ВОПРОСЫ АВТОМАТИЗИРОВАННОЙ МЕДИКО-ТЕХНИЧЕСКОЙ ДИАГНОСТИКИ (Всякое)

175

10

Вопросы автоматизированной медико-технической диагностики

Диагноз (от греч. diagnosis — распознавание), определение существа и особенностей болезни на основе всестороннего исследования больного. В настоящее время широкое распространение среди диагностических методов получили компьютерные методы диагностики. Все эти методы подразумевают получение диагностической информации по результатам измерения различных характеристик какой-либо части организма. Такая информация отражает состояние различных функциональных систем организма, и носит опережающий характер, т.е. позволяет производить оперативный прогноз функционального состояния какой-либо части организма (отсюда термин «функциональная диагностика»).

Основной проблемой медико-технической диагностики является автоматизированная обработка измеренных характеристик биообъекта и выдача заключения о его состоянии.

Выбор таких характеристик определяется:

- информативностью характеристик биообъекта для оценки функционального состояния;

- адекватностью метрологического обеспечения, используемо­го для регистрации указанных характеристик;

-возможностью автоматизации измерений этих характеристик, а также их обработки в реальном масштабе времени с автоматическим при­нятием решения.

Другой проблемой является автоматизированная оценка эффекта при терапевтических методах лечения.

Для решения проблем медико-технической диагностики разработаны разнообразные компьютерные программные комплексы, основанные на различных математических методах. Поэтому современную медико-техническую диагностику часто называют компьютерной диагностикой.

10.1. Предмет, задачи и методы автоматизированной медико-технической диагностики.

Современная медико-техническая диагностика основана на данных, полученных в результате всестороннего исследования пациента с помощью лабораторно-клинических анализов и медицинской аппаратуры. Полученные данные являются отображением характеристик пациента - показателей, по которым определяют состояние организма пациента и определяют наличие болезни или ее отсутствие – ставят диагноз. Существовать – значит быть тождественным самому себе (рефлексивное отношение), что, в свою очередь, значит быть идентифицированным.

Характеристики, по совокупности которых объект может быть идентифицирован (распознан), называют первичными характеристиками. Любые другие характеристики, не участвующие в идентификации объекта, называют вторичными.

Принципиальная трудность в том, что в настоящее время нет единой концепции в определении понятия «болезнь», и, следовательно, нет однозначной диагностики.

При определении понятия "болезнь" возникает ряд трудностей:

1. Не существует фиксированного числа болезней, их признаков и симптомов;

2. Не все болезни, признаки и симптомы имеют общепринятые определения;

3. Проявления даже хорошо описанных болезней изменяются во времени;

4. Степень уверенности, с которой врач может идентифицировать болезнь – ставить диагноз, значительно изменяется от болезни к болезни.

Показатели состояния пациента формируются путем обработки медико-биологических сигналов, получаемых при обследовании с помощью различных приборов и комплексов диагностического назначения. При таких обследованиях обычно получают числовые значения (анализы), графики – временные последовательности медико-биологических сигналов (ВП МБС), например, электрокардиограммы, или изображения – пространственные распределения медико-биологических сигналов (ПР МБС), например, рентгенограммы. Для краткости такие данные можно называть медико-биологическими сигналами (МБС).

Одна из основных задач, которую необходимо решить при обработке МБС является создание систем дешифрироки сигналов. Работа этих систем основана на количественных значениях диагностически значимой – аксиологической информации (axio – ценная, гр.) о состоянии и процессах в биообъекте.

С развитием цифровых методов формируются подходы к преобразованию физических и структурных свойств сигналов. Следует отметить, что научно-методическая база анализа информационных свойств сигнала, позволяющая автоматизировать процесс дешифрирования, находится в стадии становления и представляет собой широкое поле деятельности для специалистов биомедтехники.

В процессе анализа МБС при исследовании функций органа или его морфологических особенностей врач проводит дешифровку МБС: выделяет и анализирует аксиологические признаки болезней, патологий, функциональных расстройств.

В общем случае дешифровка проходит через ряд этапов (уровней):

1. обнаружение – определение участков, отличающихся от стандартных (нормы);

2. распознавание состояния участка (норма – патология);

3. классификация – определение принадлежности обнаруженных изменений к тому или иному классу;

4. анализ – определение состояния пациента;

5. синтез (диагноз) – выбор процедуры лечения и контроля результатов лечения.

При этом врач может выполнять преобразования полученных МБС, то есть проводить их предварительную обработку, при которой физические параметры аксиологической информации оказались бы наиболее заметными.

Предварительная обработка, обнаружение и распознавание относятся к низшим уровням дешифровки, классификация - к среднему уровню. Анализ ситуаций и составление лингвистического описания (синтез), которые в практических случаях реализуются врачом (дешифровщиком), относятся к высшим уровням.

