Содержание:
1. Введение………………………………………………………………………......3
2. Применение экспертных систем в медицине…………………………………....4
2.1. Компьютерная диагностика. Развитие экспертных систем на основе продукта MYCIN…………..………………………………….………………4
2.2. Самообучающиеся интеллектуальные системы …………..………….10
2.3. Использование при разработке экспертных систем технологии Data Mining...............................................................................................................15
3. Заключение……………………………………………………………………....22
4. Список используемой литературы……………………………………………..23
1. Введение.
Экспертная система
- это программа, которая ведет себя подобно эксперту в некоторой прикладной области. Типичные сферы применения экспертных систем включают в себя такие задачи, как медицинская диагностика, интерпретация результатов измерений и предложение методов борьбы с различными заболеваниями. Экспертные системы должны решать задачи, требующие для своего решения экспертных знаний в некоторой конкретной области, поэтому они должны обладать этими знаниями. Их также называют системами
, основанными на знаниях
. Однако не всякую систему, основанную на знаниях, можно рассматривать как экспертную. Экспертная система должна также уметь каким-то образом объяснять
свое поведение и свои решения пользователю, так же, как это делает эксперт-человек. Это особенно необходимо в медицине, для которой характерна неопределенность, неточность информации.
[1]
В медицинских учреждениях все более актуальным становится создание автоматизированных рабочих мест, наличие которых делает работу врача-специалиста более продуктивной. Невозможно представить себе обследование сердечнососудистой системы без получения электрокардиограммы, ультразвукового исследования без получения отпечатка, биохимического исследования без бланка с данными анализа. В микроскопии до сих пор результат выглядел как словесное описание изображения. Не было простого и эффективного способа документирования (получения твердой копии), если не считать трудоемкий и сложный процесс микрофотографирования, проявления пленки и печати фотографий. Однако сейчас разработаны и предлагаются к использованию различные экспертные системы, некоторые из которых не требуют применения компьютера, что делает их более экономичными простыми для использования даже без специальной подготовки.[2]
2. Применение экспертных систем в медицине.
2.1. Компьютерная диагностика. Развитие экспертных систем на основе продукта
MYCIN
.
За последние 20 лет уровень применения компьютеров в медицине чрезвычайно возрос. Практическая медицина становится все более и более автоматизированной.
Сложные современные исследования в медицине не мыслимы без применения вычислительной техники. К таким исследованиям можно отнести компьютерную томографию, томографию с использованием явления ядерно-магнитного резонанса, ультрасонографию, исследования с применением изотопов. Количество информации, которое получается при таких исследованиях, так огромно, что без компьютера человек был бы неспособен ее воспринять и обработать.
Компьютерная томография, к примеру, представляет собой метод рентгенографического исследования, позволяющий при помощи специальной технологии получать рентгенограммы человеческого тела по слоям и удерживать эти снимки в памяти компьютера после специальной обработки; она дает возможность установить локализацию патологического процесса, оценить результаты лечения, в том числе лучевой терапии, выбрать подходы и объем оперативного вмешательства. Для этой цели используются специальные аппараты с вращающейся рентгеновской трубкой, которая перемещается вокруг неподвижного объекта, «построчно» обследуя все тело или его часть. Так как органы и ткани человека поглощают рентгеновское излучение в неравной степени, изображения их выглядят в виде «штрихов» – установленного ЭВМ коэффициента поглощения для каждой точки сканируемого слоя.
Компьютерные томографы позволяют выделить слои от 2 до 10 мм при скорости сканирования одного слоя 2–5 секунд с моментальным воспроизведением изображения в черно-белом или цветном варианте.
В медицине широко применяются экспертные системы, основное назначение которых – медицинская диагностика. Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна экспертная диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за заболеваниями крови. Ее первая версия была разработана в Стэнфордском университете в середине 70-х годов. В настоящее время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний, благодаря чему может применяться и в других областях медицины.[3]
Программа EMYCIN (1981) позволяет использовать архитектуру системы MYCIN в приложении к другим областям медицины. На базе EMYCIN были разработаны экспертные системы как для медицины (например, система PUFF для диагностики легочных заболеваний), так и для других областей знаний, например программа структурного анализа SACON.
