Откривање хроничне бубрежне болести из узорака крви помоћу неуронских мрежа
Mar 10, 2022
За више информација:Ali.ma@wecistanche.com
Мохамед Гхассан Латхееф*, Раџасваран Логесваран и Нурул Ханиза Мохтар
Азијско-пацифички универзитет за технологију и иновације, Букит Јалил, 57000 Куала Лумпур, Малезија
*Кореспондентни аутор е-маил:ТП047492@маил.апу.еду.ми,
Апстрактан.
Овај рад предлаже приступ вештачке неуронске мреже за аутоматско откривањеХронична болест бубрегакроз узорке течности узетих од пацијената. Дато је образложење за развој оваквог система, као и могуће користи за пацијенте и медицинску индустрију. Слични системи предложени у индустрији и за дијагностикухронична болест бубрегакроз друге приступе као што су класификациони алгоритми се истражују. Прикупља се скуп података за обуку неуронске мреже и анализирају карактеристике, као и методологија и алати који ће се користити у развоју неуронске мреже.
Индек Термс. ВештачкиНеуронске мреже, медицинска дијагноза, анализа података,Хронична болест бубрега(ЦКД).
1. Представљање
Процењује се да око 1 од сваких 10 одраслих пати од неког облика оштећења бубрега, при чему милиони годишње умиру од компликација повезаних саХронична болест бубрега(ЦКД) [1]. Студија Глобалног терета болести је 1990. године ЦКД нашла на 27. месту на листи узрока укупног броја смртних случајева широм света, али је порасла на 18. 2010. године – степен на листи која је рангирала узлазно кретање на другом месту након ХИВ-а и АИДС-а. ЦКД (Хронична болест бубрега)је изузетно штетно и неизлечиво, али ако се рано ухвати, његов напредак се може зауставити лековима и правилном исхраном.
Међутим, тешко је рано ухватити болест, због недостатка упозоравајућих симптома који су споља видљиви у раним фазама. Стога, осим ако неко има друга стања која би га учинила подложнијим оштећењу бубрега, ако је особа веома опрезна и ради редовне прегледе целог тела, или ако је урадила тест крви или урина из неког другог разлога и случајно је такође открила ЦКД, нормално ЦКД(Хронична болест бубрега) налази се само у средњим и касним фазама.
ЦКД(Хронична болест бубрега) одређује се када се више од три месеца примећује да бубрези нису у стању да ефикасно обављају своје предвиђене функције, као што је чишћење крви од отпада и вишка производа и помоћ у контроли крвног притиска [2]. Ово може довести до накупљања отпадних производа у телу пацијента, што доводи до отока и надимања чланака, несанице, кратког даха и слабости. Док се чак и ови симптоми примете, можда је већ прекасно. Рани ЦКД не показује никакве спољашње знаке или симптоме, понекад чак и до тачке када је особа већ изгубила 90 процената својих бубрежних функција [3].
Актуелне методе дијагностиковања ЦКД(Хронична болест бубрега) укључују мерење резултата серумског креатинина у крви, нивоа глукозе у крви да би се видело да ли је пацијент дијабетичар (пошто пацијенти са дијабетесом имају много високу преваленцију за оболевање од ЦКД), као и мерење албумина или присуства протеина у урин, који би се филтрирао у здравим бубрезима.
Међутим, ово обично захтева тромесечно праћење нивоа креатинина, као и других критеријума као што су хематурија, урођене малформације, итд. Према америчком Националном институту за дијабетес и болести дигестивног и бубрежног система (НИДДК), најновије истраживање сугерише да се стадијум /систем класификације идентификује ризик од ЦКД анализом података о пацијентима са већом прецизношћу у својим предвиђањима, захтева више фактора и не само еГФР, ниво креатинина или албумина, већ сва три, старост и статус дијабетеса [4]. Стога, овај пројекат има за циљ да користи сличан скуп података о пацијентима са више функција како би обучио неуронску мрежу да буде у стању да идентификује обрасце који указују на присуство ЦКД и изврши бинарну класификацију. На тај начин, овај пројекат има за циљ да олакша процес тестирања на ЦКД(Хронична болест бубрега) и смањити време чекања од неколико месеци да се утврди да ли је проблем хроничан, једноставним коришћењем резултата једног теста крви и других запажања и узорака направљених/узетих, са већим поверењем у дијагнозу засновану на више фактора уместо на једном фактору, што имало би веће шансе да буде ван граница због спољних фактора. Ово је посебно важно јер је свако напредовање ЦКД неповратно и стога је у најбољем интересу пацијената да се брзо и прецизно дијагностикује како би се започело лечење и предузеле одговарајуће мере да се оштећење одмах успори.
