Экспертные системы в области медицины. 2

 

Воронежский ГАСУ

Кафедра прикладной информатики  и информационных систем

Факультет экономики менеджмента  и информационных технологий

 

 

 

 

 

Курсовая работа на тему: «Экспертные системы в  области медицины»

 

 

 

 

 

 

 

                                                                             Выполнила:    студентка гр.2341

                                                                                                          Марыныч И.А.

                                                                                   Проверил:   доц. Сысоев Д.В.

           

 

 

 

 

 

 

 

Воронеж 2012

 

Содержание:

 

 

Введение

 

В последнее  время неуклонно возрастает значение информационного обеспечения различных  медицинских технологий. Использование  современных информационных технологий становится критическим фактором развития большинства отраслей знания и областей практической деятельности, поэтому разработка и внедрение информационных систем является одной из самых актуальных задач.

В медицинских  учреждениях большинство персональных компьютеров применяется лишь для обработки текстовой документации, хранения и обработки баз данных, ведения статистики и выполнения финансовых расчетов. Отдельная, специализированная часть машин используется совместно с различными диагностическими и лечебными приборами.

Во многих лечебно-диагностических  технологиях возможности современных  компьютеров практически не используются. Прежде всего, это диагностика, назначение лечебных мероприятий, прогнозирование течения заболеваний и их исходов. Основными причинами недостаточно полного использования современных компьютерных технологий в медицине являются слабо развитая техническая база, недостаточный уровень подготовки участников этих технологий в области современного аппаратного и программного обеспечения, плохая оснащенность специализированными пакетами прикладных программ и др. Большое значение имеет психологический аспект применения компьютерных приложений. Это серьезная причина, связанная с особенностями работы врача. Врач является исследователем, его работа носит творческий характер, однако он несет прямую ответственность за результат своей деятельности. Принимая решение о диагнозе или лечении, он опирается на знания и опыт – свои собственные и коллег, являющихся для него авторитетом. Очень важно при этом обоснование решения, особенно если оно подсказывается со стороны.

Современные технические  возможности позволяют выйти  на качественно новый уровень  представления течения заболевания, а именно визуально, на основе соответствующих  математических моделей, пространственно смоделировать типовое развитие патологического процесса при конкретном заболевании. Уже сейчас, на современном этапе развития медицины, информационные нагрузки достигают пределов человеческих возможностей. Возникает дилемма: либо приходится жертвовать полнотой анализа информации, либо необходимо шире использовать различные методы компьютерной поддержки принятия решений.

 

 

 

 

 

 

 

 

 

 

 

 

 

Глава 1. Определение экспертных систем. Главное достоинство и назначение экспертных систем.

    1. Определение экспертных систем.

Экспертные  системы (ЭС)- это яркое и быстро прогрессирующее направление в  области искусственного  интеллекта(ИИ). Причиной повышенного интереса, который ЭС вызывают к себе на протяжении всего своего существования является возможность их применения к решению задач из самых различных областей человеческой деятельности. Пожалуй, не найдется  такой проблемной области, в которой не было бы создано ни одной ЭС или по крайней мере, такие попытки не предпринимались бы. 

 ЭС- это набор программ или программное обеспечение, которое выполняет функции эксперта при решении какой-либо задачи в области его компетенции. ЭС, как  и эксперт-человек, в процессе своей работы оперирует со знаниями. Знания о предметной области, необходимые для работы ЭС, определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы.   

 ЭС выдают  советы, проводят анализ, выполняют  классификацию, дают консультации  и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующий процедурный анализ, ЭС решают задачи в узкой предметной области (конкретной области экспертизы). Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путем привлечения эвристик, т. е. правил, взятых “с потолка”, что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа.   

 Главное  достоинство ЭС- возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации  от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.   

