Современные экспертные системы в медицине

Одной из самых сложных задач для ЭС в практической медицине является обработка и распознавание сложных образов, таких, как рентгенограммы, КТ и МР - томограммы [6]. Создана экспертная система распознавания рентгенограмм груди у новорожденных с выбором одного и более диагнозов из 12. Созданы ЭС, обучающие распознаванию рентгенограмм для выявления узловых образований в легких.Разработаныинтеллектуальные экспертные системы для классификации опухолей молочной железы (они определяют степень злокачественности опухолей,) по данным маммографии [4]. Созданы медицинские экспертные системы, обучающие выделению объектов на изображениях, получаемых с помощью методамагнитно-резонансной томографии [4].Глава 2. Методы используемые в медицинских экспертных системахВ настоящее время известно множество различных медицинских экспертных систем,в основе которых лежат различные методы логического вывода, позволяющие принимать решение. Известно два фундаментальных подхода к пониманию природы оценки медицинских решений (знаний): Экспертные системы, разработанные на основе теории искусственного интеллекта, где преобладают дедуктивные компонент; Экспертные системы, имеющие в основе базу знаний, которая формируется на основе эмпирических данных. Такие системы опираются на общую теорию систем и теорию распознавания образов. Медицинские решения в системах первого вида представлены в виде логических правил типа IF... THEN... ELSE, формулируемых врачами-экспертами совместно со специалистами по инженерии знаний. При таком подходе принимаемые решения не мо- гут быть выше уровней врачей-экспертов. Врачи-пользователи при такой организации не могутповысить эффективность ЭС, так какона работает уже со сформированной базой знаний и ограничена ее возможностями. В системах второго вида основные экспертные знания (медицинские решения) строятся на данных истории болезни и задачах, сформулированных на языках базы данных и хранятся в эмпирической базе данных. В интеллектуальных системах, построенных по такому принципу, достижение цели главным образомзависит от эффективности извлечения информации из данных историй болезни и методов лечения. Для реализации такого механизма хорошо подходят технологии Data Mining с применение нечеткой кластеризации [7].Развитие методов записи и хранения данных привело к бурному росту объемов собираемой и анализируемой информации. Эти объемы настолько велики, что человеку просто не по силам проанализировать их самостоятельно, хотя необходимость проведения такого анализа вполне очевидна, ведь в этих "сырых" данных заключены знания, которые могут быть использованы при принятии решений. Для того чтобы провести автоматический анализ данных, используется технология Data Mining.Data Mining – представляет собой процесс обнаружения в "сырых" данных ранее неизвестных, нетривиальных, практически полезных и доступных для интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.Технология Data Mining включает различные алгоритмы для нахождения знаний. Это нейронные сети, деревья решений, алгоритмы кластеризации, установления ассоциаций и т.д.Для классификации данных средствами data mining используется большое число различных методов и их комбинаций. Рассмотрим наиболее известные и часто используемые методы [5]:Деревья решений. Определяют естественную "разбивку" в данных, основанную на целевых переменных. Сначала выполняется разбивка по наиболее важным переменным. Ветвь дерева можно представить как условную часть правила.Метод ограниченного перебора. Эти алгоритмы основаны на обнаружении некоторых аналогий в прошлом, наиболее близких к исследуемой ситуации, с тем, чтобы оценить неизвестное значение или предсказать возможные результаты (последствия).Нейронные сети. Здесь для предсказания значения целевого показателя используется наборы входных переменных, математических функций активации и весовых коэффициентов входных параметров. Выполняется итеративный обучающий цикл, нейронная сеть модифицирует весовые коэффициенты до тех пор, пока предсказываемый выходной параметр соответствует действительному значению. Нечеткая логика. Нечеткая логика применяется для анализа таких наборов данных, когда невозможно причислить данные к какой-либо группе. Можно только отнести данные к какой-либо группе, с некоторой вероятностью находящейся в интервале от 0 до 1, но не принимающей крайние значения. Нечеткая логика применяется в тех случаях, когда необходимо манипулировать степенью “может быть” в дополнении к “да” и “нет”.Генетические алгоритмы. Этот метод использует итеративный процесс эволюции последовательности поколений моделей, включающий операции отбора, мутации и скрещивания. Для отбора определенных особей и отклонения других используется "функция приспособленности" (fitness function). Генетические алгоритмы в первую очередь применяются для оптимизации топологии нейронных сетей и весов. Однако, их можно использовать и самостоятельно, для моделирования.Дискриминантный анализ. Метод поиска линейной комбинации переменных, наилучшим образом разделяющей два или более класса.Кластерный анализ. Подразделяет гетерогенные данные на гомогенные или полугомогенные группы. Метод позволяет классифицировать наблюдения по ряду общих признаков.Мощным инструментом совместного решения этих проблем является математический аппарат нечеткой логики, основы которого были предложены Л. Заде еще в 1965 г. [6]. Это подтолкнуло исследователей к созданию нечетких ЭС. Логико-лингвистические методы описания нечетких систем основаны на том, что поведение исследуемой системы описывается в естественном (или близком к естественному) языке в терминах лингвистических переменных [6]. Входные и выходные параметры системы являются лингвистическими переменными, а качественное описание процесса задается совокупностью простейших правил.