Однако Автор системы EMYCIN Ван Мелле (Van Melle) одним из первых подчеркнул, что оболочки экспертных систем отнюдь не являются универсальной архитектурой для решения проблем. Разработанная им система EMYCIN ориентирована на проблемы диагностирования с большими объемами данных, которые поддаются решению с помощью дедуктивного подхода в предположении, что пространство диагностических категорий стационарно.
Но если речь идет конкретно об оболочках, то уже сейчас нужно отметить, что большинство коммерческих продуктов этого типа подходит только для тех проблем, в которых пространство поиска невелико. Как правило, в них применяется метод исчерпывающего поиска с построением обратной цепочки вывода и ограниченными возможностями управления процессом. Некоторые современные оболочки, например М.4 (механизм построения цепочки обратных рассуждений, заимствованный в EMYCIN, объединен с фреймоподобной структурой данных и дополнительными средствами управления ходом рассуждений), как утверждают их создатели, могут применяться для решения широкого круга задач, поскольку они поддерживают множество функций представления знаний и управления, включая и моделирование прямой цепочки логического вывода, процедуры, передачу сообщений и т.п.
Простота языков представления знаний, применяемых в большинстве оболочек, является, с одной стороны, достоинством, а с другой – недостатком такого рода систем.
Использованный в EMYCIN формализм порождающих правил затрудняет разделение разных видов знаний – эвристических, управляющих, знаний об ожидаемых значениях параметров. Недостаточная структурированность набора правил в EMYCIN также затрудняет и восприятие новых знаний, поскольку добавление в базу знаний нового правила требует внесения изменений в различные компоненты системы. Например, нужно вносить изменения в таблицы знаний, содержащие информацию о медицинских параметрах. Это одна из проблем, решением которой гордятся создатели системы TEIRESIAS.
В программе TEIRESIAS можно выделить три уровня обобщения:
- знания об объектах данных, специфические для предметной области;
- знания о типах данных, специфические для метода представления знаний;
- знания, независимые от метода представления.
Эксперт может использовать программу TEIRESIAS для взаимодействия с экспертной системой, подобной MYCIN, и следить с ее помощью за тем, что делает экспертная система и почему. Поскольку на этапе разработки экспертной системы мы всегда имеем дело с неполным набором правил, в котором к тому же содержится множество ошибок, можно задать вопрос эксперту: «Что вы знаете такого, что еще не знает программа?» Решая конкретную проблему, эксперт может сосредоточить внимание на корректности правил, вовлеченных в этот процесс, из числа тех, что ранее введены в систему, их редактировании при необходимости или включении в систему новых правил.
В составе TEIRESIAS имеются и средства, которые помогают оболочке EMYCIN следить за поведением экспертной системы в процессе применения набора имеющихся правил.
Режим объяснения (EXPLAIN)
. После выполнения каждого очередного задания – консультации – система дает объяснение, как она пришла к такому заключению. Распечатываются каждое правило, к которому система обращалась в процессе выполнения задания, и количественные параметры, связанные с применением этого правила, в том числе и коэффициенты уверенности.
Режим тестирования (TEST)
. В этом режиме эксперт может сравнить результаты, полученные при прогоне отлаживаемой программы, с правильными результатами решения этой же задачи, хранящимися в специальной базе данных, и проанализировать имеющиеся отличия. Оболочка EMYCIN позволяет эксперту задавать системе вопросы, почему она пришла к тому или иному заключению и почему при этом не были получены известные правильные результаты.
Режим просмотра (REVIEW)
. В этом режиме эксперт может просмотреть выводы, к которым приходила система при выполнении одних и тех же запросов из библиотеки типовых задач. Это помогает просмотреть эффект, который дают изменения, вносимые в набор правил в процессе наладки системы. В этом же режиме можно проанализировать, как отражаются изменения в наборе правил на производительности системы.
