Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга
Описано використання байєсівських процедур розпізнавання для ланцюгів Маркова та методу k-найближчих сусідів для показників ШЗЕ (швидкість зсідання еритроцитів) при гліомах головного мозку. Отримані результати показали, що вказані методи поступаються байєсiвським процедурам розпізнавання з незалежни...
Збережено в:
| Опубліковано в: : | Проблемы управления и информатики |
|---|---|
| Дата: | 2010 |
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2010
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/210740 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга / Н.Я. Гридина, А.М. Гупал, А.Л. Тарасов // Проблемы управления и информатики. — 2010. — № 3. — С. 124-129. — Бібліогр.: 7 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860250005911109632 |
|---|---|
| author | Гридина, Н.Я. Гупал, А.М. Тарасов, А.Л. |
| author_facet | Гридина, Н.Я. Гупал, А.М. Тарасов, А.Л. |
| citation_txt | Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга / Н.Я. Гридина, А.М. Гупал, А.Л. Тарасов // Проблемы управления и информатики. — 2010. — № 3. — С. 124-129. — Бібліогр.: 7 назв. — рос. |
| collection | DSpace DC |
| container_title | Проблемы управления и информатики |
| description | Описано використання байєсівських процедур розпізнавання для ланцюгів Маркова та методу k-найближчих сусідів для показників ШЗЕ (швидкість зсідання еритроцитів) при гліомах головного мозку. Отримані результати показали, що вказані методи поступаються байєсiвським процедурам розпізнавання з незалежними ознаками.
The use of Bayesian recognition procedures is described for the Markov chains and the method of k-nearest neighbours for the indexes of ESR (erytrocyte sedimentation rate) at brain gliomas. The obtained results showed that the indicated methods are inferior to Bayes recognition procedures with independent attribute
|
| first_indexed | 2025-12-17T12:04:38Z |
| format | Article |
| fulltext |
© Н.Я. ГРИДИНА, А.М. ГУПАЛ, А.Л. ТАРАСОВ, 2010
124 ISSN 0572-2691
УДК 616-006; 007:681.518.2
Н.Я. Гридина, А.М. Гупал, А.Л. Тарасов
СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ
РАСПОЗНАВАНИЯ ВОСПАЛИТЕЛЬНЫХ
ПРОЦЕССОВ ПРИ ГЛИОМАХ ГОЛОВНОГО МОЗГА
Введение. Одним из наиболее известных и востребованных в лабораторной
практике показателей наличия воспалительного процесса в организме является
скорость оседания эритроцитов (СОЭ). Воспалительный процесс определяется
с помощью байесовской процедуры распознавания (БПР) [1]. Ранее БПР [1] при-
менялась для 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 клас-
са здоровых. Показатели СОЭ снимались в динамике каждые 5 минут до 90-й ми-
нуты 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 различ-
ных химических препаратов: верапамил-гидрохлорид 0,25 % (далее верапамил);
мовалис 0,1 % (далее мовалис); NaАТФ 1 % (далее NaАТФ) и др., всего 21 веще-
ство-добавка.
В результате применения БПР к показателям СОЭ было введено понятие
«оптимального параметра» (ОП) [3–5], который задается следующими характери-
стиками: вещество-добавка; график S (соответствует естественному способу сня-
тия показателей СОЭ, рис. 1, а) или график V (фиксируется разность текущего и
предыдущего значений показателей для заданных промежутков времени, рис. 1, б);
минута снятия показателей СОЭ; шаг разбиения шкалы 0–60 мм возможных значе-
ний СОЭ; эффективность распознавания анализируемых классов. Показатели
СОЭ на рис. 1 приведены для случая оседания крови без веществ-добавок.
10
20
30
40
СОЭ, мм
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 сут 0
t, мин
50
а
1
2
3
4
5
6
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
СОЭ , мм/мин
0 сут
t, мин
7
б
Рис. 1
Международный научно-технический журнал
«Проблемы управления и информатики», 2010, № 3 125
В работе [1] показано, что БПР для анализа дискретных объектов с независи-
мыми признаками оптимальна: погрешность произвольной процедуры распозна-
вания отличается от верхней оценки погрешности с точностью до абсолютной
константы.
Поскольку снимаемые показатели СОЭ — зависимые случайные величины,
интересно проверить работу БПР на модели цепей Маркова [1], а также проанали-
зировать работу известного метода k-ближайших соседей [6].