Кроме прямых связей, между уровнями дешифровки могут быть обратные связи, используемые для коррекции результатов обработки на низших уровнях.

Существующая медицинская техника реализует, как правило, только этап предварительной обработки, а остальные этапы дешифровки выполняет врач. Актуальной задачей повышения эффективности медицинской техники является обеспечение автоматического или автоматизированного выполнения одного или нескольких этапов дешифровки. Создание автоматизированных систем дешифровки МБС является одной из основных задач медико-технической диагностики.

Медико-техническая диагностика решает обширный круг задач, многие из которых являются смежными с задачами других научных дисциплин.

Основной задачей медико-технической диагностики является распознваание состояния пациента в условиях ограниченной информации. Важное требование к медико-технической диагностике – неинвазивность. Анализ состояния пациента проводят без нарушения жизнедеятельности. Часто по получаемой информации нельзя сделать однозначное заключение и приходиться использовать статистические методы.

Использование статистических методов обусловлено также тем, что возникновение патологий определяется большим числом стохастических факторов. Поэтому болезни, физиологические реакции и функциональные состояния человека представляют собой случайный процесс. Соответственно МБС являются реализациями случайных процессов. При этом, по одной реализации (сигналу) принимать решение можно только в случае стационарности и эргодичности патологического процесса.

10.2. методы статистической Обработки медико-биологических данных

В основе автоматизированных систем диагностики различных болезней лежат базы данных по показателям - МБС этих болезней, полученные в результате исследования здоровых и больных пациентов разного пола и возраста. Такие исследования называются эпидемиологическими.

В силу стохастичности патологических процессов физиологические показатели обладают значительной вариабельностью. Это привело к созданию разнообразных диагностических методов, алгоритмов и приборов, применение и изучение которых затруднено. В тоже время, стохастический характер МБС позволяет подойти к разработке систем обработки МБС как к системам передачи, преобразования и представления реализаций случайного процесса, формирования оценок статистических характеристик.

Случайной величиной x(k) называется функция множеств, определяемая в точках k выборочного пространства. Это действительное число, которое сопоставляется каждой выборочной точке.

Под выборочным пространством понимают возможные исходы измерений, представляющих собой множество точек.

Наиболее простой оценкой случайной величины является ее среднее значение (первый момент).

Если имеется выборка значений

x = (x₁, x₂, …, x_k, …, x_N)

по данному физиологическому показателю X, среднее значение можно вычислить по формуле

Например, общеизвестный физиологический показатель – температура T внутренних полостей тела взрослого человека в норме имеет среднее значение μ_T = 36,6^o C. Повышенное или пониженное значение Т, точнее разность |μ_T – T| является первичным диагностическим показателем различных заболеваний.

Однако, одного диагностического показателя для идентификации болезни в общем случае недостаточно и используют набор или вектор физиологических показателей. При этом широко используется кластерный анализ.

Кластерный анализ.

На сегодняшний день МБС регистрируются и анализируются многочисленными методами. Все их можно условно разделить на три большие группы:

1. Визуальные (качественные):

Врач наблюдает за МБС и на основании предыдущих наблюдений и знаний, полученных опытным путем, делает какие-либо заключения. Несмотря на низкую точность (со стороны математического описания) этот вариант наиболее распространен и, при наличии достаточного опыта врача дает высокие результаты.

1. Математические (количественные):

При обработке МБС вычисляются его всевозможные параметры, на основании анализа которых врач должен поставить диагноз. С точки зрения математической реализации, значительно более точны, однако требуют достаточно высокого уровня знаний врача в области теории вероятности и математической статистики, вследствие чего не везде приветствуются.

Решение диагностической задачи (отнесение объекта к норме или патологии) связано с риском ложной тревоги (ошибка 1-го рода) или пропуска цели (ошибка 2-го рода). Для принятия обоснованного решения привлекают методы теории статистических решений, разработанных впервые в радиолокации.

3) Смешанные:

Представляют собой совокупность 1 и 2 методов. К этой группе можно отнести кластерный и контурный методы анализа. Это направление является наиболее перспективным, так как не требует значительных специфических знаний в математической области от врача и в то же время анализируемая информация отображается графически, что наиболее привычно и удобно для врача. Использование цветовой гаммы в методах контурного и кластерного анализа особенно эффективно с физиологической точки восприятия.

Формально под задачей кластерного анализа заданного множества объектов понимается задача разбие­ния этого множества объектов на непересе­кающиеся подмножества - кластеры таким образом, чтобы элементы, относимые к одному подмножеству, отличались между собой в значительно меньшей степени, чем элементы из разных подмножеств.

В многомерном пространстве диагностических показателей кластеры нормы и различных болезней отображаются «облаками» точек, расположенных в разных частях этого пространства, различно удаленных от «нормального облака».

В геометрическом отношении кластеры представляют собой пространственные образы тех или иных заболеваний. Распознавание этих пространственных образов позволяет автоматизировать диагностику.