Ретроспективный анализ медицинских экспертных систем



Скачать 219.06 Kb.
Дата02.04.2016
Размер219.06 Kb.
Новости искусственного интеллекта. – №2. – 2005. – С.6-17.

РЕТРОСПЕКТИВНЫЙ АНАЛИЗ МЕДИЦИНСКИХ ЭКСПЕРТНЫХ СИСТЕМ

Б.А. Кобринский

Рассматриваются различные решения в экспертных системах 10 – 20-летней давности и более поздних, позволяющие повысить эффективность извлечения экспертных знаний и представляющие интерес для пользователей, которые могут быть полезны при построении новых интеллектуальных систем медицинского назначения.

Введение

Ретроспективный взгляд на медицинские экспертные системы (ЭС) с позиции оценки и использования в современных интеллектуальных системах (ИнтС) интересных находок прежнего периода представляется оправданным в настоящее время ввиду ряда причин. Во-первых, 10 – 20-летний срок позволяет по-новому посмотреть на системы, прошедшие проверку клинической практикой. Во-вторых, оценить отношение врачей к созданным ранее ЭС. В-третьих, проанализировать эффективность отдельных предложенных решений и обратить внимание на некоторые аспекты, заслуживающие использования в новых ИнтС.

Накопленный опыт показал, что экспертные медицинские системы должны отличаться специфическими особенностями, при учете которых не только повышается их эффективность, но они становятся более привлекательными для врачей-пользователей. В этом плане особое значение имеют следующие факторы: 1) психологическая совместимость врача и ЭС, ощущение его участия в принятии решений; 2) уровень знаний врача; 3) возможность выбора режима диагностики из альтернативных вариантов.

Ряд особенностей медицинских интеллектуальных систем, созданных в 1980-90-х годах и представляющих интерес в настоящее время, рассмотрен ниже на примере разработок Медицинского центра новых информационных технологий Московского НИИ педиатрии и детской хирургии (МЦНИТ МНИИПиДХ) и ряда других экспертных систем.



1. Система ДИАГЕН

Рассмотрим с позиций, представляющих на сегодня интерес, некоторые решения, использованные при разработке системы для диагностики наследственных болезней ДИАГЕН (первое название МГЕ [1Барашнев и др. 1987]), эксплуатировавшейся свыше 15 лет в нескольких десятках медицинских учреждений России. База знаний системы ДИАГЕН включала 1200 синдромов моногенной и хромосомной природы, проявляющихся клинически в детском возрасте и описываемых более, чем 1500 признаками [2, 3Kobrinsky B. et al., 1991; Кобринский и др. 1994].



