Дифференциальная диагностика воспалительных и онкологических заболеваний
На основе байесовской процедуры распознавания удалось осуществить дифференциальную диагностику между опухолями головного мозга и локальными воспалительными заболеваниями. На основі байєсівської процедури розпізнавання вдалося здійснити диференційну діагностику між пухлинами головного мозку та локаль...
Збережено в:
| Дата: | 2008 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2008
|
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/6498 |
| 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: | Дифференциальная диагностика воспалительных и онкологических заболеваний / Н.Я. Гридина, А.Л. Тарасов // Комп’ютерні засоби, мережі та системи. — 2008. — № 7. — С. 59-65. — Бібліогр.: 6 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860255643499233280 |
|---|---|
| author | Гридина, Н.Я. Тарасов, А.Л. |
| author_facet | Гридина, Н.Я. Тарасов, А.Л. |
| citation_txt | Дифференциальная диагностика воспалительных и онкологических заболеваний / Н.Я. Гридина, А.Л. Тарасов // Комп’ютерні засоби, мережі та системи. — 2008. — № 7. — С. 59-65. — Бібліогр.: 6 назв. — рос. |
| collection | DSpace DC |
| description | На основе байесовской процедуры распознавания удалось осуществить дифференциальную диагностику между опухолями головного мозга и локальными воспалительными заболеваниями.
На основі байєсівської процедури розпізнавання вдалося здійснити диференційну діагностику між пухлинами головного мозку та локальними запальними захворюваннями.
Using Byes recognition procedure it is possible to make differential diagnostics between swellings of brain and local inflammatory processes.
|
| first_indexed | 2025-12-07T18:48:21Z |
| format | Article |
| fulltext |
Комп’ютерні засоби, мережі та системи. 2008, № 7 59
N.Ya. Gridina, A.L. Tarasov
DIFFERENTIAL DIAGNOSIS OF
INFLAMMATION AND ONCO-
LOGICAL DISEASES
Using byes recognition procedure it
is possible to make differential di-
agnostics between swellings of brain
and local inflammatory processes.
На основі байєсівської процедури
розпізнавання вдалося здійснити
диференційну діагностику між
пухлинами головного мозку та
локальними запальними захворю-
ваннями.
На основе байесовской процедуры
распознавания удалось осущест-
вить дифференциальную диагно-
стику между опухолями головного
мозга и локальными воспалитель-
ными заболеваниями.
Н.Я. Гридина, А.Л. Тарасов,
2008
УДК 616-006; УДК 007:681.518.2
Н.Я. ГРИДИНА, А.Л. ТАРАСОВ
ДИФФЕРЕНЦИАЛЬНАЯ
ДИАГНОСТИКА ВОСПАЛИТЕЛЬНЫХ
И ОНКОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ
Введение. Глиомы, которые составляют око-
ло 50 % всех внутримозговых опухолей, ха-
рактеризуются продолжением роста в по-
слеоперационном периоде (рецидив роста
глиом). Это явление сопровождает прогрес-
сию глиом, в результате чего степень
злокачественности глиом увеличивается, а
продолжительность жизни больного в после-
операционном периоде уменьшается. Одним
из основных факторов, способствующих про-
грессии глиом, явлется хронический асеп-
тический воспалительный процесс, вызван-
ный некротической гибелью клеток глиом в
результате их быстрого роста и недоста-
точного кровоснабжения. Показатели ско-
рости оседания эритроцитов (СОЭ) ис-
пользованы как маркер опухолевого роста до
операции и рецидивов опухолей в после-
операционном периоде [1]. Механизм СОЭ,
как известно, зависит от степени агрегации
клеток крови, что является результатом
изменений заряда клеточных мембран. При
этом у больных отмечается четко выражен-
ное снижение трансмембранного потенциала.
