Sebrant: Le reti neurali Yandex aiuteranno i medici a fare diagnosi. Gli studenti dell'Ufa utilizzano le reti neurali in medicina Reti neurali in cardiologia

Mustafaev A.G. — Applicazione di reti neurali artificiali per la diagnosi precoce del diabete mellito // Cibernetica e programmazione. - 2016. - N. 2. - P. 1 - 7. DOI: 10.7256/2306-4196.2016.2.17904 URL: https://nbpublish.com/library_read_article.php?id=17904

Applicazione di reti neurali artificiali per la diagnosi precoce del diabete mellito

Annotazione.

Il diabete mellito è una malattia cronica, la cui patogenesi è la mancanza di insulina nel corpo umano, che causa disturbi metabolici e alterazioni patologiche in vari organi e tessuti, portando spesso ad un alto rischio di infarto e insufficienza renale. Si è tentato di sviluppare un sistema per la diagnosi precoce del diabete mellito in un paziente esaminato utilizzando reti neurali artificiali. È stato sviluppato un modello di rete neurale basato su un percettrone multistrato, addestrato utilizzando l'algoritmo di backpropagation. Per progettare una rete neurale è stato utilizzato il pacchetto Neural Network Toolbox di MATLAB 8.6 (R2015b), che è uno strumento potente e flessibile per lavorare con le reti neurali. I risultati dell'addestramento e dei test sulle prestazioni della rete neurale progettata mostrano la sua applicazione di successo per risolvere i problemi assegnati e la capacità di trovare modelli e relazioni complessi tra varie caratteristiche di un oggetto. La sensibilità del modello di rete neurale sviluppato era dell'89,5%, la specificità dell'87,2%. Una volta addestrata, la rete diventa uno strumento diagnostico affidabile ed economico.

10.7256/2306-4196.2016.2.17904

Data inviata alla redazione:

11-02-2016

Parole chiave:

Diabete, rete neurale artificiale, diagnostica computerizzata, specificità, sensibilità, classificazione dei dati, percettrone multistrato, propagazione all'indietro dell'errore, rete di distribuzione diretta, formazione con insegnante

Oggi il diabete è considerato una delle malattie più diffuse al mondo. Secondo l’Organizzazione Mondiale della Sanità, circa 350 milioni di persone di ogni età e razza soffrono di varie forme di diabete. Il diabete mellito non è una conseguenza della patologia di alcun organo specifico; si verifica a causa di un fallimento metabolico generale. I suoi segni compaiono negli organi e nei sistemi di organi più sensibili a questo processo. I segni clinici del diabete dipendono dal tipo di malattia, sesso, età, livelli di insulina, pressione sanguigna e altri fattori. Nel lavoro viene discusso un sistema per la diagnosi precoce del diabete mellito in un paziente in esame utilizzando reti neurali artificiali.

Le tecnologie delle reti neurali sono progettate per risolvere problemi difficili da formalizzare, ai quali, in particolare, derivano molti problemi medici. Ciò è dovuto al fatto che spesso al ricercatore viene fornita una grande quantità di materiale fattuale eterogeneo per il quale non è stato ancora creato un modello matematico. I modelli di reti neurali artificiali per la diagnosi di disturbi mentali, morbo di Parkinson e di Huntington hanno mostrato buoni risultati. I modelli di percettrone multistrato vengono utilizzati per prevedere il rischio di osteoporosi. Per diagnosticare l’epatite B sono state utilizzate l’inferenza e la regressione generalizzata.

Uno degli strumenti più convenienti per risolvere tali problemi sono le reti neurali artificiali: un metodo potente e allo stesso tempo flessibile per simulare processi e fenomeni. Le moderne reti neurali artificiali sono strumenti software e hardware per la creazione di modelli e dispositivi specializzati e consentono di risolvere un'ampia gamma di problemi diagnostici basati sull'uso di algoritmi di teoria del riconoscimento di modelli. Una proprietà distintiva delle reti neurali è la loro capacità di apprendere sulla base di dati sperimentali dell'area tematica. In relazione ad argomenti medici, i dati sperimentali sono presentati sotto forma di un insieme di segni o parametri iniziali di un oggetto e una diagnosi fatta sulla base di essi. L'addestramento di una rete neurale è un processo interattivo durante il quale la rete neurale trova relazioni non lineari nascoste tra i parametri iniziali e la diagnosi finale, nonché la combinazione ottimale dei coefficienti di ponderazione dei neuroni che collegano strati adiacenti, in cui l'errore nel determinare la classe dell'immagine tende al minimo I vantaggi delle reti neurali includono la loro relativa semplicità, non linearità, lavoro con informazioni fuzzy, non criticità dei dati di origine e capacità di apprendere da esempi specifici. Durante il processo di apprendimento viene fornita all'ingresso della rete neurale una sequenza di parametri iniziali insieme alle diagnosi che caratterizzano questi parametri.

Per addestrare una rete neurale è necessario disporre di un numero sufficiente di esempi per configurare un sistema adattivo con un dato grado di confidenza. Se gli esempi appartengono a gruppi diagnostici diversi, allora una rete neurale artificiale così addestrata consente di diagnosticare e differenziare successivamente ogni nuovo caso rappresentato da un insieme di indicatori simili a quelli su cui è stata addestrata la rete neurale. L'indubbio vantaggio di un modello neurale è che durante la sua creazione non è necessario rappresentare l'intero insieme di schemi complessi per descrivere il fenomeno diagnosticato.

Allo stesso tempo, ci sono una serie di difficoltà associate all'uso delle reti neurali nei problemi pratici. Uno dei problemi principali nell'uso delle tecnologie delle reti neurali è il grado di complessità della rete neurale progettata, precedentemente sconosciuto, che sarà sufficiente per una diagnosi affidabile. Questa complessità potrebbe essere inaccettabilmente elevata e richiedere architetture di rete più complesse. Le reti neurali a strato singolo più semplici sono in grado di risolvere solo problemi separabili linearmente. Questa limitazione può essere superata quando si utilizzano reti neurali multistrato.

In questo lavoro, abbiamo utilizzato un modello di percettrone multistrato (rete neurale feedforward) addestrato sulla base dell'algoritmo di backpropagation. Come funzione di attivazione nel lavoro è stata utilizzata la funzione di attivazione logistica (Fig. 1):

`F=1/(1+exp(-alphaY)`

dove "alpha" è il parametro della pendenza della funzione logistica.

Riso. 1. Funzione di attivazione logistica

Un percettrone multistrato ha un alto grado di connettività realizzato attraverso connessioni sinaptiche. La modifica del livello di connettività di rete richiede la modifica dell'insieme di connessioni sinaptiche o dei loro coefficienti di ponderazione. La combinazione di tutte queste proprietà, insieme alla capacità di apprendere dall’esperienza, fornisce la potenza di calcolo di un percettrone multistrato.

La rete neurale artificiale conteneva uno strato di input, uno strato nascosto e uno strato di output. Lo strato di input, una rete neurale, ha 12 neuroni, lo strato di output ha due neuroni (Fig. 2).

Riso. 2. Architettura della rete neurale

Tabella 1. Parametri del livello di input della rete neurale

Per progettare la rete neurale è stato utilizzato il pacchetto Neural Network Toolbox di MATLAB 8.6 (R2015b). Il pacchetto rappresenta un insieme di funzioni e strutture dati che descrivono funzioni di attivazione, algoritmi di apprendimento, installazione di pesi sinaptici, ecc.

Riso. 3. Schema di funzionamento dell'algoritmo di backpropagation dell'errore

L'algoritmo di backpropagation dell'errore (Fig. 3) prevede il calcolo dell'errore sia dello strato di output che di ciascun neurone della rete addestrata, nonché la correzione dei pesi dei neuroni in base ai loro valori attuali. Nella prima fase di questo algoritmo, i pesi di tutte le connessioni interneuronali vengono inizializzati con piccoli valori casuali (da 0 a 1). Dopo aver inizializzato i pesi, durante il processo di addestramento della rete neurale vengono eseguiti i seguenti passaggi:

• propagazione diretta del segnale;
• calcolo dell'errore dei neuroni dell'ultimo strato;
• propagazione all'indietro dell'errore.

La propagazione diretta del segnale viene effettuata strato per strato, a partire dallo strato di input, mentre viene calcolata la somma dei segnali di ingresso per ciascun neurone e, utilizzando la funzione di attivazione, viene generata una risposta neuronale che si propaga allo strato successivo , tenendo conto del peso della connessione interneuronale secondo. Come risultato di questa fase, otteniamo un vettore dei valori di output della rete neurale. La fase successiva dell'addestramento consiste nel calcolare l'errore della rete neurale come differenza tra i valori di output previsti e quelli effettivi.

I valori di errore risultanti si propagano dall'ultimo livello di output della rete neurale al primo. In questo caso, i valori di correzione dei pesi dei neuroni vengono calcolati in base al valore corrente del peso della connessione, della velocità di apprendimento e dell'errore introdotto da questo neurone. Dopo aver completato questa fase, i passaggi dell'algoritmo descritto vengono ripetuti finché l'errore dello strato di output non raggiunge il valore richiesto.

La banca dati di training e test conteneva 486 cartelle cliniche, di cui 243 avevano una diagnosi clinicamente accertata di diabete mellito, l'altra parte dei pazienti era sana.

La rete neurale è stata addestrata su 240 campioni e testata su 146 campioni. La sensibilità del modello di rete neurale sviluppato era dell'89,5%, la specificità dell'87,2%. Una certa complessità del supporto teorico per l'uso, l'intensità del lavoro e i costi in termini di tempo per la modellazione e l'addestramento delle reti neurali è compensata dalla facilità del loro utilizzo da parte dell'utente finale. Se il compito di creare una specifica rete neurale adeguata al compito da svolgere e la sua formazione ottimale sono disponibili solo a uno specialista, la sua applicazione pratica da parte dell'utente finale richiede solo competenze informatiche. La complessità dell'interpretazione del sistema di conoscenza di un modello di rete neurale addestrato non è necessaria per l'utente di una rete neurale, poiché per la maggior parte degli utenti finali non è importante comprendere l'essenza del funzionamento di una rete neurale, ma la sua efficacia, il contenuto informativo , assenza di errori e velocità.