«Опыт и интуиция» не выявляются самим врачом в полной мере при разработке вопросника и описании прогностических критериев, так как высказывания врача одновременно избыточны и недостаточны [4Гельфанд и др., 2005]. Извлечение знаний для построения ЭС ДИАГЕН осуществлялось в групповом варианте, что позволяло уже на этом этапе верифицировать мнение каждого отдельного эксперта и оптимизировать формирование базы знаний и решающих диагностических правил [5Кобринский, 2004]. Но отражение интуитивных и образных представлений врача в базе знаний в настоящее время рассматривается в широком контексте моделирования психических представлений [6-11Кобринский, 1998; Кузнецов О.П., 1998; Поспелов Д.А., 1998; Тарасов В.Б., 1998; Фоминых И.Б., 1998, Чернавский Д.С. и др., 2004]. Одним из них является ассоциативное «мышление», т.е. принятие решений при учете ассоциативных образов, когда один из них, являясь медиатором, может, по Р.Л. Сорсо [12 1996] «выполнять функцию эффективного кода». В системе ДИАГЕН механизм учета в процессе диагностики одной из характеристик интуиции – ассоциативных знаний о симптомах заболевания, был реализован следующим образом. В базе знаний над пространством симптомов введены отношения, определяющие их основные свойства: частотные, причинные, фенотипические (по внешним проявлениям) и другие. Строилась функция близости, описывающая, по существу, отношение принадлежности симптома некоторому множеству признаков. Исходной информацией для вычисления функции близости являлось описание врачом-экспертом корреляционных, структурных и других свойств симптомов. На этой основе были построены графы: структурный – взвешенный древовидный граф (включает морфо-физиологические отношения), причинно-следственный (отражает патогенетические механизмы заболеваний) и фенотипического сходства – взвешенный симметрический граф (рассмотрение близких в содержательном смысле понятий, например, дисплазия и гипоплазия почек). В процессе формирования базы знаний, путем дополнения формировался единый "результирующий" граф, который также являлся взвешенным и двунаправленным. И, наконец, путем замыкания результирующего графа получали граф парных связей со своими соответствиями между каждой парой признаков. В результате замыкания каждая опосредованная связь заменялась на непосредственную. Вес новой продуцированной дуги рассчитывался по способу, близкому к схеме Шортлифа. Таким образом, получали матрицу отношений над пространством признаков. Введение этих отношений как раз и позволило проводить уточнение и некоторое расширение входной последовательности признаков (введенного пользователем симптомокомплекса) до диагностической последовательности, включающей ассоциированные признаки, которая уже поступала на механизм логического вывода. Вычисление новых «весов» признаков осуществлялось с помощью функции "близости" [13Кобринский, Фельдман, 1995]. При первоначальной оценке диагностической ценности симптомов экспертами учитывалась частота признака в популяции и возможность экзогенной (внешнесредовой) его обусловленности, например, плоскостопие было оценено в 5 баллов, в то время как врожденный признак фокомелия – в 95 баллов. Кроме того, принималась во внимание сложность обнаружения симптомов при осмотре (к примеру, белая прядь волос и ускоренная оссификация позвонков – в первом случае достаточно визуального осмотра, во втором – необходимо рентгенографическое обследование). Полученная экспертным путем оценка значимости признака для распознавания заболевания предлагается при описании клинической картины больного врачу-пользователю, который может изменить "вес" (в интервале от 0 до 99) любого из отмеченных у ребенка симптомов в соответствии с его личной гипотезой о их диагностической ценности в конкретном случае, что позволяет использовать в системе опыт и интуицию лечащего врача, в какой-то степени осуществлять индивидуальную "настройку" компьютерной системы на пользователя, который таким образом принимает участие в диагностическом процессе. Такая операция по присваиванию "весов" признакам может повторяться многократно, что дает возможность проверять различные предположения о роли тех или иных признаков, вплоть до их исключения (обнуления) при данном заболевании у конкретного пациента. Указанная врачом степень значимости каждого введенного признака соответствует интегральной оценке его предполагаемой диагностической ценности. Для случая, когда пользователь минимизирует «вес» признака, ближайшим современным аналогом можно считать созданную в конце 90-х годов ЭС ЭСТЕР для диагностики лекарственных отравлений [14Асанов и др. 2000], где были использованы таблицы запрещенных значений «диагностический признак – класс решений», позволившие повысить эффективность процесса диагностики.

Уровень многозначного «нечеткого» медицинского представления подразумевает неполноту знаний о части данных, представляющих собой описания заболеваний, что соответствует понятиям различных НЕ-факторов [15Нариньяни, 1986], отрицающих свойства классических формальных систем – точность, однозначность, определенность, полноту, непротиворечивость и пр. Реализованный в системе ДИАГЕН механизм привлечения дополнительной информации в виде признаков по ассоциации (по сходству и др.) обеспечивал, с одной стороны, учет условно нечетких представлений врача в отношении особенностей наблюдаемых признаков. Наряду с этим, в механизме вывода системы ДИАГЕН степень значимости признака, играющая роль априорной вероятности для байесовского метода, связывает апостериорную вероятность гипотезы с ее априорной вероятностью, а такой способ интерпретации исходных данных позволяет собирать фрагментарную и возможно неточную информацию, для того чтобы сделать более полную оценку клинической картины. Кроме того, интерфейс пользователя, реализованный в виде дерева признаков, позволяет осуществлять их отбор на разных уровнях в зависимости от точности представлений (от уровня уточнения клинических проявлений, наблюдаемых у больного), например, так называемые фенотипические характеристики типа формы носа и т.п. Если проанализировать дальше названный пример, то в первом варианте системы (МГЕ), был перечень изменений формы носа, но затем в ЭС ДИАГЕН это уже была просто возможность указать на факт необычной формы носа, а уже интеллектуальная система рассматривала перечень решений (диагнозов), включающих различные отклонения формы носа. Такая возможность функционирования системы в условиях неопределенных и неточных исходных данных обеспечивала эффективную диагностику у больных со стертой клинической картиной или ранними проявлениями болезней, что особенно важно для прогредиентно протекающих наследственных болезней.