Как правило, все общеизвестные маркеры
опухолевого роста используют пролифера-
тивные особенности роста опухолевых кле-
ток, в то же время СОЭ является косвенным
маркером гибели клеток опухоли, так как
определяет степень выраженности асеп-
тического воспаления, вызванного этой ги-
белью. Однако использование метода СОЭ в
качестве маркера роста рецидивов в после-
операционном периоде является в некоторой
степени затруднительным, так как он не
является опухолеспецифическим и свиде-
Н.Я. ГРИДИНА, А.Л. ТАРАСОВ
60 Комп’ютерні засоби, мережі та системи. 2008, № 7
тельствует о наличии воспалительного процесса в организме, вызванного раз-
личными причинами, а не только ростом и гибелью опухолевых клеток глиом.
Следовательно, необходимо разработать метод, позволяющий провести диффе-
ренциальную диагностику между воспалительными (в частности, черепно-
мозговая травма) и опухолевыми процессами в организме на основе модифици-
рованной нами методики СОЭ. Даже при использовании современных методов
диагностики заболеваний головного мозга и локальными воспалительными
процессами, такими как абсцессы, кровоизлияния, гуммы не всегда удаѐтся
чѐтко определить опухолевый ли это процесс либо локальный воспалительный
процесс.
Проведена предварительная работа по влиянию некоторых электролитов
(хлоридов кальция, калия, натрия, магния, кадмия), фармпрепаратов и гомогена-
тов тканей эмбрионального и опухолевого происхождения на показатели СОЭ в
результате их добавок в кровь в условиях in-vitro непосредственно перед поста-
новкой капилляров с кровью в штатив Панченкова. Из всех вышеисследованных
препаратов особое внимание привлѐк верапамил, который дал возможность ла-
бораторным путѐм отличить воспалительный процесс от рецидива глиом в по-
слеоперационном периоде.
Верапамил блокатор медленных кальциевых каналов из подгруппы фе-
нилалкиламинов. В то же время он воздействует на реологические показа-
тели крови, в том числе и на агрегацию эритроцитов, путѐм влияния на
α- и Β-адренорецепторы мембран клеток крови. Верапамил вызывает значитель-
ное снижение агрегации эритроцитов, хотя и не вызывает существенного при-
роста их кислородтранспортного потенциала [2].
Цель работы использование байесовской процедуры для разработки ме-
тода по проведению дифференциальной диагностики между воспалительными и
опухолевыми процессами в послеоперационном периоде у больных с глиомами
мозга на основе использования показателей модифицированного СОЭ с добав-
ками в кровь препарата верапамил-гидрохлорида (0,25 %).
Материалы и методы. В работе использовали группы пациентов с глиома-
ми II, III, IV ст. зл. (80 чел.) и черепно-мозговой травмой (ЧМТ) (35 чел).
Определялись показатели фракционного СОЭ с унифицированным гематокри-
том (35 %) и добавкой в кровь in-vitro 0,25 % раствора верапамил-гидрохлорида
в соотношении 1:20 по отношению к объѐму крови пациента, а также хлорид
натрия (0,9 %) и натрий аденоизинтрифосфат (1 %).
Алгоритм работы байесовской процедуры при распознавании локаль-
ных и опухолевых процессов. При реализации этого алгоритма учитывались
два типа графиков [2] (рис. 1). Условно рис. 1, а называется графиком типа S, а
рис. 1, б графиком типа V.
Из теории, описанной в [3], известна формула (1), по которой строится наи-
лучшая функция распознавания
)}1,(),0,(max{))(,( * xPxPxAxP , (1)
ДИФФЕРЕНЦИАЛЬНАЯ ДИАГНОСТИКА ВОСПАЛИТЕЛЬНЫХ И ОНКОЛОГИЧЕСКИХ...
Комп’ютерні засоби, мережі та системи. 2008, № 7 61
где x – 1x … nx описание объекта класса (рис. 2); )(* xA – наилучшая функция
распознавания; ( ,0), ( ,1)P x P x – распределение частот описаний 1x … nx соот-
ветственно класса 0 и 1 на рис. 2.