ЗаключениеВ результате проделанной работы были изучены различные медицинские экспертные системы, использующиеся в различных отраслях здравоохранения. Выявлено, что самой распространенной отраслью применения ЭС в медицине является диагностика.Рассмотрены различные методы построения экспертных систем. В последнее время самыми популярными системами являются системы с базами знаний, которые создаются с ориентацией на стандартное оборудование. В этом и скрыт ключ к пониманию причин успеха современных технологии баз знаний. Как показывает опыт, системы с базами знаний необходимо встраивать в самые важные бизнес- процессы и организовывать работу персонала таким образом, чтобы он мог максимально использовать их преимущества для достижения наилучших результатовОдна из основных задач при создании медицинских экспертных систем заключается в формировании и структурировании системы знаний рассматриваемой предметной области. Для создания базы знаний необходима интеграция различных источников. Тенденции развития современных экспертных систем связаны с внедрением технологий, позволяющих автоматизировать процесс пополнения и оптимизации баз знаний. Для этого необходимо найти пути интеграции различных моделей формирования и представления знаний, разработать алгоритмы, обеспечивающие возможность эффективной настройки баз знаний. Наиболее актуальными на сегодняшний день являются системы приобретения знаний, основанные на интеграции технологий использующих знания экспертов и методы извлечения знаний из баз данных (KDD – knowledge discovery in databases). При дистанционной диагностике часто встречается неопределенность информации. Выявленные комплексы признаков не всегда соответствуют тому или иному состоянию объекта и могут соответствовать разным диагнозам, в том числе с близкими вероятностями для них. Информация, используемая для постановки диагноза и назначения исследования, в большинстве своем является нечеткой. Выявление состояния исследуемого объекта в реальном времени играет важную роль при создании дистанционной экспертной системы. Диагностические гипотезы должны быть получены за приемлемое время и использоваться для поддержки лиц, принимающих решения о дальнейшем исследовании. Создание современных диагностических экспертных систем связано с целым рядом проблем: не учитывается высокий уровень неопределенности получаемой диагностической информации; отсутствуют эффективные методики интеграции знаний, полученных из разнотипных источников; существующие методы приобретения знаний, как правило, обладают низкой адаптивностью и не подразумевают использование механизмов обратной связи для установления новых зависимостей и корректировки правил в базе знаний. Одним из серьезных и перспективных направлений применения экспертных систем является интерпретация медицинских данных. В последние годы идет бурное развитие новых средств диагностики и лечения. При этом наблюдается как бы "вторая волна" изучения и использования древних, старинных методов, и, наоборот, применение последних технических новшеств. Нередко и те и другие методы при использовании предоставляют врачу массу самых разнообразных данных. При этом встает проблема их грамотной и корректной интерпретации и совмещения. Поиск глубинных закономерностей между получаемыми данными и патологическими процессами начинает отставать от разработки все новых и новых методов, поэтому применение для этой цели ЭСоказываетсякрайне выгодным.Список литературы1. Кобринский, Б.А. Медицинская информатика: Учебник для студентов учреждений высшего профессионального образования / Б.А. Кобринский, Т.В. Зарубина. - М.: ИЦ Академия, 2012. - 192 c.2. Крошилин А.В. Применение нечеткой кластеризации для эффективного мониторинга статистической информации в системах неопределенности // Вестник РГРТУ. – 2010. – №2(32). – С.71-76. 3. Ле, Нгуен Виен Интеллектуальная медицинская система дифференциальной диагностики на основе экспертных систем / Ле Нгуен Виен // Вестник Саратовского гос. техн. ун-та. – 2014. – № 2. – C. 167-179.4. Архитектура медицинской экспертной системы дифференциальной диагностики / Ле Нгуен Виен, В. А. Камаев, Д. П. Панченко, О. А. Трушкина // Вестник СамГТУ. Серия «Технические науки». – 2014. – № 3(43). – С. 23-28.5. Подлипский, О. К. О методах выявления экспертного знания для создания прикладных консультационных и обучающих систем / О. К. Подлипский // Труды МФТИ, 2011. – т.3. – №1. – С. 112-116.6. Хаптахаева, Н. Б. Введение в теорию нечетких множеств: учеб. пособие – часть I. / Н. Б. Хаптахаева, С. В. Дамбаева, Н. Н. Аюшеева.– Улан-Удэ: Изд-во ВСГТУ, 2004. – 68 с.7. Курейчик, В. В. Анализ современного состояния автоматизированных систем приобретения и представления знаний / В. В. Курейчик, П. В. Сороколетов, П. С. Щеглов ; ЮФУ // Известия ЮФУ. Технические науки. – 2008. – №9. – С. 120-125.8. Дюк В.А., Курапеев Д.И. Применение методов интеллектуального анализа данных для оценки риска оперативного вмешательства в кардиохирургии. // Труды СПИИРАН. СПб.: Наука, 2009. С.187–196.9. Описание системы диагностики Diagnos.ru [Электронный ресурс] // Диагноз.ру – Сервер онлайн-диагностики. – Режим доступа: http://diagnos.ru/about/system (дата обращения: 06.11.2014). 10. Информационный сайт экспертной системы Чтоболит.ру [Электронный ресурс] // Чтоболит.рф – Компьютерная система предварительной диагностики. – Режим доступа: http://www.chtobolit.ru/system/ (дата обращения: 06.11.2014). 11. Медицинская онлайн-диагностика организма [Электронный ресурс] // Mediktest.ru – Домашний доктор. – Режим доступа: http://mediktest.ru/diagnostika.php (дата обращения: 06.11.2014). 12. О диагностической системе Simptomus [Электронный ресурс] // Simptomus.ru – Помощник при плохом самочувствии. – Режим доступа: http://simptomus.ru/#about (дата обращения: 06.11.2014).