Klinisk Biokemi i Norden Nr 3, vol. 15, 2003 - page 8

8
Inledning
En patients diagnos fastställs oftast på basis av flera
typer av information, vilket kan vara nog så kompli-
cerat om informationsmängden är stor. Det här har
lett till ökat intresse för olika matematiska och stati-
stiska metoder som komplement till klinisk bedöm-
ning. T.ex. har algoritmer som använder information
om totalt och fritt PSA, prostatavolym och palpation
av prostata (DRE) visat sig kunna förutspå resultatet
av prostatabiopsi bättre än enskilda variabler.
1-4
Artificiella neurala nätverk är matematiska
modeller som kan användas för att ställa diagnos
eller förutspå ett sjukdomsförlopp. Statistiska mo-
deller gjorda med regressionsanalys är också
användbara för detta ändamål, men neurala nätverk
kan känna igen mer komplexa förhållanden mellan
variabler, och ger därför ibland bättre diagnostisk
precision. Logistisk regression identifierar linjära
förhållanden mellan förklarande variabler (t.ex. la-
boratorievärden) och utgångsvariabeln (t.ex. diag-
nos), medan neurala nätverk kan anpassa sig också
till olinjära förhållanden. Både neurala nätverk och
regressionsmetoder behöver data för optimering,
eller träning, av modellerna. P.g.a. av sin flexibilitet
kan ett neuralt nätverk lätt “övertränas” att passa
träningsdata perfekt; samtidigt förlorar modellen
förmågan att klassificera nya fall korrekt. Det finns
metoder för att undvika överträning, och för säker-
hets skull bör en neuralnätsmodell alltid testas på
nytt osett data. Neurala nätverk och logistisk
regression har använts för att skapa algoritmer
inom så gott som alla medicinska områden. ”The
Medical Algorithms Project” har t.ex. samlat ihop
hela 3900 medicinska (bara en del är menade för
diagnostik) algoritmer som kan laddas ned i Excel-
format på www.medal.org. De här algoritmerna
rekommenderas emellertid inte för kliniskt bruk och
fortfarande har få algoritmer nått större spridning.
Inom en nära framtid kommer olika diagnostiska
algoritmer troligen allt oftare att erbjudas till läka-
re och laboratoriepersonal. Innan en algoritm tas i
bruk är det viktigt att förstå – åtminstone i stort –
hur den fungerar och att kunna granska algorit-
mens funktion kritiskt. Det ska förhoppningsvis den
här artikeln bistå med. Den vanligaste typen av
neurala nätverk som används i klinisk medicin är
flerlagersperceptronen (MLP, multilayer perceptron)
och den beskrivs i detalj. Också logistisk regression,
som ofta används som referensmetod när nya neu-
rala nätverk utvecklas, behandlas.
Logistisk regression
Logistisk regression är en regressionsmetod som
är skräddarsydd för prediktion av binära utgångar
(t.ex. om en patient har en sjukdom eller inte).
5
Metoden liknar vanlig linjär regression men ut-
gångsvärdet (v) transformeras sigmoidalt enligt log-
itfunktionen: exp(v)/(1+exp(v)) så att det intar ett
värde mellan 0 och 1 (Figur 1). Värdet motsvarar
sannolikheten att patienten har en positiv utgång
(t.ex. en sjukdom). På basis av patientdata med
| 3 | 2003
Klinisk Biokemi i Norden
Optimering av diagnostik med hjälp av artificiell intelligens
Patrik Finne, (patrik.finne@hus.fi), Avdelingen för klinisk kemi, Helsingfors
Universitet, Biomedicum-Helsinki A424b.
Figur 1.
1,2,3,4,5,6,7 9,10,11,12,13,14,15,16,17,18,...44
Powered by FlippingBook