Основным методом формирования суждений в EMYCIN является построение обратной цепочки вывода. При этом используется множество правил мета- и объектного уровня. В результате очень сложно формировать исчерпывающее и понятное для пользователя пояснение. Те решения, которые принимаются на этапе программирования правил, в частности касающиеся порядка и количества выражений в антецедентной части, могут разительным образом повлиять на путь поиска в пространстве решений в процессе функционирования системы.
Значительная часть экспертности систем — это знания о типовых случаях, т.е. довольно часто встречающихся в предметной области. Эксперты легко распознают известные типовые случаи и способны без особого труда классифицировать их в терминах идеальных прототипов даже при наличии определенных «помех» или неполных данных. Они интуитивно различают подходящие случаю или необычные значения исходных данных и принимают адекватное решение о том, как поступить в дальнейшем при решении проблемы. Такие знания практически невозможно представить в экспертной системе, если пользоваться только правилами в форме «условие-действие». Для этого потребуется значительно более сложный формализм, который сведет на нет одно из главных достоинств использования порождающих правил в качестве основного средства принятия решений.
Последний недостаток EMYCIN (по поводу использования оболочек) касается механизма обработки неопределенности. Такие оболочки, как М.1, уже включают в себя определенный формальный механизм работы с неопределенностью, например основанный на использовании коэффициентов уверенности. Однако большинство механизмов такого рода не согласуются с выводами теории вероятностей и обладают свойствами, которые с трудом поддаются анализу. Конечно, конкретному методу обработки неопределенности при решении конкретной задачи в данной предметной области можно дать прагматическое обоснование по отношению к схеме обработки коэффициентов уверенности в системе MYCIN. Однако неоправданно распространять этот аппарат на другие области применения, встроив его в оболочку.
По сравнению с первыми разработками современные оболочки более гибкие, по крайней мере, в том, что без особого труда могут быть интегрированы в большинство операционных сред, доступных на рынке программного обеспечения, и оснащены достаточно развитыми средствами пользовательского интерфейса. Современные оболочки, используемые в медицине, прежде всего, для диагностики, могут функционировать под управлением любой из операционных систем, используемых в персональных компьютерах, подключаться к базам данных, иметь средства для включения фрагментов программного кода на языках С, Visual BASIC и Visual C++. Оболочка поддерживает индивидуальную настройку пользовательского интерфейса и возможность формирования пояснений при ответах на вопрос "почему" в том же стиле, что и система-прародитель MYCIN.[4]
2.2. Самообучающиеся интеллектуальные системы.
В последнее время неуклонно возрастает значение информационного обеспечения различных медицинских технологий. Использование современных информационных технологий становится критическим фактором развития большинства отраслей знания и областей практической деятельности, поэтому разработка и внедрение информационных систем является одной из самых актуальных задач.[5]
Во многих лечебно-диагностических технологиях возможности современных компьютеров практически не используются, основными причинами недостаточно полного использования современных компьютерных технологий в медицине являются: слабо развитая техническая база, недостаточный уровень подготовки участников этих технологий в области современного аппаратного и программного обеспечения, плохая оснащенность специализированными пакетами прикладных программ и др. Большое значение имеет психологический аспект применения компьютерных приложений – это серьезная причина, связанная с особенностями работы врача. Врач является исследователем, его работа носит творческий характер, однако он несет прямую ответственность за результат своей деятельности. Принимая решение о диагнозе или лечении, он опирается на знания и опыт – свои собственные и коллег, являющихся для него авторитетом, очень важно при этом обоснование решения, особенно если оно подсказывается со стороны.
Современные технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а именно визуально, на основе соответствующих математических моделей, пространственно смоделировать типовое развитие патологического процесса при конкретном заболевании. В настоящее время, на современном этапе развития медицины, информационные нагрузки достигают пределов человеческих возможностей. Возникает проблема: приходится жертвовать полнотой анализа информации, или необходимо шире использовать различные методы компьютерной поддержки принятия решений. Медицинские экспертные системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к компьютеру за консультацией в трудных диагностических случаях.