а
б
РИС. 1. Типы анализируемых графиков для работы байесовской процедуры распознавания
(кривые для верапамил-гидрохлорида (0,25 %))
1x … nx f 1x … nx f
0
1
0m 1m
РИС. 2. Описание объектов класса 0 и класса 1
Важным моментом является получение описаний объектов 1x … nx для
классов 0 и 1.
Согласно теории [3, 4] необходимо получить частотные распределения, опи-
сывающие класс 0 и класс 1 соответственно. Однако для более эффективной
Н.Я. ГРИДИНА, А.Л. ТАРАСОВ
62 Комп’ютерні засоби, мережі та системи. 2008, № 7
работы байесовской процедуры не нужно получать частоты, которые всегда на-
ходятся между 0…1.
Рассмотрим алгоритм построения описаний классов 0 и классов 1.
1. Пусть класс 0 относится к классу пациентов с ЧМТ средней тяжести, а
класс 1 к классу больных (в класс больных включаются пациенты с глиомами
II, III, IV степеней злокачественности и метастазами в головной мозг).
2. Фиксируем вещество-добавку, а также минуту снятия показателей СОЭ,
например 15-я минута. Также выбираем тип анализируемого графика показате-
лей СОЭ. Пусть тип анализируемого графика будет S.
3. Значения показателей СОЭ находятся всегда между 0 и 60 мм. Этот диа-
пазон разбиваем на интервалы одинаковой длины. Пусть длина интервала для
простоты будет 3 мм, количество этих интервалов будет n (в данном случае 20
интервалов).
4. Для каждого из двух классов определяем их описание, т. е. ведѐм стати-
стику попадания показателей СОЭ в каждый из n интервалов. В результате по-
лучаем описание классов (рис. 3).
РИС. 3. Описание 1x … nx для классов ЧМТ и больных
Теория байесовской процедуры распознавания [3, 4] оперирует частотами,
которые всегда между 0 и 1. Например, частота второго интервала для класса
ЧМТ вычисляется по формуле (2), а частота того же интервала для класса боль-
ных вычисляется по формуле (3).
02 ЧМТ
2
0 0 1
*ЧМТ
mX
N
m m m
, (2)
ДИФФЕРЕНЦИАЛЬНАЯ ДИАГНОСТИКА ВОСПАЛИТЕЛЬНЫХ И ОНКОЛОГИЧЕСКИХ...
Комп’ютерні засоби, мережі та системи. 2008, № 7 63
2 больные 1
2
1 0 1
*больные
X m
N
m m m
. (3)
Из формул (2) и (3) видно, что размер класса присутствует в числителе и
знаменателе обеих формул. Следовательно, эти формулы можно упростить.
В знаменателе остаѐтся размер всей выборки как для случая ЧМТ, так и для слу-
чая класса больных. Отсюда видно, что деление количества показателей СОЭ
для любого интервала на одно и то же число не имеет смысла. Поэтому для бо-
лее эффективной работы байесовской процедуры достаточно получить такое
описание классов, как на рис. 3.
Байесовская процедура распознавания работает на всей выборке анализов.
Если для верапамил-гидрохлорида (0,25 %), например, имеем 100 анализов, то
вначале, для всех 100 анализов получаем описание классов, как показано на
рис. 3. Затем байесовская процедура распознавания запускается по каждому
анализу, последовательно исключая каждый анализ из выборки. Если у первого
исключѐнного анализа на 15-ю минуту показатель СОЭ, например, 19 мм, то по-
падаем в интервал между 18 и 21 мм. Диагноз этого исключѐнного анализа нам
известен заранее.
Пусть анализ соотносится к классу ЧМТ. Необходимо пересчитать стати-
стику по классу ЧМТ только для интервала между 18 и 21 мм, т. е. первоначаль-
ное количество для этого интервала уменьшается на 1 и составляет не 7, как на
рис. 3, а 6. Класс больных не изменяется. Далее сравнивается количество пока-
зателей СОЭ обоих классов для интервала 18…21 мм. Видим, что 6 > 5, т. е.
