Метод и алгоритм прогнозирования релевантных заболеваний для экстремальных профессий

Учитывая вышеописанные недостатки известных методов прогнозирования профессиональных заболеваний, был разработан новый метод прогнозирования риска развития профессиональных заболеваний, заключающемся в психологическом и психофизиологическом исследовании с помощью набора тестов, адресованных всем иерархическим уровням личности, сравнении статистических показателей тестирования со статистическими показателями тестирования в эталонных группах и принятию решения о риске заболевания по результатам этого сравнения, для каждого неизвестного образца путем использования комплекса тестов, формирующих множество «слабых» классификаторов, из которых, посредством агрегации, формируют «сильный» классификатор, на основе которого принимается окончательное решение по риску исследуемого заболевания у неизвестного образца.

При реализации метода используют Nэталонных групп для каждого класса прогнозируемого заболевания. При этом используют Mтестов, на основе которых получают суррогатные маркеры прогнозирования социально значимых заболеваний - «слабые» классификаторы.

Для реализации метода по прогнозированию риска заболевания необходимо создать Nэталонных групп, в которые включаются образцы с

прогнозируемой резистентностью к развитию данного заболевания и образцы с прогнозируемым риском данного заболевания, и выбрать соответствующие суррогатные маркеры, на основании которых формируются обучающие выборки для синтеза «слабых» классификаторов. В итоге, если используем M суррогатных маркеров, то получаем N?M«слабых» классификаторов.

Эталонная группа i

Рисунок 5.6 - Структура формирования обучающих выборок для одной эталонной группы, состоящей из К1 здоровых и К2 больных пациентов для M суррогатных маркеров

Для формирования финального «сильного» классификатора «взвешиваем» сформированные эталонные группы и выбранные

«суррогатные» маркеры. Так как «вес» эталонной группы влияет на «вес» суррогатного маркера, то процесс «взвешивания» осуществляем методом итераций.

Структурная схема устройства для «взвешивания» эталонных групп представлена на рисунке 5.7.

Рисунок 5.7- Структурная схема устройства, предназначенного для определения «весов» эталонных групп (обучающих выборок)

Оно состоит N?M«слабых» классификаторов NET_ij.Входы «слабых» классификаторов, имеющие одинаковые вторые индексы, объединены, и на них подается вектор информативных признаков, соответствующий номеру маркера, определяемому вторым индексом. Выходы «слабых» классификаторов соединены с входами агрегаторов, число которых определяется числом эталонных групп, используемых при построении классификаторов. Каждый агрегатор соответствует определенной эталонной группе, и его входы соединены с выходами только тех «слабых» классификаторов, которые были обучены на обучающей выборке (эталонной группе), соответствующей номеру агрегатора.

Структурная схема устройства для «взвешивания» суррогатных маркеров представлена на рисунке 5.8.

Оно состоит N?M«слабых» классификаторов NET_ij.Входы «слабых» классификаторов, имеющие одинаковые вторые индексы, объединены, и на них подается вектор информативных признаков, соответствующий номеру маркера, определяемому вторым индексом «слабого» классификатора.

Метод реализуется согласно схеме алгоритма, представленной на рисунке 5.9. В блоке 1 формируются обучающие выборки (выборки, на основе которых обучаются «слабые» и «сильные» классификаторы), структура которой представлена на рисунке 5.6. В цикле блока 2 формирует промежуточные «сильные» классификаторы для каждой из Nвыборок.

284

Рисунок 5.8- Структурная схема устройства, предназначенного для

«взвешивания» суррогатных маркеров

Процедуры, входящие в этот цикл, позволяют «взвесить» обучающие выборки посредством оценки точности промежуточного «сильного» классификатора, построенного по одной обучающей выборке по всем M суррогатным маркерам (тестам).

Структурная схема блока «взвешивания» эталонных групп представлена на рисунке 5.7. Параметры всех Nэталонных групп в виде векторов Тест j, поступают на входы обучаемых «слабых» классификаторов, которые группируются по виду теста (по j). На схеме эти классификаторы обозначены NET11...NETNM.Каждый классификатор NET_ijэтой совокупности настраивается (обучается) на эталонной группе iи тесте j. Выходы «слабых» классификаторов поступают на входы «сильных» классификаторов, которые агрегируют все используемые при прогнозировании тесты для каждой i-й эталонной группе.

В итоге на выходе i-го агрегатора имеем прогноз риска по эталонной группе iпри использовании всех «слабых» классификаторов, настроенных на этой эталонной группе.

В цикле, организованном посредством блока 4 (внутреннем цикле по отношению к блоку 2), осуществляется синтез «слабых» классификаторов. Так как с каждой эталонной группой в общем случае работает автономный исследователь, то «слабые» классификаторы строятся для каждой эталонной группе по каждому маркеру (тесту). В частном случае, «слабый» классификатор может быть построен на основе нейронных сетей прямого распространения, и тогда его будем обозначать NETij, где i- номер эталонной группы (идентификатор исследователя), j- номер суррогатного маркера.

Рисунок 5.9 - Схема алгоритма, реализующего метод определения риска профессиональных заболеваний (начало)

Рисунок 5.9 - Схема алгоритма, реализующего метод определения риска

профессиональных заболеваний (окончание)

После определения всех M«слабых» классификаторов по эталонной группе iсинтезируется промежуточный «сильный» классификатор, который агрегирует M«слабых» классификаторов по одной из эталонных групп. Если есть возможность «взвесить» «слабые» классификаторы, например, посредством определения их диагностической эффективности (блок 6) на той

же обучающей выборке, то при построении промежуточного «сильного» классификатора могут быть использованы гибридные технологии, позволяющие объединить технологии обучаемых классификаторов и экспертного оценивания [165]. После построения і- го «сильного» промежуточного классификатора осуществляется взвешивание і- й выборки. Взвешивание осуществляется в блоке 9 путем оценки точности промежуточного «сильного» классификатора на той же самой эталонной группе (обучающей выборки).

В цикле, организованном посредством блока 10, осуществляется взвешивание «слабых» классификаторов с учетом «веса» эталонной группы, с помощью которой они были получены.

Структурная схема «взвешивания» «слабых» классификаторов представлена на рисунке 5.8. Входы промежуточных «сильных» классификаторов соединены с выходами соответствующих «слабых» классификаторов. «Слабые» классификаторы разбиты на Mподмножеств, каждое из которых соответствует определенному маркеру (тесту).

В подмножество входят «слабые» классификаторы, обученные на различных выборках, векторы информативных признаков которых были получены по одному и тому же маркеру. Промежуточный «сильный» классификатор агрегирует результаты работы «слабых» классификаторов в соответствующем подмножестве. Для обучения промежуточного «сильного» классификатора используют все эталонные группы риска по соответствующей патологии. Таким образом, каждый zj-й «слабый» классификатор обучается по і-й эталонной группе, а каждый промежуточный j-й «сильный» классификатор обучается по всей совокупности эталонных групп. Для определения «веса» маркера определяют качество классификации промежуточного «сильного» классификатора.

Промежуточные «сильные» классификаторы синтезируются в блоке 14 с учетом «весов», полученных в блоке 9. Финальный сильный классификатор получаем в блоке 17 посредством агрегации промежуточных «сильных» классификаторов, полученных в блоке 14.

Для исключения «слабых» эталонных групп и «слабых» суррогатных маркеров используются блоки 19-27. После исключения эталонных групп или маркеров синтез классификатора повторяется, но уже с другим комплектом эталонных групп и маркеров.

5.3.2