Evaluation of the quality of functioning of artificial neural network with logic outputs in the diagnosis of diseases of hepatopancreatoduodenal zone

Cover Page

Abstract


Aim. To develop a set of information methods to improve the quality of neural network diagnosis of diseases of hepatopancreatoduodenal zone. Methods. The study involved 385 patients with peptic ulcer, cholecystitis and pancreatitis undergoing in-patient treatment in medical organizations of the city of Kursk. For data mining internally developed software «System of Intellectual Analysis and Diagnosis of Diseases» was used which is an environment for the creation, adjustment, training and practical clinical application of an artificial neural network, such as a multilayer perceptron with an activation function - hyperbolic tangent. Results. Hyperbolic tangent (activation function) of the output layer’s neuron takes the value OUT ∈ ℝ ∧ OUT ∈ (-1; 1) which requires an interpretation. For logic network gates, for example, presence/absence of a disease, it can be performed by comparison with an arbitrarily assigned threshold yB ∈ (0; 1). In this approach, the values are interpreted as false (if y ≤-yB), undefined if y ∈ (-yB; yB), or true (if y ≥yB). Network operation control includes calculation of sensitivity, specificity, false positive and false negative results, for which the comparison of arrays of pairs of calculated and empirical values is carried out. In case of artificial neural network use for diagnosing diseases of hepatopancreatoduodenal zone, the optimal mode was achieved assigning yB≈0.3 as a threshold of the output neuron activation function. Conclusion. Assessing the quality of the ability of artificial neural network with logic outputs to diagnose hepatopancreatoduodenal zone diseases, as well as its controlled setting, is most effective by evaluation of sensitivity, specificity, frequency of false positive and false negative results at the threshold value yB≈0.3; the demonstrated sensitivity (83-94.7%) and specificity (83-97.8%) levels are comparable to the traditionally used diagnostic methods.

V A Lazarenko

drantonov@mail.ru
Kursk State Medical University Kursk, Russia

A E Antonov

drantonov@mail.ru
Kursk State Medical University Kursk, Russia

  • Шевляева М.А. Трудности ранней дифференциальной диагностики острого панкреатита. Кубанский науч. мед. вестн. 2013; (3): 141-144. .
  • Лысенко М.В., Девятов А.С., Урсов С.В. и др. Острый панкреатит: дифференцированная лечебно-диагностическая тактика. М.: Литтерра. 2010; 165 с. .
  • Сырбу И.Ф., Рязанов Д.Ю., Новохатний П.В. Дифференциальная диагностика гастродуоденальной язвы и острого панкреатита. Запорожский мед. ж. 2012; (1): 035-036.
  • Бутов М.А., Ворначева И.Ю., Ерёмина Ю.О. и др. Сульпирид в лечении заболеваний органов пищеварения. Рос. ж. гастроэнтерол., гепатол., колопроктол. 2007; 17 (1): 43-47.
  • Константинова Е.Д., Вараксин А.Н., Жовнер И.В. Определение основных факторов риска развития неинфекционных заболеваний: метод деревьев классификации. Гигиена и санитария. 2013; (5): 69-72.
  • Скворцова В.И. Семь принципов модернизации здравоохранения. Вопросы экономики и управления для руководителей здравоохранения. 2010; (5): 7-14.
  • Greenes R.A. Clinical decision support: the road ahead Amsterdam. Boston: Elsevier. 2007; 581 p.
  • Чубукова И.А. Data Mining. М.: БИНОМ. Лаборатория знаний. 2008; 324 с.
  • Щепин В.О., Расторгуева Т.И., Проклова Т.Н. К вопросу о перспективных направлениях развития здравоохранения Российской Федерации. Бюлл. Нац. науч.-исслед. ин-та общественного здоровья им. Н.А. Семашко. 2012; (1): 147-152.
  • Мустафаев А.Г. Применение искусственных нейронных сетей для ранней диагностики заболевания сахарным диабетом. Кибернетика и программирование. 2016; (2): 1-7. doi: 10.7256/2306-4196.2016.2.17904.
  • Алексеева О.В., Россиев Д.А., Ильенкова Н.А. Применение искусственных нейронных сетей в дифференциальной диагностике рецидивирующего бронхита у детей. Сибирское мед. обозрение. 2010; (6): 75-79.
  • Лазаренко В.А., Антонов А.Е., Новомлинец Ю.П. Визуальная среда непараметрического корреляционного анализа факторов риска у больных с хирургической патологией. Здоровье и образование в XXI веке. 2017; 19 (4): 34-37. doi: 10.26787/nydha-2226-7425-2017-19-4-34-37.
  • Лазаренко В.А., Антонов А.Е., Прасолов А.В., Чурилин М.И. Проблема оптимизации регрессионного анализа в оценке факторов риска, влияющих на развитие хирургических заболеваний гепатопанкреатодуоденальной зоны. Здоровье и образование в XXI веке. 2017; 19 (5): 24-27. .
  • Лазаренко В.А., Антонов А.Е. Роль социальных факторов риска в развитии язвенной болезни в Курской области. Курский науч.-практ. вестн. «Человек и его здоровье». 2016; (2): 35-39. doi: 10.21626/vestnik/2016-2/06.
  • Yasnitsky L.N., Dumler A.A., Poleshchuk A.N. et al. Artificial neural networks for obtaining new medical knowledge: Diagnostics and prediction of cardiovascular disease progression. Biol. Med. (Aligarh.) 2015; 7 (2): BM-095-15,8.
  • Степанова Ю.А., Кармазановский Г.Г. Возможности лучевых методов исследования в диагностике осложнений хронического панкреатита. Рос. ж. гастроэнтерол., гепатол., колопроктол. 2009; 19 (2): 43-57.
  • Кляритская И.Л., Кривой В.В., Работягова Ю.С. и др. Сравнительная характеристика методов диагностики острого и хронического панкреатита. Крымский терапевтич. ж. 2014; (1): 147-157.

Views

Abstract - 22

PDF (Russian) - 53


© 2017 Lazarenko V.A., Antonov A.E.

Creative Commons License

This work is licensed
under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.