Модель цепей Маркова. Для анализа показателей модифицированного СОЭ
с помощью моделей цепей Маркова естественным образом подходят показатели
СОЭ для графика V (рис. 1, б), так как для графика S каждое последующее значе-
ние больше предыдущего или равно ему. Можно построить цепочку значений по-
казателей последовательностей переходов СОЭ с предыдущего интервала в по-
следующий в зависимости от времени для отдельно взятого вещества-добавки
(рис. 2).
0
1
2
3
4
5
6
0 5 10 15 20 25 30 35 40 45 50 55 60 65
мм
мин
Рис. 2
Рассмотрим модель цепи Маркова с конечным числом состояний. Образуем
множество конечных последовательностей
,}),,...,,(:{ 10 Xxxxx in
где X — некоторое конечное множество состояний. Пусть заданы неотрицатель-
ные функции ),(0 xp ),(,),,(1 yxpyxp n такие, что
,1)(0
Xx
xp ,1),(
Xy
k yxp ,...,,1 nk .Xx
Для каждого исхода )...,,,( 10 nxxx полагаем
).,(...),()()( 110100 nnn xxpxxpxpp (1)
Набором чисел )(p и пространством определяется вероятностная мо-
дель, которую принято называть моделью испытаний, связанных в цепь Маркова.
Множество X — пространство состояний цепи. Набор вероятностей ),(0 xp
,Xx называют начальным распределением, а матрицу ,),( jipk ,, Xji где
),(),( 1 ixjxpjip kkk — матрицей переходных вероятностей из состоя-
ний i в состояния j в момент ....,,1 nk Если переходные вероятности ),( jipk не
зависят от ,k ),,(),( jipjipk то последовательность nxx ...,,0 называется од-
нородной (стационарной) марковской цепью с матрицей переходных вероятно-
стей .),( jip Заметим, что матрица ),( jip стохастическая: ее элементы неот-
рицательны и сумма элементов любой ее строки равна единице.
126 ISSN 0572-2691
Для анализа показателей СОЭ естественно рассматривать случай нестацио-
нарных переходных вероятностей, однако из-за небольших объемов обучающих
выборок вынуждены ограничиться случаем однородной цепи Маркова. Поскольку
переходные вероятности ),( jip заранее неизвестны, при проведении численных
расчетов необходимо использовать оценки переходных вероятностей. Как и в
схеме Бернулли для независимых признаков, переходные вероятности заменяются
частотами. В работе [7] показано, что оценки переходных вероятностей асимпто-
тически нормальны, а также выведены формулы дисперсии и ковариации для это-
го предельного распределения.
Для стационарных переходных вероятностей ),( jip оценками максимально-
го правдоподобия являются величины [7]
,
)(
),(
),(ˆ
ik
jik
jip (2)
где ),( jik — количество пар показателей ),,( ji )(ik — число показателей i в це-
почках ),,...,,( 10 nxxx имеющихся в обучающих выборках конкретного класса.
Рассмотрим два анализируемых класса: класс здоровые и класс больные, ко-
торые представлены в соответствующих обучающих выборках. К последнему
классу обычно относят пациентов с глиомами II–IV степеней злокачественности.
Отметим, что принадлежность пациента к тому или иному классу заранее извест-
на, например, за счет других методов диагностики, либо на основе проведенной
операции. Исследуются показатели СОЭ пациента и с помощью байесовской про-
цедуры распознавания определяется, к какому классу принадлежит пациент.
Процедура распознавания строится на основе известной формулы Байеса
},S,H{,
),,,(
)(),...,,(
),...,,(
10
10
10
i
xxxP
ifPifxxxP
xxxifP
n
n
n
(3)
где вероятности ),...,,( 10 ifxxxP n вычисляются по формуле (1), а знамена-
тель в работе процедуры не учитывается, H — класс здоровые, S — класс боль-
ные. С помощью оценок переходных вероятностей (2), построенных по информа-
ции из обучающих выборок двух классов, для исследуемого пациента вычисляют-
ся апостериорные оценки вероятностей .}S,H{,),...,,( 10 ixxxifP n
Если выполняется неравенство
),,...,,S(ˆ),...,,H(ˆ 1010 nn xxxfPxxxfP
то пациент соотносится с классом здоровые, в противном случае — с классом
больные.
