! Застосування експертних систем у медицині






    Головна сторінка





Скачати 133.76 Kb.
Дата конвертації10.12.2017
Розмір133.76 Kb.
Типкурсова робота

Вступ

Експертні системи - це Програмні комплекси, что акумулюють досвід спеціалістів у деякій предметній області з метою его (досвіду) тиражування для консультацій Менш кваліфікованіх Користувачів. Розробка ЄС - це галузь інформатики, что активно розвівається та спрямована на использование ЕОМ для ОБРОБКИ информации у тих галузь науки та техніки, де традіційні математичні моделі моделювання малопрідатні, де Важливі сміслова та логічна обробка информации, досвід експертів. Експертні системи Досить молоді-Перші системи такого роду з'явилися у США в середіні 70-х років. Натепер в мире нараховується декілька тисяч промислових ЄС, что дають поради при керуванні складаний пунктами Диспетчерів, постановці медичний діагнозів, поиска несправностей у Електрон прилаштувати ТОЩО. Зараз легше назваті області, де ЄС не Використовують, чем ті, де смороду Вже Використовують.

Головна відмінність ЄС від других програмних ЗАСОБІВ - це наявність бази знань, у Якій знання зберігаються у виде запісів на деякій мові представлення знань (МПЗ), что дозволяє легко змінюваті та доповнюваті базу знань у форме, что зрозуміла спеціалістам - розробник ЄС. У звичайний програмах знання зашіті у алгоритм и только програміст (автор програми) может їх корегувати (если згадає, як побудовали его програма).

До последнего годині самє Різні МПЗ були центральною проблемою.Більше при розробці ЄС. Зараз існують десятки мов або моделей представлення знань. Найпошіреніші з них: продукції, семантичні мережі, фрейми, обчислення предікатів 1-го порядку, ГО мови програмування ТОЩО. Для ціх моделей існує відповідна математична нотація, розроблені системи програмування, что реалізують ЦІ МПЗ. Вибір конкретної моделі візначається структурою знань у конкретній предметній області. Спочатку необходимо візначіті Цю структуру. Конкретізація елементів знань та їх взаємозв'язків відбуваються у безпосередно контакті зі спеціалістами предметної області - експертами. Цей процес назівається здобуттям знань, а розробник ЄС, что займаються самє здобуттям та структуруванням знань, назіваються інженерамі по знаннях.

Одразу візначімо ті предметні області, де має сенс віділяті знання. Це області, де переважає емпірічне знання, де Накопичення Фактів віпереджає розвиток Теорії (медицина, геологія, фінанси ТОЩО). Такі добрі структуровані області як математика, фізика, теоретична механіка, ма ють у життя без Основі розвинення математичний апарат для Опису своих закономірностей, что дозволяє Проводити Машинне моделювання з Використання традіційного алгорітмічного програмування (без віділення уровня знань). Знання Важливі там, де визначення розміті, Поняття змінюються, ситуации залежався від багатьох контекстів, де є велика невізначеність, нечіткість информации. Загаль, знання - це основні закономірності предметної області, что дозволяють людіні вірішуваті конкретні виробничі, наукові та інші задачі, тобто факти, Поняття, взаємозв'язкі, ОЦІНКИ, правила, еврістікі (фактічні знання), а такоже стратегії Прийняття РІШЕНЬ у Цій області ( або Стратегічні знання).


1. прикладом! Застосування експертних систем у медицині

Одна з найбільш ранніх и відоміх медичний EC MYCIN фрагментарно розглядалася у попередніх Розділах. Тут будут стисло розглянуті деякі EC медичного призначення, ті, что стали Вже класичними, и сучасні.

EC стеження за станом післяопераційніх Хворов

Система VM призначила для стеження за станом післяопераційніх Хворов, Яким необхідній апарат штучного дихання. Система візначає тип апарата штучного дихання и режими его роботи у залежності від розвитку захворювання та Реакції організму на терапевтічні Дії. Система реалізує роботу з данімі, то змінюються в часі (динамічна система). Представлення системи про годину обмежені только потокової и попереднім станами.

Знання в системе представлені у виде таких тіпів правил: переходу, ініціалізації, стану та лікування. Система Постійно отрімує Нові покази приладів и запускає в дію всі свои правила.

Правила переходу визначаються моменти Зміни стану хворого, колі та патенти Изменить порядок стеження за ним. Моменти Зміни стану визначаються за виходом показніків за заздалегідь Установлені Межі.

С помощью правил ініціалізації Установлюється новий контекст, тобто Нові значення, Які очікуються.

После встановлення контексту правила стану визначаються нову поведение системи, поки у контексті не зазначено змініться. Незважаючі на ті, что покази приладів Постійно змінюються, система Виконує зміну контексту только тоді, коли це буде достаточно обґрунтовано за правилами переходу.

Правила лікування визначаються потрібні режими роботи апарату штучного дихання.

Приклад правил експертної системи VM.

Правило 1: если Серцевий ритм є прийнятною, и частота пульсу НЕ змінілася более чем на 20 ударів / хв в течение 15 хвилин, и середній артеріальній Тиск є прийнятною, и середній артеріальній Тиск НЕ змінівся більш чем на 15 мм рт.ст. в течение 15 хвилин, и кров'яний Тиск систоли є прийнятною, то гемодинаміка є стійкою.

Правило 2: если хворий переведень з VOLUME на CMV, або хворий переведень з ASSIST на CMV, то очікується, что: прийнятною середній Тиск повинен буті в межах 75 ... 110, прийнятною Серцевий ритм - 60 ... 110, вміст С02 у відіху -28 ... 42.

Правило 1 стосується хвороби, что знаходяться на різніх режимах штучного дихання (VOLUME, CMV ASSIST и Т-РІЕСЕ), правило 2 - всех Хворов, что знаходяться на режімі контрольованої прімусової вентиляції (CMV).

Правило 1 ілюструє, як Керуюча система стежа за станом хворого, застосовуючі Терміни, значення якіх міняється залежних від клінічного контексту (например, "прийнятною"). Правило 2 показує як система вікорістовує свои Сподівання в Деяк контексті, щоб точно візначіті значення термінів (например, "прийнятною середній артеріальній Тиск").

EC АНАЛІЗУ причин гіпертонії

Постановка задачі. Від гіпертонії страждає около 10% населення Землі. Причини Підвищення артеріального тиску дуже різноманітні - более ЗО основних захворювань. Складність діагностики ціх захворювань Полягає в тому, что смороду могут стосуватись компетенції фахівців з різніх галузь медицини: нефрології, ангіології, урології ТОЩО. Тому создания EC, яка містіла б знання кращих спеціалістів з різніх галузь медицини, зв'язаних з гіпертонією, надає суттєву допомогу в підвіщенні уровня діагностики Вказаним захворювань.

Система МОДІС призначила для діагностики різніх форм сімптоматічної гіпертонії.

Система МОДІС может використовуват як у поліклініках Загальна профілю, так и в спеціалізованіх клініках. Очевидно, что рівень доступної информации про хворого в ціх закладах різний. У поліклініці терапевта доступна інформація більш загально характеру: Скарги хворого, дані зовнішнього ОГЛЯД, історія хвороби та результати загально аналізів. Таким чином, на Основі информации Загальна характеру ЄС винна звузіті коло можливий захворювань и вібрато з них найбільш імовірні. ЄС дает рекомендації до якіх спеціалістів звернути хворому, скеруваті на СПЕЦІАЛЬНІ дослідження.

При вікорістанні ЄС у спеціалізованіх клініках доступна більш детальна інформація, тобто дані спеціальніх ДОСЛІДЖЕНЬ (например, аортографії або внутрішньовенної урографії). У цьом випадка ЄС винна поставити більш Точний аналіз.

Основні Концепції, з Якими працює експерт у даній системе, - це захворювання, їх форми и групи, симптоми, дані лабораторних ДОСЛІДЖЕНЬ ТОЩО. Для їх Опису Використовують знання трьох відів:

опісові знання, Які Використовують експертом для Опису відношень между Поняття. Например, таке Поняття, як систолічний ТИСК, пов'язане в експерта з Додатковий інформацією. Так, Він Знає, что систолічний Тиск может знаходітіся в межах від 50 до 350, знає, что систолічний Тиск всегда більшій від діастолічного ТОЩО;

знання про ті, як експерт виводу Нові тверджень на основе АНАЛІЗУ деякої информации. Експерт вікорістовує ЦІ знання для постановки діагнозу. Характерним прикладом цього виду знань є таке діагностічне правило: "Якщо хворий молодого віку и у него спостерігаються пароксизми тиску, а результати гормональних ДОСЛІДЖЕНЬ крови показують збільшеній більш чем у два рази вміст катехоламінів, то у хворого, найімовірніше, феохромоцитом";

знання про ті, як експерт вібірає найперспектівніші шляхи поиска. ЦІ знання, подані у виде правил, дозволяють експертам НЕ розглядаті малоймовірні гіпотезі, а только найбільш імовірні. Такі знання належати до метарівня, оскількі визначаються Деяк схему использование знань первого и іншого рівнів. Приклад такого правила: "Якщо хворий має суттєві Зміни в аналізах сечі, то самперед нужно підозрюваті нефрологічну природу гіпертонії".

Представлення знань. Знання в системе МОДІС зберігаються у виде правил. Ліва частина правил (предикати) запісується у форме, блізькій до пріродомовної, например "Якщо характер Підвищення артеріального тиску пароксизмально". Предикати в лівій части правил могут з'єднуватися логічнімі операціямі діз'юнкції, кон'юнкції и заперечення.

Для запису Права частин правил Використовують процедури. Так правило з правою частинами типу "..., то у хворого феохромоцитом" можна подати у виде процедури "зробити Висновок: у хворого феохромоцитом", а правило виду "..., то розглядаті нефрологічну групу захворювань" у виде "актівізуваті нефрологічну групу ".

Функціонування системи. Робота ЄС МОДІС почінається зі збору початкової информации, до якої належати анкетні дані хворого, его Скарги, історія хвороби, симптоми та лабораторні аналізи. На екрані дисплея, перед Яким сидить користувач, з'являються запитання и Можливі ВІДПОВІДІ на них.

Если запитання або ВІДПОВІДІ незрозумілі, користувач может отріматі Додатковий інформацію. ВІДПОВІДІ, Які вводити користувач, перевіряються системою І, если віявлені суперечності, ЄС сігналізує про це.

На етапі збору початкової информации система задає користувач біля ЗО запитань. Потім користувач задаються запитання для АНАЛІЗУ гіпотез. Для поиска РІШЕНЬ система вісуває, підтверджує и заперечує гіпотезі. У Середньому один діагностичний сеанс триває 5-10 хвилин. Залишкова Висновок, Який дает система, є сукупністю елементарних РІШЕНЬ за окремий гіпотезамі и формується системою в процесі АНАЛІЗУ дерева РІШЕНЬ. Характерним Висновки для ЄС МОДІС можна вважаті такий: "У хворого, найімовірніше, феохромоцитома. Потрібно провести гормональні аналізи крови та сечі з метою визначення там вмісту катехоламінів. Потрібна консультація нефролога".

Експертна система визначення терміну Нанесення пошкодженню у судово-медічній діагностіці

В описана експертна система для спектрофотометрічної діагностики біотканін у судово-медічній експертізі. Перевага такого підходу до визначення терміну Нанесення тілесніх пошкодженню Полягає в тому, что НЕ Використовують руйнуючі (інвазівні) методи та суб'єктивні ОЦІНКИ характеристик.

На Основі Даних спектрофотометрічної комп'ютерної системи проводитися діагностика пріжіттєвості нанесення травм у трупів та срок їх нанесення до смерти.

Перша версія системи (СЕД1) базувалась на логічніх правилах и мала структуру, характерну для більшості традіційніх ЄС, побудованіх на правилах.

У наступній Версії системи розглядаліся більш СКЛАДНІ задачі діагностики, зокрема, использование кольору в процесі діагностики. Вона булу реалізована на основе апарату нечіткої логіки у виде окремої підсістемі, что дістала Назву системи експертної неінвазівної оптічної діагностики (сенода +). Ця Підсистема віконувала ті самі Функції, что й Підсистема на основе логічніх правил (харчі-1). Вибір підсістемі Залежить від использование нечіткіх Даних для визначення діагнозу.

Кроме нечіткої логіки в системе вікорістовується кож імовірнісно- статистичний підхід.У процесі формалізації задачі та Ідентіфікації авторамівіявлено, что множини діагнозів (тіпів судово-медична вісновків для встановлення пріжіттєвості та терміну давнини Нанесення сінців) у судово-медічній експертізі складає 7 відів.

На Першому етапі відбувається визначення діагнозу: синець нанесений после смерти - <2у чи до смерти - <22. У випадка последнего на іншому етапі роботи ЄС проводитися визначення терміну его Нанесення за такою шкалою:

■ синець, нанесений безпосередно перед смертю - в1;

Синець, нанесений за 5 хв. - 1 рік. до смерти - В2;

Синець, нанесений за 1 - 6 рік. до смерти - в3;

Синець, нанесений за 6 - 24 рік. до смерти - В4 ;;

Синець, нанесений за 24 - 48 рік. до смерти - В5;

Синець, нанесений за 48 рік. и более до смерти - В6;

У процесі логічного встановлення діагнозу системою беруться до уваги Такі фактори та їх показатели. При візначенні пріжіттєвості нанесення травми домінуючій колір синця - Показник у, Який лежить у межах від 1 до З, відносній Показник коефіцієнта дифузного відбівання РQ на трьох довжина хвиля, Який відповідає кількіснім Показники гемоглобіну та его похідніх и характерізує стадію запального процесса: x1 - Рq460 нм - білірубін; х2 - Рq460 нм - гемоглобін; х3 - Рq460нм - метгемоглобін.

Таблиця 1.1.

Формалізовані значення факторів после Введення якісніх нечіткіх термів

Показники Поcмертне пошкодження До 5 хв. 5-60 хв. 1-6 рік. 6-24 рік. 24-48 рік. 48-72 рік. Більше 72 рік.
Білірубін Х1 460 нм 9.07 ± 2.66 Н, НС 4.79 ± 1.13 ДН 12.54 ± 0.48 НС 9.03 ± 1.29 Н, НС

9.61 ± 2.02

Н, НС

16.16 ± 1.28 З 15.03 ± 1.47 З 9.24 ± 1.54

гемоглобін

Х2 580 нм

19.79 ± 4.07 ВС 10.9 ± 1.89 НС, Н 22.07 ± 0.57 ВС 18.93 ± 0.47 ВС 20.46 ± 2.42 ВС, С 29.2 ± 2.29 ДВ, В 21.5 ± 2.7 ВС, В 13.68 ± 1.3
Метгемоглобін Х3 630 нм 6.59 ± 4.64 Н, ДН 17.28 ± 2.98 С, ВС 17.89 ± 1.91 С, ВС 19.47 ± 1.26 ВС 18.13 ± 1.82 С, ВС 17.09 ± 1.61 З 24.07 ± 2.07 В, ВС 13.59 ± 1.45
Основний колір yi 2 у 100% віпадків 1-100% 1-100% 2-89% 1-45% 2-78% 2-11% 3
Допустимий колір 1-2 1 1 1-2 1-2 1-2-3 2-3 2-3

Для шкірного з визначених термінів годині Нанесення пошкодженню існує своя комбінація значень відносного сертифіката №, тому ПРІОРИТЕТ надається самє Йому. Формалізовані знання експерта показані в табл. 1.1. Колір синця розподіленій на три групи, Які властіві кожному з віділеніх діагнозів, причому група І - червоний колір з фіолетовім, 2 - червоно-пурпурний, пурпурний, фіолетово-пурпурний, 3 - жовто-зелений, жовтий. Це допустимо и спрощує процес виводу діагнозу. В процесі формирование бази знань фактори x3, y1-y3, Які вплівають на систему Прийняття решение и на формирование кінцевого Висновки, розглядаються як Лінгвістичні змінні.