В дальнейшем в ИнтС ГЕНРОСТ [16Подольная, Таперова, 2002], на основе литературных источников и экспертных знаний, из признаков, описывающих исследуемый круг заболеваний с нарушением роста, были сформированы комплексы, независимые от диагнозов, такие, что для каждого заболевания всегда можно указать один или несколько комплексов, среди которых обязательно проявится хотя бы один признак. В качестве примера можно назвать комплекс “Лицевые аномалии”, включающий такие сходные характеристики, как “монголоидный разрез глаз” и “косой разрез глаз”, “большой нос” и “выступающий нос” и др. Введение таких дополнительных конструкций позволило описывать заболевания (синдромы), указывая характерные для них комплексы признаков.

Возвращаясь к ЭС ДИАГЕН, нужно отметить, что основной набор правил, описывающих свойства и взаимосвязь симптомов, содержит также специальный коэффициент, изменение которого позволяет усилить или ослабить значимость соответствующего правила. В процессе опытной эксплуатации варьированием этих коэффициентов подбирались оптимальные стратегии для различных режимов работы, например, режим поиска синдрома с неполным описанием, что крайне важно ввиду достаточно большого процента случаев с неклассической клинической картиной заболевания (ранние проявления, стертая форма заболевания и т.п.). Это особенно важно ввиду того, что система ДИАГЕН ориентирована на поддержку врачебного решения на долабораторном этапе диагностики, где выделение обычно двух – трех диагнозов, один из которых (чаще первый) в дальнейшем подтверждался (более, чем в 90% случаев) после проведения специальных исследований, было крайне важно ввиду сложности и высокой стоимости специфических лабораторных исследований.

Характеристика состояния больного с наследственным заболеванием – размытое понятие, предполагающее возможность различного вклада всех признаков, за исключением обязательных, и в различной степени выраженности. Это касается и так называемых главных признаков, встречающихся не менее, чем в 70 – 80% случаев, и сопутствующих, частота проявления которых может очень сильно варьировать, вплоть до полного отсутствия. Сходный подход к ранжированию признаков был использован нами позднее при создании интеллектуальных систем ДИАНЕС и ГЕНРОСТ [16, 17Подольная, Таперова, 2002, 2002а].

Значительное ускорение процесса принятия решения в ЭС ДИАГЕН достигалось за счет введения признаков-отрицаний, однозначно отсекающих заболевания с альтернативным проявлением признаков. Аналогия этого имела место в американской ЭС INTERNIST-I [18Masarie F.E. et al. 1985], где были введены свойства типа табу, указывающие на физиологическую невозможность / крайне малую вероятность заболеваний при определенных патологических проявлениях.

По апостериорным весам построенных на втором этапе продукций генерируется результирующий дифференциально-диагностический ряд (рис.1).


Априорные отношения

Признаки
Корректировка

"весов" признаков врачом


Апостериорные отношения


Учет связей признаков

и изменение "весов"


Формирование «первичной» диагностической последовательности






Анализ системы

"премий" и "штрафов"


Отбор диагнозов в результирующий дифференциальный ряд

Рис.1. Блок-схема ЭС ДИАГЕН


Еще один важный аспект, на который также следует обратить внимание, был назван нами коммуникабельностью системы. Под этим подразумевалось:

во-первых, уже упоминавшаяся в другом контексте возможность для врача-пользователя осуществлять коррекцию диагностического "веса" любого признака, что позволяет проверять предположения о диагностическом значении отдельных клинических проявлений болезни, что особенно важно при идентификации нетипичных случаев;

во-вторых, режим дополнения/изменения отобранных параметров практически на любом этапе диагностической процедуры или даже после архивации данных;

в-третьих, в зависимости не только от факта наличия или отсутствия, но и от "веса" признака, система выдает "премии" и "штрафы", отражающиеся на формировании диагностической последовательности, информацию о чем врач может получить информацию, просмотрев протокол объяснений выбора диагноза системой и, таким образом, скорректировать свои представления о диагностической роли симптомов;

