «оптимальных» параметров, принадлежащих раз-
ным веществам-добавкам (без мовалиса), на основе которых удалось повысить
эффективность распознавания по сравнению с предыдущим случаем одного ве-
щества-добавки.
Таблица 3
Глиомы,
в классе
больных
Количество Оптимальный параметр для веществ-добавок
Эффективность
распознавания
комбинации (%)
I H
Верапамил NaАТФ
I H
1 2 3 4 5 1 2 3 4 5
II, III, IV 33 25 S 80 5,3 84 80 S 60 5,6 72 76 84 88
III, IV 27 25 V 40 2 81 84 S 65 5 77 76 85 84
II, III, IV* 33 19* V 30 1,7 81 84* S 75 5,8 69 73* 85 84*
III, IV* 27 19* V 30 1,8 88 89* S 75 5,8 74 73* 93 89*
IV* 18 25* S 60 4,5 83 88* V 40 1,4 72 72* 88 88*
Примечание 1: II, III, IV — степени злокачественности глиом; I — класс больных,
H — класс здоровых; *—– вместо класса здоровых рассматривается класс ЧМТ; 1 — вид
графика; 2 — минута снятия показателя СОЭ; 3 — шаг разбиения; 4 и 5 — эффектив-
ность распознавания (в %) оптимального параметра по классам больных и здоровых со-
ответственно.
Применение байесовской процедуры распознавания глиом и метастазов
в головной мозг. До сих пор оптимальные параметры байесовской процедуры
определялись для распознавания класса больных и класса здоровых, а также
класса больных и класса ЧМТ. На данный момент удалось (аналогично методи-
ке [3, 4]) найти оптимальные параметры (табл. 4) для распознавания та-
ких пар классов: глиом II ст. злокачественности и класс глиом III ст. злокаче-
ственности; класс глиом III ст. злокачественности и класс глиом IV ст. злока-
чественности; класс глиом II ст. злокачественности и класс глиом IV ст. зло-
качественности; класс глиом II ст. злокачественности и метастазы, поразив-
шие головной мозг.
154 ISSN 0572-2691
Таблица 4
Вещество-
добавка
Первый класс Второй класс Оптимальный параметр
Глиомы Количество Глиомы Количество 1 2 3 4 5
KCl 3 % III 31 IV 34 S 70 5,5 79 70
Вода II 16 III 52 V 30 3,1 81 82
Мовалис II 13 III 31 V 30 4,7 84 71
Верапамил II 16 III 36 V 30 5,2 87 77
Вода II 16 Mt 27 S 65 5,8 87 85
Примечание 2: II, III, IV — степени злокачественности глиом; Mt — метастазы в го-
ловной мозг; 1 — вид графика; 2 — минута снятия показателя СОЭ; 3 — шаг разбиения;
4 и 5 — эффективность распознавания первого и второго класса (в %) соответственно.
Кроме указанных веществ-добавок в табл. 4 оптимальными параметрами об-
ладают NaАТФ, аминазин, NaCl и др. Найти оптимальные параметры, для кото-
рых можно было бы распознавать более двух классов не удается.
Заключение. Для комбинаций «оптимальных» параметров с помощью неко-
торых веществ-добавок, таких как верапамил, NaАТФ, мовалис, KCl и др., уда-
лось повысить эффективность распознавания классов больных, здоровых, а также
ЧМТ, больных. Определены оптимальные параметры БПР для таких пар диагно-
зов: класс глиом II и III степени злокачественности; класс глиом III и IV степени
злокачественности; класс глиом II степени злокачественности, метастазы, пора-
зившие головной мозг, и др.
І.В. Сергієнко, Н.Я. Гридіна, А.М. Гупал, А.Л. Тарасов
БАЙЄСІВСЬКА ПРОЦЕДУРА РОЗПІЗНАВАННЯ
ГЛІОМ ГОЛОВНОГО МОЗКУ
На основі комбінацій деяких оптимальних параметрів певних рідин-домішок
вдалося підвищити ефективність роботи байєсівської процедури розпізнавання.
За показниками швидкості осідання еритроцитів вдалося розпізнати гліоми різ-
ної ступені злоякісності та метастази.
I.V. Sergienko, N.Ya. Gridina, A.M. Gupal, A.L. Tarasov
BAYES PROCEDURE OF BRAIN
GLIOMAS RECOGNITION
On the basis of combination of some optimal parameters of certain liquids-additions
we succeeded in improving effectiveness of Bayes recognition procedure. By eryth-
rocyte sedimentation rate indeces we succeeded in distinguishing gliomas of different
degree of malignancy.
