Возможности нейронных сетей в прогнозировании клинически узкого таза

Приоритетными задачами системы родовспоможения в России являются сохранение здоровья матери и рождение здорового ребенка, поэтому в настоящее время ведется активный поиск методов предупреждения нежелательных исходов.

Прогнозирование и диагностика клинически узкого таза — наиболее сложные разделы практического акушерства, что связано с субъективностью исследования в интранатальном периоде, нередко приводящей к запоздалому абдоминальному родоразрешению (Skripchenko N. Ya. et al., 2021). Распространенность плодово-тазовой диспропорции составляет от 1 до 8 % родов в зависимости от географической зоны проживания (Pavliсev M. et al., 2020), при этом в 65 % наблюдений эта диспропорция — основная причина затрудненных родов (Ayenew A.A., 2021); макросомия плода, в свою очередь, является причиной данного осложнения в 5,8–60,0 % случаев (Зиганшин А.М. с соавт., 2023).

С практической точки зрения наибольший интерес в настоящее время представляют не столько методы диагностики, сколько методы прогнозирования клинически узкого таза (Fremondiere P. et al., 2017). Среди факторов риска затрудненных родов и экстренного кесарева сечения указываются размеры таза матери, окружность головы плода и возраст матери (Korhonen U. et al., 2015). В то же время значение как клинической, так и инструментальной пельвиометрии и ее влияние на исходы родов нередко подвергаются сомнению (Pattinson R.C. et al., 2017).

Перспективным направлением повышения качества акушерскo-гинекoлогической помощи является разработка инновационных технологий. Искусственный интеллект и машинное обучение позволяют решать задачи прогнозирования и диагностики различных заболеваний, осложнений и выбора оптимального варианта лечения. При систематическом обзоре работ по применению нейронных сетей в акушерстве и гинекологии поиск в PubMed выявил 66 статей и 579 цитирований (Dhombres F. et al., 2022).

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ

Искусственный интеллект — это сложное понятие, для которого трудно дать однозначное определение, учитывая тот факт, что профессионалы в различных областях вкладывают в это понятие свой особенный смысл. В широком понимании искусственным интеллектом можно назвать способность компьютера решать те или иные интеллектуальные задачи.

На сегодняшний день существует только узкоспециализированный искусственный интеллект, который представлен электронной вычислительной машиной, способной решать одну или несколько близких по смыслу интеллектуальных задач.

Под машинным обучением же понимают класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в применении решений множества сходных задач (Лаптев В.А., 2019). Принцип работы алгоритма машинного обучения в медицине следующий: по большому количеству примеров вида «входные данные — исход» настраивают алгоритм, который на основании анализа входных данных прогнозирует интересующий нас исход.

НЕЙРОННЫЕ СЕТИ

Нейронные сети основаны на принципах арифметики, однако они могут извлекать из данных не только линейные, но и нелинейные зависимости, поэтому их «формула» имеет более сложный вид. Составляют такую формулу из известных блоков, называемых слоями нейронной сети. Слои можно комбинировать в разном порядке, повторять их множество раз и даже делать параллельными. Конкретная комбинация используемых слоев называется архитектурой нейронной сети.

Основной принцип состоит в следующем: нужно найти такие веса нейронов, при использовании которых нейросеть будет делать правильные предсказания для объектов на основании обучающих данных. В настоящее время разработано несколько десятков архитектур нейронных сетей, однако особую популярность в медицине получили только несколько, одной из которых является многослойный перцептрон (Гафаров Ф.М., 2018).

МНОГОСЛОЙНЫЙ ПЕРЦЕПТРОН

Процедура многослойного перцептрона позволяет создать прогностическую модель развития интересующего события (зависимая переменная) на основании значений переменных-предикторов (независимых переменных). Предикторы могут быть заданы как факторы (категориальные переменные) или ковариаты (количественные переменные).

Многослойный перцептрон относится к сетям прямого распространения. Суть работы подобных сетей заключается в том, что при анализе данных входной сигнал распространяется в них постепенно, от слоя к слою, общий результат формируется как результат разности между ответами, полученными от каждого слоя в процессе анализа. Чем больше слоев в сети, тем выше точность. Скрытые слои содержат не поддающиеся наблюдению узлы сети (единицы). Каждая скрытая единица является функцией взвешенной суммы входных данных. Эта функция является функцией активации, при этом значения весов определяются алгоритмом оценки (IBM SPSS, 2017).

ПРИМЕР ИСПОЛЬЗОВАНИЯ

Принцип машинного обучения и использование многослойного перцептрона были применены нами для расчета прогноза клинически узкого таза. Число входных нейронов составило 8 единиц. В качестве входных нейронов выступали параметры исследования (окружность живота, высота дна матки и масса тела женщины накануне родов, окружность головки плода, а также данные о наличии или отсутствии маловодия и макросомии плода), имеющие статистически значимые различия при сравнении группы контроля и группы женщин, родоразрешенных путем кесарева сечения в связи с клинически узким тазом (Зиганшин А.М. и др., 2023). Учитывая число входных нейронов, было решено включить в архитектуру многослойного персептрона 2 скрытых слоя. Автоматический выбор архитектуры позволил вычислить оптимальное количество нейронов в указанных скрытых слоях, равное 7 и 5 соответственно, позволяющее при этом максимально эффективно прогнозировать интересующий исход (наличие или отсутствие клинически узкого таза).

Для создания взаимосвязи взвешенных сумм объектов с последующим слоем значений данных объектов в обоих скрытых слоях использовалась сигмоидная функция активации. В качестве функции активации в выходном слое также выступал сигмоид, так как данная функция определена для действительных переменных и переводит их в диапазон (0; 1), что соответствует исходному дизайну исследования. В качестве функции ошибки выступала сумма квадратов. Выходной слой содержал две целевые (зависимые) переменные (наличие или отсутствие клинически узкого таза).

ЗАКЛЮЧЕНИЕ

Применение нейронной сети для прогнозирования клинически узкого таза, несмотря на простоту и доступность получения исходных клинических данных накануне родов, обладает достаточной степенью точности (98 %). Безусловно, в настоящее время подобный метод не может получить широкого распространения ввиду некоторой сложности его воспроизведения акушером-гинекологом, не получившим профильного обучения. Поэтому данную технологию в первую очередь следует использовать для оптимизации процесса родоразрешения женщин, входящих в группу риска (анатомически узкий таз и/или крупный плод), что позволит снизить частоту экстренных кесаревых сечений и улучшить исходы родов.