Bibliografia

Reti neurali in medicina

Alexander Ezhov, Vladimir Chechetkin

Istituto di innovazione e ricerca termonucleare, Troitsk

[e-mail protetta]

Sistemi specifici

Lotta contro il cancro

Neurosistemi, genetica e molecole

Le reti neurali stanno investendo il pianeta

Invece di una conclusione

Dolore toracico acuto. Un'ambulanza porta il paziente al pronto soccorso, dove il medico di turno deve fare una diagnosi e stabilire se si tratta effettivamente di un infarto miocardico. L'esperienza dimostra che la percentuale di pazienti che hanno avuto un infarto tra quelli ricoverati con sintomi simili è piccola. Tuttavia, non esistono ancora metodi diagnostici accurati. L'elettrocardiogramma a volte non contiene segni evidenti della malattia. Quanti parametri delle condizioni del paziente possono in un modo o nell'altro aiutare a fare la diagnosi corretta in questo caso? Più di quaranta. Può un medico del pronto soccorso analizzare rapidamente tutti questi indicatori insieme alle relazioni per prendere una decisione sull'invio del paziente al reparto di cardiologia? In una certa misura, le tecnologie delle reti neurali aiutano a risolvere questo problema.

Le statistiche sono le seguenti: il medico diagnostica correttamente l'infarto del miocardio nell'88% dei pazienti e fa questa diagnosi in modo errato nel 29% dei casi. Ci sono troppi falsi allarmi (sovradiagnosi). La storia dell'utilizzo di vari metodi di elaborazione dati per migliorare la qualità della diagnosi risale a decenni fa, ma i migliori hanno contribuito a ridurre il numero di casi di sovradiagnosi solo del 3%.

Nel 1990, William Bakst dell’Università della California, a San Diego, utilizzò una rete neurale – un percettrone multistrato – per rilevare un infarto miocardico in pazienti che si presentavano al pronto soccorso con dolore toracico acuto. Il suo obiettivo era creare uno strumento che potesse aiutare i medici che non sono in grado di far fronte al flusso di dati che caratterizzano la condizione di un paziente ricoverato. Un altro obiettivo potrebbe essere quello di migliorare la diagnostica. Il ricercatore ha complicato il suo compito perché ha analizzato i dati solo di quei pazienti che erano già stati indirizzati al reparto di cardiologia. Bakst ha utilizzato solo 20 parametri, tra cui età, sesso, localizzazione del dolore, reazione alla nitroglicerina, nausea e vomito, sudorazione, svenimento, frequenza respiratoria, frequenza cardiaca, precedenti attacchi cardiaci, diabete, ipertensione, distensione della vena giugulare, un numero delle caratteristiche dell'ECG e della presenza di cambiamenti ischemici significativi.

La rete ha dimostrato un'accuratezza del 92% nel rilevare l'infarto miocardico e ha prodotto solo il 4% di falsi allarmi, indirizzando erroneamente i pazienti non colpiti da infarto al dipartimento di cardiologia. Esistono quindi prove dell’uso efficace delle reti neurali artificiali nella diagnosi delle malattie. Ora è necessario spiegare in quali parametri viene valutata la qualità della diagnosi nel caso generale. Supponiamo che su dieci persone che hanno effettivamente avuto un infarto, il metodo diagnostico ci consenta di rilevare la malattia in otto. Quindi la sensibilità del metodo sarà dell'80%. Se prendiamo dieci persone che non hanno un infarto e il metodo diagnostico lo sospetta in tre persone, la percentuale di falsi allarmi sarà del 30%, mentre una caratteristica aggiuntiva - la specificità del metodo - sarà uguale al 70%.

Un metodo diagnostico ideale dovrebbe avere sensibilità e specificità al cento per cento: in primo luogo, non perdere una sola persona veramente malata e, in secondo luogo, non spaventare le persone sane. Per assicurarti, puoi e dovresti provare, prima di tutto, a garantire che il metodo sia sensibile al 100%: non puoi perdere la malattia. Ma questo di solito si traduce in una bassa specificità del metodo: in molte persone i medici sospettano malattie di cui i pazienti in realtà non soffrono.

Reti neurali per compiti diagnostici

Le reti neurali sono sistemi non lineari in grado di classificare i dati molto meglio dei metodi lineari comunemente utilizzati. Applicati alla diagnostica medica, consentono di aumentare significativamente la specificità del metodo senza ridurne la sensibilità.

Ricordiamo che la rete neurale che diagnostica un infarto ha funzionato con un ampio insieme di parametri, la cui influenza sulla diagnosi di una persona non può essere valutata. Tuttavia, le reti neurali si sono dimostrate in grado di prendere decisioni basate sui modelli nascosti che identificano nei dati multidimensionali. Una caratteristica distintiva delle reti neurali è che non sono programmate: non utilizzano alcuna regola di inferenza per fare una diagnosi, ma sono addestrate a farlo tramite esempi. In questo senso, le reti neurali non sono affatto simili ai sistemi esperti, il cui sviluppo negli anni '70 avvenne dopo la temporanea "vittoria" dell'Intelligenza Artificiale sull'approccio alla modellazione della memoria, al riconoscimento di modelli e alla generalizzazione, che si basava sullo studio dell’organizzazione neurale del cervello.

Uno dei sistemi esperti più famosi sviluppati, che si basava sulla conoscenza estratta dagli esperti e sull'implementazione di procedure di inferenza, è stato il sistema MYCIN. Questo sistema è stato sviluppato a Stanford all'inizio degli anni '70 per diagnosticare lo shock settico. La metà dei pazienti è morta a causa di ciò entro 24 ore e i medici hanno potuto rilevare la sepsi solo nel 50% dei casi. MYCIN sembrava essere un vero trionfo della tecnologia dei sistemi esperti, perché era in grado di rilevare la sepsi nel 100% dei casi. Tuttavia, dopo aver acquisito maggiore familiarità con questo sistema esperto, i medici hanno migliorato significativamente i metodi diagnostici tradizionali e MYCIN ha perso la sua importanza, diventando un sistema di formazione. I sistemi esperti venivano utilizzati solo in cardiologia, per l'analisi degli elettrocardiogrammi. Le complesse regole che costituiscono il contenuto principale dei libri sull'analisi clinica dell'ECG sono state utilizzate dai sistemi corrispondenti per emettere un rapporto diagnostico.

La diagnostica è un caso speciale di classificazione degli eventi e il valore maggiore è la classificazione di quegli eventi che sono assenti nel set di addestramento della rete neurale. È qui che si manifesta il vantaggio delle tecnologie delle reti neurali: sono in grado di effettuare tale classificazione, generalizzando l'esperienza precedente e applicandola a nuovi casi.

Sistemi specifici

Un esempio di programma diagnostico è il pacchetto di diagnostica cardiaca sviluppato da RES Informatica in collaborazione con il Centro Ricerche Cardiologiche di Milano. Il programma consente di effettuare diagnostica cardiaca non invasiva basata sul riconoscimento degli spettri del tacogramma. Un tacogramma è un istogramma degli intervalli tra battiti cardiaci successivi e il suo spettro riflette l'equilibrio delle attività del sistema nervoso simpatico e parasimpatico umano, che cambia specificamente in varie malattie.

In un modo o nell'altro si può già affermare che le reti neurali si stanno trasformando in uno strumento per la diagnostica cardiaca: in Inghilterra, ad esempio, vengono utilizzate in quattro ospedali per prevenire l'infarto del miocardio.

Un'altra caratteristica delle reti neurali viene utilizzata anche in medicina: la loro capacità di prevedere sequenze temporali. È già stato notato che i sistemi esperti eccellono nell’analisi dell’ECG. Anche le reti neurali sono utili in questo caso. Qi Zhenhu, Yu Hengwoo e Willis Tompkins dell'Università del Wisconsin hanno sviluppato un sistema di filtraggio della rete neurale per elettrocardiogrammi in grado di sopprimere il rumore non lineare e non stazionario molto meglio dei metodi utilizzati in precedenza. Il fatto è che la rete neurale ha previsto bene il rumore in base ai suoi valori in momenti precedenti. E il fatto che le reti neurali siano molto efficaci per prevedere sequenze temporali (come i tassi di cambio o le quotazioni azionarie) è stato dimostrato in modo convincente dai risultati di un concorso di programmi predittivi condotto dall'Università di Santa Fe: le reti neurali si sono classificate al primo posto e hanno dominato tra i metodi migliori.

Possibilità di utilizzare reti neurali

L'ECG è un'applicazione particolare, anche se estremamente importante. Tuttavia, oggi ci sono molti altri esempi di utilizzo delle reti neurali per le previsioni mediche. È noto che le lunghe code nei reparti di cardiochirurgia (da settimane a mesi) sono causate dalla carenza di unità di terapia intensiva. Non è possibile aumentarne il numero a causa dell'alto costo delle terapie intensive (gli americani spendono il 70% dei loro fondi nelle ultime 2 settimane di vita in questo reparto).

L’unica via d’uscita è utilizzare i fondi disponibili in modo più efficiente. Supponiamo che le condizioni dei pazienti operati in un determinato giorno siano così gravi da richiedere una lunga degenza nel reparto di terapia intensiva (più di due giorni). Per tutto questo tempo, i chirurghi rimarranno inattivi, poiché non c'è nessun posto dove mettere i pazienti appena operati. È più saggio operare i pazienti gravemente malati prima dei fine settimana o dei giorni festivi: in questi giorni le sale operatorie sono ancora chiuse, i chirurghi riposeranno e i pazienti guariranno in terapia intensiva. Ma all'inizio della settimana lavorativa è meglio operare quei pazienti che dovranno rimanere nel reparto di terapia intensiva solo per uno o due giorni. Poi i letti di terapia intensiva verranno liberati più velocemente e verranno accettati nuovi pazienti operati martedì e mercoledì.

