Диагностика патологии внепеченочных желчных протоков по данным эндоскопической ультрасонографии с использованием нечетких математических моделей

Цель исследования - повышение качества диагностики обструктивной патологии внепеченочных желчных протоков на основе анализа реперных схем эталонных эндосонограмм с использованием гибридных нечетких математических моделей.

Методы. Основными методоми диагностики являются эндосонография и методология синтеза гибридных нечетких решающих правил, разработанные в Юго-Западном государственном университете.

Результаты. Количество больных раком внепеченочных желчных протоков и большого сосочка двенадцатиперстной кишки неуклонно растет и за последние 20 лет увеличилось в 1,5-2 раза. Особую трудность представляет дифференциальная диагностика доброкачественных и злокачественных стенозов из-за схожести их эхосемиотики. На основании экспертных оценок эндосонограмм, отображающих патологию внепеченочных желчных протоков, и методологии синтеза гибридных нечетких решающих правил получена нечеткая гибридная модель дифференциальной диагностики изучаемой патологии. Математическое моделирование и статистические расчеты показали эффективность модели дифференциальной диагностики, обеспечивающую уверенность в искомом диагнозе на уровне 0,93.

Выводы. Полученная модель дифференциальной диагностики обструктивной патологии внепеченочных желчных протоков обеспечивает уверенность в принятиях решений на уровне 0,93, что обеспечивает диагностику в условиях недостаточной статистики при плохоформализуемой структуре данных и позволяет рекомендовать ее к использованию в клинической практике.

1. Актуальные проблемы механической желтухи в хирургии / С. Н. Стяжкина, А. Р. Истеева, К. А.Короткова, Д. Р. Сахабутдинова, Г. Ф. Хасанова // Международный журнал прикладных и фундаментальных исследований. 2016. № 7-3. С. 427-430.

2. Подолужный В. И. Механическая желтуха: принципы диагностики и современного хирургического лечения // Фундаментальная и клиническая медицина. 2018. Т. 3, № 2. С. 82-92.

3. Endosonography for suspected obstructive jaundice with no definite pathology on ultrasonography / C. H. Chen, C. C. Yang, Y. H. Yeh, T. Yang, T. C. Chung // J. Formos. Med. Assoc. 2015. N 114(9). P. 820-8. https://doi.org/10.1016/jjfma.2013.09.005.

4. Hawes R. H., Fockens P. Endosonography. Elsevier Inc., 2006. 329 p.

5. Количественная оценка ультразвукового изображения / И. В. Клюшкин, А. Ю. Кинзерский, М. А. Кинзерская, Д. В. Пасынков // Казанский медицинский журнал. 2005. Т. 86, № 3. С. 237-240.

6. Кореневский Н. А. Использование нечеткой логики принятия решений для медицинских экспертных систем // Медицинская техника. 2015. № 1. С. 33-35.

7. Кореневский Н. А. Метод синтеза гетерогенных нечетких правил для анализа и управления состоянием биотехнических систем // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2013. Т. 1, № (2). С. 99-103.

8. Кореневский Н. А., Родионова С. Н., Хрипина И. И. Методология синтеза гибридных нечетких решающих правил для медицинских интеллектуальных систем поддержки принятия решений. Старый Оскол: ТНТ, 2019. 472 с.

9. Прогнозирование и диагностика заболеваний, вызываемых вредными производственными и экологическими факторами на основе гетерогенных моделей / Н. А. Кореневский, Н. А. Серебровский, В. И. Коптева, Н. А. Говорухина. Курск: Изд-во Курской государственной сельскохозяйственной академии, 2012. 231 с.

10. Кореневский Н. А. Проектирование нечетких решающих сетей, настраиваемых по структуре данных для задач медицинской диагностики // Системный анализ и управление в биомедицинских системах. 2005. Т. 4, № 1. С. 12-20.

11. Кореневский Н. А., Разумова К. В. Синтез коллективов гибридных нечетких моделей оценки состояния сложных систем // Наукоемкие технологии. 2014. Т. 12 (15). С. 31-39.

12. Информационные технологии в медицине: монография / А. А. Хадарцев [и др.]. Тула: Изд-во ТулГУ, 2006. 272 с.

13. Хайкин С. Нейронные сети: Полный курс. 2-е изд., испр. М.: ИД Вильямс, 2006. 1104 с.

14. Роль эндоскопии и эндоУЗИ в диагностике рака поджелудочной железы /

15. К. В. Шишин, Е. В. Быстровская, И. Ю. Недолужко, Д. Д. Коваленко [и др.] // Анналы хирургической гепатологии. 2019. Т. 24, № 3. С. 36-43.

16. Томакова Р. А., Филист С. А., Насер А. А. Нечеткие нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях // Биомедицинская радиоэлектроника. 2012. № 4. С. 43-50.

17. Фомин В. М. Квалиметрия. Управление качеством. Сертификация. М.: ОСЬ-89, 2002. 384 с.

18. Кореневский Н. А. Проектирование нечетких решающих сетей, настраиваемых по структуре данных для задач медицинской диагностики // Системный анализ и управление в биомедицинских системах. 2005. Т. 4, № 1. С. 12-20.

19. Кореневский Н. А. Использование нечеткой логики принятия решений для медицинских экспертных систем // Медицинская техника. 2015. № 1. С. 33-35.

20. Кореневский Н. А., Родионова С. Н., Хрипина И. И. Методология синтеза гибридных нечетких решающих правил для медицинских интеллектуальных систем поддержки принятия решений: монография. Старый Оскол: ТНТ, 2019. 472 с.

21. Метод синтеза нечетких решающих правил на основе моделей системных взаимосвязей для решения задач прогнозирования и диагностики заболеваний / Н. А. Кореневский, М. В. Артеменко, В. Я. Провоторов, Л. А. Новикова // Системный анализ и управление в биомедицинских системах. 2014. Т. 13, № 4. С. 881-886.