Добавил:
Sekretar
kiopkiopkiop18@yandex.ru
t.me/Prokururor I Вовсе не секретарь, но почту проверяю
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Ординатура / Хирургия / Библиотека им академика М.И. Перельмана / Книга_1449_Библиотеки_им_академика_М_И_Перельмана
.pdf
131
Продолжение таблицы 2.1
1
2
3
с
НАДНсвоб
+
н/д
с
НАДНсвяз
–
н/д
с
билирубин
н/д
++
с
витА
н/д
+
с
PPX
++
н/д
с
липофусцин
+
н/д
Величина изменения различных показателей обозначается знаками:
«++» – значительное увеличение; «+» – увеличение, «–» – уменьшение, «н/д»
– нет данных.
В соответствии с современными представлениями об опухолевом
процессе, злокачественные новообразования не имеют однозначного
метаболического портрета, но при решении задач дифференциации от
нормальных тканей или классификации злокачественных опухолей от
доброкачественных определяется совокупность диагностических параметров
по отношению к норме, нивелирующая данную особенность.
На основании проведенного обзора в главе 1 установлена взаимосвязь
перфузионно-метаболических параметров биологических объектов с медико-
биологическими параметрами (МБП), которые возможно зарегистрировать
рассмотренными методами ОД (таблица 2.2).
Таблица 2.2 – Взаимосвязи перфузионно-метаболических параметров
биологических объектов с МБП, регистрируемыми методами ОД
Перфузионно-метаболический
параметр биологической
ткани
Метод ОД
Медико-биологический
параметр
1
2
3
v
арт
, v
кап
, v
вен
, N
эр
ЛДФ
I
m
А
с
, А
д
, А
м
, А
н
, А
э
ЛСКВ
P
лскв
tPO
2
СДО
S
t
O
2
с
НАДН
ФС
I
FНАДН
132
Продолжение таблицы 2.2
1
2
3
с
НАДНсвоб
ФС с временным
разрешением
τ
1
, α
1
с
НАДНсвяз
ФС с временным
разрешением
τ
2
, α
2
с
ФАД
ФС
I
FФАД
с
НАДН
, с
ФАД
ФС
Redox
с
билирубин
ФС
I
Fбилирубин
СКР
I
КРбилирубин
с
витА
ФС
I
FвитА
с
PPX
ФС
I
FPPX
с
липофусцин
ФС
I
Fлипофусцин
К МБП, полученным в результате применения методов ОД, относят:
– I
m
(пф.ед. – перфузионные единицы) – показатель микроциркуляции,
характеризующий уровень перфузии объема ткани за единицу времени,
являющийся величиной прямо пропорциональной скорости МЦК (v
арт
, v
кап
,
v
вен
) и количеству эритроцитов в объеме ткани (N
эр
). В некоторых случаях
описание гемодинамики дополняют параметрами, характеризующими
регуляцию кровотока в микроциркуляторном русле посредством сердечных,
дыхательных, миогенных, нейрогенных и эндотелиальных осцилляций
соответственно (А
с
, А
д
, А
м
, А
н
, А
э
);
– K (отн. ед.) и P
лскв
(отн. ед.) – спекл-контраст и спекл-перфузия,
показатели гемодинамики кровотока, связанные с количеством элементов,
рассеивающих свет в диагностическом объеме (N
эр
), и их скоростью движения
(v
арт
, v
кап
, v
вен
);
– S
t
O
2
(%) – тканевая сатурация – среднее насыщение крови кислородом
в определенном участке ткани, отражающее баланс между локальным
снабжением кислородом и его потреблением;
– I
FНАДН
(отн. ед.) – интенсивность флуоресценции кофермента НАДН;
– τ
1
(нс), α
1
(%) – длительность короткоживущей компоненты и вклад
короткоживущей компоненты в общий сигнал флуоресценции;
133
короткоживущая компонента затухания флуоресценции, возбужденной на
длине волны 365 нм, ассоциирована со свободной формой НАДН;
– τ
2
(нс), α
2
(%) – длительность долгоживущей компоненты и вклад
долгоживущей компоненты в общий сигнал флуоресценции; долгоживущая
компонента затухания флуоресценции, возбужденной на длине волны 365 нм,
ассоциирована со связанной формой НАДН;
– I
FФАД
(отн. ед.) – интенсивность флуоресценции кофермента ФАД;
– Redox – редокс-отношение – отношение окисленных электронных
переносчиков к восстановленным, которое может быть вычислено
различными способами, в том числе как: I
FНАДН
/I
FФАД
; I
FФАД
/I
FНАДН
;
I
FФАД
/(I
FФАД
+I
FНАДН
);
I
Fбилирубин
(отн. ед.) – интенсивность флуоресценции билирубина;
I
КРбилирубин
(отн. ед.)