Знання у виде якісніх термів та їх значень для лінгвістічніх змінніх xi и уi показані в табл. 1.2 и 1.3.

Якісні терми для лінгвістічніх змінніх y1-y3

Таблиця 1.2.

Терм Як часто зустрічається колір синця
Промах (П) Чи не зустрічається зовсім
Дуже низька (ДН) У n <30%
Низька (Н) 30% <уn <60%
Середній (С) 60% <уn
Високий (В) Майже в 100%

Якісні терми для лінгвістічніх змінніхx1-x3

Таблиця 1.3.

Терм Нижній рівень РQ Верхній рівень РQ
Промах (П) 31.49 1.95
Дуже низька (ДН) 1.95 5.78
Низька (Н) 5.78 10.06
Нижчих Середньому (НС) 10.06 14.35
Середній (С) 14.35 18.63
Вище Середньому (ВС) 18.63 22.92
Високий (В) 22.92 27.2
Дуже високий (ДВ) 27.2 31.49

Завдання судмедекспертної діагностики ЄС Полягає в тому, щоб множіні значень віміряніх показніків x1-x3 та y1-y3 найти відповідність діагнозу посмертного чи пріжіттєвого нанесення травми a1-a3, и у випадка последнего візначіті Точний срок его Нанесення b1-b6

Для ОЦІНКИ лінгвістічніх змінніх x1-x3 вводитися система якісніх термів, яка складається з чотірьох рівнів. Оскількі закон розподілу Розглянуто Випадкове величин наближається до нормального, то якісні терми для x1-x3 будут Такі (РQ розподіляються на шкалі, яка має 8 значень). Така шкала показана на рис. 1.1

Мал. 1.1. Шкала якісніх нечіткіх термів для логічніх змінніх х1-х3 (діапазоні сертифіката № Рц)

Замість формирование матриці правил до табл. 8.6 заносяться введені нечіткі якісні терми. Для Виведення діагнозу ЄС достаточно розв'язати Такі Рівняння:

Для формирование Функції належності формалізовані знання для лінгвістічніх змінніх xi та уi - записують в таблицях 1.4 та 1.5.


Таблиця 1.4.

Дані про знання для лінгвістічніх змінніх y1-y3

y1 y2 y3 ai bi
1 ДН В П a1 -
2 В П П a1 b1
3 В П П a1 b2
4 ДН З П a2 b3
5 Н З П a2 b4
6 ДН З ДН а2 b5
7 П ДН З a2 b6

Таблиця. 1.5

Дані про знання для лінгвістічніх змінніх x1-x3

x1 x2 x3 ai bi
1 Н ВС Н a1 -
2 Н ВС ДН a1 -
3 НЕ ВС Н a1 -
4 НЕ ВС ДН a1 -
5 ДН НЕ З a1 b1
6 ДН НЕ ВС a2 b1
7 ДН Н З a2 b1
8 ДН Н ВС a2 b2
9 НЕ ВС З a2 b2
10 НЕ ВС ВС a2 b2
11 Н ВС ВС a2 b3
12 НЕ ВС ВС a2 b3
13 Н ВС З a2 b4
14 Н З З а2 b4
15 Н З ВС a2 b4
16 НЕ ВС З a2 b4
17 НЕ З З a2 b4
18 НЕ З ВС a2 b4
19 Н ДВ З a2 b5
20 Н В З a2 b5
21 Н ВС В a2 b6
22 НЕ ВС ВС a2 b6
23 НЕ В В аг b6
24 НЕ В ВС a2 b6

На Основі табл.1.4 та 1.5 визначаються Функції належності нечіткіх термів ДН, Н, НС, С, ВС, В, ДВ:

Наведені формули перепісуються з урахуванням табл. 1.1

Аналогічно формуються Рівняння для

Для формирование функцій належності з Використання наведення логічніх рівнянь та патенти візначіті множини функцій належності нечіткіхтермів: Один ізможлівіх варіантів показань на рис. 1.2

Мал. 1.2. Функції належності нечіткіх термів

Запис функцій належності в аналітичному виде для семи Розглянуто Ранее діагнозів буде мати такий вигляд:

Експертна система ірідодіагностікі

Проблеми использование Байєсівської стратегії в ірідодіагностічніх ЄС. Часто вінікає питання, чому вместо методу Байєса в медичний ЄС Використовують Менш ефектівні методи, например, таблічні алгоритми. В ця ситуация розглядається на прікладі ірідодіагностікі. Назвемо основні причини использование в ірідодіагностіці малоефектівніх табличних алгоритмів вместо більш ефективних алгоритмів, что Використовують метод Байєса:

статистична залежність между ірідоознакамі;

необходимость знання апріорніх ймовірностей P (уj) захворювань уj;

неоднорідність та неповнота Даних;

наявність зовнішніх та внутрішніх завад.

Суть методу ірідодіагностікі. Метод ірідодіагностікі, підстав на сігнальній Функції екстерорецепторів райдужної оболонки ока, є одним Із найбільш інформатівніх и достовірніх методів раннього Виявлення генетичних и патологічніх порушеннях в організмі. Цей метод характерізується відсутністю будь-якіх протипокази (за вінятком епілепсії, як відносного протипокази у зв'язку з провокуючою приступ дією світла), повний безпека й нетравматічністю.

У процесі Огляду пацієнта лікар-ірідолог, оцінюючі структурний стан райдужної оболонки та адаптільно-трофічні Зміни, что відбуваються у ній в часі та пространстве, маючі можлівість оперативного Огляду в одному полі зору проекційніх зон Усього організму, діагностує з достаточно скроню точністю спадкові Особливості пацієнта, функціональну та органів слабкість питань комерційної торгівлі оРГАНІВ и систем, что дозволяє в кінцевому результате сделать Висновки про резервні возможности організму, Скласти прогноз, тобто побудуваті вектор майбутнього стану здоров'я орга ізму обстежуваного. На Основі поєднання різніх ірідознаків на райдужній оболонці ірідолог діагностує Місцезнаходження патологічного процесса и Певної мірою его характер.

Статистична залежність ознакою. Прості та зручні для розрахунків співвідношення (1.1) справедліві у передбаченні статистичної незалежності вікорістовуваніх ознакою. У випадка статистично залежних ознака необходимо використовуват складнішій вирази, складність которого Полягає в необхідності знання багатомірніх густин розподілу ймовірностей Р (Х1, Х2, ..., Хi) та Р (ХІ, Х2, ..., Хi / уj]).

Методика оцінювання одномірніх розподілів ймовірностей Р (Xi) и Р (Хi / Yj), Які прідатні лишь для обчислення за формулами (1.1), тобто в передбаченні статистичної незалежності ознакою. Однако у цьом випадка відзначається наявність статистичної залежності между ознака - як наслідок, формули (1.1) НЕ могут буті вікорістані.

У результате АНАЛІЗУ статистичної залежності ірідоознак можна Зазначити, что:

между ірідоознакамі існує статистична залежність, яка має два основних Механізми - "фізіологічній" і "математичний". У Першому випадка залежність зумовлена ​​або проявити одного и того самого захворювання у виде декількох ознака, або проявити ознака декількох залежних захворювань, в іншому випадка це залежність между комплексною ірідоознакою, Утворення сукупністю елементарних ірідоознак, та елементарно ірідоознакамі, Які входять до ее складу;

на сегодня найбільше Вівче залежність между різнімі ірідоознакамі та Ознакою "колір райдужної оболонки", что, очевидно, пояснюється НЕ Стільки інформатівністю ознака "колір райдужної оболонки", скільки простотою та легкістю его оцінювання.

Можна назваті основні Чинник фізичної природи статистичної залежності ознака:

каузальність (причинно-наслідкова залежність);

сінхронізм

У Першому випадка з'явиться ознака X зумов іздеякою ймовірністю з'являться Іншої ознака Y. У іншому випадка передбачають наявність третьої, пріхованої від спостереження (латентної) або просто ігнорованої, події Z, каузально зв'язаної з Ознака X и Y, Які в результате такого зв ' язку стають статистично залежних.

Для ОЦІНКИ характеру та Міри статистичної залежності ознака X и Y можна застосовуваті Поняття регресії и коефіцієнтів регресії. Регресією Y на X назівається умовно математичне Очікування (MO) віпадкової величини (ВВ) Y для фіксованого значення Х = х:

E {Y (x)} = E {Y / X = x}.

Лінією регресії Y на X назівається MO, что розглядається як функція змінної х. Аналогічно візначається регресія X на Y. Лінії регресії Y на X та Х на Y НЕ збігаються. Регресія назівається лінійною, если лінія регресії пряма. Для незалежних ВВ Лінії регресії превращаются в Прямі, Паралельні до координатних осей.

Если позначіті колір райдужної оболонки символом X, а тип райдужної оболонки - символом Y, то можна розглядаті значення умовної Густиня P (Y / X). ВРАХОВУЮЧИ суттєву нерівномірність цієї Функції Y (для фіксованіх значень X) можна набліжено оцініті ее Середнє значення (математичне Очікування) - Йому відповідає максимум Густиня P (Y / X) як Функції Y.

Характер статистичної залежності между ознака может буті як лінійнім, так и нелінійнім. Для лінійної залежності вікорістовується Поняття "коефіцієнт кореляції"

rXY = Е {(Х - Е {X}) (Y - E {Y})} / axay,

де axay -середньоквадратічні відхилення ВВ X и У:

rXY = E {(XE {X}) (YE {Y})} / axay.

У загально випадка | rXY | <1 - Рівність rXY = 0 має місце для некорельованіх (і незалежних - у випадка нормально розподіленіх X та Y) ВВ, а | rXY | = 1 - для лінійно залежних детермінованих ВВ.

Неповнота апріорніх Даних. Інша суттєва Перешкода для использование формули Байєса Полягає в необхідності знання апріорніх імовірностей P (Yj) захворювань Yj. Если ця інформація відсутня, можна вважаті всі гіпотезі рівноймовірнімі, тобто P (Yj) = 1 / J, де У - Кількість альтернативних захворювань.

Однако це может привести або до недостатньо вісокої вірогідності вісновків (у випадка фіксованої кількості ірідоознак, что спостерігаються), або буде Вимагати Збільшення ОБСЯГИ СПОСТЕРЕЖЕНЬ (у випадка фіксованої Досить вісокої вірогідності вісновків).

Як приклад розглядається спроба использование у Формулі Байєса статистичної информации про деякі ознака ніркової патології, зокрема такой информации: "... Характерно для ніркової патології симптомом БУВ лімфатічній розарій, Який виявляв в обстежуваніх хвороби у 57% віпадків ... При захворюваннях легень, шлунково -кішкового тракту, серцево-судінної и нервової систем лімфатічній розарій виявляв рідше, чем при захворюваннях нірок у 9-22% віпадків ... вказано обставинних дозволяє лікарю міркуваті так: у випадка будь-которого Виявлення лімфатічного троянда ію на райдужній оболонці можна Передбачити, но в жодних разі нельзя стверджуваті, что у цього хворого є Зміни Стосовно нірок ".

У Розглянуто випадки НЕ Враховується частота зустрічі ніркової патології Взагалі, безвідносно до будь-якої сукупності діагностичних ознака, отже апріорні ймовірності гіпотез Y1 "є захворювання нірок" і Y2 "немає захворювання нірок" можна Прийняти однаково: Р (Y1) Р (Y2) = 0,5.

Пріпустімо, что ма ють місце Такі Умовні ймовірності Р (Х / Yj):

Р (ХІ / Y1) = 0,57; Р (Х1 / Y2) = 0,155,

Де X1означає "є лімфатічній розарій", а значення величини Р (Х1 / Y2) = 0,155отрімано як Середнє Арифметичний значення 0,09 и 0,22 (9-22%).

Согласно з (1.1),

(1.2)

Оскількі

(1.3)

З (1.2) віпліває:

Аналогічно

Нерівність Р (Y1 / X1)> Р (Y2 / X1) відповідає вирази "можна Передбачити наявність захворювання нірок", а тієї факт, что Р (Y1 / X2) <1, відповідає фразі "ні в якому разі нельзя стверджуваті". Слова "ні в якому разі" - Свідчення надзвічайної обережності автора: Аджея в 8 випадка з 10 тверджень виявило справедливість.

Далі можна врахуваті апріорну інформацію у виде розподілу Р (Yj) та оцініті ее Вплив на вагомість вісновків тепер. Вказано, что за результатами профілактічного Огляду школярів у віці 12-17 років відомо, что патологіянірок має місце в 68% Обстеження.

Если у виразі (1.2) Прийняти, что Р (Yj) = 0,68 та Р (Y2) = 0,32, то отрімаємо.

Отже, Завдяк врахування апріорної информации ймовірність Висновки на Користь гіпотезі Y1 = "є захворювання нірок" Зросла на 0,1, а відносна Надійність Висновки, что характерізується відношенням Р (Y1 / X1) / Р (Y2 / X1) збільшілась з 4 до 9 разів, тобто більш чем у 2 рази.

Виграш від использование апріорної информации тім суттєвішій, чим більшій ее ОБСЯГИ, тобто чим більш нерівномірній Розподіл Р (Yj). Например, за результатами іншого профілактічного ОГЛЯД, де середній вік обстежуваніх Складанний 46,5 років, с помощью аналогічніх Обчислення для Р (У1) = 0,82 и Р (Y2) = 0,18 отрімуємо

Відношення Р (Y1 / X1) / Р (Y2 / X1) тепер примерно рівне 16, тобто збільшілось порівняно з початково у 4 рази.

На Основі АНАЛІЗУ использование апріорної информации у виде повторюваності різніх захворювань можна сделать Такі Висновки:

врахування апріорної ймовірності Суттєво впліває на вірогідність вісновків;

апріорна інформація НЕ стосується конкретного виду діагностування - це інформація загальномедічного характеру, яка зберігається в питань комерційної торгівлі документах и ​​відображає залежність Р (Yj) від багатьох факторів и умів (СОЦІАЛЬНИХ, територіальних, кліматичних, екологічних, санітарно- епідеміологічніх ТОЩО);

в процесі діагностики лікар практично всегда вікорістовує апріорну інформацію на інтуїтівному Рівні.

"Дефектів" Даних. Під "дефектами" в цьом контексті розуміється неоднорідність и неповнота Даних.

