О.Є. Квятковський, Є.А. Квятковський, Т.О. Квятковська

Застосування нейронних мереж для автоматичної класифікації урофлоуграм

Вступ

Урофлоуметрія (УФМ) - клінічний метод неінвазійного дослідження уродинаміки нижніх сечових шляхів, який може використовуватися як скринінговий. У трактуванні урофлоуграм важливе значення надають графічному типу кривих, оскільки не завжди кількісні значення показників, що знаходяться в межах вікової норми, свідчать про відсутність порушень сечовипускання. Тільки комплексна оцінка кількісних параметрів і якісної характеристики кривої може достеменно виявити і ідентифікувати патологіч-ний стан сечовипускання. Результати УФМ не є суто специфічними для того чи іншого за-хворювання, але вони відображають функціональний стан нижніх сечових шляхів і разом з іншими методами дослідження допомагають у визначенні діагнозу і призначенні лікування.

До певної міри трактовка урофлоуграм полегшується завдяки автоматизованому обчисленню показників урофлоуграм, закладеному у програмах більшості урофлоуметрів. Визначаються такі параметри, як максимальна і середня об’єм-на швидкість потоку сечі, прискорення по- току сечі, час сечовиділення, сечовипускання, досягнення максимального потоку сечі та очікування сечовипускання, об’єм сечі, виділеної при сечовипусканні. У програмах деяких урофлоуметрів, як то «Потік-К», додатково обчислюються номограми максимальної і середньої об’ємної швидкості потоку сечі з урахуванням об’єму виділеної сечі і віку пацієнта. Однак для визначення синдромів, які спостерігаються при за-хворюваннях нижніх сечових шляхів, таких, як синдром гіперактивного сечового міхура, детрузорно-сфінктерної диссинергії, інфравезикальної обструкції, декомпенсації детрузора з «черевним сечовипусканням», значення має якісна оцінка урофлоуграм. Разом з тим, візуальна оцінка урофлоуграм є операторзалежною. Вона залежить від суб’єктивної оцінки виду кривих лікарем (оператором), його досвіду в проведенні даних досліджень, а також вимагає певних витрат часу.

Запропонований нами раніше спосіб автоматизованої діагностики порушень уродинаміки нижніх сечових шляхів із програмною цифровою фільтрацією та спектральним аналізом урофлоуграм мав точність 75% та був трудомістким через процедуру послідовного ви-ключення змінних, що відбивалося на його точності [1, 2].

Протягом останніх років досягнуті значні вдосконалення у розробці методів штучного інтелекту. Штучні нейронні мережі використовуються в якості клінічних систем прийняття рішень для медичної діагностики. Нейронні мережі не програмуються в звичному сенсі цього слова, вони навчаються, що є однією з головних переваг нейронних мереж перед традиційними алгоритмами. Методологія глибокого навчання включає кілька прихованих шарів штучних нейронних мереж, кожен наступний шар отримує на вході вихідні дані попереднього шару. Початкові шари вивчають першорядні ознаки, подальші шари вивчають ознаки більш високого порядку, ознаки підсумкового шару подаються в шари класифікації. Кілька шарів працюють разом для формування поліпшеного простору відмінних ознак. Отже, вони досягають більш високого рівня узагальнення.