Область исследований, посвященная формализации способов представления знаний и построению экспертных систем (ЭС), называют «инженерией знаний». Этот термин введен Э. Фейгенбаумом [6]
и в его трактовке означает «привнесение принципов и средств из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Иными словами, экспертные системы применяются для решения неформализованных проблем, к которым относятся задачи, обладающие одной или несколькими характеристиками из следующего списка:
- задачи не могут быть представлены в числовой форме;
- исходные данные и знания о предметной области неоднозначны, неточны, противоречивы;
- цели нельзя выразить с помощью четко определенной целевой функции;
- не существует однозначного алгоритмического решения задачи.
Все вышеперечисленные свойства являются типичными для медицинских задач, так как в большинстве случаев они представлены большим объемом многомерных, запутанных, а порой и противоречивых клинических данных. ЭС позволяют решать задачи диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения и др.
Среди экспертных медицинских систем особое место занимают так называемые самообучающиеся интеллектуальные системы (СИС). Они основаны на методах автоматической классификации ситуаций из реальной практики или на методах обучения в примерах. Наиболее яркий пример СИС — искусственные нейронные сети.
Искусственные нейронные сети, они же коннекционистские или связевые системы представляют собой устройства, использующие огромное число элементарных условных рефлексов, называемых по имени канадского физиолога синапсами Хебба. Такой синапс, как основу возможных механизмов памяти и поведения, Д. Хебб описал теоретически в 1949 году, т.е. в первые годы после рождения кибернетики. Уже сейчас искусственные нейронные сети применяются для решения очень многих задач обработки изображений, управления роботами и непрерывными производствами, для понимания и синтеза речи, для диагностики заболеваний людей и технических неполадок в машинах и приборах, для предсказания курсов валют и результатов скачек.
Суть всех подходов нейроинформатики: разработка методов создания (синтеза) нейронных схем, решающих те или иные задачи. Нейрон при этом выглядит как устройство очень простое: нечто вроде усилителя с большим числом входов и одним выходом. Различие между подходами и методами - в деталях представлений о работе нейрона, и, конечно, в представлениях о работе связей. В отличие от цифровых микропроцессорных систем, представляющих собой сложные комбинации процессорных и запоминающих блоков, нейропроцессоры содержат память, распределенную в связях между очень простыми процессорами. Тем самым основная нагрузка на выполнение конкретных функций процессорами ложится на архитектуру системы, детали которой в свою очередь определяются межнейронными связями.[7]
Искусственные нейронные сети (ИНС) представляют собой нелинейную систему, позволяющую классифицировать данные гораздо лучше, чем обычно используемые линейные методы. В приложении к медицинской диагностике ИНС дают возможность значительно повысить специфичность метода, не снижая его чувствительность.
ИНС — это структура для обработки когнитивной информации, основанная на моделировании функций мозга. Основу каждой ИНС составляют относительно простые, в большинстве случаев однотипные элементы (ячейки), имитирующие работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Искусственный нейрон обладает группой синапсов — однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон — выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов (рис. 1).
Рис. 1. Схематическое строение искусственной нейронной сети
Для ИНС характерен принцип параллельной обработки сигналов, что достигается путем объединения большого числа нейронов в так называемые слои и соединения нейронов различных слоев. Теоретически количество слоев и количество нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера. В общем случае, чем сложнее ИНС, тем масштабнее задачи, подвластные ей. Прочность синаптических связей модифицируется в процессе извлечения знаний из обучающего набора данных (режим обучения), а затем используется при получении результата на новых данных (режим исполнения).
Наиболее важным отличием ИНС от остальных методов прогнозирования является возможность конструирования экспертных систем самим врачом-специалистом, который может передать нейронной сети свой индивидуальный опыт и опыт своих коллег или обучать сеть на реальных данных, полученных путем наблюдений. Нейронные сети способны принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных. Положительное отличительное свойство ИНС состоит в том, что они не программируются, т.е. не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В ряде случаев ИНС могут демонстрировать удивительные свойства, присущие мозгу человека, в том числе отыскивать закономерности в запутанных данных. Нейронные сети нашли применение во многих областях, где они используются для решения многочисленных прикладных задач: в медицине, космонавтике, автомобилестроении, банковском и военном деле, страховании, робототехнике, при передаче данных и др. Другое, не менее важное, свойство нейронной сети состоит в способности к обучению и обобщению полученных знаний. Сеть обладает чертами так называемого искусственного интеллекта. Натренированная на ограниченном множестве обучающих выборок, она обобщает накопленную информацию и вырабатывает ожидаемую реакцию применительно к данным, не обрабатывавшимся в процессе обучения. Схематично процесс применения обученной ИНС в медицине показан на рис. 2.