Прикладом неоднорідності Даних є описание періодічності ірідоознак як у кількісній (чісловій), так и в якісній (вербальній) форме. Основні причини цього явіща Такі:

недостатнє дослідження ознака;

звичка практикуючий лікарів до вербального опису.

Неповнота Даних может буті зумовлена ​​або недостатньою мірою дослідження ірідоознак, або недбалістю авторів публікацій.

Фактор что заважають. Стосовно методу ірідодіагностікі, фактори, что заважають (Завада) можна умовно розділіті на Зовнішні та внутрішні.

До зовнішніх факторів відносяться неоднорідність складу пацієнтів (стати, вік, освіта, місце проживання, соціальний стан ТОЩО), неоднорідність складу и стану лікарів (рівень кваліфікації, псіхофізіологічній стан лікаря в момент обстеження), неоднорідність умов обстеження (кліматичних, екологічних, санітарно-епідеміологічніх ТОЩО).

До внутрішніх факторів відносяться проблеми ірідології як науки. Дерло з ціх проблем Варто назваті неможлівість діференціювання одними лишь засоби візуального АНАЛІЗУ моменту з'явилися захворювання - в більшості віпадків только з урахуванням клінічніх Даних І, отже, только Шляхом діалогу з пацієнтом ірідолог может Встановити, ознака которого захворювання спостерігаються: минув, теперішнього чи майбутнього.

Другою проблемою.Більше можна назваті ту обставинні, что на сегодня НЕ Створена універсальна ірідологічна схема проекційніх зон, яка задовольніла б усіх ірідологів І, ймовірно, така схема Ніколи НЕ буде Створена внаслідок принципова труднощів:

формирование нервово Шляхів у кожної людини індивідуальне, у зв'язку з чим Кожний орган має не точна, а ймовірнісну проекцію;

можлівість Виникнення ознака, пов'язаних НЕ з патологією ОРГАНІВ, а з патологією провідніх нервово Шляхів, что Досить складно надійно візначіті;

можлівість Виникнення ірідоознак, что пов'язані НЕ з патологією ОРГАНІВ, а класіфікуються за типом відбітої рефлекторної іррадіації.

Використання продукції з елементами Байєсівської стратегії в ірідодіагностіці Ранее Було вказано, что использование Байєсівської стратегії Прийняття РІШЕНЬ у ее класічній форме має певні Труднощі внаслідок кількох основних причин: статистична залежність ознака; неповнота апріорніх Даних; неповнота и неоднорідність ірідологічної информации; наявність факторів, что заважають.

Для вирішенню проблеми статистичної залежності ознака Пропонується два шляхи:

НЕ враховуваті ее та Проводити обчислення, віходячі з умови, что ознака незалежні;

враховуваті залежність ознака и Проводити обчислення з відхіленнямі від класичної формули Байєса, зберігаючі, однак, елементи байєсівської стратегії.

Прикладом реализации іншого варіанту є Механізм Виведення, что вікорістовується в ірідодіагностічній експертній системе ЕСІД, реалізація якої буде Розглянуто далі: за наявності i-ої ознака у відповідності з формулою 1.1 здійснюють обчислення ймовірності j-ої гіпотезі про наявність захворювання (в условиях рівномірності апріорного розподілу гіпотез для i-ої ознака):

(1.4)

Ситуація Ji = I (i-ій ознаці відповідає только одна гіпотеза) вимушено, оскількі вона відображає сітуацію "пропусків" Даних, коли оцінка умовних ймовірностей Р (Хi / Yj) відома лишь для єдиної гіпотезі.

За наявності декількох ознака вікорістовується середня оцінка апостеріорніх ймовірностей, отриманий у відповідності з виразі (1.4)

(1.5)

З урахуванням відхілень від Байєсівської стратегії, співвідношення (1.5) доцільно трактуваті НЕ як імовірнісну оцінку вірогідності гіпотезі, а як результат "зваження Голосування" Ознака. Співвідношення (1.4) дозволяє візначіті часткові рейтинги гіпотез про наявність захворювань, а співвідношення (1.5) формує загальний, середній, рейтинг.

Ідея такого відхилення зустрічається в багатьох табличних діагностичних алгоритмах. Для прикладу розглянемо табл. 1.6 та 1.7.


Таблиця 1.6

Якісні характеристики ознака

Симптоми Геморагічній інсульт Ішемічній інсульт
Передвіснікі Мапохарактерні Характерні
Раптовий розвиток Характерною Менш характерний
Повільній розвиток нехарактерні Характерною
Втрата свідомості характерна Менш характерна

Таблиця 1.7

Кількісні характеристики ознака

Симптоми Геморагічній інсульт Ішемічній інсульт
Передвіснікі 0 1
Раптовий розвиток 1 0
Повільній розвиток 0 1
Втрата свідомості 1 0

Якісні характеристики в табл. 8.11 замінені в табл. 8.12 кількіснімі з великою мірою округлення. Однако можна Було б експериментально оцініті відповідні частоти повторюваності різніх ознака для Даних захворювань (табл. 8.13).

Таблиця 1.8

Вербальні та числові ОЦІНКИ ознака

вербальна оцінка Числова оцінка
характерно 0,8-1
Менш характерно 0,5-0,8
малохарактерні 0,2-0,5
нехарактерно 0-0,2

На Основі Даних табл.1.8 вместо табл. 1.6 можна отріматі більш точно табл. 1.9


Таблиця 1.9

Середні частоти ознака

Симптоми Геморагічній інсульт Ішемічній інсульт
Передвіснікі 0,35 0,9
Раптовий розвиток 0,9 0,65
Повільній розвиток 0,1 0,9
Втрата свідомості 0,9 0,65

У табл. 1.9 проставлені Середні значення частот повторюваності сімптомів Із діапазонів, Вказаним в табл. 1.8.

Если вважаті для простоти захворювання рівноймовірнімі, то за формулою Байєсаможна оцініті значення Р (Yj / Xi), розмістіті їх у відповідніх клітінках табл. 1.14 и отріматі нову табл.1.10, яка дозволяє Проводити обчислення, аналогічні (1.8) та (1.9).

Таблиця 1.10

Умовні ймовірності, оцінені за формулою Байєса

Симптоми Геморагічній інсульт Ішемічній інсульт
Передвіснікі 0,28 0,72
Раптовий розвиток 0,58 0,42
Повільній розвиток 0,1 0,9
Втрата свідомості 0,58 0,42

Пріпустімо, что спостерігається две ознака: "передвіснікі" і "повільній розвиток". Додаючі числа з відповідніх клітінок и поділівші результати на два (Кількість ознака, что спостерігаються), отрімаємо рейтинги геморагічного та ішемічного інсульту, Рівні 0,19 и 0,81, відповідно. В результате можна сделать Висновок, что ішемічній інсульт є переважаючім діагнозом.

Табл. 1.10 Фактично є діагностічною таблицею, єдиний недолік якої Полягає в тому, что в ее клітінках стояти не цілі числа (что Зручне для ручних розрахунків), а дробові. Цей недолік легко усувається Шляхом множення всех дробових чисел на один и тієї ж коефіцієнт, например на 10, з Наступний округленням результатів. У результате таких Дій отрімаємо діагностічну таблицю (табл.1.11).

Таблиця 1.11

Кінцевій вигляд діагностичної табліці

Симптоми Геморагічній інсульт Ішемічній інсульт
Передвіснікі 3 7
Раптовий розвиток 6 4
Повільній розвиток 1 9
Втрата свідомості 6 4

Наведені вищє результати, з одного боку, демонструють наявність глибокого внутрішнього зв'язку между добро відомімі табличного діагностічнімі алгоритмами и Байєсівською стратегією. З Іншого боку, доведена в клінічній практике Досить висока ефективність табличних діагностичних алгоритмів, может буті аргументом на Користь правила продукції з елементами Байєсівської стратегії, описаного виразі (1.4) - (1.5).

Експертна система для ірідодіагностікі ЕСІД

Призначення и возможности. Програма ЕСІД багатоцільова: вона может використовуват для практичної ірідодіагностікі, наукових досліджень и навчання ірідологів Мед].

Возможности системи Мед]:

кількісна оцінка ймовірності можливий захворювань;

розв'язування задач Загальної, діференціальної та часткової діагностики з пошуку информации за схемами "ознака-захворювання" і "захворювання-ознака";

использование, поряд з ірідодіагностічнімі, додаткова ознака;

аргументування діагнозу;

автоматизоване формирование Висновки лікаря з рекомендаціямі Стосовно лікування Виявлення захворювань;

протоколювання результатів обстеження с помощью Автоматизованої статистичної ОБРОБКИ протоколів;

модернізація бази знань без Залучення професіональніх програмістів;

можлівість автоматизованого обліку результатів статистичного оброблення протоколів у випадка модернізації бази знань;

Кількість розпізнань нозологічних форм - біля 300;

Кількість використаних діагностичних ознака - близько 1000;

наявність режиму "Допомога" у виде кольорових графічних ілюстрацій и текстових коментарів.

База знань містіть систему реляційніх баз Даних з переліком ірідодіагностічніх и Додатковий (неірідодіагностічніх) ознака, переліком нозологічних форм, інформацію про статистичні зв'язки между ознака и захворюваннямі та рекомендації Стосовно лікування.

Мал. 1.3. Введення діагностичних ознака в ЄС ЕСІД

Механізм логічного Виведення базується на частково вікорістанні Байєсівської стратегії: в процесі Загальної або діференціальної діагностики за завданням значень діагностичних Ознака (ірідодіагностічніх або додатково), автоматично обчіслює и подає у вербально-графічній форме (схема организации информации на екрані комп'ютера в режімі введене значення діагностичних Ознака наведена на рис. 1.3) значення ОЦІНКИ апостеріорного розподілу ймовірностей P (Yj / Xi).

Основою алгоритму обчислення службовців співвідношення (1.4) - (1.5). Різніця Полягає в тому, что реалізується рекурентное аналог (1.6), а не співвідношення (1.5):

(1.6)

Клієнт-серверна експертна система для телемедицини

Термін "телемедицина" означає! Застосування телекомунікаційніх та інформаційних технологій у медицині для проведення лікувальніх ЗАХОДІВ на відстані [111]. На сегодня телемедицина містіть сукупність "вбудований" у медичні інформаційні системи принципова Нових ЗАСОБІВ и методів Обробка даних, об'єднаних у цілісні технологічні системи, что забезпечують создания, передачу, зберігання и відображення інформаційного продукту (Даних, знань). Одним Із традіційніх ЗАСТОСУВАННЯ інформаційних технологій в медицині є експертні системи (EC).

Як було сказано, експертні системи можна поділіті на одінічні, групові та групові та корпоративні.

Використання мережевої клієнт-серверної технології (групові та корпоративні системи) дает певні Преимущества при побудові як EC в цілому, так и медична EC зокрема:

архітектура клієнт-сервер призначила для вирішенню проблем файл-серверних ЗАСТОСУВАННЯ Шляхом розділення компонентів и размещения їх там, де смороду функціонуватімуть ефектівніше;

можлива інтеграція EC з іншімі.сістемамі, потрібнімі користувач;

Залучення більшої кількості Користувачів для использование централізованої бази знань и підсістемі логічного Виведення Забезпечує Досить скроню адекватність EC;

можлівість приватного зберігання алгоритмів логічного Виведення та баз знань;

Збільшення доступності систем;

если база знань зберігається на сервері, то за необхідності ее модіфікації проводитися ее одноразові оновлення, а клієнтська частина залішається незмінною, что істотно спрощує процес модіфікації бази знань, у порівнянні з локальною технологією EC, де нужно Було б відновіті копію EC кожного користувача

подібність завдання и методів решение в медичний експертних системах надає можлівість віділіті в них універсальні елементи, інтегрувавші їх уфункції сервера, что дозволяє спростіті процес побудова EC.Застосування клієнт-серверних експертних систем для мережInternet / Intranet Забезпечує Такі Преимущества:

Інтенсивний розвиток и висока ефективність медичний EC зокрема;

можлівість! застосування автоматизації процесса лікарського контролю;

Надання лікарської допомоги та контроль за умови теріторіальної віддаленості пацієнта

Наведемо приклад! Застосування мережевих технологій для побудова експертних систем у телемедіціні. Система контролю серцевої актівності Cardioview, что має давач серцевої актівності, Який з'єднаній задопомогою мобільного телефону стандарту GSM з Internet-сервером через WAP протокол и передает дані про серцево Активність спеціальній системе, напісаніймовою Java. Аналогічна система Biolog застосовується експертами NASA для лікарського контролю самопочуття космонавтів. Відома такоже експертна фармакологічна система, что працює через WWW (Internet / Intranet).

Однако на сегодня НЕ сформованому універсальний підхід до побудова таких систем. До недоліків можна Віднести такоже орієнтацію на решение конкретних частково завдань и! Застосування вузькоспеціалізованіх технологій (побудова системи на Основі WWW- інтерфейсу).

У зв'язку з ЦІМ в предложено схема клієнт-серверної експертної системи для мереж Internet / Intranet (рис. 8.4), яка может буті Використана для решение задач телемедицини Незалежності від їх КЛІНІЧНОЇ спеціфікі.

У порівнянні з класичності EC експертна оболонка віділена як відособлена частина и Виконує Функції мережевих клієнта. Підсистема логічного Виведення та база (банк) знань знаходяться в серверній части системи. Банк знань может зберігаті декілька незалежних баз знань, Які Використовують різнімі клієнтськімі програмами. Для ПІДТРИМКИ банкузнань Використовують засоби систем керування базами Даних.

До складу серверної части ЄС кроме банку знань входити Підсистема логічного Виведення, яка інтегрується з інтерпретаторамі скрипт-мов, что дозволяють реалізуваті знання засоби ціх мов. Інтеграція таких мов як LISP, клін Prolog, Forth дозволити легко перенести Вже існуючі EC, побудовані з Використання ціх мов, в режим мережевої реализации. Таким чином можнарозшіріті возможности існуючіх медичний інформаційних систем ведення та обліку Хворов Шляхом введення в них Функції роботи з комерційними мережевий ЄС.

Для комунікації между серверного и клієнтською частинами системи вікорістовується протокол на основе від платформи незалежного стандарту XML.

Протокол взаємодії серверної та клієнтської частин ЄС Забезпечує статичний и діалоговій (інтерактивний) режими взаємодії з користувачем

Статичність режим Зручний у випадка одноразового передавання всех Даних, достатніх для прийняття решение за умови, что смороду Вже знаходяться в базі Даних клієнтської части и не вімагають Додатковий Введення з боку користувача. Коли їх недостатньо, клієнт и сервер вступають у діалоговій режим взаємодії.

Вибір формату XML зумовленій такими факторами:

незалежний формат Даних. Во время использование XML дані больше не прив'язані до ЗАСОБІВ, что їх создали. Це різко підвіщує можлівість взаємодії різніх систем, надає Великі возможности Вибори для користувача и спріяє спільному Використання Даних різнімі системам;

покращення возможности поиска Даних, оскількі XML візначає логічну структуру документа;

Збільшення доступності Даних.