– интенсивность пика комбинационного рассеяния
билирубина;
I
FвитА
(отн. ед.) – интенсивность флуоресценции витамина А;
I
FPPX
(отн. ед.) – интенсивность флуоресценции порфиринов;
I
Fлипофусцин
(отн. ед.) – интенсивность флуоресценции липофусцина.
Важно отметить, что в капиллярном русле каждого органа наблюдается
средняя скорость кровотока и обмена веществ между кровью и окружающей
тканевой жидкостью. Усредненные показатели в действительности являются
результатом функции миллионов отдельных капилляров, в каждом из которых
кровоток периодически меняется в зависимости от потребностей окружающих
тканей.
2.2 Структура процесса интраоперационной оптической диагностики
при решении задач миниинвазивной хирургии
Структура процесса интраоперационной оптической диагностики при
решении задач миниинвазивной хирургии приведена на рисунке 2.3.
134
Рисунок 2.3 – Структурная схема процесса интраоперационной оптической
диагностики при решении задач миниинвазивной хирургии
В процессе интраоперационной ОД для пациентов с патологическими
состояниями, требующими МИХВ, в первую очередь определяется
конкретная диагностическая задача. После этого на основе априорной
информации проводится определение диагностически значимых
перфузионно-метаболических параметров: v
арт
, v
кап
, v
вен
, tPO
2
, N
эр
, с
НАДН
(с
НАДНсвоб
/с
НАДНсвяз
), с
ФАД
, с
билирубин
, с
витА
, с
PPX
, с
липофусцин
и др., отражающих
подмножество состояний биотканей
для i-й конкретной
диагностической задачи, где – множество всех состояний биоткани. Каждая
135
из возможных i-тых диагностических задач описана во введении главы 2
Затем на основании знаний о взаимосвязи перфузионно-метаболических
параметров биологических объектов с МБП, которые возможно
зарегистрировать методами ОД, выбирается один или несколько (в рамках
мультимодального подхода) методов ОД, формируя их подмножество
для решения i-й конкретной диагностической задачи, где – множество всех
доступных методов ОД. После этого на основании регистрации оптических
сигналов и их обработки проводится количественная интерпретация
перфузионно-метаболического статуса биологической ткани путем
вычисления подмножества МБП
( –множество всех МБП).
В основе определения вектора значений МБП c
0
лежит использование
минимизации невязки вектора экспериментально измеренных значений
оптических сигналов p
exp
и модельных сигналов
:
(2.1)
где F
i
– оператор, сопоставляющий в i-той задаче конкретному вектору
значений МБП c
j
вектор измеренных значений оптических сигналов p
j
:
F
i
:
, (2.2)
представляющее собой решение прямой оптической задачи о
моделировании сигнала ОД по известным параметрам биоткани.
При использовании спектральных методов в преобладающем
большинстве задача (2.1) сводится к случаю, когда вектор
представляет
собой вектор значений концентраций хромофоров и флуорофоров, а
отображение F
i
представляет собой линейную комбинацию компонент
вектора
:
, (2.3)
136
где
– априори известный спектр поглощения хромофора (эмиссии
флуорофора) с номером k,
– восстанавливаемая относительная концентрация этого компонента,
N – общее число рассматриваемых компонент.
