Streszczenie pracy doktorskiej Ocena przydatności sieci neuronowych jako narzędzi wspomagających diagnostykę i terapię hormonem wzrostu dzieci niskorosłych
Urszula Smyczyńska
Promotor: prof. dr hab. inż. Ryszard Tadeusiewicz
Leczenie ludzkim rekombinowanym hormonem wzrostu (rhGH) jest kosztowne i uciążliwe, ponieważ wymaga podawania dziecku zastrzyków codziennie przez kilka lat. U części pacjentów efekt leczenia nie jest satysfakcjonujący, co oznacza, że nie osiągają oni prawidłowego wzrostu jako osoby dorosłe. Wzrastanie dziecka jest procesem zależnym od wielu różnych czynników, zatem często nie udaje się zidentyfikować przyczyny niezadowalającej skuteczności terapii. Dodatkową trudnością jest stosunkowo rzadkie występowanie zaburzeń podlegających leczeniu rhGH, przez co podjęcie najwłaściwszych decyzji w oparciu o doświadczenie kliniczne pojedynczego specjalisty jest trudne. Z tych względów wskazane jest tworzenie dedykowanych narzędzi wspomagających optymalizację diagnostyki i leczenia dzieci niskorosłych.
W rozprawie zaproponowano wykorzystanie w tym celu sztucznych sieci neuronowych (ANN) jako modeli predykcyjnych skuteczności leczenia rhGH u dzieci z somatotropinową niedoczynnością przysadki, wyrażonej jako wzrost osiągnięty po wskazanym okresie stosowania rhGH. Wybór ANN podyktowany był wielowymiarowością problemu oraz możliwością analizowania zależności występujących w zbiorze danych bez konieczności założenia a priori ich charakteru. Modele neuronowe opracowane zostały w oparciu o dane dzieci z somatotropinową niedoczynnością przysadki, leczonych rhGH w Instytucie Centrum Zdrowia Matki Polki (ICZMP) w Łodzi w latach 2004-2016. Po konsultacji z endokrynologami dziecięcymi z ICZMP, zajmującymi się leczeniem rhGH, zidentyfikowano 17 potencjalnych predyktorów skuteczności leczenia w 1. roku i 20 dla całego okresu jego trwania, które następnie autorka rozprawy wykorzystała do wyprowadzenia modeli neuronowych: krótkoterminowych (1 rok) i długoterminowych (do osiągnięcia wzrostu końcowego i zakończenia leczenia).
Zbadana została przydatność 3 typów sieci neuronowych: MLP, RBF oraz Kohonena (użyte jako warstwa radialna w sieci podobnej do RBF). Architekturę i parametry uczenia sieci MLP dobrano przy pomocy algorytmu genetycznego, natomiast w przypadku sieci RBF i Kohonena posłużono się metodą siatki przeszukiwania przestrzeni dopuszczalnych wartości parametrów. Dla najlepszych z uzyskanych modeli każdego rodzaju przeprowadzono redukcję nadmiarowych zmiennych
objaśniających algorytmem wstecznej eliminacji wejść, bazującym na wytrenowanych sieciach neuronowych. Dzięki temu ograniczono liczbę wejść do około połowy początkowej wartości, identyfikując istotne czynniki prognostyczne skuteczności leczenia rhGH. Pokazano również, że zadanie prognozy krótkoterminowej najlepiej realizują sieci MLP, natomiast przy długoterminowej lepiej sprawdziły się sieci RBF. Przy użyciu najdokładniejszych modeli możliwe było wyjaśnienie 45%-50% zmienności odpowiedzi na leczenie w 1. roku i niemal 60% zmienności wzrostu końcowego. W przypadku modeli ze zmniejszoną liczbą zmiennych objaśniających wykonano analizę wrażliwości i wskazano, które z badanych czynników wpływają na skuteczność leczenia ujemnie, a które dodatnio.
Podsumowując uzyskane wyniki, stwierdzono, że ANN mogą być wykorzystywane jako narzędzie wspomagające diagnozowanie i leczenie dzieci niskorosłych hormonem wzrostu. Model krótkoterminowy (dla 1. roku terapii) może być przydatny we wczesnej identyfikacji nieadekwatnej odpowiedzi na leczenie w celu podjęcia innych działań terapeutycznych. Model dla całego leczenia pozwala przede wszystkim na ustalenie realistycznych oczekiwań odnośnie wzrostu końcowego pacjenta oraz wskazanie czynników o najistotniejszym znaczeniu dla uzyskania dobrego wyniku całego leczenia.
…... Kraków, 14 września 2017
Abstract of PhD thesis Evaluation of applicability of neural networks as tools aiding diagnosis and growth hormone treatment of short-stature children
Urszula Smyczyńska
Supervisor: prof. Ryszard Tadeusiewicz
Treatment with recombinant human growth hormone (rhGH) is expensive and bothersome for patients, because a child is subjected to daily injections for a period of several years. Still, in some patients the effect of rhGH administration remains unsatisfactory, which means that they do not achieve normal height in adulthood. Growth depends on numerous different factors, therefore it is often impossible to identify the cause of poor response to growth-promoting therapy. Additionally, diseases treatable with rhGH are relatively rare and it may be very difficult for a single physician to always make the best clinical decisions basing only on their own experience. Due to these reasons there is a need of optimizing diagnosis and treatment of short-stature children by development of dedicated tools.
The presented thesis proposes application of artificial neural networks (ANN) as models predicting the efficiency of rhGH treatment (expressed as height gain during indicated period of rhGH administration) in children with growth hormone (GH) deficiency. ANN were selected, since they are suitable to solve multivariate problems, especially when the character of dependencies between variables is not known a priori. Neural models were derived on the basis of the data of GH-deficient patients of Polish Mother’s Memorial Hospital Research Institute (ICZMP) in Lodz, treated between 2004 and 2016. Consultation with paediatric endocrinologists from ICZMP resulted in identification of 17 potential predictors of 1st-year response to rhGH treatment and 20 for final height prediction. Those data were subsequently used by the author of the thesis to train neural networks as models of short-term (1 year) and long-term (whole treatment) outcome of rhGH therapy.
Three types of ANN were studied: MLP, RBF and Kohonen network (that were applied as radial layer in RBF-like network). Architecture and training parameters of MLP networks were determined by genetic algorithm, while the same task for RBF and Kohonen networks was realized by a grid search in parameters’ space. The best models of all 3 categories were selected and subjected to input reduction by input cancellation algorithm that removes unnecessary explanatory variables on the basis of trained network. As a result, the numbers of inputs in models
were reduced approximately to the half of initial value and significant predictive factors were identified. It was shown that short-term prediction is realized in the most proper way by MLP networks, while RBF networks are better for the long-term one. The most accurate models explained 45-50% of variability in 1st year response to rhGH treatment and almost 60% of variability in final heights of patients. The sensitivity analysis was performed for reduced models and it enabled indication of positive and negative predictors of effectiveness of rhGH therapy.
The results of experiments, presented in the thesis, led to the conclusion that ANN can be useful tools, aiding diagnosis and rhGH treatment of short-stature children. Short-term model can be applied in order to early identify non-responders (children in whom administration of rhGH is not effective enough) so that they can be treated by other means. Long-term prediction can help preparing a patient for expected outcome of therapy and finding which factors are most important for positive result of whole rhGH treatment.
…... Krakow, 14 September 2017