XML стандарт передавання Даних має кож ряд перевага и в порівнянні з HTML стандартом, Який широко вікорістовується для реализации WWW- продуктів.

На Основі розглянутої технології побудова клієнт-серверної експертної системи для мереж Internet / Intranet розроблено експертна система «Вертебрологія» для діагностики етіології фронтальних вікрівлень хребта (сколіозу).

Для розроблення системи «Вертебрологія» вікорістовувалісь Такі Інструментальні засоби: мова програмування C / C ++ як для клієнтської, так и для серверної частин; СКБД MySQL для зберігання банку знань серверної части та бази даних клієнтської части; скрипт-мова Lua, что Забезпечує Механізм логічного Виведення серверної части.

Мовою Lua реалізовані алгоритми експертної ОЦІНКИ етіології фронтальних вікрівлень хребта (сколіозу). В Основі алгоритму лежить статистичний підхід до вирішенню проблеми засоби кореляційного и регресійного АНАЛІЗУ. Використовують Рівняння, что чисельного віражають вірогідність тієї чи Іншої першопрічіні фронтальних вікрівлень хребта.

Розглянуті технології, мережеві протоколи и програмне забезпечення могут буті вікорістані для вирішенню проблем телемедицини и в других клінічніх областях.

Експертна система "Лазерна Рефлексотерапія"

! Застосування експертних систем, призначення для вирішенню завдання діагностики и лікування захворювань, особливо Ефективне в тих випадка, коли врахування дуже великого ОБСЯГИ вхідної информации або реалізація складного алгоритму Прийняття решение дуже доладна для практичного лікаря. Прикладом может буті розроблення схем лікування для методів рефлексотерапії. Велика Кількість акупунктурних точок (более 800) и необходимость ОЦІНКИ множини чінніків для Вибори зон и доз стімуляції прімушує лікаря-рефлексотерапевта користуватись спрощений и шаблон підходом, что зніжує результатівність застосовуваної терапії.

Мал. 1.4. Схема клієнт-серверної експертної система для мереж Internet / Intranet

В описана експертна система, реалізована на персональному комп'ютері и призначила для автоматизації синтезу рецептур за методиками лазерної-рефлексотерапії. В основу програми покладені алгоритми, Які фахівці застосовують во время складання реальних рецептур лазерної рефлексотерапії.

Вхідною інформацією для експертної системи є діагностичний Висновок, Який формулюється лікарем на основе Даних клінічніх та інструментальніх ДОСЛІДЖЕНЬ и Включає Такі дані:

вік и стати хворого;

розгорненій клінічний діагноз - нозологічна форма, Головні синдроми и Симптоми захворювання;

Відомості про нейрометамірну іннервацію патологічніх осередків, Ураження внутрішніх ОРГАНІВ и зон патологічніх відчуттів (Біль, свербіння ^ парестезії ТОЩО);

Відомості про анатомічну локалізацію патологічніх осередків и враження внутрішніх ОРГАНІВ.

Результатом роботи експертної системи є рекомендації Стосовно схеми курсу лазерної рефлексотерапії для конкретного хворого. Схема містіть ПЕРЕЛІК и Кількість акупунктурних точок, а такоже пітомі дозуюч лазерного випромінювання для кожної процедури.

Експертна система експрес-діагностики станів у випадка пороків серця

У Цій сістемі модель знань представлена ​​у виде графа окремий сімптомів, симптомокомплексів и станів, что належати до одного класу захворювань. Вважається, что всі симптоми, симптомокомплекси и стани зв'язані. Цей зв'язок віражається у тому, что если Різні елементи информации належати до одного и того самого або послідовніх патологічніх процесів одного варіанту перебігу захворювання, то при візначенні будь-которого з них Повністю відтворюються інші. Ціна асоціації розглядається як статистична характеристика переходу від одного симптомокомплексу до Іншого. Ця характеристика Залежить від кількості попередніх спільніх відтворень обох симптомокомплексів, проміжку часу, что минувши з моменту последнего їх відтворення, а такоже від частоти відтворення елементів, пов'язаних з Обом заданими симптомокомплексами.

Для визначення статистичних характеристик та патенти використовуват достовірну інформацію. Тому з архіву клініки вібірають історії хвороби з веріфікованімі Висновки. Навчання моделі захворювання проводитися самє на веріфікованому матеріалі. Системі повідомляється частина відомостей, что є в історії хвороби хворого. Віхідна інформація порівнюється з Решті Даних клінічного спостереження, что аналізується. Если смороду в Чомусь НЕ збігаються, то фіксовані Параметри моделі змінюють Доті, доки НЕ буде видана інформація, тотожності данім історіям хвороби.

Система Забезпечує Досить скроню точність діагностики и прогнозування найважлівішіх патологічніх станів: від 79,9 ± 1,9% до 87,2 ± 4,9%.

Експертна система прогнозування Настанов віраженої серцевої слабкості в післяопераційному періоді у пацієнтів Із захворюваннямі мітральіого клапана. Одна з важлівіх особливо КЛІНІЧНОЇ информации Полягає у Великій кількості ознака захворювань, відносно Малій кількості СПОСТЕРЕЖЕНЬ та істотній пітомій вазі пропусків Даних.

У цьом випадка модель представлення знань експертної системи может базуватіся на методі групового врахування аргументів. Ця технологія булу Використана в процесі розроблення названої експертної системи.

Для побудова моделі знань методом експертної оцінки з подалі пробачимо аналізом інформатівності Було відібрано 12 показніків, а на підставі Вивчення архіву веріфікованіх віпадків Вибравши 40 історій хвороб пацієнтів, что померли в результате різко віраженої серцевої слабкості в післяопераційному періоді.Для порівняння клініки патологічного процесса булу взята така сама Кількість віпадків для післяопераційного ПЕРІОДУ, что проходив нормально. Для Утворення навчальної та Екзаменаційної послідовностей Вказаним об'єм СПОСТЕРЕЖЕНЬ БУВ розділеній на две групи (з однакової кількістю історій хвороби в Кожній).

У прогнозуванні можлівої серцевої слабкості вікорістовуваліся дані анамнезу (вік и длительность захворювання), показатели об'єктивного и лабораторного обстеження пацієнта (центральний венозний ТИСК, розміри серця, лівого и правого шлуночків, рівень загально білірубіну крови, ШВИДКІСТЬ осідання еритроцитів), характеристики фонокардіологічного обстеження, показатели функціонального стану діхальної системи (відношення жіттєвої місткості легенів до задовільної и коефіцієнт использование кисня). Цей метод дозволив здобудуть апроксімуюче Рівняння, Пожалуйста дает можлівість візначаті степень Наближення початкових стану хворого до двох дискретних рівнів, что зумовлюють можлівість або неможлівість Виникнення гострої серцевої слабкості з точністю НЕ менше 70%.

Поліалгорітмічні експертні медичні системи. В СУЧАСНИХ ЄС діагностики ма ють місце два основних підході до использование медичний знань:

использование формалізованого представлення про правила постановки діагнозу. Такі системи розробляються за участю провідніх фахівців у відповідніх галузь медицини. Суть їх роботи Полягає у реализации алгоритмів логічного опрацювання множини Даних про Хворов з метою встановлення діагнозу;

использование статистичних методів та програм, что навчаються. Суть навчання Полягає в аналізі історії хвороби з Вказаним діагнозом та формуванні алгоритму (розв'язувального правила), Який дозволяє візначаті діагноз у кожному конкретному випадка.

Відомо, что діагностичні ЄС не всегда влаштовують лікаря-користувача. Програмне забезпечення ЄС є, по суті, алгоритмом кінцевого результату консіліуму лікарів. Однако практично Не бере до уваги процес Отримання цьогорезультату - алгоритми визначення діагнозів шкірних лікарем, что бере участь консіліумі, тобто НЕ Враховується гнучкість мислення лікаря.

Цім зумовлена ​​необходимость нового класу експертних систем - так званні поліалгорітмічніх експертних систем, тобто свого роду колективного розуму, Який вікорістовується для постановки діагнозу.

Такі системи містять Різні методи постановки діагнозів лікарями, Які залежався від їх тіпів інтелекту, тобто є своєріднім «комп'ютерним консіліумом».

Розроблення поліалгорітмічніх експертних систем є дуже перспективним и водночас Надзвичайно складаний задачею. Складність цієї задачі зумовлена ​​такими основними факторами:

необхідністю розроблення технології комп'ютерної класіфікації тіпів

необхідністю розроблення методів и ЗАСОБІВ інформаційних технологій, что дозвсляють Розкрити тип інтелекту.

Рішення такой задачі дозволити отримають Різноманітність алгоритмів мислення лікаря в залежності від тіпів інтелекту и создать банк знань поліалгорітмічніх експертних систем - інформаційний комп'ютерний консіліум.

Поліалгорітмічні експертні системи є прикладом нового класу інтелектуальніх інформаційних технологій. Традіційні інформаційні технології, что Використовують в експертних системах, моделюють певні Функції інтелекту людини, например, Функції довготрівалої пам'яті: записи, зберігання и відтворення информации. Інтелектуальні інформаційні технології поліалгорітмічніх експертних систем поклікані моделюваті складаний процес місленнялікаря, что Залежить від типу его інтелекту.

Комп'ютерна класифікація тіпів інтелекту требует розробки методів и способів алгорітмізації мислення лікаря в процесі решение задач діагностики, прогнозування керування ТОЩО з урахуванням типу інтелекту. Алгоритм можливий підходу до комп'ютерної класіфікації тіпів інтелекту может буті таким:

розроблення Переліку Відповідей на питання, Які предлагают випробування, у відповідності до типу інтелекту;

розроблення спеціальніх пітальніків (анкет);

вирішенню задачі розпізнавання типу інтелекту в залежності від Отримання Відповідей.

Навідні прикладом одного з можливіть вопросам та семи Відповідей у ​​відповідності до тіпів інтелекту.

Питання: Чи вважаєте Ви необхіднім для постановки конкретного діагнозу вікорістаті знання про Функціонування других систем організму (фізичний статус), а такоже знання про стан псіхічного и СОЦІАЛЬНОГО статусів?

ВІДПОВІДІ:

во время постановки діагнозу знання про можливий патологію асоціатівно пов'язую з домінантною метою - пошук керуючих Дій через здорові системи організму та екологію здоров'я в цілому (глобально- асоціатівній тип інтелекту) ',

постановку діагнозу асоціатівно пов'язую НЕ только з Певного патологічною системою, но и з пошуку можливости причин, что віклікалі патологію (знаходження других патологічніх систем з урахуванням єдності фізічного, псіхічного и СОЦІАЛЬНОГО здоров'я). Розглядаю патологію як наслідок ряду причин (абстрактно-асоціатівній тип).

постановку діагнозу обґрунтовую єдністю фізічного, псіхічного та СОЦІАЛЬНОГО здоров'я. Патологічну систему пов'язую з роботом других фізіологічних систем організму та екологією здоров'я в цілому. Знаходжусь причину, что віклікала патологію и даю логічне Пояснення взаємозв'язку причини и наслідку (асоціатівно-синтетичний тип);

в процесі постановки діагнозу використову знання про Цю патологічну систему та ее зв'язки з іншімі системами організму Всередині даного статусу (фізічного, псіхічного або СОЦІАЛЬНОГО). Здоров'я як трієдність статусів розглядаю в межах моїх знань (системно-асоціатівній тип);

діагноз синтезу на основе логічного АНАЛІЗУ и сістематізації фактографічного матеріалу про Цю патологічну систему. Процес АНАЛІЗУ и сістематізації пріпускає віключення других діагнозів (асоціатівно- аналітичний тип);

діагноз синтезу на основе логічного АНАЛІЗУ фактографічного матеріалу про Цю патологічну систему з обов'язковим Залучення знань про стан фізіологічних систем, тісно пов'язаних з досліджуваною (системно аналітичний тип);

для постановки діагнозу мені Досить моїх ПРОФЕСІЙНИХ знань относительно цієї патології {конкретно-аналітичний тип).

Складання питальник з відповідямі є дуже складаний задачею, оскількі комп'ютерне розпізнавання типу інтелекту требует здавна вагових коефіцієнтів харчування запітальніка. Комп'ютерна технологія класіфікації мислення лікаря за типом інтелекту є стратегічною задачею создания поліалгорітмічніх експертних систем як елементів природного інтелекту.

Поліалгорітмічні експертні системи нададуть лікарю можлівість аналізуваті сітуацію НЕ только на основе своих знань и власного алгоритму мислення, но й ознайомітісь Із аналізом аналогічної ситуации лікарями з різнімі типами інтелекту (віртуальний консіліум). Технологія поліалгорітмічніх експертних систем может буті основою проблемно орієнтованих медичний комп'ютерних довідніків.

Відмінності между традіційнімі та поліалгорітмічнімі експертними системами формулюються так:

традиційна експертна система - це комп'ютерна система, програмне забезпечення якої відображає алгоритм кінцевого результату консіліуму лікарів во время постановки діагнозу;

поліалгорітмічна експертна система - це комп'ютерна система, програмне забезпечення якої відображає алгоритм процесса постановки діагнозу шкірного лікарем консіліуму, что Залежить від типу его інтелекту, и алгоритм процесса кінцевого результату постановки діагнозу.

Для создания поліалгорітмічніх експертних систем доцільно використовуват фахівців з різнімі типами інтелекту.

Як приклад концептуального підходу до создания поліалгорітмічніх експертних систем можна розглядаті експертну систему кардіологічної діагностики (Ескорд), модель представлення знань якої вікорістовує технологію фреймів.

В Основі цієї системи лежати не знання експертів, а предметні знання, что НЕ залежався від особистості. Ескорд может працювати як у складі автоматизованого систем масового медичного обслуговування, так и як індивідуальне робоче місце лікаря-діагноста. Система дозволяє одночасно обробляті діагностичні ознака кількісного та якісного характеру.

База знань Ескорд містіть довідник усіх захворювань, что візначає групи диспансерного обліку на поліклінічному Рівні діагностічного процесса з переліком чінніків внутрішньої та зовнішньої природи, а такоже Скарги Стосовно 18 предметних областей. Скарги та аналітичні дані захворювань, что це має належати до кардіологічного профілю, розглядаються як ризики кардіологічної патології. В системе предусмотрена более 80 можливости кардіологічніх діагнозів та более 65 захворювань, что визначаються в процесі діференційної діагностики.

У системе Ескорд вікорістовується немонотонність двонапрямлене Виведення, в процесі которого одержані дані оцінюються относительно гіпотезі, что вісувається, для підтвердження цієї гіпотезі запітуються Нові дані з бази даних. Технологія Ескорд заснована на методі генерації та діференціації гіпотез.

Во время проектування медичний експертних систем суттєве значення має вибір моделі представлення знань, Які є достаточно великим інформаційнім масивом біологічних, медичний и екологічних відомостей. Можливі два основні підході:

розроблення спеціального математичного апарату для моделювання процесів у складних біологічних об'єктах;

всебічній аналіз зібраніх медичний, біологічних и екологічних відомостей с помощью існуючіх математичних методів.

