Студопедия

КАТЕГОРИИ:

АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника



История развития медицинских экспертных систем.

Читайте также:
  1. D) определение стратегии развития общества.
  2. I. Общая характеристика возрастного развития
  3. II. Государство и история
  4. IV этап. Трудности поддержки и развития таланта и одарённости.
  5. А) роли общего развития человека в волевой регуляции;
  6. Агроэкосистемы, их отличия от природных экосистем. Последствия деятельности человека в экосистемах. Сохранение экосистем.
  7. Административно-правовой статус Министерства здравоохранения и социального развития РФ.
  8. Аллогенные аномалии и пороки развития
  9. Альтернативная история в цикле романов Ван Зайчика «Плохих людей нет».
  10. Альтернативы политического развития России после февраля и выхода из политического кризиса лета-осени 1917 г.

Одной из наиболее известных в мире экспертных систем медицинской диагностики является ЭС "MYCIN". Она решает задачи диагностики инфекционных заболеваний крови и выработки рекомендаций по их лечению. Система использует базу медицинских знаний о заболеваниях, симптомах и вызывающих их микроорганизмах (культурах). Необходимую информацию о пациенте система получает в процессе диалога с пользователем (врачом). По признанию специалистов-медиков, система MYCIN не уступает по качеству диагностики ведущим экспертам.

ЭС возникли как значительный практический результат в применении и развитии методов искусственного интеллекта (ИИ) - совокупности научных дисциплин, изучающих методы решения задач интеллектуального, творческого характера, с использованием ЭВМ.

Область ИИ имеет уже более чем 40-летнюю историю развития. С самого начала в ней рассматривался ряд весьма сложных задач, которые, наряду с другими, и до сих пор являются предметом исследований: автоматическое доказательство теорем, машинный перевод с одного языка на другой, распознавание изображений и анализ сцен, планирование действий роботов, алгоритмы и стратегии игр.

С течением времени менялась и точка зрения на методы решения этих задач.

В 50-е годы основным направлением развития систем ИИ было моделирование работы человеческого мозга в виде нейронных сетей. Однако, из-за недостаточно высокого уровня развития вычислительной техники в то время, разработка нейронных сетей уступила место другим методам ИИ и вновь активизировалась лишь в 80-е годы, когда были разработаны первые нейрокомпьютеры.

В 60-е годы основное внимание было уделено разработке общих методов эвристического поиска - методов, основанных на эвристиках (неформализованных правилах решения задач). Пример универсальной эвристики, в которой сформирована стратегия решения задач известная как поиск в глубину:

ЕСЛИ -метод решения задачи не известен,

ТО - следует попытаться разбить задачу на части и решить каждую из них как самостоятельную задачу.

Этот простой пример демонстрирует все особенности эвристик: нечеткость, ограниченность области применения. Опыт показал, что универсального набора эвристик, позволяющего решить задачу из любой области и любой сложности, по-видимому, не существует.



Интеллектуальные «решатели» задач, построенные на наборах общих эвристик, оказались в состоянии решать лишь “игрушечные” задачи. Однако само исследование методов эвристического поиска оказалось необходимым шагом к следующему этапу развития.

С конца 1960-х годов ведущие специалисты в области ИИ существенно изменили свою точку зрения на методы решения задач. Было выяснено, что эффективность метода решения задачи зависит в первую очередь от конкретных знаний об исследуемой области, и лишь в последнюю - от общих стратегий и схем логического вывода. Этот принцип - один из важнейших принципов разработки ЭС. Иначе говоря, чем более универсальную систему ИИ планируется сделать, тем меньшей мощностью она будет обладать (способна будет решать лишь очень простые задачи). И наоборот, чем более мы конкретизируем область, задачу и знания о ее решении, тем выше будет “интеллектуальный уровень” системы, решающей данную задачу с использованием вложенных в нее знаний; однако при этом система будет способна решать только одну задачу.

Первой системой, основанной на таком подходе, стала система DENDRAL, разработанная в 1965 году в Стэнфордском университете. Система DENDRAL - высококвалифицированный эксперт в области химии. Она решает задачу построения возможных химических структур поэкспериментальным данным об исследуемом веществе. Эта система в своей работе использует базу знаний, содержащую не общие эвристические правила, подобные приведенным выше, а несколько десятков эвристик, отражающих специфические правила рассуждений, свойственных химикам. Эта система явилась новым этапом в развитии ЭС.



Существует ряд проблем в построении ЭС. Первая трудность возникает в связи с постановкой задачи. Большинство заказчиков, планируя работу ЭС, вследствие недостаточной компетентности в вопросах применения методов ИИ, склонно значительно преувеличивать ожидаемые возможности системы. Заказчик желает видеть в ней самостоятельного, мыслящего эксперта в исследуемой области, способного решать широкий круг задач. Поэтому, когда заказчик формулирует задачу системы, она получается слишком широкой, слишком громоздкой для системы. И, как следствие, – система теряет свою производительную мощность. Поэтому наиболее целесообразно ограничиться для начала не слишком сложной обозримой задачей в рассматриваемой области, для решения которой нет простого алгоритмического способа. Кроме того, важно, чтобы уже существовала сложившаяся методика решения этой задачи “вручную” или какими-либо расчетными методами. Для успешной разработки ЭС необходимы не только четкая и конкретная постановка задачи, но и разработка подробного (хотя бы словесного) описания “ручного” метода ее решения. Если это сделать затруднительно, то дальнейшая работа по построению экспертной системы теряет смысл.

