Диссертация (1174210), страница 4
Текст из файла (страница 4)
Одним из заболеваний, при диагностики которого применяетсямикроскопия, является туберкулез легких [9].Микроскопическое или бактериоскопическое исследование, на предметналичия в мокроте пациентов кислотоустойчивых микобактерий, являетсяпрактически единственным доступным для общей лечебной сети методомвыявления бактериовыделителей больных туберкулезом [22, 114]. При этом внастоящеевремябольшинствоклинико-диагностическихлабораторий,осуществляющих бактериоскопическую диагностику туберкулеза, оснащенынеобходимым для этого оборудованием [37, 126].Несмотря на достаточную оснащенность оборудованием для проведениябактериоскопической диагностики туберкулеза качество такой диагностики вклинико-диагностических лабораториях общей лечебной сети остается не надолжном уровне [36, 97, 126]. Это связано в первую очередь с довольно рутиннойметодикойпросмотрамикроскопическихпрепаратов,согласнокоторойнеобходимо на одном препарате просмотреть большое число полей зрения.
Вовторых, с тем, что общая укомплектованность кадрами клинико-диагностическихлабораторий в учреждениях общей лечебной сети составляет 63%, а врачамибактериологами – чуть более 50% [126]. Это приводит к тому, что при проведениибактериоскопической диагностики туберкулеза возникает большое число ошибок[97] и учреждения общей лечебной сети постепенно перестают осуществлятьбактериоскопическую диагностику. Данный факт подтверждается тем, что в 2014году доля больных туберкулезом, выявленных бактериоскопическим методом отвпервые выявленных бактериовыделителей, составила лишь 0,23% [36].Однакофизическаяидентификацияиподсчетколичествакислотоустойчивых микобактерий с помощью микроскопического исследованияявляется сложным процессом, требующим значительного физического напряженияиумственнойконцентрации.Чувствительностьручноговыявлениякислотоустойчивых микобактерий также сильно варьируется в зависимости отквалификации специалиста [162].
Это трудоемкая задача, которая занимает от 15мин до 3 ч, в зависимости от квалификации специалиста и количества17присутствующих микобактерий, что, в свою очередь, будет зависеть от стадииинфекции [162]. Так как специалист должен потратить довольно продолжительноевремя на каждый микроскопический препарат, то он может проверить малое числопрепаратов в день. При этом существующие методы скрининга могут пропускать33-50% активных случаев, а автоматизация может помочь повысить точность, таккак компьютер может обработать больше полей зрения и может выявлять случаина начальной стадии заболевания [345].В литературе предложено множество автоматических методов нахождениякислотоустойчивых микобактерий с использованием как обычных, так ифлуоресцентных микроскопов.
При этом отмечается множество преимуществавтоматизированных методов, таких как снижение напряжения глаз, большаяточность, а также возможность хранить данные о пациентах для дальнейшегоиспользования, что позволяет лучше и быстрее принимать решения. Сохраненныезаписи пациентов также могут быть отправлены через Интернет экспертам,расположенным в другом месте для получения дополнительного экспертногозаключения. Таким образом, автоматизированный анализ изображений можетоблегчить диагностику на месте, повысить чувствительность за счет возможностианализа большого количества областей, чем это обычно делается техническимспециалистом, и повысить специфичность за счет жестких и надежных критериевидентификации кислотоустойчивых микобактерий [285].Таким образом, необходимо совершенствование подходов к проведениюбактериоскопической диагностики туберкулеза среди населения.
Одним из путейповышения качества бактериоскопической диагностики данного заболеванияявляется автоматизация процесса анализа мазков мокроты, окрашенной по методуЦиля-Нильсена.Использованиеавтоматизированногоанализацифровыхмикроскопических изображений препаратов мокроты, окрашенной по методуЦиля-Нильсена, позволит свести к минимуму перечисленные выше недостатки. Вопервых,путемисключениянеобходимостиналичияквалифицированногоспециалиста при проведении бактериоскопического обследования, во-вторых,путем увеличения скорости проведения данного обследования и, в-третьих, путем18исключения человеческого фактора из процесса бактериоскопической диагностикитуберкулеза среди населения.1.2. Применение компьютерных, математических технологий и анализцифровых изображений в медицинеСегодня в медицине, в том числе и во фтизиатрии, все большеераспространение получают компьютерные технологии [11, 18, 32, 65, 158, 301],внедрение которых позволяет упростить или ускорить диагностические процессы.Современныекомпьютерныеиматематическиетехнологиипозволяютосуществлять автоматизированный анализ различных изображений [53, 98, 112].Это требует, как правило, использование методов и алгоритмов предобработкиизображений, их сегментации для выделения объектов и дальнейшего изучения дляидентификации или распознавания [103].С недавнего времени использование математических моделей в медицинеполучило довольно широкое распространение.
Повсеместная компьютеризацияприводит к тому, что решение большого числа медицинских задач перекладываетсяна «плечи» математических моделей и компьютерных технологий [29, 157, 257,339].Спектр используемых математических методов охватывает такие модели какдискриминантные уравнения [15, 19, 105, 113], деревья решений [46, 121],линейная и логистическая регрессия [6, 24, 77, 120], а также нейросетевые моделис различным распространением сигнала и имеющие различную структуру [10, 82,100, 124].В медицине существенное распространение получили логистическая [178] илинейная регрессии [28, 178].
