Întotdeauna devotat.

%AM, %03 %336 %2012 %10:%Jun

Retele neuronale artificiale folosite in prognosticul bolnavilor de cancer

Written by
Rate this item
(4 votes)

Am menționat în materialul precedent câteva dintre instrumentele noi care sunt din ce în ce mai folosite [i] în cadrul orientării „Evidence Based Medicine”: modelele bayesiene, regresia logistică, modelele Cox de supraviețuire și curbele Kaplan-Meier, sistemele expert și – subiectul nostru de aici - rețelele neuronale artificiale. Descriam succint rețeaua neuronală artificială (RNA) drept un ansamblu de unități de procesare (”neuroni”), fiecare producând un semnal de ieșire (prin ”axon”) bazat pe semnale de intrare multiple (venite prin ”dendrite”). Unitățile de procesare sunt modelate digital pe calculator, prin rutine software. Legăturile (”sinapsele”) între neuroni sunt dinamice: își pot schimba originea, destinația și ponderea (factorul de amplificare/atenuare). În acest fel întreaga arhitectură a rețelei este dinamică.  Funcția de transfer proprie fiecărui neuron este, de asemenea, dinamică în procesul de învățare. Rețeaua ”învață” continuu, pe baza setului de date folosit pentru ”antrenare” sau, după mai multe cicluri, pentru ”validare”.

Am testat aplicabilitatea acestui model pe informații culese de la pacienți ai ORTOVET înregistrați cu afecțiuni oncologice în anii 2004-2005, din specia canină. Am reținut 39 cazuri, între care tumori ale glandei mamare (18 cazuri) și alte tumori solide: osteosarcom, limfom cutanat, hemangiom, tumoră ovariană, carcinom scuamos cutanat, adenocarcinom cutanat, angiofibrom, carcinom embrionar, carcinom de glande apocrine (glande perianale), tumoră de teacă de neuron periferic, melanom malign, histiocitom. Pentru fiecare pacient am cuantificat, prin atribuirea unui scor 0-4, criteriile clinice, anatomo-patologice și concurente din Tabelul 1, în total 28 criterii:



 [i]     Forthofer R. N. , E. S. Lee, M. Hernandez, Biostatistics: A Guide to Design, Analysis, and Discovery, Elsevier, 2007

Tabelul 1

 

Criterii clinice

1

Ritmul de creştere a tumorii

2

Timpul liber de tumoră post rezecţie

3

Timpul de viaţă după instituirea tratamentului

4

Afectarea hemoleucogramei

5

Afectarea funcţiei hepatice

6

Afectarea funcţiei renale

7

Timpul de rezolvare a plăgii chirurgicale

 

Criterii anatomo-patologice macroscopice (tumoră)

8

Mărimea tumorii

(la diagnostic/la iniţierea tratamentului)

9

Consistenţa

10

Ulceraţii

11

Aderenţa la ţesuturile adiacente (infiltrarea)

12

Vascularizaţie

 

Criterii anatomo-patologice microscopice (tumoră)

13

Angiogeneză/hiperemie

14

Aflux leococitar

15

Scleroză/proliferare conjunctivă

16

Grad histologic de malignitate

17

Pleomorfism/polimorfism celular

 

Criterii anatomo-patologice microscopice (limfonod)

18

Micrometastazare limfonodală

 

Criterii concurente

c1

Tipul histologic al tumorii

c2

Tratament chirurgical

c3

Tratament chimioterapic (citostatice)

c4

Tratamente imunostimulante

c5

Prezenţa gonadelor (pe durata tratamentului)

c6

Tratament hormonal (antiestrogenic)

c7

Vârsta la care s-a pus diagnosticul (vârsta iniţierii tratamentului)

c8

Stadiul TNM la momentul diagnosticului

c9

Specia

c0

Tratament cu anti-inflamatoare nesteroidiene

Examenele clinice au fost efectuate la ORTOVET iar cele anatomo-patologice în două laboratoare specializate: cel al Facultății de Medicină Veterinară din București (USAMV-FMV, Prof. Dr. M. Militaru) și cel al Spitalului de Urgență MIRA „Prof. Dr. Dimitrie Gerota” ( Șef de lucrări Dr. Florinel Pop).