Вторая и основная трудность - проблема приобретения знаний. Эта проблема возникает при передаче знаний, которыми обладают эксперты-люди, ЭС. Разумеется, чтобы обучить компьютерную систему, для начала необходимо формализовать, систематизировать эти знания на бумаге. Это может показаться парадоксальным, но большинство экспертов успешно использующих свои знания в работе, затрудняются при попытке сформулировать и представить в систематическом виде хотя бы основную часть этих знаний.

Таким образом, выясняется, что для построения экспертной системы необходимо участие в ней особого рода специалистов, обладающих указанной совокупностью знаний и выполняющих функции посредников между экспертами в предметной области и компьютерными системами. Они получили название инженеры знаний.

Третья серьезная трудность - в очень большой трудоемкости создания ЭС: требуется разработать средства управления базой знаний, логического вывода, диалогового взаимодействия с пользователем и так далее Объем программирования столь велик, а программы столь сложны и нетрадиционны, что имеет смысл на предварительном этапе создавать демонстрационный прототип системы.

Рассмотрим ключевые моменты работы экспертной системы.

Функционирование экспертной системы.Анализ работы экспертной системы наиболее удобно провести, предварительно рассмотрев ее структурную организацию (рис. 11.4).

 

Рис. 11.4. Структура и схема работы экспертной системы

 

ЭС имеет две категории взаимодействий и два отдельных входа, соответствующих различным целям работы пользователей с ЭС:

1. Пользователь, эксперт, которому потребуется консультация ЭС – диалоговый сеанс работы с ней, в процессе которого она решает некоторую экспертную задачу. В этом случае диалог с ЭС осуществляется через диалоговый процессор – специальную компоненту ЭС, предназначенную для обеспечения контакта пользователя и ЭС. Существует две основные формы диалога с ЭС: диалог на ограниченном подмножестве естественного языка и диалог на основе меню. На рисунке последовательность процессов в структурных субъединицах ЭС изображена в виде серой ломаной линии (1).

2. Экспертная группа инженерии знаний, состоящая из экспертов в предметной области и инженеров знаний. В функции этой группы входит заполнение базы знаний, осуществляемое с помощью специальной диалоговой компоненты ЭС – подсистемы приобретения знаний, которая позволяет частично автоматизировать этот процесс. Последовательность процессов при контакте с ЭС контактной группы знаний изображена в виде серой ломаной линии (2).

База знаний - наиболее важная компонента ЭС, на которой основаны ее «интеллектуальные способности». В отличие от всех остальных компонент ЭС, база знаний - переменная часть системы, которая может пополняться и модифицироваться инженерами знаний, по мере накопления знаний и опыта использования ЭС, между консультациями. Существуют несколько способов представления знаний в ЭС, однако общим для них является то, что знания представлены в символьной форме, элементарными компонентами представления знаний являются тексты, списки и другие символьные структуры. Тем самым, в ЭС реализуется принцип символьной природы рассуждений, который заключается в том, что процесс рассуждения представляется как последовательность символьных преобразований.

Наиболее распространенный способ представления знаний – в виде конкретных фактов и правил, по которым из имеющихся фактов могут быть выведены новые. Факты представлены, например, в виде троек:

(АТРИБУТ, ОБЪЕКТ, ЗНАЧЕНИЕ).

Такой факт означает, что заданный объект имеет заданный атрибут (свойство) с заданным значением. Например, тройка (ТЕМПЕРАТУРА, ПАЦИЕНТ, 37,5) представляет факт: “температура больного, обозначаемого «пациент», равна 37,5 градусам”. Такой способ представления фактов принят в системе MYCIN. В более простых случаях факт выражается не конкретным значением атрибута, а каким-либо простым утверждением, которое может быть истинным или ложным, например: “Небо покрыто тучами”. В таких случаях факт можно обозначать каким-либо кратким именем или использовать для предоставления факта сам текст соответствующей фразы.

Правила в базе знаний имеют вид:

ЕСЛИ А ТО S,

где А - условие, S - действие.

Действие S исполняется, если А истинно. Наиболее часто действие S, так же, как и условие, представляет собой утверждение, которое может быть выведено системой, если истинно условие правила А.

Правила в базе знаний служат для представления эвристических знаний (эвристик), то есть неформальных правил рассуждений, вырабатываемых экспертом на основе опыта его работы.

Пример:

ЕСЛИ небо покрыто тучами,

ТО скоро пойдет дождь.

 

В качестве условия А может выступать либо факт, либо несколько фактов, соединенных логической операцией И: А и А1 и А2 и ... An.