Поскольку БПР легко вычислима, эмпирически можно подобрать такой ин-
тервал разбиения шкалы возможных значений СОЭ, при котором процедура рас-
познавания дает наилучшие результаты на известных обучающих выборках. Дли-
на интервала подбиралась эмпирически и изменялась в диапазоне 0,1–10 мм.
В результате таких численных расчетов подбиралась такая длина интервала, при
которой получали наилучшее распознавание анализируемых классов (на рис. 3
интервал равен 3 мм). В табл. 1 приведены результаты работы распознавания од-
новременно по некоторым веществам-добавкам для таких пар классов: здоровые
и больные; ЧМТ и больные, а в табл. 2 — для отдельных веществ-добавок.
Международный научно-технический журнал
«Проблемы управления и информатики», 2010, № 3 127
i = 0
)1,0(k
)2,3(k )4,4(k )5,6(k )8,7(k
Количество переходов
показателей СОЭ
с предыдущего интервала
в последующий
0 3 6 9 12 15 18 21 24 27 57 60 мм
1 2 3 4 5 6 7 8
j 0 1 2 3 4 5 6 7 8
19
19
0 3 6 9 12 15 18 21 24 27 57 60 мм
Рис. 3
Таблица 1
Классы Вещества-добавки
Первый/
Количество
анализов
Второй/
Количество
анализов
Мовалис NaАТФ Верапамил
1 2 3 1 2 3 1 2 3
Здоровые/18 Больные/34 4,2 72,2 73,5 3,1 66,6 67,6 4 66,6 61,7
ЧМТ/19 Больные/34 4,1 47,3 55,8 4,8 68,4 67,6 7,3 89,4 79,4
Примечание 1: 1 — интервал разбиения (мм); 2 — эффективность распознавания классов
здоровые или ЧМТ (%); 3 — эффективность распознавания класса больные (%). В класс больные
входят пациенты с глиомами II–IV степеней злокачественности.
Таблица 2
Вещество-
добавка
Классы
Интервал
разбиения, мм
Эффективность
распознавания
первого класса, %
Эффективность
распознавания
второго класса, %
Первый/
Количество
анализов
Второй/
Количество
анализов
Мовалис Здоровые/27 Больные/86 4,2 70,3 69,7
NaАТФ Здоровые/32 Больные/66 3,1 68,7 69,6
KCl Здоровые/35 Больные/79 6,3 62,8 72,1
Верапамил Здоровые/40 Больные/91 3 67,5 61,5
Верапамил ЧМТ/36 Больные/91 4,8 72,2 74,7
NaCl ЧМТ/21 Больные/23 4,3 60,8 71,4
Примечание 2: в класс больные входят пациенты с глиомами II–IV степеней злокачествен-
ности.
Метод k-ближайших соседей. Для оптимизации работы метода k-ближай-
ших соседей [7] рассматривалось распознавание пар классов: здоровые и больные;
ЧМТ и больные. Проанализируем первую пару классов. Выберем вещество-
добавку — верапамил, вид графика S (для
графика V алгоритм идентичный), минуту
снятия показателей СОЭ, например 15-ю,
и интервал окружения (на рис. 4 он равен
3 мм). Пусть на вход обучающей выборки
поступил показатель СОЭ здорового че-
ловека и для верапамила на 15-й минуте
он составил 5 мм (рис. 4), показатель СОЭ
имеет диапазон окружения 2–8 мм. Для
этого диапазона подсчитываются показа-
Показатель СОЭ равен 5 мм
Интервал окружения
показателя СОЭ равен 3 мм
СОЭ для класса
больные
СОЭ для класса
здоровые
8
5
2
Рис. 4
128 ISSN 0572-2691
тели СОЭ для каждого класса; для класса больные это количество составило
шесть анализов, а для класса здоровые — десять (рис. 4); поэтому показатель
СОЭ принадлежит к классу здоровые. В данном случае состояние пациента соот-
ветствует обучающей выборке.
Аналогично процедуре распознавания на цепях Маркова интервал окруже-
ния для метода к-ближайших соседей подбирался эмпирически таким образом,
чтобы эффективность распознавания классов была наилучшей. Значение интерва-
ла окружения меняется от 0,1 до 30 мм. В табл. 3 приведены результаты работы
данного метода одновременно для нескольких веществ-добавок, а в табл. 4 — для
отдельных веществ-добавок. Полученные результаты для модели цепей Марко-
ва и метода k-ближайших соседей показывают, что последний метод более эф-
фективный.