 Практическое  применение искусственного интеллекта  на машиностроительных предприятиях и в экономике основано на  ЭС, позволяющих  повысить качество и сохранить время принятия решений, а также способствующих росту эффективности работы и повышению квалификации специалистов.

 

  1.2. Отличие ЭС от других программных продуктов.

 

 

    Основными  отличиями ЭС от  других программных   продуктов являются использование не только данных, но и знаний, а также специального механизма вывода решений и новых знаний на основе имеющихся. Знания в ЭС представляются в такой форме, которая может быть легко обработана на ЭВМ. В ЭС известен алгоритм обработки знаний, а не алгоритм решения задачи. Поэтому  применение алгоритма обработки знаний может привести к получению такого результата при решении конкретной задачи, который не был предусмотрен. Более того, алгоритм обработки знаний заранее неизвестен и  строится по ходу решения задачи на основании эвристических правил. Решение задачи в ЭС  сопровождается понятными пользователю  объяснениями, качество получаемых решений обычно не хуже,  а иногда и лучше достигаемого специалистами. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной  области, хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов.

У полностью  оформленной экспертной системы  присутствуют 4 основных компонента (блока):

  • База знаний

База знаний содержит факты или утверждения  и правила. Факты являются краткосрочной информацией, они могут изменяться в ходе одного сеанса работы. Правила составляют долговременную информацию о том, как порождать новые факты на основе известных данных. Отличие базы знаний от базы данных состоит в механизме пополнения информации недостающими фактами. Распространенным методом отображения знаний являются правила продукций. При этом правила имеют вид ЕСЛИ — ТО, например, ЕСЛИ у пациента высокая температура, ТО вероятность того, что у него ОРВИ, следует умножить на 5. Кроме правила продукций используются деревья решений, семантические сети и исчисление предикатов.

  • Машина вывода

Машина вывода — это высокоуровневый интерпретатор, который осуществляет цепочку рассуждений  на основе фактов и правил базы знаний, и который приводит к конечному решению. Машина вывода обычно имеет дело с ненадежными знаниями. Одна из проблем — работа с ненадежной информацией. В настоящее время найдены способы решения этой задачи: нечеткая логика, байесовская логика, коэффициенты уверенности. Эти способы дают на практике вполне приемлемые результаты.

  • Модуль извлечения знаний

Извлечение  знаний является трудоемким процессом. Знания сами по себе — дорогой ресурс, который сложно представить в  простой для использования в  компьютере форме. Обычный способ извлечения знаний состоит в том, что специалист по технологии экспертных систем опрашивает специалистов, знания которых добавляются в экспертную систему, добиваясь правильного представления их знаний в компьютере. Это долгий и дорогой процесс. В настоящее время ведутся интенсивные работы по автоматизации процесса извлечения знаний. Появилось новое поколение систем — самообучающиеся системы, которые уже нельзя назвать экспертными системами в точном понимании этого слова, т. к. они уже не используют знания экспертов. Процесс принятия решения в таких системах трудно понять человеку (не удается построить блок объяснения решения). Сейчас интенсивно развиваются системы, основанные на технологии нейронных сетей, которые используют этот принцип.

 Качество ЭС определяется размером и качеством базы  знаний (правил или эвристик). Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдения, интерпретация результатов, усвоение новой информации, выдвижении с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов (рис.1). Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.                                                                                                                                                  

рис.1  Схема работы ЭС.

 

 

    В любой момент  времени в системе существуют три типа знаний:

- Структурированные знания- статические знания о предметной  области. После того как эти  знания выявлены, они уже не  изменяются.

- Структурированные динамические  знания- изменяемые знания о предметной  области. Они обновляются по  мере выявления новой информации.

- Рабочие знания- знания, применяемые для решения конкретной  задачи или проведения консультации.    

 Все перечисленные  выше знания хранятся в базе  знаний.  
                                                                                  

 

  

1.3. Отличительные особенности. Экспертные системы первого и второго поколения.