Відомі декілька досліджень з застосуванням способів класифікації даних урофлоуметрії за допомогою машинного навчання з використанням нейронних мереж. Була представлена модель нейронної мережі, яка може розрізняти і класифікувати здорових і хворих пацієнтів із неврологічними порушеннями, що супроводжуються урологічними розладами [3]. Запропонована система з використанням загальноклінічних даних, УФМ і цистометрії, здатна передбачати, чи є дисфункція нижніх сечових шляхів чи ні [4]. Результати тестування цієї системи показали 85% достовірності. В іншому дослідженні навчання штучної тришарової нейронної мережі проводили за даними невеликої кількості відібраних урофлоуграм: норма - 58, доброякісна гіперплазія передміхурової залози (ДГПЗ) - 107, стриктура уретри - 25, детрузорно-сфінктерна диссинергія - 20 урофлоуграм, тестували сис-тему лише на 40 прикладах урофлоуграм [5]. Вхідний шар містив такі вхідні параметри, як вік пацієнта, об’єм сечовипускання, час досягнення максимальної швидкості сечовипускання, середня та максимальна об’ємна швидкість потоку сечі, час сечовипускання, а також коефіцієнти, що потребували додаткового розрахування. Але при ДГПЗ і стриктурі уретри зустрічаються різні типи урофлоуграм [6, 7], тому завдання не було коректним. Декларований у висновках загальний ступінь точності 95% без конкретизації за типами урофлоуграм і попередньо-го наведення підтверджуючих даних та з огля-ду на некоректність завдання викликає сумніви. Найбільш доцільний класифікатор був розроблений в програмному середовищі MATLAB і реалізувався через графічний інтерфейс з ви-значенням площі під кривою та застосуванням деяких функцій, таких як локальні максимуми і мінімуми урофлоуграми, але в ньому виходи штучних нейронних мереж підрозділялися лише на три класи урофлоуграм: «здорові», «можливі патологічні» і «патологічні» [8]. Кількість уро-флоуграм, використаних для машинного навчання, становила 72, тестували систему за даними 78 урофлоуграм. Показник «успішності» (точності) для визначення урофлоуграм як «здорові» склав 88%, «можливі патологічні» - 73% і «патологічні» - 77%, середній показник «успішності» (точності) системи склав 79%. Покращення точності класифікації урофлоуграм та збільшення можливостей для диференціювання різних типів урофлоуграм залишаються актуальними.

Метa дослідження: удосконалення комп’ютерних способів обробки результатів УФМ із застосуванням нейронних мереж та створення способу, який дає можливість проведення скринінгових досліджень сечовипускання і визначення до дев’яти типів урофлоуграм.

Матеріали I методи дослIдження

Для розробки системи розпізнавання даних УФМ на основі нейромережевого класифікатора і тестування нейронної мережі ми використали набір з 7843 результатів УФМ, що задовольняли умовам коректного урофлоуметричного дослідження. Дані були класифіковані нами за 9 типами на підставі вивчення наукової літератури і багаторічного власного досвіду проведення УФМ [6, 7]. Дані випадковим чином розбивалися на навчальну і тестову вибірки в співвідношенні 70% і 30%, тобто, тестування системи виконувалося на 2352 урофлоуграмах, що складало 30% від загальної кількості досліджень. Серед обстежених було 66% чоловіків і 34% жінок. Вік пацієнтів варіював від 18 до 90 років. Урофлоуметрію проводили за допомогою урофлоуметра «Потік-К» (розробник О.Є. Квятковський). Обчислювальні експерименти проводилися на GPU Nvidia GTX 1080, CPU Intel i7-4790, використовувалася мова програмування Python і бібліотеки Tensorflow і Keras.