Рис. 2. Схема применения обученной искусственной нейронной сети
в медицине.
Несмотря на количество уже известных практических приложений искусственных нейронных сетей, возможности их дальнейшего использования для обработки сигналов не исчерпаны, и можно предположить, что ИНС в течение многих лет будут одним из основных инструментов поддержки принятия решений в условиях отсутствия реалистичных моделей.[8]
2.3. Использование при разработке экспертных систем технологии
Data
Mining
.
Примером другой перспективной технологии обработки и обобщения больших объемов информации для решения задач диагностирования, классификации и прогнозирования является так называемая технология анализа и добычи данных Data Mining. Методы и инструментальные средства анализа и добычи данных представляют собой дальнейшее развитие таких известных статистических инструментов разведочного анализа, как метод главных и метод независимых компонент, факторный анализ, множественная регрессия, редуцирование пространства признаков с использованием метода многомерного шкалирования, кластерного анализа и распознавания образов и др. Программно реализованные и снабженные удобным пользовательским интерфейсом, а также поддержанные гибкими алгоритмами визуализации многомерных данных, средства Data Mining позволяют проводить соответствующие исследования даже начинающему пользователю. В арсенал методов кластерного анализа и распознавания образов систем Data Mining обычно входят метод опорных векторов (Support Vector Machine, или SVM), метод деревьев решений (decision trees), метод «ближайшего соседа» в пространстве признаков, байесовская классификация и др. Среди указанной группы методов классификации и распознавания наиболее интересным и гибким представляется метод опорных векторов (МОВ).
МОВ – это метод первоначальной классификации, который решает данную задачу путем построения гиперплоскостей в многомерном пространстве, разделяющих группы наблюдений, принадлежащих к разным классам. На рис. 3 проиллюстрирована основная идея МОВ. В левой части схемы представлены исходные объекты, которые далее преобразуются (перемещаются, сдвигаются) в пространстве признаков при помощи специального класса математических функций, называемых ядрами. Этот процесс перемещения называют еще преобразованием, или перегруппировкой объектов. Новый набор преобразованных объектов (в правой части схемы) уже линейно разделим. Таким образом, вместо построения сложной кривой (как показано в левой части схемы) требуется лишь провести оптимальную прямую, которая разделит объекты разных типов. Затем метод отыскивает объекты, находящиеся на границах между двумя классами, которые называются опорными векторами, и использует их для принятия решений о принадлежности к тому или иному классу новых объектов, предъявляемых для распознавания.
Рис. 3. Основная идея метода опорных векторов.
Примеры использования экспертных систем в медицине нельзя назвать единичными, они применяются во многих областях здравоохранения. Примечательно, что подавляющее большинство таких работ выполнено зарубежными исследователями и в основном они касаются возможностей использования ИНС в различных клинических ситуациях. Так, например, в области хирургии научные сотрудники P.L. Liew et al. на основе ИНС создали систему прогнозирования риска развития желчнокаменной болезни у людей с избыточной массой тела. Авторы ретроспективно изучили антропоморфометрические, анамнестические, клинические и лабораторные данные 117 пациентов с ожирением, прооперированных за период с февраля 1999 по октябрь 2005 г. Была построена ИНС, обученная алгоритмом обратного распространения. Использовались 30 входных переменных, включая клинические данные (пол, возраст, индекс массы тела, сопутствующие заболевания), лабораторные показатели и результаты гистологического исследования. Прогнозирующую ценность ИНС сравнивали с моделью логистической регрессии, обученной на той же базе данных. ИНС продемонстрировала лучшую прогнозирующую ценность и более низкую ошибку, чем модель логистической регрессии. Наиболее важные факторы риска желчнокаменной болезни, по данным обеих методик, — повышенное диастолическое артериальное давление, преморбидный фон, нарушение метаболизма глюкозы и повышение уровня холестерина крови.