La domanda è come prevedere chi dovrà rimanere a lungo nel reparto di terapia intensiva dopo l’intervento chirurgico e chi no. Jack Tu e Michael Guerier del St. Michael's University Hospital di Toronto hanno utilizzato le reti neurali per fare tali previsioni. Come dati iniziali, sono state prese solo le informazioni sul paziente note nel periodo preoperatorio. Si noti che in lavori precedenti che non utilizzano reti neurali, importanti informazioni postoperatorie - varie complicazioni sorte durante l'intervento chirurgico - sono state utilizzate anche come fattori per un aumento del rischio di permanenza in terapia intensiva.

Tu e Guerir hanno addestrato un percettrone a due strati per dividere i pazienti in tre gruppi a rischio, tenendo conto della loro età, sesso, stato funzionale del ventricolo sinistro, grado di complessità dell'operazione imminente e presenza di malattie concomitanti. Dei pazienti classificati dalla rete a basso rischio di ritardo in terapia intensiva, solo il 16,3% vi ha effettivamente trascorso più di due giorni. Allo stesso tempo, oltre il 60% di coloro che la rete ha classificato come gruppo a rischio ha mantenuto la prognosi sfavorevole.

Lotta contro il cancro

Abbiamo prestato particolare attenzione alle malattie cardiovascolari, poiché detengono la triste leadership nell'elenco delle cause di morte. Le malattie oncologiche sono al secondo posto. Uno dei settori principali in cui si lavora attualmente utilizzando le reti neurali è la diagnosi del cancro al seno. Questa malattia è la causa della morte di una donna su nove.

L'individuazione di un tumore viene effettuata durante una prima analisi radiografica della mammella (mammografia) e la successiva analisi di un frammento di tessuto tumorale (biopsia). Nonostante esistano regole generali per differenziare le neoplasie benigne da quelle maligne, secondo la mammografia, solo dal 10 al 20% dei risultati della successiva biopsia chirurgica confermano effettivamente la presenza di cancro al seno. Anche in questo caso si tratta di un caso di specificità estremamente bassa del metodo.

I ricercatori della Duke University hanno addestrato una rete neurale a riconoscere le mammografie di tessuto maligno sulla base di otto caratteristiche che i radiologi comunemente affrontano. Si è scoperto che la rete è in grado di risolvere il compito con una sensibilità di circa il 100% e una specificità del 59% (rispetto al 10-20% dei radiologi). Quante donne con tumori benigni possono evitare lo stress di sottoporsi ad una biopsia se si utilizza questa rete neurale! Alla Mayo Clinic (Minnesota), una rete neurale ha analizzato i risultati dell'ecografia mammaria e ha fornito una specificità del 40%, mentre per le stesse donne la specificità del referto dei radiologi era pari a zero. Non è forse vero che il successo dell’utilizzo delle tecnologie delle reti neurali non sembra affatto casuale?

Dopo il trattamento per il cancro al seno, sono possibili recidive del tumore. Le reti neurali stanno già aiutando a prevederli in modo efficace. Studi simili sono in corso presso la University of Texas Medical School. Le reti addestrate hanno dimostrato la loro capacità di identificare e tenere conto di relazioni altamente complesse di variabili predittive, in particolare delle loro triple connessioni, per migliorare la capacità predittiva.

Le possibilità di utilizzo delle reti neurali in medicina sono molteplici e la loro architettura è varia. Sulla base della prognosi dei risultati a lungo termine del trattamento della malattia con un metodo o con l'altro, si può preferire uno di essi. Un risultato significativo nella previsione del trattamento del cancro ovarico (una malattia che colpisce ogni settanta donne) è stato ottenuto dal famoso specialista olandese Herbert Cappen dell'Università di Nimega (nel suo lavoro non utilizza perceptron multistrato, ma le cosiddette macchine di Boltzmann - neurali reti per la stima delle probabilità).

Ecco un esempio di un'altra malattia del cancro. I ricercatori della Kagawa Medical School (Giappone) hanno addestrato una rete neurale in grado di prevedere in modo quasi accurato i risultati della resezione epatica in pazienti con carcinoma epatocellulare sulla base dei dati preoperatori.

Presso il Trinity Institute of Innovative and Thermonuclear Research (TRINITI), nell'ambito del progetto attuato dal Ministero della Scienza per creare sistemi di consulenza su reti neurali, è stato sviluppato un programma di rete neurale che seleziona un metodo di trattamento per il cancro della pelle basocellulare (basal cell carcinoma) sulla base di una prognosi a lungo termine per lo sviluppo di recidive. Il numero dei casi di carcinoma basocellulare, una malattia oncologica delle persone di pelle bianca con pelle sottile, rappresenta un terzo di tutti i tumori.

La diagnosi di una delle forme di melanoma, un tumore che a volte è difficile da distinguere dalla forma pigmentata del carcinoma basocellulare, è stata implementata utilizzando il simulatore di rete neurale multineurone, sviluppato presso il SOAN Computer Science Center di Krasnoyarsk sotto la guida di A.N. Gorban .

Breve descrizione

Reti neurali per compiti diagnostici

Sistemi specifici

Possibilità di utilizzare reti neurali

Lotta contro il cancro

Neurosistemi, genetica e molecole

Le reti neurali stanno investendo il pianeta

La ricerca e lo studio di algoritmi impliciti che permettano di accumulare e quindi utilizzare automaticamente l'esperienza durante l'apprendimento [5.3] va avanti da più di 100 anni [5.4]. Tuttavia, i primi seri tentativi di creare reti neurali furono fatti negli anni '40 e '50, quando W. McCulloch e W. Pitts avanzarono i principi di base della teoria su come funziona il cervello. Con l'avvento dei computer economici, si è verificato un netto balzo in avanti in quest'area, che all'inizio degli anni '80 si è trasformata in un'intera scienza: la neuroinformatica [5.5, 5.6, 5.7].

I problemi impliciti in medicina e biologia hanno fornito un campo ideale per l’applicazione delle tecnologie delle reti neurali, ed è in quest’area che è stato osservato il successo pratico più sorprendente dei metodi neuroinformativi.

Diamo un'occhiata ad alcune delle applicazioni di reti neurali più interessanti per la biologia e la medicina, create da vari autori e scuole.

I sistemi per la diagnosi e la diagnosi differenziale delle malattie sono di grande interesse per l'assistenza sanitaria pratica. Inoltre, per il processo decisionaleè possibile utilizzare un'ampia varietà di dati: anamnesi, esame clinico (si stanno creando sistemi diagnostici esperti limitati solo a questo insieme [5.8]), risultati di test di laboratorio e metodi funzionali complessi. L'elenco delle aree della medicina in cui le nuove tecnologie hanno iniziato ad essere applicate è estremamente ampio e continua a crescere.

Uno dei settori più intensamente sviluppati è l’uso delle reti neurali in cardiologia.

Un estremamente interessante sistema esperto per la diagnosi e il trattamento dell’ipertensione arteriosa [5.9]. Il sistema comprende tre moduli di rete neurale e le risposte di alcuni costituiscono i dati di input per altri. All'inizio dello studio, al paziente viene misurata la pressione sistolica e diastolica ogni mezz'ora durante il giorno. Viene calcolata la media dei dati per ogni ora. Si forma così una matrice di 48 valori di pressione arteriosa (24 ciascuno per sistolica e diastolica). Successivamente, il primo modulo, costituito da due reti neurali a tre strati (ognuna delle quali ha 2 neuroni di input, 4 "nascosti" e 24 neuroni di output), sulla base dei dati relativi al sesso e all'età del paziente, calcola simili "corretti" valori e li confronta con quelli reali. Parallelamente, il secondo modulo (una rete neurale a due strati con 17 neuroni di input e 4 di output), sulla base dei dati clinici (sintomi, anamnesi), calcola le possibili combinazioni di farmaci antipertensivi che possono essere utilizzati per trattare un dato paziente. I dati prelevati dagli output di entrambi i moduli, insieme ai dati clinici, vengono immessi nell'input dell'ultimo, terzo modulo (rete neurale a 6 strati). Questo modulo opera con 4 gruppi di farmaci antipertensivi (diuretici, beta-bloccanti, inibitori dell'angiotensina, calcio-antagonisti). L'obiettivo è assegnare un programma giornaliero (orario) affinché il paziente possa assumere farmaci per ciascuno (se necessario) dei 4 gruppi. Pertanto questo modulo ne ha 96 neuroni in uscita(4 farmaci x 24 ore). Da parte di tutti neurone di uscita viene prelevata la dose corrispondente ad un farmaco prescritto per una determinata ora della giornata. Naturalmente, in una situazione reale, la maggior parte dei dati di output è zero. Pertanto, viene creato per il paziente un regime di trattamento ottimale per l'ipertensione. Va notato che il sistema tiene conto di alcune caratteristiche dei pazienti che assumono farmaci, ad esempio la difficoltà di assumere farmaci durante la notte (prescrive il dosaggio notturno solo in casi estremi), il divieto di prescrivere diuretici durante la notte.

Una caratteristica distintiva del sistema è la capacità dell'utente (medico) di trasferire la propria esperienza alla rete neurale. A questo scopo, i creatori del programma hanno previsto un blocco speciale che visualizza sullo schermo del computer le curve giornaliere della pressione sanguigna e invita il medico a inserire nel computer il regime giornaliero di assunzione dei farmaci antipertensivi nelle dosi, a suo avviso, necessarie. L'esempio inserito viene inserito nel database. In qualsiasi momento è possibile avviare un ulteriore training delle reti neurali con nuovi esempi.

È in corso una serie di studi sull'uso delle reti neurali per la diagnosi dell'infarto miocardico [5.13,5.14,5.15]. L'autore fornisce dati sulla sensibilità (77,7%) e specificità (97,2%) del test della rete neurale. In [5.16], inoltre, utilizzando una rete neurale, è stato stabilito il significato diagnostico dei parametri clinici nella diagnosi di infarto miocardico.

Le reti neurali vengono utilizzate dai terapisti per diagnosticare malattie epatiche sulla base di dati di laboratorio derivanti dallo studio delle funzioni epatiche [5.19]; diagnosi differenziale delle malattie del fegato [5.20] e della colecisti mediante ecografia [5.21].

