Kotelnikov Institute of Radio Engineering and Electronics of RAS Русский Sign in Submit a paper
Journal of Radio Electronics Online scientific journal · eISSN 1684-1719
2016, № 12 · BIOMEDICAL RADIO ELECTRONICS

Использование кластерного анализа и логистической регрессии для дифференциации патологий легких

D.I. Kozlov1

1 Алтайский государственный университет, г. Барнаул, Russia
Full text (PDF) UDC 57.02.001.57 EDN YFYPFL

Abstract

In this paper we have considered the possibility of using cluster analysis and logistic regression to differentiate pathologies (cancer and tuberculosis), leading to the appearance of spherical formations in the lungs. The parameters determined on the basis of imaging X-ray computed tomography (the average value of the densitometry Hounsfield index and standard deviation of Hounsfield index for the area of interest was selected by physician radiologist, and also the value of the fractal dimension and the "slope") was chosen as diagnostic features. To this sample, in series, clustering by k-means and complete linkage method for the hierarchical clustering were applied. When comparing the results of cluster analysis with verified diagnoses, it was concluded that the hierarchical clustering is more reliable than the k-means method for the correct diagnosis elects. Then, on the basis of half of the original sample a logistic regression model was obtained. ROC-analysis was used to estimate the quality of the resulting model, and also for the determination of cut-off point that allows to pass on from probabilities of diagnosis obtained after applying logistic regression to forecast own diagnoses. The selected logistic regression model was used to predict the diagnosis in the second half of the sample, and level of correct prediction about 70% was reached.

  • spherical formation in the lungs
  • fractal dimension
  • cluster analysis
  • logistic regression
Аннотация (на русском)

Использование кластерного анализа и логистической регрессии для дифференциации патологий легких

В данной работе рассмотрена возможность использования кластерного анализа и логистической регрессии для дифференциации патологий (рак и туберкулез), приводящих к возникновению шаровидных образований в легких. Диагностическими признаками выбраны параметры, определенные на основе обработки изображений рентгеновской компьютерной томографии, а именно: среднее значение денситометрического показателя Хаунсфилда и среднеквадратичное отклонение денситометрического показателя Хаунсфилда для выделенной врачом-рентгенологом области интереса, а также фрактальная размерность и величина «уклон». Для полученной выборки последовательно были применялись кластеризация методом k-means и иерархическая кластеризация методом полной связи. При сопоставлении результатов кластерного анализа с верифицированными диагнозами был сделан вывод, что иерархическая кластеризация более надежно, чем метод k-means выделяет верный диагноз. Затем, на основе половины исходной выборки получена модель логистической регрессии. С помощью ROC-анализа оценивалось качество полученной модели, а также определялась пороговая точка отсечения, позволяющая перейти от вероятностей диагноза, полученных после применения логистической регрессии, к прогнозу самих диагнозов. После этого выбранная модель логистической регрессии использовалась для предсказания диагнозов во второй половине выборки, причем корректность прогноза оказалась около 70%.

For citation

Kozlov D.I. Использование кластерного анализа и логистической регрессии для дифференциации патологий легких // Journal of Radio Electronics. – 2016. – No. 12.

References

  1. Леонов С.Л., Шойхет Я.Н., Коновалов В.К. и др. Анализ погрешностей данных при мультиспиральной компьютерной томографии шаровидных образований легких//Проблемы клинической медицины. -2011. -№ 3-4 (25). С. 16-19.
  2. Коновалов В. К., Шойхет Я. Н., Федоров В. В. и др. Прицельная 3d-реконструкция при изучении качественных характеристик поверхности шаровидных образований легких//Проблемы клинической медицины. -2011. -№ 3-4 (25). С. 20-25.
  3. Шайдук А. М., Останин С. А., Коновалов В. К. и др. Проблема стандартизации масштаба при вычислении фрактальной размерности медицинских изображений//Известия Алтайского государственного университета. 2012. № 1-1 (73). С. 233-235.
  4. Коновалов В.К., Шойхет Я.Н., Федоров В.В. и др. Способ прицельной объемной денситометрии шаровидных образований легких для оценки их внутренней структуры при мультиспиральной компьютерной томографии//Проблемы клинической медицины. 2012. № 1-4 (26-29). С. 74-86.
  5. Коновалов В.К., Шойхет Я.Н., Федоров В.В. и др. Метод количественной оценки структуры шаровидных образований легких при мультиспиральной компьютерной томографии//Проблемы клинической медицины. 2012. № 1-4 (26-29). С. 95-101.
  6. Останин С.А., Шайдук А.М., Козлов Д.Ю. и др. Энтропийный метод оценки сложности контура медицинских изображений//Известия Алтайского государственного университета. 2013. № 1-2 (77). С. 177-180.
  7. Молодкин И.В., Леонов С.Л., Шайдук А.М. и др. Статистический анализ влияния типа патологии на количественные характеристики медицинских изображений//Медицинская физика. 2014. № 3 (63). С. 43-47.
  8. Oczeretko E., Borowska M., Kitlas A. et al. Fractal analysis of medical images in the irregular region of interest.//BioInformatics and BioEngineering, BIBE 2008. 8th IEEE International Conference on Dept. of Med. Inf., Univ. of Bialystok, Bialystok, 2008. October.
  9. Барсегян А.А., Куприянов М.С., Холод И.И. и др. Анализ данных и процессов: учеб. пособие -3-е изд., перераб. и доп. -СПб.: БХВ-Петербург, 2009. -512 с.
  10. Паклин Н.Б., Орешков В.И. Бизнес-аналитика от данных к знаниям -СПб.: Питер, 2013. -704 с.
  11. Шипунов А.Б., Балдин Е.М., Волкова П.А., Коробейников А.И., Назарова С.А., Петров С.В., Суфиянов В.Г. Наглядная статистика. Используем R! -М.: ДМК Пресс, 2012. -298 с.
  12. Многомерный статистический анализ в экономических задачах: компьютерное моделирование в SPSS: Учебное пособие/Под ред. И.В. Орловой. -М.: Вузовский учебник, 2009. -309 с.
  13. Лесовых С.В., Тужикова Н.В., Юдинцев А.Ю. и др. Методика определения интегрального показателя уровня регионального развития//Тенденции науки и образования в современном мире. 2016. № 16-1. С. 39-43.
  14. Бериков В.С., Лбов Г.С. Современные тенденции в кластерном анализе//Всероссийский конкурсный отбор обзорно-аналитических статей по приоритетному направлению «Информационно-телекоммуникационные системы», 2008. -26 с.
  15. Кабаков Р.И. R в действии. Анализ и визуализация данных в программе R/пер. с англ. П.А. Волковой. -М.: ДМК Пресс, 2014. -588 с.
  16. Мастицкий С.Э., Шитиков В.К. (2014) Статистический анализ и визуализация данных с помощью R. -Электронная книга, адрес доступа: http://r-analytics.blogspot.com