в-четвертых, врач может сужать или расширять выдаваемый системой дифференциально-диагностический ряд, осуществляя "настройку" системы путем уменьшения или увеличения порога для включения нозологических форм в диагностическую последовательность. В тот же временной период в ЭС SPHINX [19Lesmo L. et al. 1984] был реализован механизм влияния пользователя на процессы управления системой путем модификации промежуточных результатов. А в недавно созданной в МЦНИТ МНИИПиДХ системе ДИАНЕС [17Подольная, Таперова 2002а] введено понятие параметра настройки Р (0  P  1), позволяющего ограничить список всех возможных диагнозов. В соответствие со значением Р в список рабочих гипотез попадают только те диагнозы, у которых часть характеризующих их облигатных и часто встречающихся симптомов отмечена пользователем. Причем отношение числа отмеченных симптомов ко всем симптомам, характеризующим диагноз, должно быть не меньше Р. При Р = 0 в рассмотрение принимается весь список диагнозов, при Р = 1 – только те, все симптомы которых (кроме исключающих), должны быть отмечены у пациента).

В процессе эксплуатации ДИАГЕН было выявлено, что более квалифицированные врачи, т.е. обладающие большим опытом и/или исследовательским характером активно использовали описанные выше возможности своего «участия» в диагностике.



2. ЭС ДИН

Система для диагностики неотложных состояний у детей ДИН [20Таперова и др. 1989] создавалась с учетом необходимости принятия решений по неполному списку диагностических критериев, т.е. при стертой клинической картине, не полностью развившемся синдроме и при ограничениях на проведение специальных исследований, обусловленных тяжестью состояния или недостатком аппаратуры. (Здесь необходимо сразу отметить, что выбор оптимального плана обследования больного с учетом критерия альтернативы, включающего риск предполагаемого исследования, обусловленный тяжестью состояния, квалификацией врача, характеристиками медицинской аппаратуры и другими параметрами был реализован несколько ранее в системе MEDAS [21Ben-Rassat M. et al. 1980]).

Медицинская постановка задачи в ЭС ДИН сводилась к распознаванию текущего состояния ребенка в терминах как одного, так и нескольких синдромов (в данном случае синдром можно условно считать аналогом заболевания), что крайне важно при критических состояниях. Знания о синдромах охватывали информацию: а) о дополнительных синдромах, состоящих в некоторых отношениях с рассматриваемым (обеспечивая возможность учета фоновых и сопутствующих заболеваний), б) о взаимоисключающих состояниях, в) о дифференцируемых синдромах (синдромы-конкуренты). Реализованные в системе ассоциативные связи (явные, в отличие от скрытых ассоциаций, возникающих в процессе мышления на уровне интуиции, о чем шла речь выше при рассмотрении системы ДИАГЕН) позволяли, таким образом, учитывать: во-первых, на фоне каких состояний может развиться данный синдром, во-вторых, фоном для каких синдромов он может служить, в-третьих, с какими синдромами он может быть совместим, т.е. какие синдромы могут встречаться у пациента одновременно. Такой подход более соответствует многим медицинским ситуациям, так как учитывает наличие сопутствующих заболеваний, клиническая картина которых может пересекаться с признаковым пространством исследуемой ситуации или отягощать состояние больного, что приводит к мнению об ошибочности оценки, сформулированной на основе диагноза экспертной системы.

Гетерогенность заболеваний, определяемая полиморфизмом клинических проявлений (атипичные формы, возрастная динамика, смена состояний в процессе болезни) нашла в ЭС ДИН отражение в форме «масок» – логических выражений, состоящих из теоретически возможных клинических вариантов болезни. Такой подход несомненно продуктивен для медицинских систем, тем более, что классические формы заболеваний встречаются все реже.

И, несомненно, актуальный и на сегодня вопрос «направления» диагностики – от признаков к диагнозу или от предполагаемого врачом диагноза к подтверждающим признакам. В последнем случае резко ускоряется получение диагностического решения, что особенно важно при неотложных состояниях, а во-вторых, лечащий врач может сразу четко определить свою позицию (не занимаясь последовательным вводом признаков) и получить обоснованное или подтверждение, или опровержение своей гипотезы.