 1. Экспертиза может проводиться  только в одной конкретной области. Так, программа, предназначенная для определения конфигурации систем ЭВМ, не может ставить медицинские диагнозы.

 

  2. База знаний и  механизм вывода являются различными  компонентами. Действительно, часто  оказывается возможным сочетать  механизм вывода с другими  базами знаний для создания  новых ЭС. Например, программа анализа  инфекции в крови может быть применена в пульманологии путем замены базы знаний, используемой с тем же самым механизмом вывода. 

4. Эти системы  могут объяснять ход решения  задачи понятным пользователю  способом. Обычно мы не принимаем  ответ эксперта, если на вопрос  “Почему ?” не можем получить логичный ответ. Точно так же мы должны иметь возможность спросить систему, основанную на знаниях, как было получено конкретное заключение.        

5.  Выходные результаты являются качественными (а не количественными).  

6. Системы, основанные на знаниях, строятся по модульному принципу, что позволяет постепенно наращивать их базы знаний.    

 Компьютерные  системы, которые могут лишь  повторить логический вывод эксперта, принято относить к ЭС первого поколения. Однако специалисту, решающему интеллектуально сложную задачу, явно недостаточно возможностей системы, которая лишь имитирует деятельность человека. Ему нужно, чтобы ЭС выступала в роли полноценного помощника и советчика, способного проводить анализ нечисловых данных, выдвигать и отбрасывать гипотезы, оценивать достоверность фактов, самостоятельно пополнять свои знания, контролировать их непротиворечивость, делать заключения на основе прецедентов и, может быть, даже порождать решение новых, ранее не рассматривавшихся задач. Наличие таких возможностей является характерным для ЭС второго поколения, концепция которых начала разрабатываться 9-10 лет назад. Экспертные системы, относящиеся ко второму поколению, называют партнерскими, или усилителями интеллектуальных способностей человека. Их общими отличительными чертами является умение обучаться и развиваться, т.е. эволюционировать.   

 В экспертных  системах  первого поколения знания представлены следующим образом:

1) знаниями системы  являются только знания эксперта, опыт накопления знаний не предусматривается.

2) методы представления  знаний позволяли описывать лишь  статические предметные области.

3) модели представления  знаний ориентированы на простые  области.   

 Представление  знаний в экспертных системах  второго поколения следующее:

1) используются не поверхностные знания, а более глубинные. Возможно дополнение предметной области.

2) ЭС может  решать задачи динамической базы  данных предметной области.  

 

Глава 2.  Области применения экспертных систем.

 

    

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.

 

  

2.1. Медицинская диагностика.

 

 

 

    Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях. Ее первая версия была разработана в Стенфордском университете в середине 70-х годов. В настоящее время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний, благодаря чему может применяться и в других областях медицины.

 

 2.2. Прогнозирование. 

 

  

 

    Прогнозирующие системы  предсказывают возможные результаты  или события на основе данных  о текущем состоянии объекта.  Программная система “Завоевание  Уолл-стрита” может проанализировать  конъюнктуру рынка и с помощью статистических методов алгоритмов разработать для вас план капиталовложений на перспективу. Она не относится к числу систем, основанных на знаниях, поскольку использует процедуры и алгоритмы традиционного программирования. Хотя пока еще отсутствуют ЭС, которые способны за счет своей информации о конъюнктуре рынка помочь вам увеличить капитал, прогнозирующие системы уже сегодня могут предсказывать погоду, урожайность и поток пассажиров. Даже на персональном компьютере, установив простую систему, основанную на знаниях, вы можете получить местный прогноз погоды.

 

 2.3. Планирование.