анализ должен относиться к классу ЧМТ. Если байесовская процедура распо-
знавания угадала диагноз с заранее известным диагнозом, то ведѐтся подсчѐт
совпадений по каждому анализируемому классу. После распознания анализа
наша статистика возвращается в исходное состояние, т. е. для класса ЧМТ в ин-
тервале между 18 и 21 мм количество показателей СОЭ инкрементируется.
Автоматизация работы байесовской процедуры распознавания с использо-
ванием современных методик разработки автоматизированных систем, описан-
ных в [5, 6], определила, что некоторые вещества, такие как верапамил-
гидрохлорид (0,25 %), хлорид натрия (0,9 %), натрий аденоизинтрифосфат (1 %)
и др., обладают оптимальными параметрами работы этой процедуры. Такими
оптимальными параметрами являются минута снятия показания СОЭ, тип
анализируемого графика, а также шаг разбиения шкалы от 0...60 мм. При нахож-
дении этих оптимальных параметров учитывался также возрастной фактор (до
35 лет, после 35 лет, все возрасты). Некоторые оптимальные параметры приве-
дены в таблице.
Кроме оптимальных параметров работы байесовской процедуры, отметим
усреднѐнные графики показателей СОЭ для глиом II, III, IV степеней злокачест-
венности, ЧМТ и здоровых (рис. 4). Отсюда видно, что для ЧМТ при добавлении
верапамил-гидрохлорида показатель СОЭ приходит к норме, т. е. к показателям
СОЭ у здоровых людей.
Н.Я. ГРИДИНА, А.Л. ТАРАСОВ
64 Комп’ютерні засоби, мережі та системи. 2008, № 7
ТАБЛИЦА. Оптимальные параметры работы байесовской процедуры для двух классов
ЧМТ/Больные
Вещество Возраст
Время
фиксации
показате-
ля СОЭ,
мин
Шаг
раз-
бие-
ния,
мм
Ко-
личе-
ство
боль-
ных
Ко-
личе-
ство
ЧМТ
Тип
гра-
фи-
ка
Совпа-
ло по
классу
боль-
ные,
%
Сов-
пало
по
клас-
су
ЧМТ,
%
Верапа-
мил Все 50 1,1 99 35 V 78,7 80
NaCl Все 55 2,6 17 22 S 76,4 77,2
Верапа-
мил До 35 50 0,3 26 18 V 80,7 77,7
NaАТФ До 35 10 1,3 16 12 V 87,5 83,3
Верапа-
мил
После
35 25 1,1 68 17 V 82,3 82,3
HCl Все Сутки 0,9 11 31 S 90,9 87,1
Контроль До 35 50 2,1 27 30 S 81,5 83,3
Мовалиc До 35 10 1,5 22 25 V 72,7 80
CaCl2 До 35 20 2,6 27 20 S 74,1 75
KCl Все 30 3,1 45 15 V 80 80
РИС. 4. График типа S для верапамил-гидрохлорида (0,25 %) для всех возрастных категорий
ДИФФЕРЕНЦИАЛЬНАЯ ДИАГНОСТИКА ВОСПАЛИТЕЛЬНЫХ И ОНКОЛОГИЧЕСКИХ...
Комп’ютерні засоби, мережі та системи. 2008, № 7 65
Выводы. Результаты работы показали эффективную возможность исполь-
зования байесовской процедуры распознавания для разработки метода диффе-
ренциальной диагностики между локальными воспалительными заболеваниями
головного мозга и глиомами головного мозга в нейрохирургической практике.
Найдены оптимальные параметры работы байесовской процедуры, на основе
которых стало возможным осуществлять дифференциальную диагностику меж-
ду ЧМТ и опухолевыми процессами в головном мозге. ЧМТ, абсцессы, кровоиз-
лияния относятся к локальным воспалительным процессам. С применением бай-
есовской процедуры распознавания на основе показателей СОЭ можно распо-
знать локальный воспалительный процесс от опухолевого процесса в головном
мозге. Особую роль при этой дифференциальной диагностике играет верапамил-
гидрохлорид (0,25 %), так как по всем возможным критериям фильтрации, ос-
новным из которых является критерий фильтрации по возрасту, он даѐт весомый
процент распознавания (см. таблицу), а именно не ниже 77,7 %.