После регистрации вектора информативных признаков
в
патологических и условно здоровых тканях в зависимости от поставленной
диагностической задачи вычисляется подмножество решающих правил
( – множество всех возможных решающих правил) для решения i-й
конкретной диагностической задачи:
(2.4)
где
– конкретное решающее правило, сопоставляющее вектору
конкретное состояние биоткани, формируя таким образом методы
дифференциации здоровых и патологических тканей или классификации
патологий, а также алгоритмы определения перфузионно-метаболических
характеристик, описывающих различные функции биотканей.
2.3 Компоненты методического обеспечения системы
интраоперационной оптической диагностики
Для разработки методов и алгоритмов необходимо руководствоваться
выбором адекватных подходов к статистической обработке и автоматической
классификации медицинских данных [403–405].
При использовании описательной статистики важно представлять
данные в соответствии с типом данных и параметрами распределения. В
качестве критериев для проверки гипотезы о законе распределения следует
использовать критерий Пирсона, критерий χ
2
(хи-квадрат) или критерий
Колмогорова-Смирнова, уровень статистической значимости, как правило,
137
выбирается менее 0,05 (p<0,05). В соответствии с установленным типом
распределения используется два принципа статистической обработки:
параметрический и непараметрический. При анализе данных, имеющих
нормальный закон распределения, должны быть применены параметрические
методы, считающиеся более мощными, то есть способными выявить
существующие статистические закономерности. При обработке результатов
такие данные представляются в виде: среднее ± стандартное отклонение
(СКО); в некоторых случаях используют представление в виде: среднее ±
стандартная ошибка среднего. В случае, если распределение исследуемого
параметра отклоняется от нормального закона распределения, прибегают к
непараметрическим параметрам, которые являются более надежными для
данной ситуации. Для представления непараметрических данных наиболее
часто прибегают к описанию с помощью оценки центральной тенденции,
ширины и асимметрии распределения, которые характеризуются
количественно тремя числами: нижний квартиль (25% процентиль), 50%
квартиль, который соответствует медиане, и верхний квартиль (75%
процентиль). Данные могут быть представлены численно в таблицах или
различными типами графиков (гистограммы, ящики с усами и т.д.) для
удобства восприятия оператором.
При переходе к выводам и прогнозам о популяции на основе выборки
данных необходимо пользоваться методами индуктивной (выводной)
статистики. При анализе данных, как правило, при сравнении групп с
патологией и нормой формулируются статистические гипотезы:
– Н
0
гипотеза об отсутствии различий (нулевая гипотеза);
– Н
1
гипотеза о значимости различий (альтернативная гипотеза).
Далее в зависимости от типа данных (числовые или категориальные),
количества групп и измерений, типа зависимости выборок (зависимые и
независимые), закона распределения данных применяются параметрические
(непарный t-критерий) или непараметрические тесты (Манна-Уитни,
Вилкоксона χ
2
для проверки статистической гипотезы о наличии связи между
138
двумя качественными признаками. Количественной характеристикой
случайности выявленных различий является р-значение, как правило, равное
0,05.
В медико-биологических исследованиях оперируют понятиями ошибок:
– ошибка первого рода (уровень значимости α) – допустимость
ошибочного признания различий, то есть альтернативной гипотезы;
– ошибка второго рода β (статистическая мощность 1-β) – допустимость
ошибочного признания нулевой гипотезы, то есть ошибочного отказа от
наличия различий или ошибочного признания отсутствия различий.
В медицинских исследованиях в качестве критического порога
принимается значение ошибки первого рода α = 0,05, второго рода β = 0,1 или
β = 0,2.
При исследовании зависимостей между измеряемыми параметрами и
состоянием биотканей или организма в целом применяются корреляционный
(установление наличия или отсутствия взаимосвязей между переменными),
регрессионный (количественное определение взаимосвязей между
переменными) или факторный (установление взаимосвязи между
переменными путем поиска факторных компонент) анализы.
Для разработки классификаторов медицинских данных наиболее
широко применяются дискриминантный (создание прогностической модели
принадлежности к группе) и кластерный (выделение групп объектов в выборке
со схожими свойствами и параметрами) анализы.