В математической логике такое выражение называется конъюнкцией. Оно считается истинным в том случае, если истинны все его компоненты. Действия, входящие в состав правил, могут содержать новые факты. При применении таких правил эти факты становятся известны системе, то есть включаются во множество фактов, которое называется рабочим множеством. Если система не может вывести некоторый факт, истинность или ложность которого требуется установить, то система спрашивает о нем пользователя.

Подсистема ввода-вывода – программная компонента ЭС, реализующая процесс ее рассуждений на основе базы знаний и рабочего множества. Цель работы ЭС – вывести некоторый заданный факт, который называется целевым утверждением, либо опровергнуть этот факт. При предоставлении фактов в виде троек целевое утверждение формируется в виде: «Найти значение атрибута А у объекта О». Целевое утверждение может быть заложено заранее в базу знаний системы, либо извлекается системой из диалога с пользователем.

Работа системы представляет собой последовательность шагов, на каждом из которых из базы знаний выбирается некоторое правило, которое применяется к текущему содержимому рабочего множества. Цикл заканчивается, когда выведено либо опровергнуто целевое утверждение. Цикл работы ЭС иначе называется логическим выводом. Логический вывод можно производить многими способами, в большинстве случаев это обратная цепочка рассуждений или прямая цепочка рассуждений.

Пример (диалог с ЭС):

Итак, в примере простой ЭС и базы знаний диалог пользователя с системой можно представить себе следующим образом:

Система: вы хотите узнать, нужно ли взять с собой зонтик?

Пользователь: Да

Система: Верно ли, что небо покрыто тучами?

Пользователь: Да

Система: Верно ли, что барометр падает?

Пользователь: Да

Система (после некоторого размышления): Нужно взять с собой зонтик.

Как видно из этого примера, в ходе консультаций инициатива диалога принадлежит системе, а сама консультация у ЭС выглядит так же, как и консультация у эксперта человека: задается ряд вопросов и на основании их анализа выдается экспертное заключение. Однако, в отличие от беседы со специалистом, диалог с ЭС имеет свои психологические особенности: большинство пользователей склонны меньше доверять “мнению” экспертной системы, чем мнению живого эксперта.

Чтобы удостовериться в разумности и компетентности ЭС, пользователь может обратиться к ее подсистеме объяснения. Для того чтобы понять, как она работает, необходимо рассмотреть вопрос о том, в какой форме ЭС хранит информацию о процессе своих рассуждений.

В ЭС принято представлять процесс логического вывода в виде схемы, которая называется деревом вывода. В нашем примере дерево вывода будет иметь вид, отображенный на схеме (рис. 11.5).

Рис. 11.5. Дерево вывода

Список литературы

1. Беллман Р. Математические методы в медицине. – М.: Мир, 1987. – 200 с.

2. Гублер Е.В. Информатика в патологии, клинической медицине и педиатрии. – Л.: Медицина, 1990. – 176 с.

3. Двойрин В.В., Клименков А.А. Методика контролируемых клинических испытаний. М.: Медицина, 1985. – 143 с.

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

5. Уотермен Д. Руководство по экспертным системам. – М.: Мир,1989. – 388 с.

6. Экспертные системы для персональных компьютеров: методы, средства, реализации: Справочное пособие / В.С. Крисевич, Л.А. Кузьмич и др. – Мн.: Выш. шк., 1990. – 197 с.

7. Guliev Y.I., Malykh V.L., Yurchenko S.G. Conceptual models for representing information in healthcare information systems // Advanced Information and Telemedicine Technologies for Health, AITTH 2005, Minsk. – Vol 1. – P. 198-201.

 

Контрольные вопросы

1. Что является ключевым пунктом работы врача?

2. Какие формализованные структуры медицинского знания используются в медицине?

3. Какие типы медицинских знаний можно выделить в процессе формализации медицинских знаний?

4. Чем характеризуется структура медицинских знаний?

5. Какие наиболее распространенные стратегии получения медицинских знаний используются в системах поддержки принятия решений?

6. Какие основные аспекты выделяют в процедуре извлечения знаний?

7. Какие математические методы поддержки принятия решений используются при создании экспертных систем?

8. Что такое экспертная система?

9. Какие задачи решают эксперты?

10. Что такое предметная область экспертной системы?

11. Какие режимы работы экспертной системы вам известны?

12. Какие функциональные блоки входят в состав экспертной системы?

 


Дата добавления: 2015-08-05; просмотров: 33; Нарушение авторских прав


<== предыдущая лекция | следующая лекция ==>
СТРАТЕГИИ ПОЛУЧЕНИЯ МЕДИЦИНСКИХ ЗНАНИЙ | КЛИНИЧЕСКИЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ. ПРОГНОЗИРОВАНИЕ В БИОЛОГИИ И МЕДИЦИНЕ
lektsii.com - Лекции.Ком - 2014-2019 год. (0.016 сек.) Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав
Главная страница Случайная страница Контакты