I neuroprogrammi possono funzionare con successo con dati medici relativi a categorie soggettive, ad esempio in psichiatria [5.22]. La valutazione dei dati soggettivi consente di riconoscere i sintomi mentali e di diagnosticare e studiare alcuni complessi di sintomi psichiatrici.

L’attuale problema della diagnosi delle neoplasie maligne potrebbe ricevere un nuovo livello di comprensione con l’inizio dell’uso dei neuroalgoritmi. Pertanto, il lavoro [5.23] mostra un'accuratezza dell'80% nella diagnosi precoce dei melanomi cutanei, una delle malattie più maligne.

Uno dei campi di applicazione più seri delle reti neurali è l'interpretazione dei dati medici. Negli ultimi anni si è assistito ad un rapido sviluppo di nuovi strumenti diagnostici e terapeutici. Allo stesso tempo, c'è una "seconda ondata" di studio e utilizzo di metodi antichi e antichi e, al contrario, di utilizzo delle ultime innovazioni tecniche. Spesso entrambi i metodi, se utilizzati, forniscono al medico un'ampia varietà di dati. Ciò solleva il problema della loro interpretazione competente e corretta. La ricerca di schemi profondi tra i dati ottenuti e i processi patologici comincia a restare indietro rispetto allo sviluppo di metodi sempre più nuovi, quindi l'uso delle reti neurali per questo scopo può essere estremamente vantaggioso.

Un problema classico in cardiologia è l'interpretazione degli elettrocardiogrammi, che richiede una significativa esperienza medica. I dipendenti dell'Università di Glasgow (Regno Unito) stanno conducendo ricerche sull'uso delle reti neurali per la diagnostica ECG dell'infarto del miocardio [5.25]. I dati di input per le reti sono parametri selezionati di un elettrocardiogramma a 12 canali e di un vettorcardiogramma a 12 canali (lunghezza dei denti, distanza tra i denti). I ricercatori hanno addestrato un numero enorme di reti neurali (167 reti per la diagnosi di infarto miocardico della parete anteriore e 139 reti per infarto della parete inferiore) su un set di dati di 360 elettrocardiogrammi. Le reti addestrate hanno poi testato un campione separato con risposte precedentemente note (493 casi). Allo stesso tempo, è stato utilizzato un metodo logico (con un algoritmo predeterminato) per ottenere una serie separata di risposte sul campione di prova. Quindi sono stati confrontati i risultati del test del campione utilizzando le migliori reti neurali e utilizzando un algoritmo logico. Dal confronto è emerso che in molti casi la sensibilità e la specificità del test della rete neurale erano superiori a quelle del metodo logico. Gli autori giungono alla giusta conclusione che nei casi in cui è ancora possibile costruire un algoritmo logico per risolvere un problema, è ragionevole combinare entrambi gli approcci nei sistemi esperti.

Interpretazione 59% ).

17.04.1997 Alexander Ezhov, Vladimir Chechetkin

Dolore toracico acuto. Un'ambulanza porta il paziente al pronto soccorso, dove il medico di turno deve fare una diagnosi e stabilire se si tratta effettivamente di un infarto miocardico. L'esperienza dimostra che la percentuale di pazienti che hanno avuto un infarto tra quelli ricoverati con sintomi simili è piccola. Tuttavia, non esistono ancora metodi diagnostici accurati. L'elettrocardiogramma a volte non contiene segni evidenti della malattia. Quanti parametri delle condizioni del paziente possono in un modo o nell'altro aiutare a fare la diagnosi corretta in questo caso? Più di quaranta. Può un medico del pronto soccorso analizzare rapidamente tutti questi indicatori insieme alle relazioni per prendere una decisione sull'invio del paziente al reparto di cardiologia? In una certa misura, le tecnologie delle reti neurali aiutano a risolvere questo problema. Reti neurali per compiti diagnostici Sistemi specifici Possibili applicazioni delle reti neurali Lotta contro il cancro Neurosistemi, genetica e molecole Le reti neurali camminano per il pianeta Invece di una conclusione Dolore toracico acuto. L'ambulanza consegna

Dolore toracico acuto. Un'ambulanza porta il paziente al pronto soccorso, dove il medico di turno deve fare una diagnosi e stabilire se si tratta effettivamente di un infarto miocardico. L'esperienza dimostra che la percentuale di pazienti che hanno avuto un infarto tra quelli ricoverati con sintomi simili è piccola. Tuttavia, non esistono ancora metodi diagnostici accurati. L'elettrocardiogramma a volte non contiene segni evidenti della malattia. Quanti parametri delle condizioni del paziente possono in un modo o nell'altro aiutare a fare la diagnosi corretta in questo caso? Più di quaranta. Può un medico del pronto soccorso analizzare rapidamente tutti questi indicatori insieme alle relazioni per prendere una decisione sull'invio del paziente al reparto di cardiologia? In una certa misura, le tecnologie delle reti neurali aiutano a risolvere questo problema. .

Le statistiche sono le seguenti: il medico diagnostica correttamente l'infarto del miocardio nell'88% dei pazienti e fa questa diagnosi in modo errato nel 29% dei casi. Ci sono troppi falsi allarmi (sovradiagnosi). La storia dell'utilizzo di vari metodi di elaborazione dati per migliorare la qualità della diagnosi risale a decenni fa, ma i migliori hanno contribuito a ridurre il numero di casi di sovradiagnosi solo del 3%.

Nel 1990, William Bakst dell’Università della California, a San Diego, utilizzò una rete neurale – un percettrone multistrato – per rilevare un infarto miocardico in pazienti che si presentavano al pronto soccorso con dolore toracico acuto. Il suo obiettivo era creare uno strumento che potesse aiutare i medici che non sono in grado di far fronte al flusso di dati che caratterizzano la condizione di un paziente ricoverato. Un altro obiettivo potrebbe essere quello di migliorare la diagnostica. Il ricercatore ha complicato il suo compito perché ha analizzato i dati solo di quei pazienti che erano già stati indirizzati al reparto di cardiologia. Bakst ha utilizzato solo 20 parametri, tra cui età, sesso, localizzazione del dolore, reazione alla nitroglicerina, nausea e vomito, sudorazione, svenimento, frequenza respiratoria, frequenza cardiaca, precedenti attacchi cardiaci, diabete, ipertensione, distensione della vena giugulare, un numero delle caratteristiche dell'ECG e della presenza di cambiamenti ischemici significativi.

La rete ha dimostrato un'accuratezza del 92% nel rilevare l'infarto miocardico e ha prodotto solo il 4% di falsi allarmi, indirizzando erroneamente i pazienti non colpiti da infarto al dipartimento di cardiologia. Esistono quindi prove dell’uso efficace delle reti neurali artificiali nella diagnosi delle malattie. Ora è necessario spiegare in quali parametri viene valutata la qualità della diagnosi nel caso generale. Supponiamo che su dieci persone che hanno effettivamente avuto un infarto, il metodo diagnostico ci consenta di rilevare la malattia in otto. Quindi la sensibilità del metodo sarà dell'80%. Se prendiamo dieci persone che non hanno un infarto e il metodo diagnostico lo sospetta in tre persone, la percentuale di falsi allarmi sarà del 30%, mentre una caratteristica aggiuntiva - la specificità del metodo - sarà uguale al 70%.

Un metodo diagnostico ideale dovrebbe avere sensibilità e specificità al cento per cento: in primo luogo, non perdere una sola persona veramente malata e, in secondo luogo, non spaventare le persone sane. Per assicurarti, puoi e dovresti provare, prima di tutto, a garantire che il metodo sia sensibile al 100%: non puoi perdere la malattia. Ma questo di solito si traduce in una bassa specificità del metodo: in molte persone i medici sospettano malattie di cui i pazienti in realtà non soffrono.

Reti neurali per compiti diagnostici

Le reti neurali sono sistemi non lineari in grado di classificare i dati molto meglio dei metodi lineari comunemente utilizzati. Applicati alla diagnostica medica, consentono di aumentare significativamente la specificità del metodo senza ridurne la sensibilità.

Ricordiamo che la rete neurale che diagnostica un infarto ha funzionato con un ampio insieme di parametri, la cui influenza sulla diagnosi di una persona non può essere valutata. Tuttavia, le reti neurali si sono dimostrate in grado di prendere decisioni basate sui modelli nascosti che identificano nei dati multidimensionali. Una caratteristica distintiva delle reti neurali è che non sono programmate: non utilizzano alcuna regola di inferenza per fare una diagnosi, ma sono addestrate a farlo tramite esempi. In questo senso, le reti neurali non sono affatto simili ai sistemi esperti, il cui sviluppo negli anni '70 avvenne dopo la temporanea "vittoria" dell'Intelligenza Artificiale sull'approccio alla modellazione della memoria, al riconoscimento di modelli e alla generalizzazione, che si basava sullo studio dell’organizzazione neurale del cervello.

Uno dei sistemi esperti più famosi sviluppati, che si basava sulla conoscenza estratta dagli esperti e sull'implementazione di procedure di inferenza, è stato il sistema MYCIN. Questo sistema è stato sviluppato a Stanford all'inizio degli anni '70 per diagnosticare lo shock settico. La metà dei pazienti è morta a causa di ciò entro 24 ore e i medici hanno potuto rilevare la sepsi solo nel 50% dei casi. MYCIN sembrava essere un vero trionfo della tecnologia dei sistemi esperti, perché era in grado di rilevare la sepsi nel 100% dei casi. Tuttavia, dopo aver acquisito maggiore familiarità con questo sistema esperto, i medici hanno migliorato significativamente i metodi diagnostici tradizionali e MYCIN ha perso la sua importanza, diventando un sistema di formazione. I sistemi esperti venivano utilizzati solo in cardiologia, per l'analisi degli elettrocardiogrammi. Le complesse regole che costituiscono il contenuto principale dei libri sull'analisi clinica dell'ECG sono state utilizzate dai sistemi corrispondenti per emettere un rapporto diagnostico.

La diagnostica è un caso speciale di classificazione degli eventi e il valore maggiore è la classificazione di quegli eventi che sono assenti nel set di addestramento della rete neurale. È qui che si manifesta il vantaggio delle tecnologie delle reti neurali: sono in grado di effettuare tale classificazione, generalizzando l'esperienza precedente e applicandola a nuovi casi.