Обидвоє напрямки є необхіднімі, однак предпочтение Варто надаті дослідженню цінності накопіченої информации, Використання математичних Ідей для відбору найважлівішіх показніків, згортанню Даних Шляхом Отримання простих інтегральніх моделей процесів, что відбуваються в організмі та навколишнього середовіщі.

Інформаційно-діагностична система Спадкового захворювань у дітей "ДІАГЕН"

Система "ДІАГЕН" призначила для попередньої діагностики Спадкового захворювань за клінічною симптоматикою и результатами найпростішіх лабораторних и функціональніх ДОСЛІДЖЕНЬ. ее использование значний звужує коло діагнозів, уточнення якіх требует дорогих лабораторних ДОСЛІДЖЕНЬ: "ДІАГЕН" пропонує лікарю-генетику вузький діференційній ряд.

База знань системи містіть повний структурованій описание КЛІНІЧНОЇ картини 1200 моногенних и хромосомних хвороб и сіндромів, включаючі спеціфічні Зміни, Які віявляються функціональнімі, біохімічнімі, морфологічнімі та цитогенетичних дослідженнямі. База знань системи містіть кож Бібліографічні ПОСИЛАННЯ Стосовно шкірного синдрому.

"ДІАГЕН" - система, Відкрита для постійного поповнення знань. Кроме того, "ДІАГЕН" дозволяє Здійснювати архівування Даних діагностованіх хвороби.

В процесі своєї роботи система "ДІАГЕН" оперує такими данімі, что складають ее базу знань:

Ознака, Які характеризують клінічну картину захворювання;

описание захворювання через ознака;

правила Виведення діагнозу за генотипного Описом пацієнта.

Ознака зберігаються в базі знань у виде дерева. Если ознака має нащадків у дереві (тобто відповідній срок Включає в себе інші ознака), то ВІН назівається узагальнюючім. Ознака, яка НЕ ​​має нащадків, назівається термінальною. Например, ознака "деформація пальців" - узагальнююча, а ее нащадок: "До л и нодакті м и я" - термінальна). Кожному синдрому в базі знань відповідає свой описание, Який містіть:

Назву;

код за Класифікатором МакК'юсіка;

список синонімів Певного синдрому;

список ознака, Які складають ведучий симптомокомплекс;

список другорядніх ознака;

Терміни маніфестації Певного синдрому;

типи Спадкування;

результати функціональніх ДОСЛІДЖЕНЬ, характерних для Певного синдрому.

Система містіть три основних блоки:

діагностичний, что відає діференційно-діагностичний ряд;

довідник, Який представляет повну інформацію про Ознака и синдроми, что зберігаються в системе (орієнтований у Першу Черга на лікаря-педіатра широкого профілю);

архів, Який Забезпечує Збереження и повторне использование Даних про діагностування хвороби.

В процесі роботи системи в режімі "Діагностика" Стосовно кожної дитини візначається така інформація:

анкетні дані, Які містять прізвище дитини, ее имя, стати, вік и срок маніфестації захворювання;

список відібраніх ознака, Який складається з Ознака, что характеризують стан дитини. В цей список потрапляють як термінальні ознака, так и Узагальнюючі (если користувач НЕ має наміру более їх уточнюваті). Кожній ознаці в цьом списку прізначається вага (число в інтервалі від 0% до 99%), что характерізує значімість ознака, на мнение користувача, для постановки діагнозу.

дерево Шляхів, Пожалуйста містіть всі ознака, відзначені користувачем у процесі роботи и впорядковані в структуру дерева (тобто переглянутися частина загально дерева ознака).

Кроме того, в системе ведеться архів, у якому зберігаються дані про дітей, Які пройшли діагностику. Це дает можлівість користувач повертатіся до Даних про пацієнтів як з метою уточнення вхідної информации, так и в процесі катамнезу.

Система "ДІАГЕН" має Такі основні режими роботи:

діагностування;

переглядання бази знань;

робота з архівом.

Завдання діагностування є основною в системе и Включає Такі Функції:

Введення Даних про дитину с помощью функцій "Введення анкетних даних" або "вибір Даних з архіву);

Введення або коригування клінічніх ознака;

коректування ваги ознака;

відбір діагнозів.

переглядання відібраніх діагнозів.

Додавання або заміна даних до Архіві.

Функція перегляду бази знань є допоміжною в системе и перехід у неї здійснюється з ОСНОВНОЇ задачі діагностування дитини через меню системи. Можливе такоже Самостійне использование цієї Функції.

Функція роботи з архівом такоже є допоміжною в системе и перехід у неї здійснюється з ОСНОВНОЇ задачі діагностування через меню системи. После повернення в основнову завдання, всі Ранее візначені дані будут збережені.

Експертна діагностична система "ВЕСТ-СИНДРОМ"

Система дозволяє Проводити діференційну діагностику в декілька етапів. На попередня етапі формуються діференційні ряди, які відповідають різнім комбінаціям Введення сімптомів, что допомагає користувач "відфільтруваті" основні Діагнози від супроводжуючий. На Наступний етапі видають обґрунтовані рекомендації Стосовно проведення Додатковий ДОСЛІДЖЕНЬ ". Система містіть:

класифікатор ознака;

описание 36 нозологічних форм, что включаються более 200 клінічніх и лабораторних ознакою.

Система призначила для дитячих лікарів-невропатологів и псіхоневрологів, а такоже для навчання студентів и слухачів факультетів (інстітутів) Підвищення кваліфікації.

Експертна система діагностики невідкладніх станів у дітей «ДІН»

Система предполагает розпізнавання поточного стану дитини - синдрому або кількох сіндромів.

Робота з системою "ДІН" дозволяє:

Забезпечити діагностику 34 сіндромів, что включаються 84 невідкладні стани;

прослідкуваті за процесом постановки діагнозу;

Проводити консультацію як на долабораторний етапі обстеження, так и з використаних результатів лабораторних и фундаментальних методів дослідження;

прогнозуваті Можливі ускладнення основного синдрому.

Розробка системи проводилася на основе експертної оболонки LEONARDO. Система предполагает врахування рівнів упевненості з'явився симптому та ймовірнісніх характеристик важлівості вкладу сімптомів в описание КЛІНІЧНОЇ картини сіндромів.

Комп'ютерна експертна система в оболонці ARROW для діагностики нефропатій, что протікають Із синдромом гематурії у дітей. З метою оптімізації діагностики нефропатій з синдромом гематурії розроблено комп'ютерна експертна система в оболонці ARROW, что ґрунтується на технології віртуальніх статистик з елементами штучного інтелекту. База знань системи містіть інформацію про 100 захворювань Із синдромом гематурії.

В експертній системе передбача можлівість Збереження информации про обстеження пацієнтів у картотеці. Система Забезпечує Додаткове Введення Даних про Хворов после повторного консультацій лікаря та других спеціалістів.

В експертній системе функціонує довіднікова система, что містіть сучасні літературні дані з діагностики и терапії захворювань, что протікають Із синдромом гематурії. Користуватись довідніковою системою можна, що не віходячі з експертної системи и не Припиняючи діагностичний процес.

Комп'ютерна експертна система характерізується високим розпізнаванням нефропатій з гематурією, что складає 97%.

Експертна система діагностики бронхіальної астми у дітей. Експертна система ЕБВАО призначила для консультаційної допомоги лікарю в діагностіці бронхіальної астми у дітей. Система створ на базі інструментального середовища БТЕРСЬАЗЗ.

База знань експертної системи містіть дані про 13 захворювань, з Якими найчастіше доводиться діференціюваті бронхіальну астму у дітей.

Експертна система ЕБВАО працює з користувачем у режімі діалогу и с помощью розв'язувальніх правил здатно візначіті до которого захворювання або груп захворювань Належить Певний випадок, Робить Висновок про діагноз и пояснює своє решение, візначає степень складності захворювання и дает рекомендації относительно лікування.

У 87,2% віпадків діагностичні решение експертної системи ЕБВАО збігаються з клінічнім діагнозом.

Рання діагностика судинно захворювань мозком з Використання оболонки ЄС «Універсал». Мозковий інсульт є однією з найбільш Поширення причин загібелі та інвалідності СУЧАСНИХ людей. Если в Минулі роки смертність, зумовлена ​​мозкова інсультом, займаюсь Третє місце после ішемічної хвороби серця та онкологічніх захворювань, то останнім часом вона перемістілася на одному місце.

Особливо висока смертність спостерігається среди людей з артеріальною гіпертензією та атеросклерозом, что дозволяє Інколи вважаті, что в борьбе с мозкова інсультамі основнову Рамус слід пріділяті первінній профілактіці, дере за все профілактіці артеріальної гіпертензії та атеросклерозу. За цією стратегією профілактику артеріальної гіпертензії предлагают почінаті з юнацького, а атеросклерозу - з раннього дитячого віку. У цьом випадка вінікає ряд вопросам. По-перше, кого піддаваті такій профілакгіці? Если всех, тоді вінікає одного запитання - Яким чином це можна Забезпечити? Якщо не всех, то як найти осіб, особливо схільніх до Дії чінніків ризики? І Нарешті, если Такі особини знайдені, то Які самє профілактичні заходи повінні буті вікорістані?

Водночас добре відомо, что кроме ПРОФІЛАКТИКИ захворювань (первинної ПРОФІЛАКТИКИ) існує профілактика їх ускладнень (вторинна профілактика).

Рішення Якщо не всех, то прінаймні части наведення вищє вопросам может буті істотно полегшене внаслідок использование оболонки експертної системи (ОЕС) «Універсал», налаштованої на ранню діагностику таких захворювань и їх ускладнень з урахуванням існуючіх веріфікованіх и Досить ефективних методик.

Одна з простих методик подібного роду Полягає у вікорістанні прогностічної карти, что містіть Усього 11 чінніків ризики. Фрагмент цієї карти, створеної на основе методу експертних оцінок и прізначеної для прогнозування Виникнення мозкова інсультів, наведень в табліці 1.12.


Таблиця 1.12.

Фрагмент карти для прогнозування Виникнення мозкова інсультів

Ознака значення ознака Балі
1. Склероз Судін мозком Помірне 2
Значне 3
2. систолічний Тиск 151 -160 мм рт.ст. 1
вищє 160 мм рт.ст. 3
3. Діастолічній Тиск 100 мм рт.ст. и вищє 3
4. Біль в області серця Частіше чем 1 раз на тиждень 1
5. Зміни Судін очного дна Значні (звуження артерій, їх звівістість ТОЩО) 3

Суть методу експертних оцінок така. Спочатку ЕКСПЕРТИ складають ПЕРЕЛІК основних чінніків ризики, кожному з якіх прівласнюють числове значення (Кількість балів). Потім на навчальній групі веріфікують Складення ПЕРЕЛІК, прагнучі досягті 90% ної точності прогнозу. Кінцеві Висновки про ефективність методики роблять за наслідкамі апробації Переліку на контрольній групі - если точність прогнозу перевіщує 70%, карта візнається прідатною для практичного! Застосування.

Таблиця 1.13

Фрагмент карти для прогнозування судинно захворювань мозком и Гостра інфарктів у людей з нормальним артеріальнім лещата

Ознака значення ознака Балі
1. Атеросклероз Судін головного мозком стадія 1
стадія 2
стадія 4
2. Зміни Судін очного дна У виде звуження и звівістості артерій, «Салюс І, II або III», симптому «мідного дроту», «срібного дроту», антігіопатія сітківкі 2
3. Порушення мозкового кровообігу, что минають У вертебро-базилярному басейні 2
У каротидному басейні 3
4. Зміни серця за данімі ЕКГ Значні Зміни 1
3
5. Стенокардія Почастішання або з'явиться нападів стіскаючіх загрудинних болів 2

Діагностічне решение пріймають так.Балі ознака, что спостерігаються, підсумовують. Если у віці 30-50 років сума рівна 7, у віці 51-60 років -10, а у віці 61 рік и старше - 12 балам, то таких обстежуваніх необходимо Віднести до групи підвіщеного ризики.

Інша методика вікорістовується для прогнозування судинно захворювань мозком та Гостра інфарктів у людей з нормальним артеріальнім лещатах. Числові значення ознака визначаються як значення оцінок умовної ймовірності Р (Yj / Хi). Згідно ЦІ значення були «зіпсовані» Шляхом заміні їх цілочісельнімі значення - балами (фрагмент такой карти наведень у табл. 1.13; у цілому карта містіть 19 Ознака) [79,89]. Однако у випадка необхідності можна вернуться до оцінок умовної ймовірності Р (Yj / Хi), тоді вместо методу підсумовування балів можна вікорістаті метод зваження Голосування.

Діагностічне решение пріймають аналогічно. Балі ознака, что спостерігаються, підсумовують и констатують велику вірогідність Виникнення мозкового інсульту або інфаркту міокарда, если сума балів ставити 7 и более.

! Застосування систем автоматизації Прийняття решение, подібніх до ОЕС «Універсал», значний підвіщує Надійність ранньої діагностики мозкового інсультів и Гостра інфарктів міокарда.

Експертна система для КЛІНІЧНОЇ епілептології. Епілепсія є одним Із найпошіренішіх серйозно захворювань мозком. Близько 20% населення хоча б один раз у жітті малі напад, что дает підозрі Стосовно епілепсії та вімагають діференційної діагностики. Від 1 до 5% населення в Якийсь период життя хворілі, хворіють або захворіють на епілепсію. Об'єм проблеми, ее мультідісціплінарність и ряд аспектів, что вімагають спеціальніх знань, Які Суттєво Виходять за рамки звичайний вимог, что ставлять до традіційніх спеціалістів з неврології, псіхіатрії и тім более до лікарів Загальної практики, привели до з'явиться порівняно новой спеціальності - епілептології.

Епілептологія - це науково-прикладна медична дисципліна, яка займається Досліджень и практичним розв'язування проблеми епілептології, патогенезу, діагностики, лікування и ПРОФІЛАКТИКИ епілептічніх та других пріступоподібніх розладів, зумовленіх короткочаснімі зворотнього порушеннях функцій мозком, а такоже пов'язаними з цією проблемою.Більше організаційнімі и соціальнімі завданнями.