В последние годы все большее значение приобретают интеллектуальные
методы обработки медицинских данных с применением МО [406,407].
Использование искусственного интеллекта в медицине способствует более
точной диагностике, удовлетворяющей требованиям к персонализированному
лечению. Подходы машинного и глубокого обучения дают преимущества
благодаря их потенциалу для расширения использования массивных
многопараметрических данных, включая оптические данные [408,409], для
извлечения значимой информации о клиническом диагнозе и тактике лечения.
139
Такой подход позволяет выявлять сложные закономерности и взаимосвязи в
крупных наборах медицинских данных на основе применения различных
алгоритмов классификации, таких как методы логистической регрессии,
дерева решений, случайного леса, опорных векторов, ближайших соседей и
кластеризации данных.
Для оценки эффективности каждого классификатора используют
несколько оценочных метрик. Кривая ошибок – ROC-кривая (Receiver
Operating Characteristic) – иллюстрирует компромисс между истинно
положительными и ложноположительными результатами при различных
пороговых значениях классификации. Это позволяет получить информацию о
дискриминационной возможности и производительности предложенной
модели классификации. Метрика площади под кривой (AUC) количественно
оценивает общую производительность модели. Более высокое значение AUC
указывает на лучшую способность к разграничению и производительность
модели. Чувствительность (Se), также известная как полнота, рассчитывается
как число всех верно предсказанных положительных результатов к общему
количеству действительно положительных случаев. Специфичность (Sp)
количественно оценивает способность модели правильно классифицировать
отрицательные результаты по отношению к общему количеству
действительно отрицательных случаев. Точность представляет собой
отношение правильно классифицированных случаев к общему числу случаев.
F-мера представляет собой взвешенное гармоническое среднее полноты и
точности. Это обеспечивает сбалансированную оценку производительности
модели.
При разработке новых методов диагностики необходимо опираться на
текущие уровни диагностической точности существующих
инструментальных методов исследования. В рамках данной диссертационной
работы решаются задачи, которые были сгруппированы в 3 основных блока:
интраоперационная дифференциация опухолевых и неизмененных тканей
печени, интраоперационная классификация различных типов опухолевого
140
поражения печени и интраоперационное определение функционального
состояния органов.
При обследовании пациентов с подозрением на рак печени
предпочтение отдается методам медицинской интроскопии [410]. При этом
диагностическая эффективность этих методов зависит от размеров опухоли, ее
морфологических и метаболических особенностей, а также от заболеваний и
состояния печени [411]. По данным литературы МРТ диагностика при ГЦК
любого размера и стадии имеет следующие оценки диагностической
эффективности: чувствительность 84,4% и специфичность 93,8% [412]. УЗИ
обладает низкой чувствительностью (63% [413]) для обнаружения ранней
стадии ГЦК, которая достигает на более поздних стадиях заболевания 94%
[414]. Чувствительность лучевых методов в диагностике поражений малого
диаметра составляет 48%, а при опухолях, равных или больших 20 мм – 92%
[413].
Согласно современным медицинским представлениям, наличие и
характер опухолевого поражения констатируются лишь после проведения
гистологического и цитологического анализа биоптата, полученного при
миниинвазивной пункционной процедуре – ЧПБ под контролем
ультразвуковой навигации. По данным литературы при использовании
стандартных инструментов (УЗИ навигации) для интраоперационной
дифференциации опухолевых и неизменных тканей частота получения
неинформативных биоптатов, которые вносят свой вклад в формирование
ложноотрицательного результата, достигает 16-25 % [32,415].
Если сведения о диагностической точности при решении задач первой и
второй группы в литературе освещены, то данные по определению
перфузионно-метаболических характеристик биотканей при проведении
МИХВ отсутствуют. Поэтому было решено прибегнуть к алгоритму
экспертной оценки уровня ошибок инструментальной диагностики, подробно
описанному в [187]. Было рассчитано необходимое количество экспертов,
равное 10. Экспертная оценка проводилась с участием хирургов, владеющих
Соседние файлы в папке Библиотека им академика М.И. Перельмана