Типи урофлоуграм визначали за наступними основними характеристиками. Нормальний тип - безперервна відносно рівна крива у вигляді асиметричного дзвона з трохи подовженою низхідною складовою (рис. 1а). Крива типу «неактивний потік» (передобструктивний тип) - крива дещо подовжена, висота купола кривої знижена, основа його розширена (рис. 1б). Обструктивний тип - крива значно подовжена і асиметрична за рахунок значно подовженої низхідної частини, має пологий вигляд зі згладженим невираженим куполом або сплощена (рис. 1в); більша частина загального обсягу сечі виділяється при постійно низькій швидкості потоку сечі. Така урофлоуграма найбільш типова для інфравезикальної обструкції. Переривчастий тип - крива у вигляді хвиль різної амплітуди, що не доходять до ізолінії, швидкість потоку сечі за-знає значних коливань, але не супроводжується відхиленням кількісних показників від норми (рис. 1г). Хвилеподібні зміни можуть накладатися як на огинаючу криву, яка описує нормальний потік сечі, так і на криву обструктивного сечовипускання - обструктивно-переривчастий тип урофлоуграми (рис. 1µ), що відображає флуктуаційну функціональну неповну обструкцію. Ці прояви в основному пов’язують з детрузорно-сфінктерною диссинергією, причиною якої є неузгоджене скорочення або недостатня релаксація внутрішнього або зовнішнього сфінктера уретри при одночасному скороченні детрузора. Перервний тип - крива має хвилеподібний вигляд та неодноразово переривається, досягаючи ізолінії, характеризується подовженням часу сечовиділення відносно часу сечовипускання (рис. 1д). Швидкість потоку сечі може відповідати значенням норми, проте частіше знижена - обструктивно-перервний тип урофлоуграми (рис. 1е). Зниження максимальної об’ємної швидкості потоку сечі при перервному типі кривої в поєднанні з великим об’ємом залишкової сечі підтверджує наявність інфравезикальної обструкції. Переривання кривої частіше відображає видавлювання сечі порціями за рахунок скорочення м’язів черевного преса, що може свідчити про декомпенсацію детрузора обструктивного або нейрогенного генезу. Стрімкий тип - крива у вигляді вежі, характеризується різким зростанням висхідної частини, високим куполом, вузькою основою і швидким падінням низхідної частини до «0» (рис. 1є), максимальна об’ємна швидкість потоку сечі зазвичай перевищує 40 мл/с. Такий вигляд кривої в основному притаманний хворим з гіперактивним сечовим міхуром. Тип «високий старт» - крива дуже швидко досягає свого максимуму на самому початку сечовипускання з плавним, повільним і тривалим зниженням кривої до «0» (рис.1ж). Вказує на зниження еластичності сечівника, ригідність його стінки, може спостерігатися при великих поліпах уретри.

Результати та їх обговорення

В результаті апробації різних варіантів архітектур нейронних мереж, таких як ResNet, LSTM-FCN, GRU-FCN, WaveletFCNN, InceptionTime, OS-CNN, ROCKET, нами була обрана п’ятишарова архітектура мережі Fully Convolutional Network (FCN), запропонована в роботі Z. Wang і співав. [9], яка зарекомендувала себе однією з кращих [10]. Були внесені деякі поліпшення в оригінальну архітектуру FCN: істотний приріст точності класифікації дали збільшення розміру фільтрів, а також облік 13 чисельних параметрів шляхом впровадження їх перед шаром Softmax [11]. Щоб переконатися в незалежності одержуваних результатів від розбиття набору даних, використовувалася валідація послідовним випадковим семплюванням. Дані п’ять разів випадковим чином розбивалися на навчальну і тестову вибірку в співвідношенні 70% і 30%, після чого кожен раз триразово запускалося навчання мережі з випадковою ініціалізацією і вибирався кращий результат. У порівнянні з попередньою нашою роботою [12] розмір набору даних був збільшений більш ніж у два рази. Оскільки зустрічальність окремих типів урофлоуграм різниться, для збалансування набору даних використовувалися ваги класів, щоб примірники з менш представлених класів частіше пред’являлися для навчання, що дозволило поліпшити точність їх класифікації.

Дані відповідно до нашої комп’ютерної програми подаються на вхід нейронної мережі, представляють собою 13 скалярних значень - чисельні параметри урофлоуграми, процентилі номограм максимальної і середньої об’ємної швидкості потоку сечі, а також дані пацієнта - стать і вік. Чисельні параметри урофлоуграми включають максимальну і середню об’ємну швидкість потоку сечі, прискорення потоку сечі, урофлоуметричний індекс час сечовиділення та сечовипускання, час досягнення максимального потоку сечі та очікування сечовипускання, об’єм сечі, виділеної при сечовипусканні. Крім того, на вхід нейронної мережі подається графік швидкості сечовипускання (урофлоуграма), записаний з частотою 56 вимірювань в секунду та поданий на вхід після стискання з частотою 14 вимірювань в секунду, в результаті чого отримується часовий ряд з 2000 значень, що відповідає уро-флоуграмі з максимальною тривалістю в 143 секунди. Таким чином, дані, які подаються нами на вхід нейронної мережі відрізняються тим, що, окрім скалярних чисельних параметрів УФМ, подається увесь графік об’ємної швидкості потоку сечі при сечовипусканні.