Так, в качестве примеров использования данныхматематических моделей могут явиться работы, посвященные прогнозированиюстадии артериальной гипертензии при использовании 80 самых разнообразных19параметров[24]илипрогнозусрединаселениярегионаисчерпаннойзаболеваемости [122].Примеры использования линейной регрессии можно найти в работах,посвященных прогнозированию уровня смертности по социально-экономическимпоказателям в субъектах России [45] или оценке влияния на показателизаболеваемости в регионе загрязнения питьевой воды [8].Отличиями логистической и линейной регрессии являются целевые, то естьпрогнозируемые, явления. Модели, создаваемые с использованием линейнойрегрессии, позволяют прогнозировать количественные явления, такие как вприведенном выше примере – уровень смертности в регионе [45].
Модели,создаваемые на основе логистической регрессии, используются, как правило, вкачестве классификационной модели, относя набор предикторов к одному из двухили более классов. Такие классы имеют номинальный или категориальныйхарактер, например, стадия артериальной гипертензии [24]. Достаточная простотасоздания регрессионных моделей и высокая степень верности прогнозов, котораяполучается с помощью данных моделей, являются их достоинством.
Недостаткамиявляются: относительная сложность в описании функционирования самой моделии сложность определения алгоритма принятия решения регрессионной модельюконечному пользователю [178].Деревья классификации, выполняющие классификацию по различнымалгоритмам, являются более сложными моделями [66]. Прогнозированиепоказателя двигательного развития у больных детским церебральным параличомможет служить примером такой модели [118], а также примером могут быть –модель классификации и диагностики офтальмологических заболеваний спомощьюразличныхпредикторов[13]илидеревьяклассификациивпрогнозировании исходов гепатита А у детей [46]. Представленный в виде блоксхемы принятия решения понятный для конечного пользователя алгоритм являетсядостоинством таких моделей.Одним из перспективных направлений математического моделированияявляется создание моделей, основанных на технологии нейронных сетей.
В20настоящее время нейросетевые модели получили распространение, как за рубежом,так и в России. В отечественных исследованиях в широком спектре прикладныхмедицинских задач нейронные сети нашли свое применение. Такими задачамиявляются, например, оценка активности атеросклеротических процессов уработников нефтеперерабатывающего предприятия, прогнозирование теченияраннего послеоперационного периода у больных раком легкого, прогнозированиезаболеваемости населения в регионе и многие другие [16, 39, 43, 127, 129].Отечественными исследователями разработаны эпидемиологические моделитуберкулеза, имеющие сложный математический аппарат [1, 76, 353].Зарубежные исследования в области применения нейронных сетей вмедицине разрабатывают нейросетевые модели для различных медицинских задач[286, 303], в том числе для прогнозирования распространения туберкулеза [134,152] и его диагностики [150, 216, 219].Кроме математических моделей в здравоохранении и медицинской практикевсе большее распространение получают компьютерные технологии, фтизиатрия неявляется исключением [11, 18, 158, 301].Еще в 90-е годы XX столетия были разработаны одни из первыхкомпьютерных систем для реализации задач здравоохранения.
Одним из примеровтаких систем является разработанная в 1992 г. в НИИ фтизиопульмонологии ММАим. И.М. Сеченова система активного выявления туберкулеза на основекомпьютерных технологий, которая внедрена в работу Новомосковскогогородского противотуберкулезного диспансера Тульской области в 1993 г. Системаоценивала индивидуальную степень риска развития туберкулеза с применениемматематического аппарата дискриминантной функции [66].Внедрение компьютерных технологий позволяет значительно уменьшитьвремя, необходимое для принятия решений, повысить количественные икачественные показатели активного выявления туберкулеза легких срединаселения,атакжеупроститьдляпрактическогоиндивидуального подхода к пациентам [27, 80].врачаиспользование21Использование автоматизированного анализа цифровых изображений, насегодняшний день не является новой задачей [102, 115], но ее применение находитвсе большее значение для здравоохранения [261, 350, 368].
Особенно быстропроисходит развитие такого направления как автоматизированный анализмикроскопических изображений [47, 264]. При этом современные компьютерные иматематические технологии позволяют осуществлять автоматизированный анализмикроскопических изображений, что требует, как правило использование методови алгоритмов предобработки изображений, их сегментации ил выделения наизображении объектов и дальнейшего изучения выделенных объектов или ихидентификации [5, 117, 316]. Однако, большинство из используемых для этогоалгоритмов требуют наличия ручной предобработки изображений или наличияаприорных знаний об анализируемом изображении [4, 256], что не позволяет ихиспользовать в практическом здравоохранении ввиду отсутствия специфическихзнаний и навыков у медицинского персонала.Таким образом, использование различных математических моделей икомпьютерных технологий получило широкое распространение в медицинскихисследованиях.
Широкий спектр разрабатываемых математических моделей икомпьютерных систем требует изучения их достоинств и недостатков, а такжевозможностей для выбора оптимальной модели с целью совершенствованиябактериоскопической диагностики туберкулеза.Изображения в медицинской практике имеют огромное значение. Внастоящее время практически каждый диагностический метод прибегает квизуализации. Ставшие уже классическими такие методы, как ультразвуковоеисследование, компьютерная томография, магнитно-резонансная томография идругие методы активно используются в медицинской практике [93]. Помимоклассическихметодоввизуализацииполучаютширокоераспространениевизиография, однофотонная эмиссионная компьютерная томография, позитронноэмиссионная томография, сонография и т.