В табл. 5 приведены показатели работы БПР [4]. Из сравнения табл. 1, 3, 5
видно, что результаты работы БПР лучше, чем для цепей Маркова и метода
k-ближайших соседей. Поэтому в дальнейшем для оценки показателей СОЭ сле-
дует использовать БПР, которые описаны в [3–5]. Особо отметим верапамил, так
как во всех трех сравниваемых методиках он играет главную роль в распознава-
нии классов.
Таблица 3
Классы Вещества-добавки
Первый/
Количество
анализов
Второй/
Количество
анализов
Верапамил Мовалис NaАТФ
1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
H/18 S/34 20 0,9 V 83,3 79,4 85 0,1 V 72,2 67,6 80 0,1 V 66,6 70,5
Ч/19 S/34 25 2,3 V 89,4 85,2 75 0,6 S 47,3 70,5 10 0,2 V 47,3 55,8
Примечание 3: Н — класс здоровые; S — класс больные; Ч — ЧМТ; в класс больные вхо-
дят пациенты с глиомами II–IV степеней злокачественности; 1 — минута снятия СОЭ; 2 — ин-
тервал окружения в мм; 3 — график; 4 и 5 — распознавания первого и второго классов соответ-
ственно.
Таблица 4
Вещество
Первый
класс/
Количество
анализов
Второй
класс/Кол-во
анализов
СОЭ,
мин
График
Интервал
окружения,
мм
Распоз-
навание
первого
класса, %
Распоз-
навание
второго
класса, %
Верапамил H/40 S/91 25 V 0,9 72,5 75,8
MgSO4 H/12 S/15 сут V 1,2 66,6 60
KCl H/35 S/79 35 V 0,6 60 78,4
NaCl H/32 S/21 70 S 1 68,7 61,9
Верапамил ЧМТ/36 S/91 50 V 0,3 75 75,8
NaCl ЧМТ/23 S/21 сут S 1 82,6 71,4
Контроль ЧМТ/60 S/123 75 V 0,2 66,6 73,9
Примечание 4: в класс больные входят пациенты с глиомами II–IV степеней злокачествен-
ности.
Таблица 5
Классы Вещества-добавки
Первый/
Количество
анализов
Второй/
Количество
анализов
Верапамил Мовалис NaАТФ
1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
H/18 S/34 65 4,5 S 83,3 88,2 20 3,1 V 72,2 75,4 20 4,9 S 72,2 73,5
Ч/19 S/34 25 1,6 V 89,4 85,2 10 2,6 S 63,1 79,4 75 5,8 S 73,6 73,5
Примечание 5: H — здоровые; S — больные; Ч — ЧМТ; в класс больные входят пациенты
с глиомами II–IV степеней злокачественности; 1 — минута снятия СОЭ; 2 — интервал окруже-
ния в мм; 3 — график; 4 и 5 — распознавания первого и второго классов соответственно.
Международный научно-технический журнал
«Проблемы управления и информатики», 2010, № 3 129
Заключение. В данной работе применялись байесовские процедуры распо-
знавания для цепей Маркова и метод k-ближайших соседей по отношению к пока-
зателям модифицированного СОЭ. Эмпирическим подбором определенных пара-
метров этих методик удалось провести распознавание таких пар классов: здоро-
вые и больные, ЧМТ и больные. Процедура распознавания на цепях Маркова
уступает методу k-ближайших соседей, и в тоже время последний метод уступает
показателям работы байесовских процедур распознавания дискретных объектов
с независимыми признаками.
Н.Я. Гридіна, А.М. Гупал, А.Л. Тарасов
ПОРІВНЯЛЬНИЙ АНАЛІЗ МЕТОДІВ
РОЗПІЗНАВАННЯ ЗАПАЛЬНИХ ПРОЦЕСІВ
ПРИ ГЛІОМАХ ГОЛОВНОГО МОЗКУ
Описано використання байєсівських процедур розпізнавання для ланцюгів
Маркова та методу k-найближчих сусідів для показників ШЗЕ (швидкість зсі-
дання еритроцитів) при гліомах головного мозку. Отримані результати показа-
ли, що вказані методи поступаються байєсiвським процедурам розпізнавання з
незалежними ознаками.
