Журнал «Медико-социальные проблемы семьи» 1 (том 17) 2012

Естественным индикатором состояния организма женщины являются физические характеристики ее кожного покрова. Изменения тонуса, цвета, влажности, появление морщин и очагов пигментации на коже наблюдаются как в физиологических процессах (течение беременности, сезонные и возрастные изменения), так и при патологиях (заболеваниях печени, уремии, почечная недостаточность, лимфогранулематоз). В настоящее время на смену визуальной оценке состояния кожи приходят новые технологии, среди которых ведущее место занимают искусственные нейронные сети (ИНС). ИНС – математические модели, построенные по принципу организации и функционирования биологических нейронных сетей. Несмотря на впечатляющие результаты использования ИНС в медицинских исследованиях [2], фактором, существенно ограничивающим их широкое применение, является низкая скорость обучения ИНС. Этот недостаток определяется в частности попаданием ИНС в локальные минимумы поверхности ошибок, параличом сети, обусловленным высокими значениями ее весовых коэффициентов, и наличием неустойчивых состояний, при которых в процессе обучения ИНС теряет приобретенные знания. В частности, в наших исследованиях длительность обучения ИНС для оценки возраста по цифровым снимкам кожи человека составляла около 7000 циклов обучения [4], что существенно ограничивало возможность выбора оптимальной конфигурации ИНС. Увеличить скорость обучения ИНС по цифровым снимкам кожи человека удалось посредством применения комбинированного метода (КМ) обучения [1].

Цель работы – оценить эффективность применения различных алгоритмов обучения нейтронной сети оценке возрастных изменений кожи женщин репродуктивного возраста.

Материалы и методы

Искусственную нейронную сеть (ИНС), содержащую 4 скрытых слоя, послойно обучали на цифровых снимках кожи внутренней поверхности запястья левой руки. Обследовали 19 условно здоровых женщин репродуктивного возраста (18 – 43 лет). Снимки получали с помощью фотоаппарата Olimpus SP550UZ при освещении руки с двух сторон люминесцентными лампами Camelion LH20-3U (E27, 6400K, 20 W). Перед каждой итерацией обучения автоматически выбирался случайный фрагмент изображения, что позволяло исключить запоминание снимков нейронной сетью. Обучение проводили с использованием алгоритма обратного распространения ошибки (АОРО) [6], генетического алгоритма (ГА) [3] и КМ, заключающегося в чередовании АОРО и ГА (по 20 итераций каждый). Первые 100 итераций обучения исключали из анализа.  

Результаты и их обсуждение

Известно, что с возрастом изменяется как структура, так и цвет кожи. Это положение подтверждают полученные нами результаты цифровой фотографии фрагментов кожи женщин различного возраста  при освещении руки с двух сторон люминесцентными лампами Camelion LH20-3U (E27, 6400K, 20 W) (рис.1).

Обучение ИНС по цифровым снимкам кожи оказалось малоэффективным при использовании ГА, тогда как наибольший эффект был достигнут при применении КМ. Значения среднеквадратической ошибки определения возраста в зависимости от числа итераций обучения ИНС с использованием КМ приведены на рис. 2.

При применении как АОРО, так и КМ средняя величина ошибки определения возраста снижается (p < 0,5) от 11,2±1,3 до 4,28±0,32 лет, а в дальнейшем (1000 итераций) не изменяется (p > 0,5). Полученные по окончании обучения ИНС значения погрешности определения возраста, очевидно, обусловлены объективными различиями между биологическим возрастом кожи и паспортным возрастом человека [5]. При этом эффективное время обучения ИНС с использованием КМ примерно в 20 раз меньше, чем при АОРО. По окончании обучения АОРО и КМ значения паспортного и определяемого посредством ИНС возраста коррелируют между собой (r = 0,84 и 0,93, соответственно; p < 0,05), причем коэффициент корреляции в случае КМ выше (p < 0,05), чем в случае АОРО. Очевидно, большая эффективность КМ обусловлена тем, что используемые при этом методе АОРО и ГА обладают разными характеристиками, дополняя друг друга. Так, в отличие от ГА, в котором выбор последующего состояния сети выполняется случайным образом, АОРО, действуя более «целенаправленно», позволяет эффективнее снижать уровень ошибки определения возраста. Когда ИНС попадает в локальный минимум пространства ошибок или возникает ее паралич, такие операции ГА как мутация и кроссинговер выводят ИНС из этого состояния.

Выводы

Комбинированный метод обучения искусственной нейтронной сети позволяет повысить точность оценки возрастных изменений кожи женщин репродуктивного возраста и завершить обучение раньше, чем алгоритм обратного распространения ошибки или генетический алгоритм.