3. ЭС ВЕСТ-СИНДРОМ

На других принципах была построена экспертная система для диагностики судорожных состояний (эпилепсии). Решение вопроса об этиологии (причине) заболевания, проявляющегося инфантильными спазмами, вызывает в практике врача большие сложности, требует значительного клинического опыта, дополнительных разнообразных методов инструментальной и/или лабораторной диагностики. Учитывая ограниченность информации по редким формам эпилепсии, дебютирующим в возрасте 3 – 7 месяцев жизни, при разработке ЭС ВЕСТ-СИНДРОМ [22Кобринский и др. 1997] была выбрана технология виртуальных статистик (ТВС) [23Марьянчик, 1996]. Виртуальные статистики, в отличие от статистик, получаемых из опыта, формировались с использованием теоремы Байеса и учитывали диагностические оценки экспертов по обобщенным проявлениям болезни.

ТВС позволяет: а) выявлять неявные противоречия в заключениях экспертов по обобщенным примерам заболевания; б) обеспечивать независимость качества извлекаемых знаний от квалификации “посредников-когнитологов”; в) использовать извлеченные знания в форме виртуальных статистик для автоматизации формирования вопросов-рекомендаций по проведению дополнительных исследований.

Инструментами технологии виртуальных статистик являлись:



  1. программа, обеспечивающая выявление неявных противоречий в заключениях экспертов, состоящих в придании ими разного веса одним и тем же признакам для одного и того же заболевания, и преобразование диагностических заключений в виртуальные статистики;

  2. алгоритм, использующий виртуальные статистики для формирования рекомендаций по проведению дополнительных исследований;

  3. оболочка “Алеф” [23Марьянчик, 1996] для разработки экспертных систем, содержащая указанный алгоритм.

При разработке диагностической системы ВЕСТ-СИНДРОМ виртуальные статистики использовались для:

  • вычисления текущей вероятности и ранжирования диагнозов в дифференциальном ряду;

  • вычисления вероятности диагнозов, которые могут иметь место при последующем исследовании (дообследовании);

  • исключения из дифференциального ряда диагнозов, которые ни при каких обстоятельствах не превысят вероятности уже достигнутой другими диагнозами;

  • формирования рекомендаций о проведении очередного диагностически наиболее важного исследования.

Экспертные знания формулировались в виде вероятностных заключений. При этом экспертам предоставлялись следующие возможности. Во-первых, допускались нечеткие словесные заключения типа “вероятность этого диагноза незначительна”. Во-вторых, после определения всего комплекса основных симптомов, соответствующих нозологической форме, экспертам представлялся для заключений полный набор возможных их сочетаний, в которых симптомы принимали значение только “да/нет”. Затем экспертные оценки проверялись на соответствие теореме Байеса и экспериментальным данным: порождаемые заключениями виртуальные встречаемости признаков должны были быть независимы от формы проявления одной и той же болезни, представленной в разных портретах, и принадлежать диапазону экспериментально полученных (из клинического опыта) или известных из литературы встречаемостей признаков, если такой диапазон известен. (Под портретами понимались формальные описания нозологических форм болезней по неполным данным, включавшим основные дифференциально-диагностические симптомы – от 2 до 6). Незначительные изменения в экспертных оценках могли существенно изменить виртуальные значения встречаемостей. Поэтому была предусмотрена проверка заключений, являющаяся принципиально важным моментом технологии виртуальных статистик. ТВС позволяет проверить согласованность экспертных оценок по разным клиническим портретам одного и того же диагноза, характеризующим интервалы неопределенности в экспертных оценках. Затем, руководствуясь, с одной стороны, медицинскими соображениями, а с другой – величиной отклонений, эксперты производили, при необходимости, корректировку своих первоначальных оценок. На рис. 2 и 3 можно видеть совпадение заданных и виртуальных вероятностей по результатам первого и второго этапов экспертной оценки портретов заболеваний.

Рис.2. После 1-й стадии извлечения экспертных знаний.

Ряд 1 – заданные вероятности (экспертные оценки)

Ряд 2 – виртуальные вероятности

Рис.3. После 2-й стадии извлечения экспертных знаний

Ряд 1 – заданные вероятности (экспертные оценки)

Ряд 2 – виртуальные вероятности
Как видно из рисунков, технология виртуальных статистик позволяет экспертам контролировать формулируемые оценки путем сравнения с расчетными, корректировать их и получать обобщенную, согласованную с теоремой Байеса, оценку диагностической роли признаков при различных, теоретически возможных, вариантах клинических проявлений заболевания.

