Ocena przydatności sieci neuronowych jako narzędzi wspomagających diagnostykę i terapię hormonem wzrostu dzieci niskorosłych

mgr inż. Urszula Smyczyńska

Promotor: prof. dr hab. inż. Ryszard Tadeusiewicz
Dyscyplina: Biocybernetyka i Inżynieria Biomedyczna

Leczenie ludzkim rekombinowanym hormonem wzrostu (rhGH) jest kosztowe 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 zależny 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 od 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 paramentów. 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.

Praca udostępniona publicznie Smyczynska_praca_doktorska.pdf

1. Smyczyńska U., Smyczyńska J., Hilczer M., Stawerska R., Tadeusiewicz R., Lewiński A.: „Pre-treatment growth and IGF-I deficiency as main predictors of response to growth hormone therapy in neural models” Endocrine Connections, 2017 (Published online before print), doi: 10.1530/EC-17-0277.
2. Smyczyńska U., Smyczyńska J., Tadeusiewicz R.: „Influence of neural network structure and data-set size on its performance in the prediction of height of growth hormone-treated patients”. Bio-Algorithms and Med-Systems Vol. 12, No. 2, 2016, pp. 53-59.
3. Smyczyńska J., Hilczer M., Smyczyńska U., Stawerska R., Tadeusiewicz R., Lewiński A.: „Neural network models - a novel tool for predicting the efficacy of growth hormone (GH) therapy in children with short stature”. Neuroendocrinology Letters Vol. 36, No. 4, 2015, pp. 348-353.
4. Smyczyńska U., Smyczyńska J., Lewiński A., Tadeusiewicz R.: „Możliwości wykorzystania sztucznych sieci neuronowych w modelowaniu zaburzeń endokrynologicznych i procesów wzrostowych”. Endokrynologia Pediatryczna Vol. 14, No. 2, 2015, pp. 55–65.
5. Smyczyńska U., Smyczyńska J., Hilczer M., Stawerska R., Tadeusiewicz R.: „Artificial neural networks – a novel tool in modelling the effectiveness of growth hormone (GH) therapy in children with GH deficiency”. Endokrynologia Pediatryczna Vol. 14, No. 2, 2015, pp. 9–18.
6. Smyczyńska U., Smyczyńska J., Tadeusiewicz R.: „Neural modelling of growth hormone therapy for the prediction of therapy results”. Bio-Algorithms and Med‑Systems Vol. 11, No. 1, 2015, pp. 33–45.

• dr hab. inż. Jarosław Bilski, prof. PCz Recenzja nr 1
• dr hab. inż. Piotr Czech, prof. nzw. PŚ Recenzja nr 2
• dr hab. n. med. Andrzej Kędzia, prof. UM recenzja_3_smyczynska.pdf