Кликните на органскиЦистанцхе за лечење хроничне болести бубрега
2. Преглед литературе
2.1 Истраживање домена
Медицинска дијагноза и доношење одлука су високо ризична област високог приоритета, јер је постављање тачних дијагноза апсолутно критично за здравље пацијената. ВештачкиНеуронске мреже(АНН) и друге технике машинског учења се све више користе за случајеве дијагнозе болести, са обећавајућим нивоима тачности.
Ал-Схаиа је представио два случаја АНН који се користе за дијагнозу (1) болести акутног нефритиса, која се јавља када се бубрези изненада упале и доведу до отказивања бубрега ако се не лече, као и (2) болести срца [5]. Коришћено је напредно ширење уназад, при чему је модел за акутни нефритис пријавио 99 процената, а срчане болести 95 процената тачности у дијагнози. Модел за први имао је 6 улаза, 20 скривених неурона, 2 слоја и користио је Левенберг-Маркуардтово повратно ширење као алгоритам за обуку, са обуком заснованом на побољшању средње квадратне грешке (МСЕ). Последња мрежа користила је 2 слоја, 22 улаза, 20 скривених неурона са осталим факторима који су били исти као и претходни.
Штер и Добникар су тестирали пет различитих медицинских база података (коронарна артеријска болест, рак дојке, хепатитис, дијабетес индијанаца Пима и болест срца) са АНН и једноставнијим линеарним дискриминантним методама [6]. Учинак је био релативно исти, што имплицира, тврдили су, да су подаци једноставни са вредностима које су независни атрибути. Као такви, они тврде да су сложени системи класификације или АНН непотребни у медицинској дијагнози, пошто су резултати високи и за линеарне дискриминантне и наивне Бајесове методе. Међутим, мора се напоменути да су тестирали методе са подразумеваним конфигурацијама и без финог подешавања, и како и сами прихватају да је чак и повећање од неколико процената нетачности у дијагнози пацијената од виталног значаја колико квантитативно, то би могло бити чак стотине хиљада људи. Ово је била ранија студија и АНН су значајно порасле након тога, посебно са дубоким учењем. Међутим, стални проблем са АНН-има је недостатак транспарентности – не може се видети како је АНН донео одлуку коју је донео и од којих вредности је та одлука зависила. Пацијент не би био убеђен да лекар не зна зашто пацијенту дају одређени лек и лечење једноставним придржавањем рецепта АНН. Недостатак објашњења такође значи да су људски лекари остављени у мраку и не могу да уче из одлука које доноси АНН.
Лиу ет ал. је преузео задатак тестирања тачности здравствених радника у поређењу са техникама дубоког учења као што је АНН [7]. Да би добили што већи скуп података, претражили су постојеће чланке и анализе како би извршили мета-анализу студија од 1. јануара 2012. до 6. јуна 2019. за студије које упоређују дијагностичке перформансе за било коју болест модела дубоког учења. у поређењу са здравственим радницима. Поређење учинка за 14 од тих студија показало је 87 процената обједињене осетљивости и 92,5 процената обједињене специфичности за моделе дубоког учења, са 86,4 процената и 90,5 процената, респективно, за здравствене раднике. Иако су резултати слични, модели дубоког учења су у целини имали боље резултате, чак и незнатно, а свако мање повећање у процентима је и даље одраз небројених живота који су спашени или побољшани екстраполацијом те бројке на квантитативну вредност оних који су погођени таквим здравственим стањима.
2.2 Слични системи
Постоји много чланака који детаљно говоре о дијагнози ЦКД(Хронична болест бубрега) коришћењем АНН-а или других метода, као што је коришћење машина за векторе подршке (СВМ) и Наивни Бајес.