После просмотра описаний и выбора симптомов, врач-пользователь имеет возможность ввести значения, указывающие степень своего доверия к данному проявлению признака у пациента (например, уверенность во врожденной природе порока сердца), что можно видеть из таблицы 1. Этот подход в принципе аналогичен, описанному выше, в ЭС ДИАГЕН, хотя и реализован другими средствами.

Таблица 1

Шкала оценки вероятности синдрома для конкретного портрета



Заключение эксперта

Числовая характе-ристика

Заключение эксперта

Числовая характе-ристика

Полная (абсолютная) уверенность в диагнозе

1.0

Однозначное отклонение диагноза

0.0

Вероятность очень большая

0.9

Вероятность очень мала

0.1

Вероятность большая

0.8

Вероятность мала

0.2

Вероятность значительная

0.7

Вероятность незначительна

0.3

Скорее да, чем нет

0.6

Скорее нет, чем да

0.4

И да и нет

0.5

И да и нет

0.5

В зависимости от заданного пользователем числа симптомов в сочетаниях, дифференциальный ряд может быть сгенерирован в ЭС ВЕСТ-СИНДРОМ и в случае ограниченного числа ошибок при вводе признаков больного, чему можно условно поставить в соответствие один из вариантов НЕ-факторов – неточность. Это достигается подбором в решателе симптомов, ассоциирующих с рядом диагнозов.

Следует отметить, что вероятностные оценки диагноза не являются чем-то абсолютно инородным для врача. Рассматривая несколько альтернативных диагнозов (дифференциально-диагностический ряд), врач мысленно (или вслух на консилиуме) ранжирует их по вероятности наличия/отсутствия у больного тех или иных признаков. В рассматриваемом случае, количественные оценки вероятностей проявления симптомов, после непродолжительного общения с разработчиком ТВС (для понимания механизма работы с портретами болезней), сделались относительно привычными для врачей-экспертов.

Не исключено, что предлагаемый подход позволяет задействовать и интуитивные представления специалиста, так как многочисленные портреты заболеваний включают различные комбинации признаков, знания о взаимосвязи которых могут носить у эксперта и интуитивный характер.

После просмотра дифференциальных рядов врач может перейти к описаниям соответствующих диагнозов, выбрать для уточнения диагноза один из рядов и перейти к его анализу в режиме вопросов-рекомендаций. По выбранному ряду система выдает для каждого диагноза максимальную и минимальную вероятности, которые могут иметь место в процессе обследования, указывает текущую неопределенность диагностики (в диапазоне от 1 до 0). Эта неопределенность является целевой функцией и врач при работе с системой должен стремиться свести ее к нулю. Для этого можно воспользоваться режимом выдачи рекомендаций с целью оптимизации процесса диагностики с учетом, одновременно, например, скорости получения результата, стоимости дополнительных исследований и т.д. В случае неэффективности этого режима или сразу по решению врача система сама осуществит выбор исследования, автоматически реализуя оптимизацию путем выдачи рекомендации о проведения наиболее диагностически эффективного исследования.

На этапах работы ЭС ВЕСТ-СИНДРОМ пользователь имел возможность:



  1. получить обоснование выданных системой рекомендаций;

  2. ввести результат рекомендованного исследования (если он известен) или вернуться на стадию выбора режима рекомендаций;

  3. настроить уровень вероятности исключения диагнозов из дифференциального ряда в диапазоне от 0,7 до 0,9; когда диагнозы с вероятностью более установленного уровня не будут исключаться; такая настройка обеспечивает дополнительную устойчивость к ошибкам описания диагнозов.

4. Альтернативные решения в экспертных системах

В медицинской практике принято осуществлять выбор на основе аргументации из перечня альтернативных вариантов [24Кобринский, 2001]. К сожалению это почти не находит отклика при создании лечебно-диагностических интеллектуальных систем. Хотя первые экспертные системы, включающие такой подход, были созданы в конце 70-х и начале 80-х годов. Это диагностическая ЭС ABEL [25Szolovits, Pauker 1978], в которой осуществлялась выдача альтернативных объяснений, и ЭС PHEO-ATTENDING, оценивающая действия врача при назначении дополнительного обследования больному с феохромоцитомой, которая включает использование знаний, отражающих позиции двух конкурирующих медицинских школ [26Miller et al. 1984]. Условно можно считать, что по аналогии с выше приведенными системами, А.Е. Янковской в 1994 г. [27] было предложено осуществлять выбор не одной, а нескольких минимальных схем выбора решения, что увеличивает точность получаемого результата. В то же время, с сегодняшних позиций представляется возможным реализовать процесс выбора гипотезы в режиме предварительного диалога с пользователем, что даст ему возможность выбрать вариант работы с базой знаний в рамках его "научных" предпочтений или "комфортной" для него научной школы.