Дамо орієнтовне уявлення относительно ОБСЯГИ необхідної епілептологічної информации:

необхідне знання не менше 60 різніх форм епілепсії, їх патогенезу, основних сімптомів, Даних електроенцефалографії (ЕЕГ), нейровізуалізаційніх методів дослідження, лабораторних Даних, правил Вибори ліків и їх Дозування, прогнозом и стратегії ведення з урахуванням альтернатив розвитку захворювань;

необхідне знання нейрофармакології епілепсії, яка Включає на сегодня НЕ менше 25 только Офіційно зареєстрованіх міжнародніх найменувань. Окрім знань про Механізми Дії, показання (і протипокази) для кожної форми епілепсії, необхідне знання про негатівні побічні Дії препаратів І спосіб їх унікнення, Особливості роботи з комерційними іншімі протіепілептічнімі и непротіепілептічнімі лікамі (Тисячі найменувань и відповідна Кількість можливий комбінацій). ЦІ аспекти Надзвичайно Важливі і в більшості віпадків є причиною неуспішного лікування, а Інколи и фатальних ускладнень. Отже, неправильний вибір протіепілептічніх ліків может привести до ускладнення пріступів, Які Вже існують, Виникнення Нових и тяжких псіхічніх порушеннях. Може вінікнуті резістентність до других протіепілептічніх препаратів. Неправильна комбінація протіепілептічніх ліків, окрім возможности погіршення самой клініки епілепсії, может привести до розвитку тяжких змін свідомості и мозкова функцій, соматичних ускладнень з боку крови, печінкі, других внутрішніх ОРГАНІВ и систем, до важкої токсічної енцефалопатії;

необхідне професійне знання ряду аспектів КЛІНІЧНОЇ нейрофізіології, в Першу Черга ЕЕГ, оскількі від цього Залежить НЕ только діагноз епілепсії та ее форми, но й вибір препарату для лікування; оцінка на ранніх етапах лікування правільності Вибори и дозуюч; відслідковування ефектівності терапії та можливий сторонніх ефектів; Прийняття решение про можлівість відміни протіепілептічної терапії (віліковування). Достатньо згадаті, что клінічний аналіз ЕЕГ требует знання щонайменш 10000 параметричного опісів особливо тіпів електроенцефалограм и відповідніх Їм клінічніх кореляцій, з якіх около половини так чи інакше належати до епілепсії;

необхідне знання легальних аспектів положення пацієнта з епілепсією, регламентованості спеціальнімі Національними та міжнароднімі юридичними актами, Які забезпечують права на працю, навчання и соціальні гарантії.

Як і друга, І, ймовірно, головне - даже у випадка знання Всього згаданого успішність лікування хворого віявляється різною у різніх лікарів, что візначається такими розмітімі (но, очевидно, реально) факторами, як Інтуїція, досвід, талант. При всій, на перший погляд, неформальності ціх визначеня їх все-таки можна формалізуваті. За своєю суттю смороду означають здатність залучіті всі необхідні дані, Придбані з літературних джерел и власного досвіду лікування хвороби, відібраті з них необхідні та достатні, оцініті їх відносну діагностічну Вагу, організуваті їх у логічну систему міркувань и сделать Правильний Висновок. На сегодня відома методологія математичного моделювання цієї Функції, яка дозволяє реалізовуваті ее в практічній работе у форме комп'ютерних програм. Такого роду програми носять Назву систем на основе на знань (knowledge-based) або в перекладі - експертних систем (EC). У таких EC Використовують математичні статистичні процедури (як правило, на Основі варіаційної статистики и Теорії ймовірності), что дозволяють отрімуваті статистично Надійні тактічні решение на основе мультіпараметрічного аналізу "ненадійніх" Даних.

Далі на тестових групах пацієнтів з веріфікованімі діагнозамі проводитися статистичне оцінювання діагностичної чутлівості та спеціфічності системи и відповідне ее дороблення.

Чутлівість системи візначається відсотком правильно розпізнаніх віпадків цільового захворювання від Загальної кількості таких пацієнтів у тестовій групі, яка Включає много других захворювань. Спеціфічністю назівається відсоток правильно розпізнаніх віпадків від Загальної кількості віпадків, розпізнаніх системою як цільове захворювання.

Однією з основних вимог до ЄС є можлівість необтяжліво та органічно входити у роботу практичного лікаря, забезпечуючі роботу на Рівні світовіх стандартів и одночасно полегшуючі та пріскорюючі процес роботи з пацієнтом. Для цього, окрім переліченіх вищє завдань, програма винна містіті підготовку й архівування історії хвороби пацієнта, поєднання ее 'з організаційною реєстраційною системою, тобто кодування в системе міжнародної класіфікації хвороб МКБ-10 (ІСО-Ю), можлівість включення в комп'ютерні мережі відповідного медичного закладу.

Основною практичною Вимоги до ЄС є Надання користувач без Додатковий витрат часу и непродуктивних зусіль повну, точну и необхідніх самє в Потрібний момент роботи з пацієнтом Даних Із числа згаданіх вищє, а такоже довідок и підказок, Які допомагать б орієнтуватісь у віборі подальшої стратегії роботи з пацієнтом . Фактично мова идет про таку організацію знань, яка відтворювала б логіку клінічного мислення. Система містіть гігантські об'єми информации, яка у випадка звічайної организации ее у виде алфавітного довідника за ключовими словами практично НЕ вікорістовується (оскількі користувач у більшості віпадків НЕ знає, что, де и коли шукати). У випадка правильної алгорітмічної послідовної функціональної архітектоніки с помощью осмислення організованого інтерфейсу вона веде лікаря у відповідності з отрімуваною на кожному етапі обстеження інформацією, логікою клінічного мислення и кінцевою цільовою установкою.

Така ЄС реалізована в апараторно-програмному епілептологічному комплексі (АПЕК) на базі комп'ютерізованого електроенцефалографічного аналізатора АЛЬФА-уеб-Т-01 [31]. Більш детально вона описана в.

Експертна система Забезпечує:

діагноз и оцінку ризики епілепсії;

формулювання діагнозу з вказівкою форми епілепсії (або неепілептічного захворювання) и типу пріступів, а такоже видачу індівідуальніх рекомендацій относительно лікування, Вибори та індівідуального Дозування протіепілептічніх препаратів;

потокові комплексно оцінку складності захворювання и контроль оптімальної дозуюч препаратів, годині и темпу відміни фармакотерапії после віліковування;

архівування історій хвороби в комп'ютері;

доступ до довідковіх Даних Стосовно клініки и фармакотерапії з шкірного пункту роботи з програмою.

Структурна схема експертної системи для КЛІНІЧНОЇ епілептології показана на рис. 1.5. На цьом малюнку Використовують Такі СКОРОЧЕННЯ: ЕЕГ - електроенцефалограма; ЕІР - електроенцефалографічній індекс ризики; КІР - клінічний індекс ризики.

Центральну часть ЄС утворює блок діагностики й оцінювання ризики епілепсії. Основна складність діагнозу - це Відсутність у переважній більшості прямої информации про наявність и характер пріступів у хворого. Тому програма ґрунтується на мультіпараметрічному аналізі клінічніх Даних, отриманий поза приступом, и в прінціпі Забезпечує можлівість правильного діагнозу у випадка відсутності або хібної информации про наявність (або Відсутність) пріступів, або у випадка сімульованіх (псевдоепілептічніх) пріступів. В основу покладені дані обстеження популяції, что Включає здорових, пацієнтів з неепілептічнімі нападами, осіб з генетично ризики епілепсії, пацієнтів з фебрильною судом, ізольованім епілептічнім приступом и з епілепсією. З более чем 400 клінічніх и елеюгроенцефалографічніх параметрів и ознака только 16 клінічніх та 21 електроенцефалографічна ознака з скроню надійністю відрізняють групи Хворов на епілепсію від здорових и Хворов неепілептічнімі захворюваннямі.

Клініко-електроенцефалографічній індекс ризики (КЕІР) епілепсії є сумою електроенцефалографічного та клінічного індексів.

Для шкірного індексу на основе варіаційної статистики отрімані вірогідні інтервалі, перевіщення якіх свідчіть про ризики епілепсії за ЦІМ індексом. У відповідності з кількістю індексів, что перевіщують крітеріальній рівень, суб'єкту пріпісується степень ризики від 0 до 3, причому третій степень ризики відповідає діагнозу актуальної епілепсії зі спеціфікою діагностики 100%. В последнего випадка ЄС предлагает лікарю вибір форми епілепсії и типу приступу. Формулювання діагнозу Забезпечує узгодженням з ним видачу індівідуальніх рекомендацій относительно лікування, Вибори и Дозування протіепілептічніх препаратів. Оскількі в таблиці визначення КІР включені только діагностичні значущі дані, то годину клінічного обстеження різко скорочується.

На Основі ціх ознака розроблені мультіпараметрічні Індекси ризики (ІР) епілепсії, что є сумами діагностичних ваг, які відповідають статистичній вірогідності кожної діагностичної ознака: клінічний (КІР)


Мал. 1.5. Структурна схема експертної системи для КЛІНІЧНОЇ епілептології

У випадка 0-2-го ступенів ризики епілепсії ЄС відає в одних випадка діагностичні Висновки та рекомендації, а в других предлагает лікарю подальші стратегії діагностики. Оскількі в ціх випадка НЕ ​​є вінятком деякі форми епілепсії, ЄС у випадка часто пріступів рекомендує проведення ЕЕГ- відеомоніторінгу, включеного в апаратно-програмний комплекс, у випадка нечасто - розцінює їх, у відповідності з прийнятя стандартами, як прояв неепілептічного захворювання.

Оскількі ІР складаються з Ознака, більшість якіх змінюються в часі, смороду є гнучкий мірою, что дозволяє в шкірних момент у точних кількісніх параметрах оцінюваті стан обстежуваного и переміщуваті его шкалою Міри ризики з відповідною зміною тактики его ведення. Поточне кількісне оцінювання тяжкості захворювання дозволяє контролюваті оптимальну дозу препаратів, годину и темп відміни фармакотерапії в ході лікування.

База Даних зберігає повну інформацію на шкірного пацієнта и тім самим Забезпечує архівування и автоматичний поиск історії хвороби за ее номером або прізвіщем.

Довідкові підпрограмі містять рецептурний довідник и Міжнародну класіфікацію епілепсій и сіндромів з їх описом.

Алгоритми ЄС є розгалуженім деревом умовних операцій з різнімі Перехресних перевіркамі. В процесі реализации Було вірішено відмовітісь від использование Закритого акціонерного (бінарніх) форматів баз Даних на Користь власного набору текстових форматів. Набір форматів БУВ розроблення так, щоб дати можлівість Швидкого Редагування як Даних, так и більшості параметрів самих алгоритмів.

Експертна система реалізована мовою С ++ з Використання ефективних механізмів дінамічної рекурсівної побудова деревоподібніх структур об'єктів и елементів інтерфейсу користувача.

Функціонування ЄС ґрунтується на двох потоках информации: Даних, отриманий за помощью візуального и кількісного аналізів ЕЕГ, и результатах клінічного дослідження. Вхід у систему можливий як з КЛІНІЧНОЇ, так и з енцефалографічної бази даних.

Аналіз ЕЕГ здійснюється за помощью діагностичної бази даних ЕЕГ "Тезаурус-2000", розглянутої в. Ця база складається з двох частин, что знаходяться у взаємно-однозначній відповідності:

ієрархічно організованого списку всех можливий тіпів нормальних и патологічніх ЕЕГ;

списку опісів основних відів актівності та графічних елементів ЕЕГ.

Оператору спочатку Видається перший список, з которого ВІН на основе

АНАЛІЗУ ЕЕГ вібірає необхідній Висновок, и после цього Видається текст з іншого списку, что містіть ПЕРЕЛІК только тихий відів актівності и графоелементів и только з тимі параметрами, які відповідають Певної клінічно-електроенцефалографічному Висновки для Певного пацієнта з врахування его віку.

Далі оператору Пропонується ще раз проаналізуваті ЕЕГ, віділівші діагностично значімі види актівності та графоелементі, Зібрані в таблицю, де смороду скомпоновані в групи так, что діагностічну Вагу має група, а не окрема ознака.

За результатами АНАЛІЗУ таблиць ЕІР та КІР система может Прийняти декілька РІШЕНЬ:

у пацієнта 0 ... 2 степень ризики епілепсії и Проводити більш глибокий аналіз недоцільно. У цьом випадка відразу Видається текст Висновки з відповіднімі рекомендаціямі;

у пацієнта 0 ... 2 степень ризики епілепсії та неепілептічні приступи. Система предлагает зі списку довідкової програми відповідну клінічну форму и вводити ее в текст Висновки;

у пацієнта 3 степень ризики епілепсії (актуальна епілепсія), або 1 чи 2 степень, но існує ряд Додатковий факторів, что вімушують Запропонувати більш глибокий аналіз.

Експертна система враховує Досить СКЛАДНІ ситуации, коли, например, вибір ліків Залежить від того, Які типи пріступів дозволені для цієї форми епілепсії. У Деяк випадка Враховується НЕ только тип приступу, а І степень ризики епілепсії.

После Вибори форми епілепсії Видається прогноз захворювання, рекомендації Стосовно лікування та список препаратів. После Вибори препаратів вводитися вага пацієнта и Пропонується вібрато дозуюч, что рекомендуються.

У текст Висновки заносяться всі результати віконаної роботи: описание основних відів актівності та графічних елементів ЕЕГ, КЛІНІЧНІ дані, вибрані форма епілепсії та типи пріступів, прогноз, терапія ТОЩО.

Для всіх пацієнтів ведеться архів его ЕЕГ-запісів, текстів вісновків, а такоже спеціальної информации Стосовно ІР та кількості пріступів за Останній місяць. У випадка наявності невеликого досвіду роботи и певної неврологічної кваліфікації для проведення обстеження та вінесення діагнозу нужно 3 ... 5 хвилин часу.

Використання розглянутої ЄС дозволило досягті значного покращення у 90% Хворов, полного припиненням пріступів - у 80% хвороби.


2. Використання експертних систем для розпізнавання образів у медицині

Завдання розпізнавання образів Полягає у візначенні, до которого класу об'єктів (образу) может буті віднесеній об'єкт, что розпізнається. Під класом розуміється Деяка підмножіна об'єктів з близьким властівостямі.

На сегодня для розпізнавання образів вікорістовується велика Кількість методів, детальний Розгляд якіх виходе за Межі цього Посібника. Тут только стисло розглянемо Особливості задачі розпізнавання образів у медицині, зокрема розпізнавання біомедічніх сігналів.

У медицині завдання розпізнавання образів Близько до задачі діагностики. Например, форма електрокардіограмі (ЕКГ) є характеристикою того, нормально функціонує серце чи ні, и задача діагностики зводу до розпізнавання ЕКГ здорових и Хворов пацієнтів. Для того, щоб Виконати розпізнавання, та патенти, спочатку создать описание об'єкта, тобто віміряті деякі его характеристики. Найпростішій метод Полягає у діскретізації ЕКГ, тобто у віборі значень х (t1), ..., х (tn) ординат крівої ЕКГ, віміряніх у рівновіддалені моменти часу t1, .., tn (рис.1.6). Крок діскретізації Δt = ti-ti-1 вібірається согласно з теоремою Котельникова.

Мал. 1.6. Діскретізаціїкрівої

Таким чином Кожна крива ЕКГ віражається вектором в п-мірному пространстве, а множини кривих утворює Розподіл вектора X в n-мірному пространстве (кріві ЕКГ всегда відрізняються одна від одної, тому вектор X є Випадкове). Наводитися простий двовімірній приклад двох розподілів, что відповідають нормальному и патологічному станам серця (рис. 1.7). Если ЦІ два розподілі вектора X відомі з минулим досвіду, то можна Встановити между ними межу g (x1, x2), яка діліть двовімірній простір на две області. Во время розпізнавання новой крівої ЕКГ залежних від знаку Функції g (x1, x2) можна Прийняти решение Стосовно відповідності цієї крівої нормі або патології.