Sistemi specifici

Un esempio di programma diagnostico è il pacchetto di diagnostica cardiaca sviluppato da RES Informatica in collaborazione con il Centro Ricerche Cardiologiche di Milano. Il programma consente di effettuare diagnostica cardiaca non invasiva basata sul riconoscimento degli spettri del tacogramma. Un tacogramma è un istogramma degli intervalli tra battiti cardiaci successivi e il suo spettro riflette l'equilibrio delle attività del sistema nervoso simpatico e parasimpatico umano, che cambia specificamente in varie malattie.

In un modo o nell'altro si può già affermare che le reti neurali si stanno trasformando in uno strumento per la diagnostica cardiaca: in Inghilterra, ad esempio, vengono utilizzate in quattro ospedali per prevenire l'infarto del miocardio.

Un'altra caratteristica delle reti neurali viene utilizzata anche in medicina: la loro capacità di prevedere sequenze temporali. È già stato notato che i sistemi esperti eccellono nell’analisi dell’ECG. Anche le reti neurali sono utili in questo caso. Qi Zhenhu, Yu Hengwoo e Willis Tompkins dell'Università del Wisconsin hanno sviluppato un sistema di filtraggio della rete neurale per elettrocardiogrammi in grado di sopprimere il rumore non lineare e non stazionario molto meglio dei metodi utilizzati in precedenza. Il fatto è che la rete neurale ha previsto bene il rumore in base ai suoi valori in momenti precedenti. E il fatto che le reti neurali siano molto efficaci per prevedere sequenze temporali (come i tassi di cambio o le quotazioni azionarie) è stato dimostrato in modo convincente dai risultati di un concorso di programmi predittivi condotto dall'Università di Santa Fe: le reti neurali si sono classificate al primo posto e hanno dominato tra i metodi migliori.

Possibilità di utilizzare reti neurali

L'ECG è un'applicazione particolare, anche se estremamente importante. Tuttavia, oggi ci sono molti altri esempi di utilizzo delle reti neurali per le previsioni mediche. È noto che le lunghe code nei reparti di cardiochirurgia (da settimane a mesi) sono causate dalla carenza di unità di terapia intensiva. Non è possibile aumentarne il numero a causa dell'alto costo delle terapie intensive (gli americani spendono il 70% dei loro fondi nelle ultime 2 settimane di vita in questo reparto).

L’unica via d’uscita è utilizzare i fondi disponibili in modo più efficiente. Supponiamo che le condizioni dei pazienti operati in un determinato giorno siano così gravi da richiedere una lunga degenza nel reparto di terapia intensiva (più di due giorni). Per tutto questo tempo, i chirurghi rimarranno inattivi, poiché non c'è nessun posto dove mettere i pazienti appena operati. È più saggio operare i pazienti gravemente malati prima dei fine settimana o dei giorni festivi: in questi giorni le sale operatorie sono ancora chiuse, i chirurghi riposeranno e i pazienti guariranno in terapia intensiva. Ma all'inizio della settimana lavorativa è meglio operare quei pazienti che dovranno rimanere nel reparto di terapia intensiva solo per uno o due giorni. Poi i letti di terapia intensiva verranno liberati più velocemente e verranno accettati nuovi pazienti operati martedì e mercoledì.

La domanda è come prevedere chi dovrà rimanere a lungo nel reparto di terapia intensiva dopo l’intervento chirurgico e chi no. Jack Tu e Michael Guerier del St. Michael's University Hospital di Toronto hanno utilizzato le reti neurali per fare tali previsioni. Come dati iniziali, sono state prese solo le informazioni sul paziente note nel periodo preoperatorio. Si noti che in lavori precedenti che non utilizzano reti neurali, importanti informazioni postoperatorie - varie complicazioni sorte durante l'intervento chirurgico - sono state utilizzate anche come fattori per un aumento del rischio di permanenza in terapia intensiva.

Tu e Guerir hanno addestrato un percettrone a due strati per dividere i pazienti in tre gruppi a rischio, tenendo conto della loro età, sesso, stato funzionale del ventricolo sinistro, grado di complessità dell'operazione imminente e presenza di malattie concomitanti. Dei pazienti classificati dalla rete a basso rischio di ritardo in terapia intensiva, solo il 16,3% vi ha effettivamente trascorso più di due giorni. Allo stesso tempo, oltre il 60% di coloro che la rete ha classificato come gruppo a rischio ha mantenuto la prognosi sfavorevole.

Lotta contro il cancro

Abbiamo prestato particolare attenzione alle malattie cardiovascolari, poiché detengono la triste leadership nell'elenco delle cause di morte. Le malattie oncologiche sono al secondo posto. Uno dei settori principali in cui si lavora attualmente utilizzando le reti neurali è la diagnosi del cancro al seno. Questa malattia è la causa della morte di una donna su nove.

L'individuazione di un tumore viene effettuata durante una prima analisi radiografica della mammella (mammografia) e la successiva analisi di un frammento di tessuto tumorale (biopsia). Nonostante esistano regole generali per differenziare le neoplasie benigne da quelle maligne, secondo la mammografia, solo dal 10 al 20% dei risultati della successiva biopsia chirurgica confermano effettivamente la presenza di cancro al seno. Anche in questo caso si tratta di un caso di specificità estremamente bassa del metodo.

I ricercatori della Duke University hanno addestrato una rete neurale a riconoscere le mammografie di tessuto maligno sulla base di otto caratteristiche che i radiologi comunemente affrontano. Si è scoperto che la rete è in grado di risolvere il compito con una sensibilità di circa il 100% e una specificità del 59% (rispetto al 10-20% dei radiologi). Quante donne con tumori benigni possono evitare lo stress di sottoporsi ad una biopsia se si utilizza questa rete neurale! Alla Mayo Clinic (Minnesota), una rete neurale ha analizzato i risultati dell'ecografia mammaria e ha fornito una specificità del 40%, mentre per le stesse donne la specificità del referto dei radiologi era pari a zero. Non è forse vero che il successo dell’utilizzo delle tecnologie delle reti neurali non sembra affatto casuale?

Dopo il trattamento per il cancro al seno, sono possibili recidive del tumore. Le reti neurali stanno già aiutando a prevederli in modo efficace. Studi simili sono in corso presso la University of Texas Medical School. Le reti addestrate hanno dimostrato la loro capacità di identificare e tenere conto di relazioni altamente complesse di variabili predittive, in particolare delle loro triple connessioni, per migliorare la capacità predittiva.

Le possibilità di utilizzo delle reti neurali in medicina sono molteplici e la loro architettura è varia. Sulla base della prognosi dei risultati a lungo termine del trattamento della malattia con un metodo o con l'altro, si può preferire uno di essi. Un risultato significativo nella previsione del trattamento del cancro ovarico (una malattia che colpisce ogni settanta donne) è stato ottenuto dal famoso specialista olandese Herbert Cappen dell'Università di Nimega (nel suo lavoro non utilizza perceptron multistrato, ma le cosiddette macchine di Boltzmann - neurali reti per la stima delle probabilità).

Ecco un esempio di un'altra malattia del cancro. I ricercatori della Kagawa Medical School (Giappone) hanno addestrato una rete neurale in grado di prevedere in modo quasi accurato i risultati della resezione epatica in pazienti con carcinoma epatocellulare sulla base dei dati preoperatori.

Presso il Trinity Institute of Innovative and Thermonuclear Research (TRINITI), nell'ambito del progetto attuato dal Ministero della Scienza per creare sistemi di consulenza su reti neurali, è stato sviluppato un programma di rete neurale che seleziona un metodo di trattamento per il cancro della pelle basocellulare (basal cell carcinoma) sulla base di una prognosi a lungo termine per lo sviluppo di recidive. Il numero dei casi di carcinoma basocellulare, una malattia oncologica delle persone di pelle bianca con pelle sottile, rappresenta un terzo di tutti i tumori.

La diagnosi di una delle forme di melanoma, un tumore che a volte è difficile da distinguere dalla forma pigmentata del carcinoma basocellulare, è stata implementata utilizzando il simulatore di rete neurale multineurone, sviluppato presso il SOAN Computer Science Center di Krasnoyarsk sotto la guida di A.N. Gorban .

Le reti neurali possono essere utilizzate anche per prevedere gli effetti dei vari trattamenti in fase di sviluppo. Sono già utilizzati con successo in chimica per prevedere le proprietà dei composti in base alla loro struttura molecolare. I ricercatori del National Cancer Institute negli Stati Uniti hanno utilizzato le reti neurali per prevedere il meccanismo d'azione dei farmaci utilizzati nella chemioterapia per i tumori maligni. Si noti che ci sono milioni di molecole diverse che devono essere testate per la loro attività antitumorale. Gli specialisti del Cancer Institute hanno diviso i farmaci oncologici conosciuti in sei gruppi in base al meccanismo della loro azione sulle cellule tumorali e hanno addestrato reti multistrato per classificare nuove sostanze e riconoscerne gli effetti. Come dati iniziali sono stati utilizzati i risultati degli esperimenti sulla soppressione della crescita delle cellule di vari tumori. La classificazione della rete neurale consente di determinare quali tra le centinaia di molecole testate quotidianamente vale la pena studiare ulteriormente in esperimenti in vitro e in vivo molto costosi. Anche le reti Kohonen sono state utilizzate per risolvere un problema simile. Queste reti neurali auto-organizzate e non supervisionate hanno diviso le sostanze in un numero sconosciuto di cluster e hanno quindi consentito ai ricercatori di identificare sostanze con nuovi meccanismi d'azione citotossici.

Neurosistemi, genetica e molecole

La diagnosi e la cura del cancro, così come lo sviluppo di nuovi farmaci, rappresentano senza dubbio il campo di applicazione più importante delle tecnologie delle reti neurali. Tuttavia, recentemente è cresciuta tra ricercatori e medici la consapevolezza che i futuri progressi dovranno essere strettamente legati allo studio delle cause molecolari e genetiche delle malattie.

