promo lung iarna 2019 720
Autentificare
updated 7:56 AM UTC, Feb 18, 2019

Utilizarea retelelor neuronale artificiale (RNA) in prognosticul cancerului

Am mentionat in materialul precedent cateva dintre instrumentele noi care sunt din ce in ce mai folosite in cadrul orientarii „Evidence Based Medicine”: modelele bayesiene, regresia logistica, modelele Cox de supravietuire si curbele Kaplan-Meier, sistemele expert si – subiectul nostru de aici - retelele neuronale artificiale.

Descriam succint reteaua neuronala artificiala (RNA) drept un ansamblu de unitati de procesare (”neuroni”), fiecare producand un semnal de iesire (prin ”axon”) bazat pe semnale de intrare multiple (venite prin ”dendrite”). Unitatile de procesare sunt modelate digital pe calculator, prin rutine software. Legaturile (”sinapsele”) intre neuroni sunt dinamice: isi pot schimba originea, destinatia si ponderea (factorul de amplificare/atenuare). In acest fel intreaga arhitectura a retelei este dinamica. Functia de transfer proprie fiecarui neuron este, de asemenea, dinamica in procesul de invatare. Reteaua ”invata” continuu, pe baza setului de date folosit pentru ”antrenare” sau, dupa mai multe cicluri, pentru ”validare”. Am testat aplicabilitatea acestui model pe informatii culese de la pacienti ai ORTOVET inregistrati cu afectiuni oncologice in anii 2004-2005, din specia canina.

retele-neuronale1Am retinut 39 cazuri, intre care tumori ale glandei mamare (18 cazuri) si alte tumori solide: osteosarcom, limfom cutanat, hemangiom, tumora ovariana, carcinom scuamos cutanat, adenocarcinom cutanat, angiofibrom, carcinom embrionar, carcinom de glande apocrine (glande perianale), tumora de teaca de neuron periferic, melanom malign, histiocitom. Pentru fiecare pacient am cuantificat, prin atribuirea unui scor 0-4, criteriile clinice, anatomo-patologice si concurente din Tabelul 1, in total 28 criterii:

Examenele clinice au fost efectuate la ORTOVET iar cele anatomo-patologice in doua laboratoare specializate: cel al Facultatii de Medicina Veterinara din Bucuresti (USAMV-FMV, Prof. Dr. M. Militaru) si cel al Spitalului de Urgenta MIRA „Prof. Dr. Dimitrie Gerota” ( sef de lucrari Dr. Florinel Pop). Pentru dezvoltarea retelei neuronale s-a folosit EasyNN Plus V14.0g, software comercializat de Neural Planner Software Ltd. (Chesire, Anglia). 27 de criterii au fost considerate informatii de intrare iar informatia de iesire a fost durata de viata a pacientului de la momentul diagnosticarii si instituirii tratamentului.

A fost dezvoltata o retea cu 2 straturi ascunse, cu cate 20, respectiv 13 neuroni. Clonarea automata a neuronilor performanti a fost activata, precum si introducerea de zgomot aleator pentru evitarea blocajelor in algoritmul de optimizare. Dintre cele 31 de cazuri, 24 au fost folosite pentru antrenarea retelei iar 7, selectate aleator, pentru validarea retelei. Dupa numai 800 de cicluri de invatare, eroarea maxima pe setul de invatare a coborat sub 0.001. A fost insa nevoie de peste 8251 de cicluri pentru a obtine o retea cu rezultate convingatoare la testarea pe setul de validare ales arbitrar: 6 cazuri din 7 cu eroare sub 5% (Figura 1).

retele-neuronale2

Pe parcursul dezvoltarii si instruirii retelei neuronale au fost folosite si facilitati precum clonarea nodurilor performante, inghetarea temporara a unor conexiuni, eliminarea automata a conexiunilor cu pondere sistematic mica. Principala problema este blocajul in care intra algoritmul de invatare prin optimizarea exagerata (ca viteza si ca grad) a conformarii cu setul de date folosit la instruire: intervine destul de usor o situatie numita „overfitting” care face face ca reteaua sa raspunda practic perfect la interogarile cu date din setul de instruire dar sa piarda flexibilitatea necesara integrarii de noi informatii si interogarii cu date noi.

In Figura 2 este ilustrata aceasta situatie, in care eroarea de validare (curba galbena) are tendinta de crestere dupa ce eroarea cumulata din testele de instruire (curbele verde si rotie) a scazut virtual la zero. Retelele excesiv de complexe sunt mai vulnerabile la acet gen de impas. Au fost folosite pentru depasirea acestor blocaje strategii de introducere de zgomot aleator in functiile de transfer ale neuronilor si de variatie brusca a ponderilor (jog weights), ceea ce explica alura mai neregulata a curbelor din Figura 1.

 

retele-neuronale3

retele-neuronale4
In Figura 3 este reprezentata reteaua neuronala a carei dinamica de invatare a fost descrisa in Figura 1. Complexitatea relatiilor dintre neuroni este dificil de ilustrat, fiind constituita nu numai din morfologia retelei ci, mai ales, din forma particulara a fiecarei functii de transfer de la un neuron la altul. In sfarsit, in Figura 4 este reprezentata ordinea stabilita de reteaua neuronala intre criteriile folosite, sub aspectul sensibilitatii marimii de output (durata de viata) la variatia fiecarui criteriu. Factorii cu impactul cel mai mare asupra duratei de viata s-au dovedit, in ordine descrescatoare: tratamentul chirurgical, durata libera de tumora post-chirurgie, gradul histologic de malignitate, invazia limfonodala, timpul de vindecare a plagii chirurgicale.

retele-neuronale5Chiar daca nu reprezinta o noutate absoluta, aceasta ierarhie aduce o confirmare ca modelul RNA, altfel complex si, prin aceasta, imprevizibil, furnizeaza rezultate care nu contrazic bunul simt al practicianului. In urma acestui experiment de modelare, ORTOVET, cu sprijinul Laboratorului de Anatomie Patologica al FMV-USAMV Bucuresti a lansat la inceputul lui 2012 un model RNA similar dar mult mai curinzator pentru estimarea sperantei de viata a pacientilor diagnosticati cu cancer, caini sau pisici. Vor fi incluse peste 120 de criterii, inclusiv dimensiuni fractale ale imaginilor histologice precum si calificative ale calitatii vietii, specifice pentru bolnavii de cancer. Mediul ales pentru colectarea si organizarea informatiei este Epi Info 7, pus la dispozitie de CDC Centers for Disease Control and Prevention din S.U.A.. Primele rezultate sunt asteptate in decembrie 2012.

 

Ultima modificareSâmbătă, 04 August 2018 19:41
Dr Liviu Gaita

medic veterinar

membru fondator HSVMA
membru AMVAC, PeTA

Website www.ortovet.ro