В эндоскопии A. Das et al. использовали нейросетевые технологии для сортировки больных с неварикозными кровотечениями из верхних отделов желудочно-кишечного тракта. Была исследована эффективность ИНС, обученной по клиническим и лабораторным данным 387 пациентов с изучаемой патологией, верификация — по данным 200 пациентов с проведением ROC-анализа. На выходе сети имелись две результирующие переменные: наличие или отсутствие признаков продолжающегося кровотечения и потребность в лечебной эндоскопии. Чувствительность нейронной сети составила > 80 %, прогнозирующая ценность – 92—96 %.
В онкоурологии P. Bassi et al. прогнозировали 5-летнюю выживаемость пациентов, перенесших радикальную цист-эктомию по поводу рака мочевого пузыря. Для этого были разработаны и сравнены ИНС и модель логистической регрессии (МЛР). Выявлено, что единственными статистически достоверными предсказателями 5-летней выживаемости оказались стадия опухоли и наличие или отсутствие прорастания в соседние органы. Чувствительность и специфичность МЛР составили 68,4% и 82,8%, ИНС – 62,7% и 86,1% соответственно. Положительная прогнозирующая ценность МЛР — 78,6%, ИНС – 76,2%, отрицательная прогнозирующая ценность – 73,9% и 76,5% соответственно. Индекс диагностической точности МЛР – 75,9%, ИНС – 76,4%. Таким образом, прогностическая ценность ИНС оказалась сопоставимой с МЛР, но нейросеть продемонстрировала определенные преимущества: ИНС базируется на удобном в работе, понятном программном обеспечении, позволяющем выявлять нелинейные связи между переменными, поэтому она более предпочтительна для использования в прогнозировании.
С. Stephan et al. применили ИНС для автоматизированного анализа биоптата предстательной железы. Методика основывалась на выявлении общего простат-специфического антигена (ПСА) и определении процента свободного ПСА. Чувствительность составила 95%, специфичность – 34%. При дополнении нейросети моделью логистической регрессии специфичность возросла до 95%.
F. K. Chun et al. использовали ИНС для выявления группы риска рака предстательной железы в сравнении с МЛР. ИНС также продемонстрировала более точные прогностические возможности.
В трансплантологии G. Santori et al. применили нейросетевые технологии в прогнозировании отсроченного снижения креатинина сыворотки крови у детей после трансплантации почки. Для выявления корреляции между входными переменными и искомым результатом у пациентов, подлежащих трансплантации почки, была создана искусственная нейронная сеть, обученная на 107 клинических примерах. Были отобраны наиболее важные переменные, коррелирующие с результатом: креатинин сыворотки крови в день пересадки, диурез за первые 24 часа, эффективность гемодиализа, пол реципиента, пол донора, масса тела в первый день после пересадки, возраст. Модель была откалибрована второй выборкой пациентов (n
= 41). Точность нейронной сети в обучающей, калибровочной и проверочной выборках составила 89 %; 77% и 87% соответственно. Сравнительный логистический анализ показал общую точность 79%. Чувствительность и специфичность ИНС составили 87%, тогда как метод логистической регрессии продемонстрировал худшие результаты — 37% и 94% соответственно.
В медицинской радиологии F. Dоhler et al. использовали нейронную сеть для классификации изображений МРТ с целью автоматизированного обнаружения гиппокампального склероза. ИНС была обучена на 144 примерах изображений и позволяла классифицировать изменения в ткани головного мозга относительно наличия склеротических изменений. E.E. Gassman et al. создали ИНС для автоматизированной идентификации костных структур и оценили надежность этой методики по сравнению с традиционными. Чувствительность и специфичность методики составили 87% и 82%. Кроме того, сегментацию структур кости ИНС выполнила в 10 раз быстрее.