Криплани и др. користио је дубоку неуронску мрежу да би предвидео ЦКД користећи 18 параметара у улазном слоју, иако број неурона скривеног слоја, слојева и мрежна архитектура није поменут у раду [8]. Дубока неуронска мрежа имала је праву позитивну стопу од 95,2 одсто и праву негативну стопу од 100 одсто, што је такође упоређено са другим методама класификације, као што су Логистиц, Рандом Форест, Адабоост, СВМ и Наиве Баиес. Лист је тврдио да је њихова Дубока неуронска мрежа имала највећу тачност међу свим горе наведеним методама. Међутим, даљом анализом резултата перформанси датих у раду, иако је иста стварна негативна стопа добијена свим осталим методама класификације, Наиве Баиес и Рандом Форест, релативно једноставнији алгоритми, извели су и АНН са 95,2 одсто истинито позитивних резултата. тачност. Даље, и Адабоост и СВМ су постигли праву позитивну стопу тачности од 96,2 посто, што је више од дубоке неуронске мреже. У другој датој табели, Наивни Бајес и Дубока неуронска мрежа су приказани са тачношћу од 97,7679 процената, док су Адабоост и СВМ имали тачност од 98,2143 процената, а Рандом Форест 99,1071 процената. Дакле, њихов закључак да је од свих упоређених модела Дубока неуронска мрежа била најбоља изгледа погрешно према бројкама које су дате у њиховом раду, јер не само да је спорија и већа у рачунарским ресурсима која се троши, Наивни Бајес је подједнако радио са Адабоостом. , СВМ и Рандом Форест добијају већу прецизност.
Ахмад и др. користио је СВМ како би предложио помоћни алат за подршку одлучивању за хитне ситуације, користећи 5 улаза: крвни притисак, креатинин у серуму, запремину збијених ћелија, фактор хипертензије и фактор анемије [9]. СВМ је кодиран у Р програмском језику, са тачношћу од 98,34 одсто. Они су такође закључили у свом раду да је значај атрибута повезан са средњим смањењем Гини, односно средњом вредношћу укупног смањења нечистоће у чвору варијабле, при чему је већа вредност већа је улога атрибута. Користећи ово, открили су да је запремина упакованих ћелија најважнији атрибут у дијагностици ЦКД(Хронична болест бубрега) из података. Пошто су само нивои креатинина у серуму један од начина на који се сада дијагностикује ЦКД, то ствара извесну несигурност у погледу тога да ли би можда било тачније ослањати се на вредности запремине упакованих ћелија.
Равиндра и др. такође је користио СВМ да би извршио класификацију и идентификовао ЦКД(Хронична болест бубрега) пацијената [10]. Улазне вредности су распоређене у четири различита случаја на основу блиске повезаности између њих, са:
Случај 1 -крвни притисак, специфична тежина и креатинин у серуму;
Случај 2 -албумин, шећер, насумични ниво глукозе у крви и хемоглобин;
Случај 3 -запремина ћелија, број белих крвних зрнаца и број црвених крвних зрнаца;
Случај 4 -албумин, шећер, насумични ниво глукозе у крви, креатинин у серуму, натријум, калијум и хемоглобин.
Сваки од четири случаја је посебно тестиран са СВМ класификатором без осталих фактора, и утврђено је да случај 2 има највећу тачност од 93,75 одсто. Међутим, тачност је нижа од претходних чланака који су користили већи број уноса. Стога, док албумин, шећер, насумични ниво глукозе у крви и хемоглобин дају добре резултате сами по себи, други инпути су показали повећање тачности када су укључени заједно.
Салекин и Станковић су користили Рандом Форест и постигли тачност од 99,3 одсто и 0.1084 просечну квадратну грешку (РМСЕ) користећи 24 улаза [11]. Међутим, затим су користили различите методе као што је метод омотача машинског учења и ЛАССО регуларизација, да би изабрали 5 карактеристика од оригиналних 24:
.специфична гравитација,.албумин,.шећерна болест,.хипертензија и.хемоглобин.
Цистанцхе може побољшати функцију бубрега
У раду је истакнут исплатив метод аутоматске детекције, и стога би смањење броја потребних фактора уз задржавање тачности на што је могуће могућем нивоу повећало исплативост због мање потребних тестова и времена потребног за добијање резултата тестова. Они процењују да са стопом инфлације од 2016 у САД и ценама медицинских тестова не би било потребно више од 45,05 УСД за тестирање пацијента. Са 5 атрибута, постигли су тачност од 98 процената са 0,11 РМСЕ, што је смањење од само 1,3 процената тачности након одбацивања 19 од оригиналних 24 карактеристике.