Non è un caso che nell'aprile 1997 gli esperti del National Institutes of Health (USA) abbiano formulato raccomandazioni per rafforzare la ricerca relativa all'identificazione delle cause del cancro e agli sviluppi volti a prevenire le malattie. Le reti neurali vengono utilizzate attivamente da tempo nell'analisi delle sequenze di DNA genomico, in particolare per il riconoscimento dei promotori, regioni che precedono i geni e sono associate alla proteina RNA polimerasi, che avvia la trascrizione. Sono utilizzati per differenziare le regioni codificanti e non codificanti del DNA (esoni e introni) e prevedere la struttura delle proteine.

Nel 1996 è stata fatta una scoperta sensazionale che collegava la ricerca fondamentale nel campo della genetica molecolare al problema della patogenesi e del trattamento del cancro più comune: il cancro della pelle basocellulare. I ricercatori hanno scoperto un gene sul nono cromosoma umano (PTC), le cui mutazioni, a differenza del gene p53, sono causate dall'esposizione alle radiazioni ultraviolette e causano lo sviluppo di tumori. La chiave della scoperta è stata lo studio del cosiddetto gene patch, i cui cambiamenti sono stati stimolati da difetti nello sviluppo dei moscerini della frutta e dal fatto che i bambini che soffrono anche di difetti nello sviluppo del tessuto osseo (sindrome del nevo basale) spesso hanno carcinomi basocellulari multipli.

Ora genetisti e medici sono pieni di speranze di trovare un trattamento farmacologico per il carcinoma basocellulare o di utilizzare metodi di chirurgia genetica e di sostituirli con metodi di trattamento spietati come il laser convenzionale, i raggi X e la criochirurgia. Le reti neurali potrebbero essere utili per questa ricerca? In particolare, è possibile utilizzarli per valutare il possibile impatto di una determinata mutazione sui cambiamenti nelle proprietà delle proteine ​​corrispondenti o per valutarne il valore prognostico, ad esempio, per lo sviluppo di una recidiva del cancro al seno?

Se ciò potesse essere fatto, le reti neurali ridurrebbero significativamente l’area di ricerca per i biologi molecolari, che spesso “al tatto” conducono esperimenti molto costosi per valutare il ruolo delle mutazioni nella molecola del DNA. Ricordiamo che lo sviluppo dei tumori maligni è causato dalla crescita e dalla divisione cellulare incontrollata. Il genoma umano, che contiene informazioni su tutte le proteine ​​prodotte nel corpo, conta circa tre miliardi di nucleotidi. Ma solo il 2-3% di essi codifica effettivamente per proteine: il resto è necessario al DNA stesso per mantenere la struttura, la replicazione e altre cose corrette.

Le sequenze di DNA genomico possono essere grossolanamente suddivise in tre componenti: la prima contiene numerose copie di frammenti identici (DNA satellite); il secondo contiene sequenze moderatamente ripetitive sparse nel genoma; e nel terzo c'è il DNA unico. Nel DNA satellitare, diverse copie sono rappresentate in modo diseguale: il loro numero varia da centinaia a milioni. Pertanto, di solito vengono ulteriormente suddivisi in mini e microsatelliti.

È interessante notare che la distribuzione dei microsatelliti nel genoma è così specifica da poter essere utilizzata come analogo delle impronte digitali per gli esseri umani. Si ritiene inoltre che questa distribuzione possa essere utilizzata per diagnosticare varie malattie.

In forma nascosta, anche le ripetizioni delle sequenze nucleotidiche svolgono un ruolo importante nelle sequenze uniche di DNA. Secondo l'ipotesi di Francis Crick, l'evoluzione del DNA inizia da strutture quasiperiodiche e, se riusciamo a trovare ripetizioni nascoste, scopriremo dove sono avvenute le mutazioni che hanno determinato l'evoluzione, cioè troveremo sia le regioni più antiche che quelle più importanti, le mutazioni in cui sono più pericolosi. La distribuzione delle ripetizioni criptiche è anche strettamente correlata alla struttura e alla funzione delle proteine ​​codificate dalla sequenza corrispondente.

TRINITY ha sviluppato un sistema che utilizza modifiche delle reti neurali di Hopfield per cercare ripetizioni nascoste e valutare il ruolo delle mutazioni nelle sequenze di DNA. Si spera che questo approccio possa essere utilizzato per l'analisi spettrale generalizzata di sequenze di dati molto generali, come l'analisi degli elettrocardiogrammi.

Le reti neurali stanno investendo il pianeta

La geografia dei gruppi di ricerca che utilizzano le reti neurali per sviluppare applicazioni mediche è molto ampia. Non c'è niente da dire sugli Stati Uniti: ricerche simili vengono condotte nelle università di ogni stato e la loro direzione principale è il cancro al seno. E le università? Anche le accademie militari fanno lo stesso. Nella Repubblica Ceca, Jiri Šima ha sviluppato la teoria dell'addestramento delle reti neurali che possono funzionare efficacemente con i cosiddetti dati di intervallo (quando non si conoscono i valori di un parametro, ma l'intervallo del suo cambiamento), e li utilizza in vari applicazioni mediche. In Cina, i dipendenti dell'Istituto dell'Energia Atomica hanno addestrato una rete neurale per distinguere i pazienti con malattie lievi e gravi dell'epitelio esofageo da quelli affetti da cancro esofageo, sulla base dell'analisi elementare delle unghie.

In Russia, presso l'Istituto di fisica nucleare dell'Università statale di Mosca, le reti neurali vengono utilizzate per analizzare le malattie degli organi uditivi.

Infine, in Australia, George Christ utilizzò la teoria delle reti neurali per costruire la prima ipotesi sulle cause della misteriosa sindrome della morte improvvisa neonatale.

***

Naturalmente, l'articolo fornisce un elenco tutt'altro che completo di esempi di utilizzo delle tecnologie delle reti neurali artificiali in medicina. Lasciati da parte ci sono la psichiatria, la traumatologia e altre sezioni in cui le reti neurali vengono testate per il ruolo di assistente diagnostico e clinico. Non tutto è roseo, ovviamente, nel connubio tra la nuova tecnologia informatica e l’assistenza sanitaria. I programmi di rete neurale sono talvolta estremamente costosi per un'implementazione diffusa in clinica (da migliaia a decine di migliaia di dollari) e i medici sono piuttosto scettici riguardo a qualsiasi innovazione informatica. La conclusione emessa utilizzando una rete neurale deve essere accompagnata da spiegazioni o commenti accettabili.

Ma ci sono ancora motivi di ottimismo. È molto più semplice padroneggiare e applicare le tecnologie delle reti neurali che studiare la statistica matematica o la logica fuzzy. Ci vogliono mesi, non anni, per creare un sistema medico di rete neurale. E i parametri sono molto incoraggianti: ricordiamo ancora una volta l'elevata specificità della diagnostica.

E un’altra speranza di cooperazione è la parola stessa “neurone”. Dopotutto, è così familiare ai medici...

Aleksandr Ežov, Vladimir Chechetkin -- Istituto di innovazione e ricerca termonucleare (Troitsk).

Il numero di pubblicazioni sull’uso delle neurotecnologie in medicina è difficile da stimare con precisione. Tuttavia, se nel 1988-89 ce n'erano solo pochi, dal 1995 ne sono apparsi centinaia ogni anno. Possono esserti utili i seguenti indirizzi:

Reti neurali in medicina

Dolore toracico acuto. Un'ambulanza porta il paziente al pronto soccorso, dove il medico di turno deve fare una diagnosi e stabilire se si tratta effettivamente di un infarto miocardico. L'esperienza dimostra che la percentuale di pazienti che hanno avuto un infarto tra quelli ricoverati con sintomi simili è piccola. Tuttavia, non esistono ancora metodi diagnostici accurati. L'elettrocardiogramma a volte non contiene segni evidenti della malattia. Quanti parametri delle condizioni del paziente possono in un modo o nell'altro aiutare a fare la diagnosi corretta in questo caso? Più di quaranta. Può un medico del pronto soccorso analizzare rapidamente tutti questi indicatori insieme alle relazioni per prendere una decisione sull'invio del paziente al reparto di cardiologia? In una certa misura, le tecnologie delle reti neurali aiutano a risolvere questo problema.

Le statistiche sono le seguenti: il medico diagnostica correttamente l'infarto del miocardio nell'88% dei pazienti e fa questa diagnosi in modo errato nel 29% dei casi. Ci sono troppi falsi allarmi (sovradiagnosi). La storia dell'utilizzo di vari metodi di elaborazione dati per migliorare la qualità della diagnosi risale a decenni fa, ma i migliori hanno contribuito a ridurre il numero di casi di sovradiagnosi solo del 3%.

Nel 1990, William Bakst dell’Università della California, a San Diego, utilizzò una rete neurale – un percettrone multistrato – per rilevare un infarto miocardico in pazienti che si presentavano al pronto soccorso con dolore toracico acuto. Il suo obiettivo era creare uno strumento che potesse aiutare i medici che non sono in grado di far fronte al flusso di dati che caratterizzano la condizione di un paziente ricoverato. Un altro obiettivo potrebbe essere quello di migliorare la diagnostica. Il ricercatore ha complicato il suo compito perché ha analizzato i dati solo di quei pazienti che erano già stati indirizzati al reparto di cardiologia. Bakst ha utilizzato solo 20 parametri, tra cui età, sesso, localizzazione del dolore, reazione alla nitroglicerina, nausea e vomito, sudorazione, svenimento, frequenza respiratoria, frequenza cardiaca, precedenti attacchi cardiaci, diabete, ipertensione, distensione della vena giugulare, un numero delle caratteristiche dell'ECG e della presenza di cambiamenti ischemici significativi.

La rete ha dimostrato un'accuratezza del 92% nel rilevare l'infarto miocardico e ha prodotto solo il 4% di falsi allarmi, indirizzando erroneamente i pazienti non colpiti da infarto al dipartimento di cardiologia. Esistono quindi prove dell’uso efficace delle reti neurali artificiali nella diagnosi delle malattie. Ora è necessario spiegare in quali parametri viene valutata la qualità della diagnosi nel caso generale. Supponiamo che su dieci persone che hanno effettivamente avuto un infarto, il metodo diagnostico ci consenta di rilevare la malattia in otto. Quindi la sensibilità del metodo sarà dell'80%. Se prendiamo dieci persone che non hanno un infarto e il metodo diagnostico lo sospetta in tre persone, la percentuale di falsi allarmi sarà del 30%, mentre una caratteristica aggiuntiva - la specificità del metodo - sarà uguale al 70%.