В неврологии A.T. Tzallas et al. применили нейросеть для прогнозирования эпилептических приступов на основе анализа электроэнцефалограмм. Прогностическая точность метода составила 98 – 100 %.
Разработанная нами нейросетевая модель предназначена для прогнозирования вероятности развития инфицированного панкреонекроза на основании данных, полученных при поступлении больного в стационар и в течение первых 48 часов госпитализации: точность результатов — 90%, специфичность – 96%. Используя эту модель, мы получили возможность уже на ранних сроках заболевания острым панкреатитом определить группу больных, угрожаемых по развитию инфицированного панкреонекроза с выбором адекватной лечебно-диагностической тактики. Кроме того, нейронная сеть позволила выделить 12 наиболее информативных показателей для прогнозирования в ранние сроки заболевания инфекционных осложнений острого панкреатита:
1) тип госпитализации в стационар (перевод из другой больницы);
2) возраст больного;
3) индекс массы тела;
4) температура тела больного;
5) частота сердечных сокращений;
6) частота дыхательных движений;
7) количество лейкоцитов крови;
8) вздутие живота, определяемое в течение 24 часов от начала заболевания (повышенное внутрибрюшное давление);
9) острые жидкостные образования и (или) свободная жидкость в брюшной полости, определяемые в первые 24 часа от начала заболевания;
10) мочевина крови;
11) глюкоза крови;
12) отсутствие улучшения общего состояния больного в течение 24 часов комплексной интенсивной терапии (пациент «не отвечает» на проводимое лечение, рост количества баллов по шкале SAPS II).
Общей чертой, объединяющей все приведенные выше примеры, является отсутствие единой универсальной технологии создания нейросетевых моделей. В публикуемых разработках используются самые разнообразные архитектуры и алгоритмы функционирования экспертных систем. Это приводит к тому, что почти для каждой задачи разрабатывается своя собственная архитектура, а зачастую – некоторый уникальный алгоритм или уникальная модификация уже существующего алгоритма. С точки зрения практического применения такие экспертные системы почти не отличаются от традиционных программ принятия решений. Более того, предложены методы автоматизированного преобразования традиционных экспертных систем в нейросетевые. Их разработка требует участия специалистов по нейроинформатике, а возможности конструирования пользователем практически отсутствуют. Это делает такие системы дорогими и не очень удобными для практического применения, поэтому в публикациях авторы в основном сравнивают качество работы нейросетевых алгоритмов и традиционных систем, работающих по правилам вывода.
Таким образом можно сделать следующие выводы:
1. Медицинская нейроинформатика как наука находится пока на стадии накопления фактического материала.
2. Нейронные сети обладают чертами так называемого искусственного интеллекта. Натренированные на ограниченном множестве обучающих выборок, они обобщают накопленную информацию и вырабатывают ожидаемую реакцию применительно к новым данным, не используемым в процессе обучения. Несмотря на значительное количество уже известных практических приложений, возможности дальнейшего использования подходов, основанных на методах искусственного интеллекта, их эффективность окончательно не изучены.
3. Современные технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а именно на основе экспертных автоматизированных технологий смоделировать типовое развитие патологического процесса. Экспертные компьютерные медицинские системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к компьютеру за консультацией в трудных диагностических случаях.[9]
3. Заключение.
Сейчас количество экспертных систем исчисляется тысячами и десятками тысяч. В развитых зарубежных странах сотни фирм занимаются их разработкой и внедрением в различные сферы жизни. Имеются и удачные попытки построения ЭС в СНГ. В настоящее время ведутся разработки самостоятельно обучаемых экспертных систем. Еще можно упомянуть то, что пятое поколение ЭВМ (наши ПК относятся к четвертому), возникшее в 90-х годах, базируется полностью на экспертных системах.
Сравнивая положение вещей в создании ЭС в 70-х и 90-х годах, экспертные системы сейчас являются прогрессирующим направлением в искусственном интеллекте, которое вряд ли в ближайшее время уменьшит скорость своего развития.