Вијаиарани и Дхаиананд су користили МАТЛАБ да би упоредили перформансе СВМ-а и АНН-а (феедфорвард витх бацкпропагатион) на скупу података пацијената са бубрежном болешћу [12]. АНН је имао оцену тачности од 87,70 процената, док је СВМ имао тачност од 76,32 процената. Међутим, СВМ-у је требало 3,22 секунде, док је АНН-у требало скоро дупло више од 7,26 секунди. Тачност је била знатно нижа од претходно поменутих система. Међутим, овај систем је такође имао више од бинарне класификације ЦКД(Хронична болест бубрега) или Здрави бубрези, уместо тога, класификован је у 5 различитих случајева: нормалан, акутни нефритични синдром, ЦКД, акутна бубрежна инсуфицијенција или хронични гломерулонефритис, што је задатак учинило сложенијим.
2.3 Резиме прегледа
Рад Лиуа ет ал. показује одрживост АНН-а и других замена за машинско учење да замене обучено око здравствених радника, тако што ће једноставно бити тачније. Међутим, како Штер и Добникар истичу, постоји проблем са транспарентношћу одлука АНН-а, јер не постоји начин да се идентификује који је фактор утицао на ту одлуку и колико је то био велики. Фактори се могу идентификовати изван АНН кроз различите методе прикупљања података и анализе сличне приступу Салекин и Станковић о ЦКД(Хронична болест бубрега) карактеристике да видите које играју већу улогу. Међутим, постоје контрадикторности када се користе различите методе за идентификацију приоритета карактеристика, као што је скуп од 5 који дели само 1 обележје са случајем највеће прецизности у налазима Равиндре ет ал., албумин. Поред тога, приступ средњег смањења Гини-ја Ахмада и других утврдио је да је запремина збијених ћелија најзначајнији фактор, међутим, ниједан од претходних радова није имао никакав значај приписан том фактору у коначним карактеристикама које су одабрали за своје системе.
Постоје проблеми са начином на који АНН доносе одлуке, и на неки начин, те одлуке имају неки елемент људске пристрасности, јер програмери одлучују које улазе да одбаце као непотребне, а које да задрже. Салекин и Станковић ипак имају добру поенту; имамо средства и време је да развијемо прецизније, исплативије решење за идентификацију ЦКД(Хронична болест бубрега) пацијенти брже, тако да људи избегну неоправдани бол, невоље и смрт.
3.0 Материјали и методе
3.1 Програмирање АНН-а
МАТЛАБ је коришћен за брзу израду прототипова јер омогућава изворно креирање АНН-а преко свог алата за дубоко учење без икаквог додатног кодирања. Слика 1 даје снимак алата за обуку АНН-а у оквиру алата за дубоко учење. Након Канбана, сви задаци за пројекат се постављају на виртуелну таблу, као што је Трелло, са различитим колонама за задатке који су већ завршени (као што је одлучивање о функционалности система, прикупљање података, распоред планирања, завршетак прелиминарног извештаја, попуњавање етички формулар, итд.), задаци који су у процесу (завршетак истражног извештаја) и задаци које треба извршити у будућности (чисти податке, обучити АИ са подацима, документовати резултате итд.). Основни принцип је да задржите ограничење рада у току и да га се придржавате, да будете што је могуће константнији без прекорачења ограничења и преузимања превише задатака одједном, и наставите док се пројекат не заврши.
3.2 Добијање података о обуци и тестирању
За обуку и тестирање модела разматране су две опције. Један је био да контактирате локалне болнице за анонимне информације о пацијентима за чисто академску употребу, а други да се пронађе скуп података који је доступан за коришћење на мрежи. Онлине је била преференција и пронађен је скуп података са 400 записа пацијената, 250 ЦКД(Хронична болест бубрега) пацијената и 150 пацијената без ЦКД, прикупљених из болница Аполо у Тамилнадуу, Индија, током 2 месеца. Постојале су 24 различите карактеристике, као што је приказано у Табели 1. Међутим, записи су били некомплетни, са недостајућим подацима или оштећеним у многим случајевима, што је често случај. Ако би се уклонили сви записи са празном вредношћу, употребљивих записа би било тек нешто више од 200. Стога је требало размотрити алтернативне методе чишћења података и задржавања непотпуних записа, као што је замена празних вредности режимом, или најчешће виђену вредност у обележју, али уз додатно разматрање најчешће вредности која се види у другим записима за то обележје, међу записима који су иначе најсличнији запису са обележјем који недостаје.
Цистанцхе за болест бубрега
Слика 1. Алат за обуку неуронских мрежа, карактеристика алата за дубоко учење
Табела 1. Листа карактеристика
10 од вредности је такође био текст који представља Булове вредности, који је такође морао да буде очишћен на вредности 0 и 1 пошто се прихватају само нумеричке вредности за обуку АНН-а. Штавише, за вештачку интелигенцију (АИ) без контекста језика је тешко да направи асоцијацију да је „да“ супротно од „не“ за разлику од „1“ и „0“. У зависности од резултата чишћења података и сачуване евиденције, могуће је да се мора ослонити на друге изворе података, као што је контактирање болница за анонимне податке о пацијентима.