Вибір ознак (features) є популярним методом вдосконалення виконання індуктивних алгоритмів машинного навчання. Витяг лише корисних ознак для навчання значно покращує ефективність самонавчальної нейронної мережі, проте менш важливі ознаки можуть надати великий внесок у результат і їх цілковите викидання може перешкодити точності. Тому подання на вхід п’ятишарової нейронної мережі графіка урофлоуграми цілком у вигляді часового ряду з 2000 значень, допомагає підвищенню точності на виході нейронної мережі.

Частка вірних відповідей автоматичної класифікації урофлоуграм у залежності від застосованих удосконалень, відображена в табл. 1.

У табл. 2 представлена матриця невідповідностей класифікації урофлоуграм за 9 типами, отримана з використанням самонавчальних нейронних мереж за допомогою запропонованої комп’ютерної програми.

Запропонована комп’ютерна програма і спосіб автоматичної класифікації урофлоуграм з виділенням 9 типів урофлоуграм забезпечує можливість тестування нормального сечовипускання з точністю 96,3%, неактивного потоку сечі з точністю 92,8%, переривчастого, перервного, обструктивного, обструктивно-перервного, обструктивно-переривчастого, стрімкого сечовипускання та сечовипускання з високим стартом з точністю 92,8%, 92,3%, 90,2%, 91,3%, 96,4%, 93,3%, 80,8% відповідно, з загальною точністю 93,4%.

Отже, запропонований спосіб автоматичної класифікації результатів урофлоуметрії з застосуванням самонавчальних нейронних мереж дає можливість автоматично визначати усі основні 9 типів урофлоуграм. Усі типи урофлоуграм (за виключенням типу «високий старт») автоматично визначаються з точністю понад 90%. Загальне збільшення середнього показника точності до найбільш близької нейромережевої системи класифікації [8] досягло 14,4%, підвищення точності ідентифікації нормального сечовипускання склало 8,3% і перевищило 96%. Точне визначення різних типів обструктивного сечовипускання досягло 90,2%-96,4%. Серед патологічних типів урофлоу-грам найбільш висока точність була в ідентифікації обструктивно-переривчастого (96,4%) та переривчастого сечовипускання (92,8%), що найчастіше визначає детрузорно-сфінктерну диссинергію, а також стрімке сечовипускання (93,3%), що звичайно характеризує гіперактивний сечовий міхур. Для скринінгу сечовипускання позитивним є те, що комп’ютерна програма дозволяє виявити початкові порушення сечовипускання: урофлоуграма типу «неактивний потік» (передобструктивне сечовипускання), визначається з досить високою точністю - 92,3%.

Висновки

Застосування самонавчальної нейронної мережі з напрацьованими удосконаленнями комп’ютерної програми дозволило досягти високої загальної точності (93,4%) автоматичної класифікації урофлоуграм за найбільшою кількістю типів (9 типами), що важливо для проведення діагностичного процесу порушень сечовипускання.Визначення нормального типу урофлоуграм досягло 96,3%. Отримані результати пройшли тестування на великій кількості урофлоуграм (2352 криві) і достатні для практичного застосування, рекомендацій лікарю в процесі освоєн-ня ним УФМ, оптимізації і прискорення його роботи в подальшому. Можлива видача автоматичних висновків при масових скринінгових урофлоуметричних дослідженнях уродинаміки нижніх сечових шляхів для полегшення аналізу великої кількості урофлоуграм. Нейромережевий автоматичний аналіз урофлоуметричних кривих, зважаючи на їх значну варіабельність, може не лише заощадити час, але і зробити оцінку уро-флоуграм більш надійною.

IнформацIя про конфлIкт IнтересIв

Потенційних або явних конфліктів інтересів, що пов’язані з цим рукописом, на момент пуб-лікації не існує та не передбачається.