N.Ya. Gridina, A.M. Gupal, A.L. Tarasov
COMPARATIVE ANALYSIS OF RECOGNITION
METHODS OF INFLAMMATORY PROCESSES
AT THE GLIOMAS OF BRAIN
The use of Bayesian recognition procedures is described for the Markov chains and
the method of k-nearest neighbours for the indexes of ESR (erytrocyte sedimentation
rate) at brain gliomas. The obtained results showed that the indicated methods are in-
ferior to Bayes recognition procedures with independent attributes.
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. 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.
4. Палагин А.В., Гридина Н.Я., Гупал А.М., Тарасов А.Л. Автоматизированная система анализа
показателей скорости оседания эритроцитов при глиомах головного мозга // Там же. —
2009. — № 3. — С. 136–143.
5. Сергиенко И.В., Гридина Н.Я., Гупал А.М., Тарасов А.Л. Байесовская процедура распозна-
вания глиом головного мозга // Там же. — 2009. — № 5. — С. 150–154.
6. Воронцов К.В. Лекции по метрическим алгоритмам классификации. — http://www.j3qq4.
org/upload/v-mmopp/03.%20MetricAlgs.pdf.
7. Anderson T.W., Goodman L.A. Statistical inference about Markov chains // The Annals of Mathe-
matic Stat. — 1957. — 28. — P. 89–110.
Получено 02.03.2010
|
| id | nasplib_isofts_kiev_ua-123456789-210740 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Russian |
| last_indexed | 2026-03-21T05:57:31Z |
| publishDate | 2010 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Гридина, Н.Я. Гупал, А.М. Тарасов, А.Л. 2025-12-16T14:28:03Z 2010 Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга / Н.Я. Гридина, А.М. Гупал, А.Л. Тарасов // Проблемы управления и информатики. — 2010. — № 3. — С. 124-129. — Бібліогр.: 7 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/210740 616-006; 007:681.518.2 10.1615/JAutomatInfScien.v42.i5.50 Описано використання байєсівських процедур розпізнавання для ланцюгів Маркова та методу k-найближчих сусідів для показників ШЗЕ (швидкість зсідання еритроцитів) при гліомах головного мозку. Отримані результати показали, що вказані методи поступаються байєсiвським процедурам розпізнавання з незалежними ознаками. The use of Bayesian recognition procedures is described for the Markov chains and the method of k-nearest neighbours for the indexes of ESR (erytrocyte sedimentation rate) at brain gliomas. The obtained results showed that the indicated methods are inferior to Bayes recognition procedures with independent attribute ru Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Методы обработки информации Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга Порівняльний аналіз методів розпізнавання запальних процесів при гліомах головного мозку Comparative analysis of recognition methods of inflammatory processes at the gliomas of brain Article published earlier |
| spellingShingle | Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга Гридина, Н.Я. Гупал, А.М. Тарасов, А.Л. Методы обработки информации |
| title | Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга |
| title_alt | Порівняльний аналіз методів розпізнавання запальних процесів при гліомах головного мозку Comparative analysis of recognition methods of inflammatory processes at the gliomas of brain |
| title_full | Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга |
| title_fullStr | Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга |
| title_full_unstemmed | Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга |
| title_short | Сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга |
| title_sort | сравнительный анализ методов распознавания воспалительных процессов при глиомах головного мозга |
| topic | Методы обработки информации |
| topic_facet | Методы обработки информации |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/210740 |
| work_keys_str_mv | AT gridinanâ sravnitelʹnyianalizmetodovraspoznavaniâvospalitelʹnyhprocessovprigliomahgolovnogomozga AT gupalam sravnitelʹnyianalizmetodovraspoznavaniâvospalitelʹnyhprocessovprigliomahgolovnogomozga AT tarasoval sravnitelʹnyianalizmetodovraspoznavaniâvospalitelʹnyhprocessovprigliomahgolovnogomozga AT gridinanâ porívnâlʹniianalízmetodívrozpíznavannâzapalʹnihprocesívpriglíomahgolovnogomozku AT gupalam porívnâlʹniianalízmetodívrozpíznavannâzapalʹnihprocesívpriglíomahgolovnogomozku AT tarasoval porívnâlʹniianalízmetodívrozpíznavannâzapalʹnihprocesívpriglíomahgolovnogomozku AT gridinanâ comparativeanalysisofrecognitionmethodsofinflammatoryprocessesatthegliomasofbrain AT gupalam comparativeanalysisofrecognitionmethodsofinflammatoryprocessesatthegliomasofbrain AT tarasoval comparativeanalysisofrecognitionmethodsofinflammatoryprocessesatthegliomasofbrain |