В нашем современном обществе неструктурированные и слабоструктурированные задачи управления и контроля сложных процессов и объектов кроме медицины часто встречаются в таких областях, как авиация, энергетика, машиностроение, микроэлектроника и др. Поэтому появление экспертных систем, позволяющих быстро и эффективно решать подобные проблемы, считается большим научным достижением.
Если на рубеже 60-х и 70-х годов прошлого века количество ЭС можно было пересчитать по пальцам, в 1987 году в соответствии с переписью их было 1000, то сегодня никто подсчетами не занимается. Число экспертных систем растет по экспоненте, совершенствуются методы и алгоритмы вывода решений, увеличивается количество фактов и правил в базах знаний. Учитывая рост их интеллектуальных способностей, можно предположить, что в скором будущем ЭС найдут свое применение даже в судопроизводстве и политике.[10]
4. Список используемой литературы:
1. Братко И. Программирование на языке Пролог для искусственного интеллекта: пер. с англ. / И. Братко – М.: Мир, 1990. 560 С.
2. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин - Новосибирск: Наука. Сибирское предприятие РАН, 1998. 296с.
3. Жариков О.Г., Литвин А.А., Ковалев В.А. Экспертные системы в медицине / О.Г. Жариков, А.А. Литвин, В.А. Ковалёв // Медицинские новости. – 2008. – №10. – 50 С.
4. Жарко В.И., Цыбин А.К., Малахова И.В. ЭВМ в медицине / В.И Жарко, А.К. Цыбин, И.В. Малахова // Вопросы организации и информатизации здравоохранения. – 2006. – № 4. – 78 С.
5. Информационный портал Z – Cub Применение ЭВМ в медицине / Режим доступа: http://www.zcub.ru, 2008 г.
6. Красильников В. Эволюция экспертных систем. История и перспективы / В. Красильников // Software. – 2005. - №40. – 65 С.
7. Официальный сайт компании «Экомед +» Экспертные системы / Режим доступа: http://www.ecomedplus.ru, 2004 г.
8. Официальный сайт Эдварда Фейгенбаума в Стенфорде / Режим доступа: http://ksl-web.stanford.edu/people/eaf , 2009 г.
9. Сайт университета МГСУ кафедра «САПР в строительстве» / Режим доступа: http://sapr.mgsu.ru, 2006 г.
[1]
Братко И. Программирование на языке Пролог для искусственного интеллекта: пер. с англ. / И. Братко – М.: Мир, 1990. С. 378-380.
[2]
Официальный сайт компании «Экомед +» Экспертные системы / Режим доступа: http://www.ecomedplus.ru, 2004 г.
[3]
Информационный портал Z – Cub Применение ЭВМ в медицине / Режим доступа: http://www.zcub.ru, 2008 г.
[4]
Сайт университета МГСУ кафедра «САПР в строительстве» / Режим доступа: http://sapr.mgsu.ru, 2006 г.
[5]
Жарко В.И., Цыбин А.К., Малахова И.В. ЭВМ в медицине / В.И Жарко, А.К. Цыбин, И.В. Малахова // Вопросы организации и информатизации здравоохранения. – 2006. – № 4. – С. 3 – 7.
[6]
Официальный сайт Эдварда Фейгенбаума в Стенфорде / Режим доступа: http://ksl-web.stanford.edu/people/eaf , 2009 г.
[7]
Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин - Новосибирск: Наука. Сибирское предприятие РАН, 1998. С. 1-2.
[8]
Жариков О.Г., Литвин А.А., Ковалев В.А. Экспертные системы в медицине / О.Г. Жариков, А.А. Литвин, В.А. Ковалёв // Медицинские новости. – 2008. – №10. – С. 15-18.
[9]
Жариков О.Г., Литвин А.А., Ковалев В.А. Экспертные системы в медицине / О.Г. Жариков, А.А. Литвин, В.А. Ковалёв Медицинские новости. – 2008. – №10. – С. 15-18.
[10]
Красильников В. Эволюция экспертных систем. История и перспективы / В. Красильников // Software. – 2005. - №40. – С. 20-25.