Prilog neinvazivnim dijagnostičkim metodama sa adaptivnim pristupom detekciji prolapsa mitralne valvule kod pedijatrijskih pacijenata

Abstract

Rano prepoznavanje bolesti srca je od posebne važnosti u pedijatriji. Visoka prevalenca (77-90%) šuma na srcu je značajan problem u ovoj populaciji. Klasičnaa dijagnostika u pedijatrijskoj praksi je baziranaa na neinvazivnim metodama (auskultacija, EKG, Rtg.) koje imaju relativno niske performanse. Zato se procena težine šuma određuje ehokardiografski. Ehokardiografija je uglavnom dostupna u zdravstvenim centrima većih gradova. Cilj ove doktorske disertacije je razvoj jeftine dijagnostičke metode, bazirane na automatskoj detekciji prolapsa mitralne valvule (lokalizacija klik sindroma na fonokardiogramu), kao podrške u razlikovanju benignih i patoloških šumova srca korišćeljem fonokardiografije i auskultacije. Metode: Predloženi metod je baziran na akustičnim signalima srca. Izabrani metod koristi višeslojni perceptron (MLP) sa algoritmom serijskog obučanja i postepnim dolaskom do rešenja propagacijom greške unazad. MLP neuralna mreža se sastoji od feedforward mreže neurona. Neuroni su organizovani u tri sloja (ulazni,skriveni i izlazni sloj). MLP obezbeđuje nelinearno mapiranje između ulaza i izlaza. Svaki neuron MLP koristi nelinearnu sigmoidalnu aktivacionu funkciju. Fonokardiogrami na ulazu u mrežu su automatski klasifikovani u jednu od tri moguće klase (PMV,zdravi,ostali- niti PMV niti zdravi). Prvi korak je kreiranje trening i test skupa za svaku iteraciju krosvalidacije i inicializaciju svih parametara VNM. Drugi korak je backpropagation algoritam: uključuje proračun cost funkcije, postupni dolazak do rešenja i podešavanje težina. Podešavanjem težina minimalizuje se cost funkcija sa ciljem smanjenja greške u klasifikaciji. Poslednji korak je klasifikacija korišćenjem algoritma one-versus-all. Rezultati: VNM sadrži 64.033 neurona u ulaznom sloju (ukučujući jedan neuron kao bias ulaz), 95 neurona u skrivenom sloju i tri neurona u izlaznom sloju ( po jedan za svaku klasu). Ovo je bilo kompromisno rešenje između performansi i tačnosti mreže. Skup ulaznih podataka sadrži 135 fonokardiograma podeljenih u tri klase PMV (48),zdravi (49) i ostali (38). Za svaki skup primenjena je metoda krosvalidacije. Klasifikaciona tačnost predložene VNM iznosi 79,85%, senzitivnost 90% i specifičnost 75%. Zaključak: Auskultacija je važan dijagnostički indikator hemodinamskih poremećaja Razvoj precizne dijagnostičke metode je od posebnog značaja za rano prepoznavanje oboljenja srca i smanjenje troškova u zdravstvu. VNM su vredan alat za nelinearno adaptivno filtriranje, prepoznavanje i klasifikaciju. Dobijeni rezultati se mogu smatrati korisnim za kliničku podršku u ranom otkrivanju prolapsa mitralne valvule u pedijatrijskoj populaciji.

Early recognition of heart disease is an important goal in pediatrics. This is a significant problem in pediatric cardiology because of the high rate of prevalence (77- 90%) of heart murmurs in this population. Classical diagnosis of heart murmurs in pediatric practice is based on non-invasive methods (auscultation, ECG, X-ray), which have relatively low performance. Thus, patients with heart murmurs are frequently assessed by echocardiography. However, echocardiography is usually only available in healthcare centers in major cities. The objective of the present doctoral dissertations is to develop an inexpensive diagnostic method, based on automatically detection of mitral valve prolapse ( localization of click syndrom in phonocardiograms),that can assist in the differentiation between innocent and pathological heart murmurs via phonocardiography and auscultation. Methods: The proposed method is heart signal-based. Selected method uses a multilayer perceptron (MLP) with backpropagation batch gradient descent learning algorithm. MLP neural network consists of a feed-forward, layered network of neurons. Neurons are organized in three layers (input layer, hidden layer, and output layer). An MLP provides a nonlinear mapping between its input and output. Each neuron in an MLP has a nonlinear sigmoid activation function. Input phonocardiograms are autamatically classified in one of three possible classes (MVP, healthy, others – neither MVP nor healthy). The first step is to create training and test sets for each iteration of cross-validation method and to initialize all parameters for ANN. The second step is back-propagation algorithm; it includes calculation of cost function, descent gradients and adjusting weights of ANN. With adjusting weights we try to minimize cost function with goals to minimize error in classification. Final step is classification using one-versus-all algorithm. Results: ANN consists of 64.033 neurons in input layers (including one neuron for bias input), 95 neurons in hidden layer, and three neurons in output layer (one for each class). This was a compromise solution between performance and accuracy. The resulting data comprised 135 phonocardiograms; the three data sets are labeled as MVP(48), healthy(49) and others (38). Cross-validation method is applied on every dataset. The proposed ANN showed 79,85% classification accuracy, 90% sensitivity and 75% specificity. Conclusion: The auscultation method is an important diagnostic indicator for hemodynamic anomalies. Developing a more accurate screening and diagnostic method is vital in early recognition of heart disease and reducing health care costs. Artificial neural networks (ANNs) are valuable tools used in nonlinear adaptive filtering, complex pattern recognition and classification tasks. Obtained result can be cosidered as a quite useful tool for clinical support and early detection of mitral valve prolapse in pediatric population.