Функцію g (x1, x2) назівають діскрімінантною (розв'язувальною) функцією, а технічний Пристрій, что візначає знак g (x1, x2), - блоком Прийняття РІШЕНЬ. На рис. 1.8 показана структурна схема системи розпізнавання в n- мірному пространстве. Потрібно відзначіті, что в цьом випадка розглядається только розпізнавання образів у двох класах (нормальний стан та патологія), что Суттєво спрощує завдання розпізнавання.

Мал. 1.7. Приклад розпізнавання нормального та патологічного станів

Рис: 1 8. Структурна схема системи розпізнавання образів

Щоб спроектуваті систему розпізнавання, нужно вівчіті характеристики розподілу вектора ЛГ для шкірного класу и візначіті відповідну діскрімінантну функцію. Складність такого підходу Полягає у Великій розмірності івектора ознака розмірність ^ что может досягаті декількох тисяч. Водночас 'відомо, что людина -для розпізнавання вікорістовує невелика Кількість ознака, шкірні з якіх Несе значний інформацію и вібірається відповідно до фізічного значення задачі.

Щоб спростіті решение розглянутої задачі нужно вібрато найбільш інформатівні ознакою.

Вибір найбільш інформатівніх ознака можна розглядаті як відображення і.-мірного простору в простір меншої розмірності А ", в процесі которого необходимо Зберегти властівість роздільності розподілів, что відповідають різнім Клас.

У результате отримуються новий вектор ознака Y = {у1, ..., уk}, Який є системою похідніх ознака, по відношенню до вектора Х = {х1, ..., хп} ПЕРВИННА ознакою. Например, у простому випадки практичного АНАЛІЗУ ЕКГ [3,79] на одному періоді ЕКГ встановлюються Певна Кількість типова точок (на рис. 8.9 наведені 24 характерістічні точки), что визначаються моменти годині t1, ..., tm и відповідні Їм ординат ζ ( t1), ..., ζ (tm) крівої ЕКГ, за Якими можна обчісліті до значень так званні графоелементів (інтервалі хвиля и комплексів, амплітуді, кривизну ліній ТОЩО), Які утворюють вектор Y = {у1, ..., уk} . Встановлення типова точок при цьом можна розглядаті як Своєрідне «проріджування» масиву Х = {х1, ..., хп}, в результате которого вектор X трансформується у вектор Ξ = {t1 ζ (t1); ...; tm ζ (tm )} - и лишь потім вектор Ξ превращаются у вектор Y.


Мал. 8.9. Приклад типова точок ЕКГ

Отже, завдання розпізнавання образів складається з двох частин: вибір інформатівніх ознака та формирование розв'язувального правила.

Класифікація та Особливості систем розпізнавання

Відомо много підходів до класіфікації систем розпізнавання образів. Вікорістаємо класіфікацію, наведення в, согласно З якою системи розпізнавання поділяються на:

Прості та СКЛАДНІ системи;

однорівневі та багаторівневі системи;

системи без навчання, системи, что навчаються і системи з самонавчанням;

детерміновані, імовірнісні, логічні та структурні (Лінгвістичні) системи;

традіційні та перспектівні (експертні) системи.

Прості та СКЛАДНІ системи. Розділення на Прості та СКЛАДНІ системи проводитися залежних від того, чи ма ють ознака, что Використовують для Опису об'єктів, Які розпізнаються, єдину чи різну фізічну природу. До простих відносяться, например, системи розпізнавання ЕКГ, в якіх ознака є сукупністю відліків ЕКГ. До складних систем медичної діагностики відносять Такі, де як ознака (симптоми) могут використовуват результати АНАЛІЗУ крови, ЕКГ, температури, динаміки кров'яного тиску, ультразвукових ДОСЛІДЖЕНЬ ТОЩО.

Однорівневі та багаторівневі системи. Цей рівень класіфікації Залежить від того, Які ознака Використовують для прійняггя решение про об'єкти, что розпізнаються - Первинні, Вторинні ТОЩО.

Например, система розпізнавання ЕКГ, в Якій як ознака вікорістані відлікі х (t1), ..., х (tn) крівої ЕКГ, є однорівневою; система, в Якій ознака службовців графоелементі ЕКГ, тобто елементи вектора Y, є багаторівневою (трірівневою, если врахуваті, что вектор ознака X превращаются спочатку у вектор Ξ, а потім - у вектор Y).

Системи без навчання, системи, что навчаються і системи з самонавчанням. У системах без навчання первинної апріорної информации достаточно, щоб візначіті опису ознака, класів, и розв'язувальні правила. Коли ознака є ймовірність, то описів ознака и класів є умовна Густина розподілу ймовірності значень ознака х (t1), ..., х (tn) для кожного класу w1, ..., wn, тобто Функції Р (Х / wi), і = 1, ..., т, а такоже апріорні ймовірності Р (wi), i = 1, ..., т з'явиться об'єктів відповідніх класів.

У системах без навчання апріорно відомі або Самі Функції Р (Х / wi) ІР (wi), і = 1, ..., т або їх ОЦІНКИ.

Системи, что навчаються, відрізняються тім, что для них візначені перелікі ознака и класів, проти опису зв'язків между ознака и класами відсутні або недостатні для їх использование. Такі системи характеризуються вибір «Навчання з учителем». На етапі навчання «вчитель» много разів подає системе екземпляр навчальної Вибірки об'єктів усіх класів и вказує, до якіх класів смороду належати. Потім на етапі «іспіту» «вчитель» перевіряє якість роботи системи, надаючі їй екземпляр контрольної Вибірки, что такоже містіть об'єкти всех класів. Процедури навчання и контролю чергуються до тих пір, поки НЕ буде досягнуть необхідна якість розпізнавання, что характерізується частотою помилковості Відповідей.

Для систем Із самонавчанням візначені лишь перелікі ознака - решта ми з апріорної информации відсутня. На стадії навчання системи їй Надаються Навчальна вібірку об'єктів, що не вказуючі, однак, до якіх класів смороду належати.

ЦІ вказівки замінюються набором правил, відповідно до якіх система розпізнавання сама віробляє розв'язувальне правило.

У процесі побудова систем, Які навчаються, и систем з самонавчанням доцільно використовуват принцип зворотнього зв'язку, тобто мова идет про принципова можлівість донавчання системи за результатами розв'язки задачі розпізнавання.

Детерміновані, ймовірнісні, логічні та структурні (Лінгвістичні) системи.В алгоритмах детермінованих систем розпізнавання вікорістовується Поняття відстані между об'єктами, что розпізнаються, та Еталон класів. У цілому для решение задач розпізнавання образів Використовують відстані Евкліда, Хемінга або Левенштейна. Відстань Евкліда візначає міру блізькості между об'єктами в пространстве Ознака (геометричність принцип); відстань Хемінга візначає міру блізькості между двійковімі векторами однакової довжина, міра Левенштейна візначає Кількість елементарних операцій (вставлене, стирання та заміні), что необхідні для превращение Опису одного об'єкту в Інший. У детермінованих системах найчастіше вікорістовується відстань Евкліда. Між ознака та класами встановлюються жорсткі функціональні залежності.

У ймовірнісніх системах для побудова алгоритмів розпізнавання Використовують методи, основані на Теорії статистичних РІШЕНЬ. Між ознака об'єктів, что розпізнаються, и класами, до якіх ЦІ об'єкти відносяться, встановлюються ймовірнісні залежності.

У логічніх системах Використовують методи розпізнавання, что ґрунтуються на дискретному аналізі та чісленні вісловлювань. Зв'язки между ознака та класами задаються з Використання апарату бульової алгебри.

У структурних (лінгвістічніх) системах для побудова алгоритму розпізнавання Використовують СПЕЦІАЛЬНІ граматики та мови, что складаються з речень, шкірні з якіх опісує конкретний об'єкт, что Належить до Певного класу. Завдання розпізнавання в цьом випадка зводу до Перевірки належності конкретного речення до певної мови (граматики). Для Перевірки ступенів блізькості между лінгвістічнімі одиниць (например, словами) найчастіше вікорістовується відстань Левенштейна.

В медичний експертних системах діагностики найбільш пошірені детермінованій та ймовірнісній підході.

Детерміновані системи ґрунтуються на реализации таких основних методів:

метод поиска клінічного прецеденту:

метод ідентіфікації;

метод фазового простору;

метод лінійніх діскрімінантніх функцій.

У випадка использование методу поиска клінічного прецеденту за данімі, что опісують стан хворого, в медичному Архіві находится випадок, что збігається за Показник з сітуацією, что спостерігається. Мова может йти про повний (повний прецедент) або частковий збіг (частковий прецедент). Недолік цього методу Полягає в необхідності зберігання великих Архівів информации.

Метод, ідентіфікації є, по суті, розвитку методу поиска клінічного прецеденту. У цьом випадка вікорістовується відстань Хемінга. Сукупність сімптомів хворого подається у виде двійкового (бінарного) вектора, в якому 1 означає наявність Певного симптому, а 0 - его Відсутність. Суть методу Полягає у віборі мінімальної відстані Хемінга между вектором сімптомів конкретного хворого та наявний Еталон векторів. Недоліком цього методу є его дискретність, тобто наявність только двох значень (0 або 1), что НЕ дает змогі Передат кількісні характеристики сімптомів захворювання.

У методі фазового простору Кожний симптом розглядають як одну з осей координат багатомірного простору з визначенням у цьом пространстве метрики, яка назівається «фазового інтервалом». Ознака могут буті будь-які дійсна числа, а не только 0 або 1. У випадка наявності Великої кількості сімптомів втрачається наочність, властіва геометричність уявлення, та ускладнюється реалізація системи.

Метод лінійніх діскрімінантніх лінійніх функцій Деяк мірою дозволяє вірішіті проблему, відому як «прокляття розмірності». У цьом випадка візначається сума зваження ознака, тобто багатомірній простір ознака превращается в одномірній. Однако тут вінікає проблема визначення вагових коефіцієнтів, яка часто має суб'єктивний характер.

Традіційні та перспектівні (експертні) системи розпізнавання образів

Особлівість традіційніх систем розпізнавання образів Полягає в тому, что їх основу складають Цілком візначені перелікі ознака и класів. Кожний клас об'єктів Досить чітко опісується мовою ціх ознакою.

З цієї точки зору цікаво Розглянуто Відмінності между традіційнімі ЄС та експертними системами розпізнавання образів.

Експертні системи розпізнавання образів є багаторівневімі системами. Верхній рівень повинен прійматі кінцеве решение на основе оброблення логічніх вісновків ніжніх рівнів системи. У цьом випадка системи як нижня, так и верхнього рівнів, На Відміну Від традіційніх ЄС, роблять Висновки НЕ Шляхом порівняння з апріорною інформацією, а методами дедукції та індукції.

Один Із фундаментальних методів, что вікорістовується в системах розпізнавання образів, ґрунтується на Теорії нечіткіх множини. У цьом випадка класи об'єктів відповідають нечіткім множини, а належність об'єктів до ціх класів візначається с помощью Функції належності. Таким чином ЄС отримуються необхідні знання з бази знань, генерують Висновки про належність об'єктів до питань комерційної торгівлі класів на основе методів дедукції, індукції та аналогії.

практична частина

Назва програми: Експертна система діагностики хвороб

Мета: Створення системи яка б діагностувала завдань хворобу.

Хід роботи

Як працює ЄС?

Схема роботи експертної системи


Для создания експертної системи я Використана оболонки ESWIN2, З якою дуже легко працювати. Як видно на схемі вона працює на співставленні варіантів хворого и правила з ідентічнімі відповідямі и результатом про хворобу.

інструкція користувача

Запускаємо програмнного оболонка-інтерпретатор ESWin2.В головному меню вібрато Файл / Відкрити базу знань ..., або натіснуті кнопку Відкрити БЗ на панелі ІНСТРУМЕНТІВ. У вікні Відкриття файлу вібрато файл ES.klb. У головному меню вібрато Рішення / Пошук решение, або на панелі ІНСТРУМЕНТІВ натіснуті Рішення. Появится вікно З першого запитання. ВІДПОВІДАТИ на питання треба так: віділіті правильну відповідь и натіснуті кнопку ОК, або двічі клацнути Мішею на обраних варіанті ВІДПОВІДІ. После того, як будут дані всі ВІДПОВІДІ, у Нижній части екранах з'явиться Висновок-повідомлення про результат тестування, а такоже номер правила, за Яким цею Висновок Було отримав.

Вигляд оболонки ESWIN2.

Підпис: Головне меню


Округлений прямокутник: Наша підключена база знань


Округлений прямокутник: Результат діагностування



Як будували база Даних?

ЕСскладається:

2 фрейми.

Фрейм -це структура для Опису стереотіпної ситуации (події, об'єкту, Поняття), что містіть характеристики цієї ситуации (події, об'єкту, Поняття) таїх значення.

Frame = мета

parent:

тест:

endf

Frame = Фактори

Parent:

Кашель [Який у вас кашель?]: (Дуже сильний кашель; кашель через 2 доби; Кашель понад 2 тижні; ні кашлю немає)

Шкіра [Зміна кольору та стану кожи] :( віражах блідність кожи; Пожовтіння кожи; Довгий Озноб (Гусячий шкіра); Озноб в Перші дні; Блідність лица; Свербіж кожи; Сухість кожи; Нормальний колір кожи)

Температура [Яка у вас температура?] :( Висока температура; Мале Підвищення температури; Від 38 до 39; Задуха при невісокій температурі; НІ немає температури)

Головний біль [Чи присутній головний біль?] :( присутній; Сильний пульсуючій Біль і Запаморочення; Ні немає головного болю)

Біль [Що вас болить?]: (У мязах; Біль в жівоті; З права; У Нирко; У грудях; У суглоб; Без болю)

Ротова порожніна и Горло [Ротова порожніна и Горло] :( Біль при ковтанні; Постійна сухість горла; Без змін)

Слабкість [Відчуваєте слабкість]: (Так присутности, Чи не спостерігається)

Апетит [Який у вас апетит?]: (Втрата апетиту; Нормальний)

Нудота [Відчуваєте Нудота?]: (Так присутности; При головній болі; Ні)

Водовіділення [Водовіділення]: (Темніше від нормального; каламутна; частина нічне; нормально)

Вага [Зміни в вазі?]: (Втрата ваги; Збільшення масі ваги; Без змін)

EndF

Із правил.

Правила-продукції дозволяють подати знання у виде: ЯКЩО (Умова) ТО (Висновок), де Умова - це зразок, за Яким здійснюється поиск у базі знань, а Висновок - Дії або процедури, что віконуються при успішному завершенні поиска (могут буті проміжнімі, тобто такими, что віступають далі як умови, або цільовімі, тобто такими, что завершують роботу системи та є результатом розв'язання задачі).

У ESWin правило Виглядає як:

RULE Номер_правіла

Умова 1

.....

Умова n

DO

Висновок 1

......

Висновок m

ENDR

Для розрахунку всех можливий комбінацій я Використана мову С ++,

с помощью якої я розрахував 21780 правил.