4. Резултати и дискусија
У просеку, типична старост ЦКД(Хронична болест бубрега) Утврђено је да су пацијенти између 55 и 75 година, док је старост пацијената без ЦКД била равномерније распоређена. Ово показује да је ЦКД чешћа код старијих особа, што је разумно с обзиром на недостатак генетских проблема, јер је потребно време и трајно оштећење бубрега да би се развила ЦКД.
Дијабетес мелитус, такође познат као дијабетес, је фактор ризика који повећава шансе за добијање ЦКД. У ствари, према Америчкој националној фондацији за бубреге [13], око 30 процената дијабетичара типа 1 и 40 процената дијабетичара типа 2 касније у животу добије ЦКД. Ако пацијенти са дијабетесом не регулишу ниво глукозе у крви лековима, ињекцијама инсулина и исхраном, високи нивои глукозе зачепљују ситне крвне капиларе у бубрезима, оштећујући бубреге. Сви дијабетичари у скупу података такође су били пацијенти са ЦКД, са више од половине ЦКД(Хронична болест бубрега) пацијенти са дијабетесом.
Број црвених крвних зрнаца у просеку код пацијената са ЦКД је нижи него код пацијената који немају ЦКД, у распону од 2 до 6 милиона уместо здравих 4 до 7 милиона црвених крвних зрнаца по микролитру крви. Низак број црвених крвних зрнаца указује на анемију. Бубрези производе хормон који се зове еритропоетин (ЕПО), који подстиче тело да производи крвне ћелије, којих се довољно не производи када се функција бубрега смањи услед оштећења од ЦКД [14]. Као такав, нивои ЕПО опадају, што доводи до смањења броја црвених крвних зрнаца, што доводи до анемије. То доводи до мањег преноса кисеоника у тело, општег умора, кратког даха, хладних екстремитета (руке и стопала), ау најгорим случајевима и смрти.
Натријум и калијум су есенцијалне минералне соли потребне за људско тело. Међутим, могуће је прекорачити дневни лимит уноса, као и код воде. Нормално, бубрези чисте вишак соли и течности, а проблем бутана настаје када више не функционишу како би требало. То доводи до накупљања течности у ткивима и крвотоку, што узрокује висок крвни притисак, као и мучнину, слабост и абнормалне срчане ритмове [15]. Калијум се налази у опсегу од 3,3 до 5,25 за пацијенте без ЦКД са високом варијансом, а натријум на 135 до 151. Међутим, вредности калијума за ЦКД(Хронична болест бубрега) пацијенти могу достићи максимум до 48,4, што је око 10 пута више од нормалне количине, са максимумом натријума на 170,4.
У улазним подацима има много вредности које имају сличне повезане атрибуте, као што су хемоглобин, број црвених крвних зрнаца и анемија. Наравно, низак број црвених крвних зрнаца и низак хемоглобин корелирају са развојем анемије. Слично томе, постоји корелација између нивоа калијума и натријума са високим крвним притиском, као и нивоа глукозе у крви, шећера и дијабетеса. Гнојне ћелије и накупине гнојних ћелија, као и вредности бактерија такође су у корелацији јер присуство бактерија изазива гној, који претходи накупинама гнојних ћелија. Ово се може користити за смањење броја улаза или узети у обзир приликом чишћења података и додавања непотпуних вредности. Тежине које АНН ставља на сваки појединачни улаз биће кроз обуку и неће се постављати ручно, тако да ће се тек видети да ли се анализа поклапа са сопственим процесом одлучивања неуронске мреже.
5. Закључак
Анализирани подаци пацијената показују јасан образац кроз ручну анализу података чак и људском оку. АНН може бити способна да види далеко суптилније обрасце у нумеричким подацима, и стога може представити висок ниво тачности у смислу дијагнозе ЦКД(Хронична болест бубрега) код пацијената кроз посматрање вредности особина присутних у њиховим телесним течностима. У ствари, преглед радова на сличну тему показује да се број карактеристика може смањити, а тестови и течности које се узимају од пацијента смањити. Стога, уз смањење трошкова и напора, могуће је постићи минимално смањење тачности резултата због константно високе корелације приказане између неких вредности.
Цистанцхе за болест бубрега