Также при анализе усреднѐнных графиков для верапамил-гидрохлорида
(0,25 %) видно, что при добавлении in-vitro этого вещества показатели СОЭ
приближаются к показателям СОЭ здоровых людей.
1. Гридина Н.Я., Гупал А.М., Тарасов А.Л. Єкспертная система анализа прогрессий глиом
головного мозга // Компьютерная математика. – 2007. – № 2. – С. 132–139.
2. Гридина Н.Я., Гупал А.М., Сергиенко И.В, Тарасов А.Л. Анализ показателей скорости осе-
дания эритроцитов при глиомах головного мозга // Проблемы управления и информати-
ки. – 2007. – № 6. – С. 127–134.
3. Белецкий Б.А., Вагис А.А., Васильев С.В., Гупал А.М. Сложность байесовской процедуры
индуктивного вывода // Проблемы управления и информатики. – 2006. – № 6. – С. 55–70.
4. Сергиенко И.В., Гупал А.М. Оптимальные процедуры распознавания и их применение //
Кибернетика и системный анализ. – 2007. – № 6. – С. 41–54.
5. Петзольд Ч. Программирование для Microsoft Windows на C#. – М.: Рус., ред., 2002. –
1. – 548 с.
6. Дейт К. Дж. Введение в системы базы данных. – М.: Вильямс, 2000. – 846 с.
Получено 21.11.2008
|
| id | nasplib_isofts_kiev_ua-123456789-6498 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1817-9908 |
| language | Russian |
| last_indexed | 2025-12-07T18:48:21Z |
| publishDate | 2008 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Гридина, Н.Я. Тарасов, А.Л. 2010-03-04T16:05:59Z 2010-03-04T16:05:59Z 2008 Дифференциальная диагностика воспалительных и онкологических заболеваний / Н.Я. Гридина, А.Л. Тарасов // Комп’ютерні засоби, мережі та системи. — 2008. — № 7. — С. 59-65. — Бібліогр.: 6 назв. — рос. 1817-9908 https://nasplib.isofts.kiev.ua/handle/123456789/6498 616-006;007:681.518.2 На основе байесовской процедуры распознавания удалось осуществить дифференциальную диагностику между опухолями головного мозга и локальными воспалительными заболеваниями. На основі байєсівської процедури розпізнавання вдалося здійснити диференційну діагностику між пухлинами головного мозку та локальними запальними захворюваннями. Using Byes recognition procedure it is possible to make differential diagnostics between swellings of brain and local inflammatory processes. ru Інститут кібернетики ім. В.М. Глушкова НАН України Дифференциальная диагностика воспалительных и онкологических заболеваний Differential diagnosis of inflammation and oncological diseases Article published earlier |
| spellingShingle | Дифференциальная диагностика воспалительных и онкологических заболеваний Гридина, Н.Я. Тарасов, А.Л. |
| title | Дифференциальная диагностика воспалительных и онкологических заболеваний |
| title_alt | Differential diagnosis of inflammation and oncological diseases |
| title_full | Дифференциальная диагностика воспалительных и онкологических заболеваний |
| title_fullStr | Дифференциальная диагностика воспалительных и онкологических заболеваний |
| title_full_unstemmed | Дифференциальная диагностика воспалительных и онкологических заболеваний |
| title_short | Дифференциальная диагностика воспалительных и онкологических заболеваний |
| title_sort | дифференциальная диагностика воспалительных и онкологических заболеваний |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/6498 |
| work_keys_str_mv | AT gridinanâ differencialʹnaâdiagnostikavospalitelʹnyhionkologičeskihzabolevanii AT tarasoval differencialʹnaâdiagnostikavospalitelʹnyhionkologičeskihzabolevanii AT gridinanâ differentialdiagnosisofinflammationandoncologicaldiseases AT tarasoval differentialdiagnosisofinflammationandoncologicaldiseases |