Текст програми для розрахунку комбінацій варіантів відповідей:


#include "stdafx.h"

#include "conio.h"

#include "stdlib.h"

#include "math.h"

long int ** chusla;

int pravulo (int chuslo)

{

int sum;

int t;

sum = 0;

for (int i = 1; i <= chuslo; i ++)

{

sum = sum + i;

}

t = sum;

return t;

}

void pochatok (int nomer_pravula)

{

FILE * t;

t = fopen ( "spusok.txt", "a");

int kilkist = 0;

for (int j = 1; j <= 1; j ++)

{

fprintf (t, "Rule% d \ n", nomer_pravula);

for (int i = 1; i <= 11; i ++)

{

chusla [j] [i] = i;

fprintf (t, "% ds \ n", chusla [j] [i]);

kilkist = kilkist + 1;

}

fprintf (t, "Do \ n");

fprintf (t, "EQ (Тест; У вас ГЕПАТИТ з ймовірністю% d відсотків.) \ n", kilkist * 100/11);

fprintf (t, "EndR \ n");

fprintf (t, "\ n");

}

fclose (t);

}

void odna_cufra (int nomer_pravula)

{

FILE * t;

t = fopen ( "spusok.txt", "a");

int kilkist;

for (int i = 1; i <= 11; i ++)

{

fprintf (t, "Rule% d \ n", nomer_pravula + i);

kilkist = 1;

for (int j = 1; j <= 11; j ++)

{

if (i == chusla [1] [j]) {continue;}

chusla [i + 1] [kilkist] = j;

fprintf (t, "% ds \ n", chusla [i + 1] [kilkist]);

kilkist = kilkist + 1;

}

fprintf (t, "Do \ n");

fprintf (t, "EQ (Тест; У вас ГЕПАТИТ з ймовірністю% d відсотків.) \ N ", (kilkist-1) * 100/11);

fprintf (t, "EndR \ n");

fprintf (t, "\ n");

}

fclose (t);

}

void vuvid (long int nomer_rjadka, long int nomer_pravula, int prp)

{

FILE * t;

int l, pr, z = 1;

int n, m = 1;

int k = 1;

int kilkist;

int propusk [16], propusk1 [16], propusk2 [16];

pr = 0;

for (int i = 1; i <= 11; i ++)

{

l = 0;

for (int j = 1; j <= 11; j ++)

{

if (i == chusla [nomer_rjadka] [j]) {l = l + 1;}

}

if (l == 0) {propusk [k] = i; k = k + 1;}

if (k == 8) {exit (1);}

}

for (int i = 1; i <= 11; i ++)

{

l = 0;

for (int j = 1; j <= 11; j ++)

{

if (i == chusla [nomer_rjadka + 1] [j]) {l = l + 1;}

}

if (l == 0) {propusk1 [z] = i; z = z + 1;}

}

for (int i = 1; i <= 11; i ++)

{

l = 0;

for (int j = 1; j <= 11; j ++)

{

if (i == chusla [nomer_rjadka-1] [j]) {l = l + 1;}

}

if (l == 0) {propusk2 [m] = i; m = m + 1;}

}

if (propusk [1] <(11- (k-2)))

{

n = 2;

if (propusk [1] == propusk2 [1]) {propusk [1] = propusk [prp];}

for (int j = propusk [1] +1; j <= 11; j ++)

{

if (j == propusk [n]) {n = n + 1; continue;}

kilkist = 1;

t = fopen ( "spusok.txt", "a");

fprintf (t, "Rule% d \ n", nomer_pravula + pr);

pr = pr + 1;

for (int i = 1; i <= 11-prp; i ++)

{

if (j == chusla [nomer_rjadka] [i]) {continue;}

chusla [nomer_pravula + (pr-1)] [kilkist] = chusla [nomer_rjadka] [i];

fprintf (t, "% ds \ n", chusla [nomer_rjadka] [i]);

kilkist = kilkist + 1;

}

fprintf (t, "Do \ n");

fprintf (t, "EQ (Тест; У вас ГЕПАТИТ з ймовірністю% d відсотків.) \ n", (kilkist-1) * 100/11);

fprintf (t, "EndR \ n");

fprintf (t, "\ n");

fclose (t);

}

}

else

{

if (z> k) {prp = prp + 1;}

vuvid (nomer_rjadka + 1, nomer_pravula + pr, prp);

}

if (z> k) {prp = prp + 1;}

vuvid (nomer_rjadka + 1, nomer_pravula + pr, prp);

}

int _tmain (int argc, _TCHAR * argv [])

{

FILE * t;

int nomer_pravula = 7261;

t = fopen ( "spusok.txt", "wt");

chusla = new long int * [100000];

for (int i = 1; i <= 100000; i ++)

{

chusla [i] = new long int [16];

}

pochatok (nomer_pravula);

odna_cufra (nomer_pravula);

vuvid (2, nomer_pravula + 11,1);

return 0;

}

Список хворіб Які діагностує ЄС:

Пневмонія

Грип та Гостра респіраторна інфекція (ГРІ)

гепатит

Діфтерія

пієлонефрит

ангіна

Анемія

артрит

Мігрень

діабет

туберкульозу

Захворювань щітовідної залоза

Правила за Якими ЄС діагностувала хворобу на 100%

Захворювання щітовідної залоза

Rule 1

EQ (Факторі.Кашель; ні кашлю немає)

EQ (Факторі.Шкіра; Сухість кожи)

EQ (Факторі.Температура; НІ немає температури)

EQ (Факторі.Головній Біль; ні немає головного болю)

EQ (Факторі.Біль; без болю)

EQ (Факторі.Ротова порожніна и Горло; без змін)

EQ (Факторі.Слабкість; так присутности)

EQ (Факторі.Апетіт; нормальний)

EQ (Факторі.Нудота; ні)

EQ (Факторі.Водовіділення; нормальне)

EQ (Факторі.Вага; Збільшення масі ваги)

Do

EQ (Тест; У вас ЗАХВОРЮВАННЯ ЩІТОВІДНОЇ ЗАЛОЗІз ймовірністю 100%.)

EndR

Мігрень

Rule 1

EQ (Факторі.Кашель; ні кашлю немає)

EQ (Факторі.Шкіра; Блідність лица)

EQ (Факторі.Температура; НІ немає температури)

EQ (Факторі.Головній Біль, сильне пульсуючій Біль і Запаморочення)

EQ (Факторі.Біль; без болю)

EQ (Факторі.Ротова порожніна и Горло; без змін)

EQ (Факторі.Слабкість, не спостерігається)

EQ (Факторі.Апетіт; нормальний)

EQ (Факторі.Нудота; при головній болі)

EQ (Факторі.Водовіділення; нормальне)

EQ (Факторі.Вага; без змін)

Do

EQ (Тест; У вас МІГРЕНЬ з ймовірністю 100%.)

EndR

Пневмонія

Rule 1

EQ (Факторі.Кашель; дуже сильний кашель;)

EQ (Факторі.Шкіра; віражах блідність кожи)

EQ (Факторі.Температура; задуха при невісокій температурі)

EQ (Факторі.Головній Біль; ні немає головного болю)

EQ (Факторі.Біль; у грудях)

EQ (Фактори. Ротова порожніна и Горло; без змін)

EQ (ФакторіСлабкість, не спостерігається)

EQ (Факторі.Апетіт; нормальний)

EQ (Факторі.Нудота; ні)

EQ (Факторі.Водовіділення; нормальне)

EQ (Факторі.Вага; без змін)

Do

EQ (Тест; У вас Пневмонія з ймовірністю 100%.)

EndR

ангіна

Rule 1

EQ (Факторі.Кашель; ні кашлю немає)

EQ (Факторі.Шкіра; Озноб в Перші дні)

EQ (Факторі.Температура; від38 до 39)

EQ (Факторі.Головній Біль; присутній)

EQ (Факторі.Біль; без болю)

EQ (Фактори. Ротова порожніна и Горло; Біль при ковтанні)

EQ (ФакторіСлабкість; так присутности)

EQ (Факторі.Апетіт; нормальний)

EQ (Факторі.Нудота; ні)

EQ (Факторі.Водовіділення; нормальне)

EQ (Факторі.Вага; без змін)

Do

EQ (Тест; У вас ангіна з ймовірністю 100%.)

EndR

діабет

Rule 1

EQ (Факторі.Кашель; ні кашлю немає)

EQ (Факторі.Шкіра; Свербіж кожи)

EQ (Факторі.Температура; НІ немає температури)

EQ (Факторі.Головній Біль; ні немає головного болю)

EQ (Факторі.Біль; без болю)

EQ (Факторі.Ротова порожніна и Горло; Постійна сухість горла)

EQ (Факторі.Слабкість, не спостерігається)

EQ (Факторі.Апетіт; нормальний)

EQ (Факторі.Нудота; ні)

EQ (Факторі.Водовіділення; частина нічне)

EQ (Факторі.Вага; Втрата ваги)

Do

EQ (Тест; У вас ДІАБЕТ з ймовірністю 100%.)

EndR

Анемія

Rule 1

EQ (Факторі.Кашель; ні кашлю немає)

EQ (Факторі.Шкіра; нормальний колір кожи)

EQ (Факторі.Температура; НІ немає температури)

EQ (Факторі.Головній Біль; ні немає головного болю)

EQ (Факторі.Біль; без болю)

EQ (Фактори. Ротова порожніна и Горло; без змін)

EQ (ФакторіСлабкість; так присутности)

EQ (Факторі.Апетіт; Втрата апетиту)

EQ (Факторі.Нудота; ні)

EQ (Факторі.Водовіділення; нормальне)

EQ (Факторі.Вага; без змін)

Do

EQ (Тест; У вас АНЕМІЯ з ймовірністю 100%.)

EndR

артрит

Rule 1

EQ (Факторі.Кашель; ні кашлю немає)

EQ (Факторі.Шкіра; нормальний колір кожи)

EQ (Факторі.Температура; НІ немає температури)

EQ (Факторі.Головній Біль; ні немає головного болю)

EQ (Факторі.Біль; у суглоб)

EQ (Фактори. Ротова порожніна и Горло; без змін)

EQ (ФакторіСлабкість; так присутности)

EQ (Факторі.Апетіт; нормальний)

EQ (Факторі.Нудота; ні)

EQ (Факторі.Водовіділення; нормальне)

EQ (Факторі.Вага; Втрата ваги)

Do

EQ (Тест; У вас АРТРИТ з ймовірністю 100%.)

EndR

гепатит

Rule 1

EQ (Факторі.Кашель; ні кашлю немає;)

EQ (Факторі.Шкіра; пожовтіння кожи)

EQ (Факторі.Температура; НІ немає температури)

EQ (Факторі.Головній Біль; ні немає головного болю)

EQ (Факторі.Біль; ж права)

EQ (Фактори. Ротова порожніна и Горло; без змін)

EQ (ФакторіСлабкість; так присутности)

EQ (Факторі.Апетіт; Втрата апетиту)

EQ (Факторі.Нудота; так присутности)

EQ (Факторі.Водовіділення; темніше фід нормального)

EQ (Факторі.Вага; без змін)

Do

EQ (Тест; У вас ГЕПАТИТ з ймовірністю 100%.)

EndR

Гостра рефлекторна інфекція

Rule 1

EQ (Факторі.Кашель; кашель через 2 доби)

EQ (Факторі.Шкіра; Довгий Озноб (Гусячий шкіра))

EQ (Факторі.Температура; Висока температура)

EQ (Факторі.Головній Біль; присутній)

EQ (Факторі.Біль; У мязах)

EQ (Фактори. Ротова порожніна и Горло; без змін)

EQ (ФакторіСлабкість; так присутности)

EQ (Факторі.Апетіт; нормальний)

EQ (Факторі.Нудота; ні)

EQ (Факторі.Водовіділення; нормальне)

EQ (Факторі.Вага; без змін)

Do

EQ (Тест; У вас Гостра рефлекторно інфекція з ймовірністю 100%.)

EndR

Діфтерія

Rule 1

EQ (Факторі.Кашель; ні кашлю немає)

EQ (Факторі.Шкіра; нормальний колір кожи)

EQ (Факторі.Температура; Мале Підвищення температури)

EQ (Факторі.Головній Біль; присутній)

EQ (Факторі.Біль; Біль в жівоті)

EQ (Факторі.Ротова порожніна и Горло; Біль при ковтанні)

EQ (Факторі.Слабкість; так присутности)

EQ (Факторі.Апетіт; Втрата апетиту)

EQ (Факторі.Нудота; ні)

EQ (Факторі.Водовіділення; нормальне)

EQ (Факторі.Вага; без змін)

Do

EQ (Тест; У вас ДІФТЕРІЯ з ймовірністю 100%.)

EndR

туберкульоз

Rule 1

EQ (Факторі.Кашель; Кашель понад 2 тижні)

EQ (Факторі.Шкіра; нормальний колір кожи)

EQ (Факторі.Температура; Мале Підвищення температури)

EQ (Факторі.Головній Біль; ні немає головного болю)

EQ (Факторі.Біль; у грудях)

EQ (Факторі.Ротова порожніна и Горло; без змін)

EQ (Факторі.Слабкість; так присутности)

EQ (Факторі.Апетіт; Втрата апетиту)

EQ (Факторі.Нудота; ні)

EQ (Факторі.Водовіділення; нормальне)

EQ (Факторі.Вага; Втрата ваги)

Do

EQ (Тест; У вас туберкульоз з ймовірністю 100%.)

EndR

пієлонефрит

Rule 1

EQ (Факторі.Кашель; ні кашлю немає)

EQ (Факторі.Шкіра; нормальний колір кожи)

EQ (Факторі.Температура; Висока температура)

EQ (Факторі.Головній Біль; ні немає головного болю)

EQ (Факторі.Біль; у Нирко)

EQ (Фактори. Ротова порожніна и Горло; без змін)

EQ (ФакторіСлабкість, не спостерігається)

EQ (Факторі.Апетіт; нормальний)

EQ (Факторі.Нудота; ні)

EQ (Факторі.Водовіділення; каламутна)

EQ (Факторі.Вага; без змін)

EQ (Тест; У вас пієлонефрит з ймовірністю 100%.)

EndR


Висновок

В рамках курсової роботи Було описано использование ЄС в медицині, проведено діагностику Даних хвороб, були ретельно вибрані питання Які увійшлі до Переліку діагностікіі розроблено структура системи, что дозволяє діагностуваті хворобу пацієнта.

Результатом Виконання даної курсової роботи є експертна система для визначення хвороб (Пневмонія, грип та Гостра респіраторна інфекція (грі), гепатит, діфтерія, пієлонефрит, ангіна, анемія, артрит, мігрень, діабет, туберкульозу, захворювань щітовідної залоза). С помощью цієї ЄС можна легко візначіті захворювання на Пожалуйста скаржилася пацієнт.

В даній курсовій работе описано будову и принцип роботи Нашої експертної системи.

Представлено програму с помощью якої розраховуваліся всі варіанти правил, а такоже правила які відповідають 100% -ій ймовірності діагностування певної хвороби.

Для создания експертної системи я Використана оболонки ESWIN2, З якою дуже легко працювати. Як видно на схемі вона працює на співставленні варіантів хворого и правила з ідентічнімі відповідямі и результатом про хворобу.



Скачати 133.76 Kb.