Заключение

Известный медицинский постулат «Лечить нужно больного, а не болезнь» был сформулирован М.Ю. Черняховской [28 1983] по отношению к интеллектуальным системам как построение «модели больного». К сожалению, ввиду значительных трудностей реализации такого подхода он не нашел реального отражения в практике экспертных систем, так как предполагает учет расширенного, по сравнению с конкретной задачей, объема знаний предметной области (включая так называемые «глубокие» знания о патогенезе болезней). Однако, исходя из изложенного выше, можно сделать вывод о возможности, при построении медицинских ИнтС, учета, по крайней мере, следующих моментов:



  • эффективность предлагаемых решений вне зависимости от степени выраженности клинических проявлений болезни;

  • учет фоновых состояний пациента при поддержке диагностического процесса и подбора лечения;

  • оценка прогностически неблагоприятных ситуаций на основе анализа расширенного признакового пространства.

Наряду с этим, следует предусматривать эффективность ИнтС в условиях:

  • дефицита времени для принятия решений;

  • неполноты, неопределенности или противоречивости данных;

  • выбора дополнительных исследований при фиксированных ограничениях, определяемых пользователем в каждом конкретном случае.

И, наконец, привлекательность систем для пользователя, определяемая не только их эффективностью и интеллектуальностью, но также удобством в работе и психологической «совместимостью», включая в последнее понятие возможность участия в процессе принятия решения.

Литература



  1. Барашнев Ю.И., Казанцева Л.З., Кобринский Б.А., Фельдман А.Е. Автоматизированная информационно-диагностическая система по наследственным болезням. Использование достижений генетики в охране здоровья матери и ребенка: Опыт стран – членов СЭВ. М.: СЭВ, 1987. С. 81-87.

  2. Kobrinsky B., Kazantseva L., Feldman A., Veltishcev J. Computer diagnosis of hereditary childhood diseases // Med. Audit News. 1991. Vol.1. №4. P.52-53.

  3. Кобринский Б.А., Кудрявцев А.М. Фельдман А.Е. РС-ориентированная информационно-диагностическая система по наследственной патологии у детей // Компьютер. хроника. 1994. №8-9. С. 31-37.

  4. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки о совместной работе математиков и врачей. М.: Едиториал УРСС, 2005.

  5. Кобринский Б.А. Извлечение экспертных знаний: групповой вариант // Новости искусств. интеллекта. 2004. №3. С. 58-66.

  6. Кобринский Б.А. К вопросу о формальном отражении образного мышления и интуиции специалиста в слабо структурированной предметной области // Новости искусств. интеллекта. 1998. №3. С.64-76.

  7. Кузнецов О.П. Образное мышление и быстрые процессы // Новости искусств. интеллекта. 1998. №2. С.117-130.

  8. Поспелов Д.А. Панельная дискуссия // Новости искусств. интеллекта. 1998. №1. С.115-136.

  9. Тарасов В.Б. Моделирование психических образов: как совместить дискретное и непрерывное? // Новости искусств. интеллекта. 1998. №3. С.86-100.

  10. Фоминых И.Б. Интеграция логических и образных методов отражения информации в системах искусственного интеллекта // Новости искусств. интеллекта. 1998. №3. С.76-85.

  11. Чернавский Д.С., Карп В.П., Родштат И.В. и др. Распознавание, Аутодиагностика. Мышление. Синергетика и наука о человеке. Под ред. Д.С. Чернавского. М.: Радиотехника, 2004.

  12. Солсо Р.Л. Когнитивная психология. Пер. с англ. М.: Тривола, 1996.

  13. Кобринский Б.А., Фельдман А.Е. Анализ и учет ассоциативных знаний в медицинских экспертных системах // Новости искусств. интеллекта. 1995. №3. С.90-96.