1. Гупал А.М., Сергиенко И.В. Оптимальные процедуры распознавания.— Киев: Наук. думка,
2008. — 231 с.
2. Гридина Н.Я., Гупал А.М., Тарасов А.Л. Экспертная система анализа прогрессий глиом го-
ловного мозга // Компьютерная математика. — 2007. — № 2. — С. 132–139.
3. Гридина Н.Я, Тарасов А.Л.. Дифференциальная диагностика воспалительных и онкологи-
ческих заболеваний // Комп’ютерні засоби, мережі та системи. — 2008. — № 7. —
С. 59–65.
4. Сергиенко И.В., Гридина Н.Я., Гупал А.М., Тарасов А.Л. Применение байесовской процеду-
ры распознавания по показателям скорости оседания эритроцитов при глиомах головного
мозга // Проблемы управления и информатики. — 2009. — № 1. — С. 35–39.
5. Гридина Н.Я., Гупал А.М., Сергиенко И.В, Тарасов А.Л. Анализ показателей скорости осе-
дания эритроцитов при глиомах головного мозга // Там же. — 2007. — № 6. — С. 127–134.
«Получено 30.06.2009
|
| id | nasplib_isofts_kiev_ua-123456789-210621 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Russian |
| last_indexed | 2025-12-17T12:03:35Z |
| publishDate | 2009 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Сергиенко, И.В. Гридина, Н.Я. Гупал, А.М. Тарасов, А.Л. 2025-12-13T11:42:14Z 2009 Байесовская процедура распознавания глиом головного мозга / И.В. Сергиенко, Н.Я. Гридина, А.М. Гупал, А.Л. Тарасов // Проблемы управления и информатики. — 2009. — № 5. — С. 150-154. — Бібліогр.: 5 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/210621 616-006; 007:681.518.2 10.1615/JAutomatInfScien.v41.i9.60 На основі комбінацій деяких оптимальних параметрів певних рідин-домішок вдалося підвищити ефективність роботи байєсівської процедури розпізнавання. За показниками швидкості осідання еритроцитів вдалося розпізнати гліоми різної ступені злоякісності та метастази. On the basis of combination of some optimal parameters of certain liquids-additions we succeeded in improving effectiveness of Bayes recognition procedure. By erythrocyte sedimentation rate indeces we succeeded in distinguishing gliomas of different degree of malignancy ru Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Управление в биологических и природных системах Байесовская процедура распознавания глиом головного мозга Байєсівська процедура розпізнавання гліом головного мозку Bayes procedure of brain gliomas recognition Article published earlier |
| spellingShingle | Байесовская процедура распознавания глиом головного мозга Сергиенко, И.В. Гридина, Н.Я. Гупал, А.М. Тарасов, А.Л. Управление в биологических и природных системах |
| title | Байесовская процедура распознавания глиом головного мозга |
| title_alt | Байєсівська процедура розпізнавання гліом головного мозку Bayes procedure of brain gliomas recognition |
| title_full | Байесовская процедура распознавания глиом головного мозга |
| title_fullStr | Байесовская процедура распознавания глиом головного мозга |
| title_full_unstemmed | Байесовская процедура распознавания глиом головного мозга |
| title_short | Байесовская процедура распознавания глиом головного мозга |
| title_sort | байесовская процедура распознавания глиом головного мозга |
| topic | Управление в биологических и природных системах |
| topic_facet | Управление в биологических и природных системах |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/210621 |
| work_keys_str_mv | AT sergienkoiv baiesovskaâproceduraraspoznavaniâgliomgolovnogomozga AT gridinanâ baiesovskaâproceduraraspoznavaniâgliomgolovnogomozga AT gupalam baiesovskaâproceduraraspoznavaniâgliomgolovnogomozga AT tarasoval baiesovskaâproceduraraspoznavaniâgliomgolovnogomozga AT sergienkoiv baiêsívsʹkaprocedurarozpíznavannâglíomgolovnogomozku AT gridinanâ baiêsívsʹkaprocedurarozpíznavannâglíomgolovnogomozku AT gupalam baiêsívsʹkaprocedurarozpíznavannâglíomgolovnogomozku AT tarasoval baiêsívsʹkaprocedurarozpíznavannâglíomgolovnogomozku AT sergienkoiv bayesprocedureofbraingliomasrecognition AT gridinanâ bayesprocedureofbraingliomasrecognition AT gupalam bayesprocedureofbraingliomasrecognition AT tarasoval bayesprocedureofbraingliomasrecognition |