Un metodo diagnostico ideale dovrebbe avere sensibilità e specificità al cento per cento: in primo luogo, non perdere una sola persona veramente malata e, in secondo luogo, non spaventare le persone sane. Per assicurarti, puoi e dovresti provare, prima di tutto, a garantire che il metodo sia sensibile al 100%: non puoi perdere la malattia. Ma questo di solito si traduce in una bassa specificità del metodo: in molte persone i medici sospettano malattie di cui i pazienti in realtà non soffrono.

Reti neurali per compiti diagnostici

Le reti neurali sono sistemi non lineari in grado di classificare i dati molto meglio dei metodi lineari comunemente utilizzati. Applicati alla diagnostica medica, consentono di aumentare significativamente la specificità del metodo senza ridurne la sensibilità.

Ricordiamo che la rete neurale che diagnostica un infarto ha funzionato con un ampio insieme di parametri, la cui influenza sulla diagnosi di una persona non può essere valutata. Tuttavia, le reti neurali si sono dimostrate in grado di prendere decisioni basate sui modelli nascosti che identificano nei dati multidimensionali. Una caratteristica distintiva delle reti neurali è che non sono programmate: non utilizzano alcuna regola di inferenza per fare una diagnosi, ma sono addestrate a farlo tramite esempi. In questo senso, le reti neurali non sono affatto simili ai sistemi esperti, il cui sviluppo negli anni '70 avvenne dopo la temporanea "vittoria" dell'Intelligenza Artificiale sull'approccio alla modellazione della memoria, al riconoscimento di modelli e alla generalizzazione, che si basava sullo studio dell’organizzazione neurale del cervello.

Uno dei sistemi esperti più famosi sviluppati, che si basava sulla conoscenza estratta dagli esperti e sull'implementazione di procedure di inferenza, è stato il sistema MYCIN. Questo sistema è stato sviluppato a Stanford all'inizio degli anni '70 per diagnosticare lo shock settico. La metà dei pazienti è morta a causa di ciò entro 24 ore e i medici hanno potuto rilevare la sepsi solo nel 50% dei casi. MYCIN sembrava essere un vero trionfo della tecnologia dei sistemi esperti, perché era in grado di rilevare la sepsi nel 100% dei casi. Tuttavia, dopo aver acquisito maggiore familiarità con questo sistema esperto, i medici hanno migliorato significativamente i metodi diagnostici tradizionali e MYCIN ha perso la sua importanza, diventando un sistema di formazione. I sistemi esperti venivano utilizzati solo in cardiologia, per l'analisi degli elettrocardiogrammi. Le complesse regole che costituiscono il contenuto principale dei libri sull'analisi clinica dell'ECG sono state utilizzate dai sistemi corrispondenti per emettere un rapporto diagnostico.

La diagnostica è un caso speciale di classificazione degli eventi e il valore maggiore è la classificazione di quegli eventi che sono assenti nel set di addestramento della rete neurale. È qui che si manifesta il vantaggio delle tecnologie delle reti neurali: sono in grado di effettuare tale classificazione, generalizzando l'esperienza precedente e applicandola a nuovi casi.

Sistemi specifici

Un esempio di programma diagnostico è il pacchetto di diagnostica cardiaca sviluppato da RES Informatica in collaborazione con il Centro Ricerche Cardiologiche di Milano. Il programma consente di effettuare diagnostica cardiaca non invasiva basata sul riconoscimento degli spettri del tacogramma. Un tacogramma è un istogramma degli intervalli tra battiti cardiaci successivi e il suo spettro riflette l'equilibrio delle attività del sistema nervoso simpatico e parasimpatico umano, che cambia specificamente in varie malattie.

In un modo o nell'altro si può già affermare che le reti neurali si stanno trasformando in uno strumento per la diagnostica cardiaca: in Inghilterra, ad esempio, vengono utilizzate in quattro ospedali per prevenire l'infarto del miocardio.

Un'altra caratteristica delle reti neurali viene utilizzata anche in medicina: la loro capacità di prevedere sequenze temporali. È già stato notato che i sistemi esperti eccellono nell’analisi dell’ECG. Anche le reti neurali sono utili in questo caso. Qi Zhenhu, Yu Hengwoo e Willis Tompkins dell'Università del Wisconsin hanno sviluppato un sistema di filtraggio della rete neurale per elettrocardiogrammi in grado di sopprimere il rumore non lineare e non stazionario molto meglio dei metodi utilizzati in precedenza. Il fatto è che la rete neurale ha previsto bene il rumore in base ai suoi valori in momenti precedenti. E il fatto che le reti neurali siano molto efficaci per prevedere sequenze temporali (come i tassi di cambio o le quotazioni azionarie) è stato dimostrato in modo convincente dai risultati di un concorso di programmi predittivi condotto dall'Università di Santa Fe: le reti neurali si sono classificate al primo posto e hanno dominato tra i metodi migliori.

Possibilità di utilizzare reti neurali

L'ECG è un'applicazione particolare, anche se estremamente importante. Tuttavia, oggi ci sono molti altri esempi di utilizzo delle reti neurali per le previsioni mediche. È noto che le lunghe code nei reparti di cardiochirurgia (da settimane a mesi) sono causate dalla carenza di unità di terapia intensiva. Non è possibile aumentarne il numero a causa dell'alto costo delle terapie intensive (gli americani spendono il 70% dei loro fondi nelle ultime 2 settimane di vita in questo reparto).

L’unica via d’uscita è utilizzare i fondi disponibili in modo più efficiente. Supponiamo che le condizioni dei pazienti operati in un determinato giorno siano così gravi da richiedere una lunga degenza nel reparto di terapia intensiva (più di due giorni). Per tutto questo tempo, i chirurghi rimarranno inattivi, poiché non c'è nessun posto dove mettere i pazienti appena operati. È più saggio operare i pazienti gravemente malati prima dei fine settimana o dei giorni festivi: in questi giorni le sale operatorie sono ancora chiuse, i chirurghi riposeranno e i pazienti guariranno in terapia intensiva. Ma all'inizio della settimana lavorativa è meglio operare quei pazienti che dovranno rimanere nel reparto di terapia intensiva solo per uno o due giorni. Poi i letti di terapia intensiva verranno liberati più velocemente e verranno accettati nuovi pazienti operati martedì e mercoledì.

La domanda è come prevedere chi dovrà rimanere a lungo nel reparto di terapia intensiva dopo l’intervento chirurgico e chi no. Jack Tu e Michael Guerier del St. Michael's University Hospital di Toronto hanno utilizzato le reti neurali per fare tali previsioni. Come dati iniziali, sono state prese solo le informazioni sul paziente note nel periodo preoperatorio. Si noti che in lavori precedenti che non utilizzano reti neurali, importanti informazioni postoperatorie - varie complicazioni sorte durante l'intervento chirurgico - sono state utilizzate anche come fattori per un aumento del rischio di permanenza in terapia intensiva.

Tu e Guerir hanno addestrato un percettrone a due strati per dividere i pazienti in tre gruppi a rischio, tenendo conto della loro età, sesso, stato funzionale del ventricolo sinistro, grado di complessità dell'operazione imminente e presenza di malattie concomitanti. Dei pazienti classificati dalla rete a basso rischio di ritardo in terapia intensiva, solo il 16,3% vi ha effettivamente trascorso più di due giorni. Allo stesso tempo, oltre il 60% di coloro che la rete ha classificato come gruppo a rischio ha mantenuto la prognosi sfavorevole.

Lotta contro il cancro

Abbiamo prestato particolare attenzione alle malattie cardiovascolari, poiché detengono la triste leadership nell'elenco delle cause di morte. Le malattie oncologiche sono al secondo posto. Uno dei settori principali in cui si lavora attualmente utilizzando le reti neurali è la diagnosi del cancro al seno. Questa malattia è la causa della morte di una donna su nove.

L'individuazione di un tumore viene effettuata durante una prima analisi radiografica della mammella (mammografia) e la successiva analisi di un frammento di tessuto tumorale (biopsia). Nonostante esistano regole generali per differenziare le neoplasie benigne da quelle maligne, secondo la mammografia, solo dal 10 al 20% dei risultati della successiva biopsia chirurgica confermano effettivamente la presenza di cancro al seno. Anche in questo caso si tratta di un caso di specificità estremamente bassa del metodo.

I ricercatori della Duke University hanno addestrato una rete neurale a riconoscere le mammografie di tessuto maligno sulla base di otto caratteristiche che i radiologi comunemente affrontano. Si è scoperto che la rete è in grado di risolvere il compito con una sensibilità di circa il 100% e una specificità del 59% (rispetto al 10-20% dei radiologi). Quante donne con tumori benigni possono evitare lo stress di sottoporsi ad una biopsia se si utilizza questa rete neurale! Alla Mayo Clinic (Minnesota), una rete neurale ha analizzato i risultati dell'ecografia mammaria e ha fornito una specificità del 40%, mentre per le stesse donne la specificità del referto dei radiologi era pari a zero. Non è forse vero che il successo dell’utilizzo delle tecnologie delle reti neurali non sembra affatto casuale?

Dopo il trattamento per il cancro al seno, sono possibili recidive del tumore. Le reti neurali stanno già aiutando a prevederli in modo efficace. Studi simili sono in corso presso la University of Texas Medical School. Le reti addestrate hanno dimostrato la loro capacità di identificare e tenere conto di relazioni altamente complesse di variabili predittive, in particolare delle loro triple connessioni, per migliorare la capacità predittiva.

Le possibilità di utilizzo delle reti neurali in medicina sono molteplici e la loro architettura è varia. Sulla base della prognosi dei risultati a lungo termine del trattamento della malattia con un metodo o con l'altro, si può preferire uno di essi. Un risultato significativo nella previsione del trattamento del cancro ovarico (una malattia che colpisce ogni settanta donne) è stato ottenuto dal famoso specialista olandese Herbert Cappen dell'Università di Nimega (nel suo lavoro non utilizza perceptron multistrato, ma le cosiddette macchine di Boltzmann - neurali reti per la stima delle probabilità).