  14. Асанов А.А., Ларичев О.И., Нарыжный Е.В., Страхов С.И. Экспертная система для диагностики лекарственных отравлений. Седьмая Национальная конф. по искусственному интеллекту с междунар. уч.: Тр. конф. Т.2. М.: Изд-во Физ.-мат. лит., 2000. С.708-716.

  15. Нариньяни А.С. Недоопределенность в системе представления и обработки знаний // Изв. АН СССР. Тех. кибернетика. 1986. №5. С. 3-28.

  16. Подольная М.А., Таперова Л.Н. Проектирование медицинской диагностической системы на основе модели нечеткого логического вывода. Восьмая Национальная конф. по искусств. интеллекту с междунар.уч.: Тр. конф. Т.2. М.: Физматлит, 2002. С.641-646.

  17. Подольная М.А., Таперова Л.Н. Особенности проектирования медицинских диагностических систем // Информационные технологии в здравоохранении. 2002. №8-10. С.10-11.

  18. Masarie F.E., Miller R.A., Myers J.D. INTERNIST-I properties: Representing common sense and good medical practice in a computerized medical knowledge base // Comput. and Biomed. Res. 1985. Vol.18. N.5. P.458-479.

  19. Lesmo L., Marzuoli M., Molino G., Torasso P. An expert system for the evaluation of liver functional assessment // J. Med. Syst. 1984. Vol.8. N.1-2. P.87-101.

  20. Таперова Л.Н., Кобринский Б.А., Мартынов А.Б. Экспертная диагностическая система по неотложным состояниям у детей. INFO-89: Междунар. симпоз. Т.I. Ч.II. Минск, 1989. С.647-652.

  21. Ben-Rassat M., Carlson R.W., Puri U.K. et al. Pattern-based interactive diagnosis of multiple disorders: The MEDAS system // IEEE Transact on Pattern analysis and machine Intell. 1980. Vol.2. N.2. P.148-160.

  22. Кобринский Б.А., Марьянчик Б.В., Темин П.А., Ермаков А.Ю. Применение технологии виртуальных статистик для разработки медицинской диагностической системы, основанной на знаниях // Компьютер. хроника. 1997. №4. С.3-12.

  23. Марьянчик Б.В. Метод виртуальных статистик и его применение в партнерских системах для компьютерной диагностики // Компьютер. хроника. 1996. №5. С.65-74.

  24. Кобринский Б.А. Логика аргументации в принятии решений в медицине // НТИ, сер.2. 2001. №9. С.1-8.

  25. Szolovits P., Pauker S.G. Categorial and probabilistic reasoning in medical diagnosis // Artif. Intell. 1978. Vol.11. N.1-2. P.115-144.

  26. Miller P.L., Blumenfruchi S.J., Black H.R. An expert system which critiques patient workup: modelling conflicting expertise // Comput. and Biomed. Res. 1984. Vol.17. N.6. P.554-569.

  27. Янковская А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики // Компьютер. хроника. 1994. № 8-9. С.61-83.

  28. Черняховская М.Ю. Представление знаний в экспертных системах медицинской диагностики. Владивосток: Ин-т автоматики и процессов управления ДВНЦ АН СССР, 1983.

RETROSPECTIVE ANALYSIS OF MEDICAL EXPERT SYSTEMS

B.A. Kobrinskiy



Various decisions in expert systems 10 – 20-years prescription and later are considered, allowing to raise efficiency of extraction of expert knowledge and representing interest for users who can be useful at construction of new intellectual systems of medical purpose.
Каталог: about -> persons
persons -> Некоторые вопросы экономики коммунального жизнеустройства
persons -> Метод оценки качества журнальных статей
persons -> Знание-порождающие технологии когнитивной реальности
persons -> Коллективное поведение роботов. Желаемое и действительное Предисловие Настоящая работа является «расширенной»
persons -> Коммунальные системы при общественном жизнеустройстве
persons -> I. Возникновение науки об искусственном интеллекте
persons -> В. К. Финн к структурной когнитологии: феноменология сознания с точки зрения искусственного интеллекта
persons -> В. К. Финн Своевременные замечания о дсм-методе автоматического порождения гипотез §1 Строение дсм-метода Подробное изложение


Поделитесь с Вашими друзьями:


База данных защищена авторским правом ©uverenniy.ru 2019
обратиться к администрации

    Главная страница