Pentru dezvoltarea rețelei neuronale s-a folosit EasyNN Plus V14.0g, software comercializat de Neural Planner Software Ltd. (Chesire, Anglia). 27 de criterii au fost considerate informații de intrare iar informația de ieșire a fost durata de viață a pacientului de la momentul diagnosticării și instituirii tratamentului. A fost dezvoltată o rețea cu 2 straturi ascunse, cu câte 20, respectiv 13 neuroni. Clonarea automată a neuronilor performanți a fost activată, precum și introducerea de zgomot aleator pentru evitarea blocajelor în algoritmul de optimizare. Dintre cele 31 de cazuri, 24 au fost folosite pentru antrenarea rețelei iar 7, selectate aleator, pentru validarea rețelei. După numai 800 de cicluri de învățare,  eroarea maximă pe setul de învățare a coborât sub 0.001. A fost însă nevoie de peste 8251 de cicluri pentru a obține o rețea cu rezultate convingătoare la testarea pe setul de validare ales arbitrar: 6 cazuri din 7 cu eroare sub 5% (Figura 1).

Retele neuronale 212
Pe parcursul dezvoltării și instruirii rețelei neuronale au fost folosite și facilități precum clonarea nodurilor performante, înghețarea temporară a unor conexiuni, eliminarea automată a conexiunilor cu pondere sistematic mică. Principala problemă este blocajul în care intră algoritmul de învățare prin optimizarea exagerată (ca viteză și ca grad) a conformării cu setul de date folosit la instruire: intervine destul de ușor o situație numită „overfitting” care face face ca rețeaua să răspundă practic perfect la interogările cu date din setul de instruire dar să piardă flexibilitatea necesară integrării de noi informații și interogării cu date noi. În Figura 2 este ilustrată această situație, în care eroarea de validare (curba galbenă) are tendință de creștere după ce eroarea cumulată din testele de instruire (curbele verde și roție) a scăzut virtual la zero. Rețelele excesiv de complexe sunt mai vulnerabile la acet gen de impas. Au fost folosite pentru depășirea acestor blocaje strategii de introducere de zgomot aleator în funcțiile de transfer ale neuronilor și de variație bruscă a ponderilor (jog weights), ceea ce explică alura mai neregulată a curbelor din Figura 1.

Retele neuronale 213
În Figura 3 este reprezentată rețeaua neuronală a cărei dinamică de învățare a fost descrisă în Figura 1. Complexitatea relațiilor dintre neuroni este dificil de ilustrat, fiind constituită nu numai din morfologia rețelei ci, mai ales, din forma particulară a fiecărei funcții de transfer de la un neuron la altul. În sfârșit, în Figura 4 este reprezentată ordinea stabilită de rețeaua neuronală între criteriile folosite, sub aspectul sensibilității mărimii de output (durata de viață) la variația fiecărui criteriu. Factorii cu impactul cel mai mare asupra duratei de viață s-au dovedit, în ordine descrescătoare: tratamentul chirurgical, durata liberă de tumoră post-chirurgie, gradul histologic de malignitate, invazia limfonodală, timpul de vindecare a plăgii chirurgicale. Chiar dacă nu reprezintă o noutate absolută, această ierarhie aduce o confirmare că modelul RNA, altfel complex și, prin aceasta, imprevizibil, furnizează rezultate care nu contrazic bunul simț al practicianului.

Retele neuronale 215
În urma acestui experiment de modelare, ORTOVET, cu sprijinul Laboratorului de Anatomie Patologică al FMV-USAMV București a lansat [ii] la începutul lui 2012 un model RNA similar dar mult mai cuprinzător pentru estimarea speranței de viață a pacienților diagnosticați cu cancer, câini sau pisici. Vor fi incluse peste 120 de criterii, inclusiv dimensiuni fractale ale imaginilor histologice precum și calificative ale calității vieții, specifice pentru bolnavii de cancer. Mediul ales pentru colectarea și organizarea informației este Epi Info 7, pus la dispoziție deCDCCenters for Disease Control and Prevention din S.U.A.. Primele rezultate sunt așteptate în decembrie 2012.

Dr. Liviu Gaiță



 [ii] Gaiță L., M. Militaru, M. Lihet, Pilot cancer prognostic model based on pathology laboratory results processed in artificial neural networks, Contribuţii ale cercetării știinţifice la progresul medicinei veterinare, Simpozion FMV-USAMV, noiembrie 2011

Read 1949 times Last modified on %PM, %15 %483 %2013 %13:%Jun
dr. Liviu Gaita

medic veterinar

membru fondator HSVMA
membru AMVAC, PeTA

inginer aeronave

Descoperiți Cronicile ORTOVET Excelsior. Scrise, fotografiate și filmate zi de zi...

hiero1