Ecco un esempio di un'altra malattia del cancro. I ricercatori della Kagawa Medical School (Giappone) hanno addestrato una rete neurale in grado di prevedere in modo quasi accurato i risultati della resezione epatica in pazienti con carcinoma epatocellulare sulla base dei dati preoperatori.

Presso il Trinity Institute of Innovative and Thermonuclear Research (TRINITI), nell'ambito del progetto attuato dal Ministero della Scienza per creare sistemi di consulenza su reti neurali, è stato sviluppato un programma di rete neurale che seleziona un metodo di trattamento per il cancro della pelle basocellulare (basal cell carcinoma) sulla base di una prognosi a lungo termine per lo sviluppo di recidive. Il numero dei casi di carcinoma basocellulare, una malattia oncologica delle persone di pelle bianca con pelle sottile, rappresenta un terzo di tutti i tumori.

La diagnosi di una delle forme di melanoma, un tumore che a volte è difficile da distinguere dalla forma pigmentata del carcinoma basocellulare, è stata implementata utilizzando il simulatore di rete neurale multineurone, sviluppato presso il SOAN Computer Science Center di Krasnoyarsk sotto la guida di A.N. Gorban .

Le reti neurali possono essere utilizzate anche per prevedere gli effetti dei vari trattamenti in fase di sviluppo. Sono già utilizzati con successo in chimica per prevedere le proprietà dei composti in base alla loro struttura molecolare. I ricercatori del National Cancer Institute negli Stati Uniti hanno utilizzato le reti neurali per prevedere il meccanismo d'azione dei farmaci utilizzati nella chemioterapia per i tumori maligni. Si noti che ci sono milioni di molecole diverse che devono essere testate per la loro attività antitumorale. Gli specialisti del Cancer Institute hanno diviso i farmaci oncologici conosciuti in sei gruppi in base al meccanismo della loro azione sulle cellule tumorali e hanno addestrato reti multistrato per classificare nuove sostanze e riconoscerne gli effetti. Come dati iniziali sono stati utilizzati i risultati degli esperimenti sulla soppressione della crescita delle cellule di vari tumori. La classificazione della rete neurale consente di determinare quali tra le centinaia di molecole testate quotidianamente vale la pena studiare ulteriormente in esperimenti in vitro e in vivo molto costosi. Anche le reti Kohonen sono state utilizzate per risolvere un problema simile. Queste reti neurali auto-organizzate e non supervisionate hanno diviso le sostanze in un numero sconosciuto di cluster e hanno quindi consentito ai ricercatori di identificare sostanze con nuovi meccanismi d'azione citotossici.

Neurosistemi, genetica e molecole

La diagnosi e la cura del cancro, così come lo sviluppo di nuovi farmaci, rappresentano senza dubbio il campo di applicazione più importante delle tecnologie delle reti neurali. Tuttavia, recentemente è cresciuta tra ricercatori e medici la consapevolezza che i futuri progressi dovranno essere strettamente legati allo studio delle cause molecolari e genetiche delle malattie.

Non è un caso che nell'aprile 1997 gli esperti del National Institutes of Health (USA) abbiano formulato raccomandazioni per rafforzare la ricerca relativa all'identificazione delle cause del cancro e agli sviluppi volti a prevenire le malattie. Le reti neurali vengono utilizzate attivamente da tempo nell'analisi delle sequenze di DNA genomico, in particolare per il riconoscimento dei promotori, regioni che precedono i geni e sono associate alla proteina RNA polimerasi, che avvia la trascrizione. Sono utilizzati per differenziare le regioni codificanti e non codificanti del DNA (esoni e introni) e prevedere la struttura delle proteine.

Nel 1996 è stata fatta una scoperta sensazionale che collegava la ricerca fondamentale nel campo della genetica molecolare al problema della patogenesi e del trattamento del cancro più comune: il cancro della pelle basocellulare. I ricercatori hanno scoperto un gene sul nono cromosoma umano (PTC), le cui mutazioni, a differenza del gene p53, sono causate dall'esposizione alle radiazioni ultraviolette e causano lo sviluppo di tumori. La chiave della scoperta è stata lo studio del cosiddetto gene patch, i cui cambiamenti sono stati stimolati da difetti nello sviluppo dei moscerini della frutta e dal fatto che i bambini che soffrono anche di difetti nello sviluppo del tessuto osseo (sindrome del nevo basale) spesso hanno carcinomi basocellulari multipli.

Ora genetisti e medici sono pieni di speranze di trovare un trattamento farmacologico per il carcinoma basocellulare o di utilizzare metodi di chirurgia genetica e di sostituirli con metodi di trattamento spietati come il laser convenzionale, i raggi X e la criochirurgia. Le reti neurali potrebbero essere utili per questa ricerca? In particolare, è possibile utilizzarli per valutare il possibile impatto di una determinata mutazione sui cambiamenti nelle proprietà delle proteine ​​corrispondenti o per valutarne il valore prognostico, ad esempio, per lo sviluppo di una recidiva del cancro al seno?

Se ciò potesse essere fatto, le reti neurali ridurrebbero significativamente l’area di ricerca per i biologi molecolari, che spesso “al tatto” conducono esperimenti molto costosi per valutare il ruolo delle mutazioni nella molecola del DNA. Ricordiamo che lo sviluppo dei tumori maligni è causato dalla crescita e dalla divisione cellulare incontrollata. Il genoma umano, che contiene informazioni su tutte le proteine ​​prodotte nel corpo, conta circa tre miliardi di nucleotidi. Ma solo il 2-3% di essi codifica effettivamente per proteine: il resto è necessario al DNA stesso per mantenere la struttura, la replicazione e altre cose corrette.

Le sequenze di DNA genomico possono essere grossolanamente suddivise in tre componenti: la prima contiene numerose copie di frammenti identici (DNA satellite); il secondo contiene sequenze moderatamente ripetitive sparse nel genoma; e nel terzo c'è il DNA unico. Nel DNA satellitare, diverse copie sono rappresentate in modo diseguale: il loro numero varia da centinaia a milioni. Pertanto, di solito vengono ulteriormente suddivisi in mini e microsatelliti.

È interessante notare che la distribuzione dei microsatelliti nel genoma è così specifica da poter essere utilizzata come analogo delle impronte digitali per gli esseri umani. Si ritiene inoltre che questa distribuzione possa essere utilizzata per diagnosticare varie malattie.

In forma nascosta, anche le ripetizioni delle sequenze nucleotidiche svolgono un ruolo importante nelle sequenze uniche di DNA. Secondo l'ipotesi di Francis Crick, l'evoluzione del DNA inizia da strutture quasiperiodiche e, se riusciamo a trovare ripetizioni nascoste, scopriremo dove sono avvenute le mutazioni che hanno determinato l'evoluzione, cioè troveremo sia le regioni più antiche che quelle più importanti, le mutazioni in cui sono più pericolosi. La distribuzione delle ripetizioni criptiche è anche strettamente correlata alla struttura e alla funzione delle proteine ​​codificate dalla sequenza corrispondente.

TRINITY ha sviluppato un sistema che utilizza modifiche delle reti neurali di Hopfield per cercare ripetizioni nascoste e valutare il ruolo delle mutazioni nelle sequenze di DNA. Si spera che questo approccio possa essere utilizzato per l'analisi spettrale generalizzata di sequenze di dati molto generali, come l'analisi degli elettrocardiogrammi.

Le reti neurali stanno investendo il pianeta

La geografia dei gruppi di ricerca che utilizzano le reti neurali per sviluppare applicazioni mediche è molto ampia. Non c'è niente da dire sugli Stati Uniti: ricerche simili vengono condotte nelle università di ogni stato e la loro direzione principale è il cancro al seno. E le università? Anche le accademie militari fanno lo stesso. Nella Repubblica Ceca, Jiri Šima ha sviluppato la teoria dell'addestramento delle reti neurali che possono funzionare efficacemente con i cosiddetti dati di intervallo (quando non si conoscono i valori di un parametro, ma l'intervallo del suo cambiamento), e li utilizza in vari applicazioni mediche. In Cina, i dipendenti dell'Istituto dell'Energia Atomica hanno addestrato una rete neurale per distinguere i pazienti con malattie lievi e gravi dell'epitelio esofageo da quelli affetti da cancro esofageo, sulla base dell'analisi elementare delle unghie.

In Russia, presso l'Istituto di fisica nucleare dell'Università statale di Mosca, le reti neurali vengono utilizzate per analizzare le malattie degli organi uditivi.

Infine, in Australia, George Christ utilizzò la teoria delle reti neurali per costruire la prima ipotesi sulle cause della misteriosa sindrome della morte improvvisa neonatale.

Invece di una conclusione

Naturalmente, l'articolo fornisce un elenco tutt'altro che completo di esempi di utilizzo delle tecnologie delle reti neurali artificiali in medicina. Lasciati da parte ci sono la psichiatria, la traumatologia e altre sezioni in cui le reti neurali vengono testate per il ruolo di assistente diagnostico e clinico. Non tutto è roseo, ovviamente, nel connubio tra la nuova tecnologia informatica e l’assistenza sanitaria. I programmi di rete neurale sono talvolta estremamente costosi per un'implementazione diffusa in clinica (da migliaia a decine di migliaia di dollari) e i medici sono piuttosto scettici riguardo a qualsiasi innovazione informatica. La conclusione emessa utilizzando una rete neurale deve essere accompagnata da spiegazioni o commenti accettabili.

Ma ci sono ancora motivi di ottimismo. È molto più semplice padroneggiare e applicare le tecnologie delle reti neurali che studiare la statistica matematica o la logica fuzzy. Ci vogliono mesi, non anni, per creare un sistema medico di rete neurale. E i parametri sono molto incoraggianti: ricordiamo ancora una volta l'elevata specificità della diagnostica.

E un’altra speranza di cooperazione è la parola stessa “neurone”. Dopotutto, è così familiare ai medici...