 

 

 

    Планирующие системы  предназначены для достижения  конкретных целей при решении  задач с большим числом переменных. Дамасская фирма Informat впервые  в торговой практике предоставляет в распоряжении покупателей 13 рабочих станций, установленных в холле своего офиса, на которых проводятся бесплатные 15-минутные консультации с целью помочь покупателям выбрать компьютер, в наибольшей степени отвечающий их потребностям и бюджету. Кроме того, компания  Boeing применяет ЭС для проектирования космических станций, а также для выявления причин отказов самолетных двигателей и ремонта вертолетов. Экспертная система  XCON, созданная фирмой DEC, служит для определения или изменения конфигурации компьютерных систем типа VAX и в соответствии с требованиями покупателя. Фирма DEC разрабатывает более мощную систему XSEL, включающую базу знаний системы XCON, с целью оказания помощи покупателям при выборе вычислительных систем с нужной конфигурацией. В отличие от XCON система XSEL является интерактивной.

 

  2.4. Интерпретация.

 

 

 

    Интерпретирующие  системы обладают способностью  получать определенные заключения  на основе результатов наблюдения. Система PROSPECTOR, одна из наиболее  известных систем интерпретирующего типа, объединяет знания девяти экспертов. Используя сочетания девяти методов экспертизы, системе удалось обнаружить залежи руды стоимостью в миллион долларов, причем наличие этих залежей не предполагал ни один из девяти экспертов. Другая интерпретирующая система- HASP/SIAP. Она определяет местоположение и типы судов в тихом океане по данным акустических систем слежения.

 

  2.5. Контроль и управление.

 

 

 

    Системы, основанные  на знаниях, могут применятся  в качестве интеллектуальных  систем контроля и принимать  решения, анализируя данные, поступающие  от нескольких  источников. Такие системы уже работают на атомных электростанциях, управляют воздушным движением и осуществляют медицинский контроль. Они могут быть также полезны при регулировании финансовой  деятельности предприятия и оказывать помощь при выработке решений в критических ситуациях.

 

  2.6. Диагностика неисправностей в механических и электрических устройствах.

 

 

 

    В этой сфере  системы, основанные на знаниях,  незаменимы как при ремонте  механических и электрических  машин (автомобилей, дизельных  локомотивов и т.д.), так и  при устранении неисправностей и ошибок в аппаратном и программном обеспечении  компьютеров.

 

  2.7. Обучение.  

 

 

 

   Системы, основанные  на знаниях, могут входить составной  частью в компьютерные системы  обучения. Система получает информацию  о деятельности некоторого объекта (например, студента) и анализирует его поведение. База знаний изменяется в соответствии с поведением объекта. Примером этого обучения может служить компьютерная игра, сложность которой увеличивается по мере возрастания степени квалификации играющего. Одной из наиболее интересных обучающих ЭС является разработанная Д.Ленатом система EURISCO, которая использует простые эвристики. Эта система была опробована в игре Т.Тревевеллера, имитирующая боевые действия. Суть игры состоит в том, чтобы определить состав флотилии, способной нанести поражение в условиях неизменяемого множества правил. Система EURISCO включила в состав флотилии небольшие,  способные провести быструю атаку корабли  и одно очень маленькое скоростное судно и постоянно выигрывала в течение трех лет, несмотря на то, что в стремлении воспрепятствовать  этому правила игры меняли каждый год.       

 Большинство  ЭС включают знания, по содержанию которых их можно отнести одновременно к нескольким типам. Например, обучающая система может также обладать знаниями, позволяющими выполнять диагностику и планирование. Она определяет способности обучаемого по основным направлениям курса, а затем с учетом полученных данных составляет учебный план. Управляющая система может применяться для целей контроля, диагностики, прогнозирования и планирования. Система, обеспечивающая сохранность жилища, может следить за окружающей обстановкой, распознавать происходящие события (например, открылось окно), выдавать прогноз (вор-взломщик намеревается проникнуть в дом) и составлять план действий (вызвать полицию).

Глава 3. Экспертные системы в области медицины.

 

 

Подробнее остановимся  на использовании экспертных систем в области медицины.

Медицинские экспертные системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к компьютеру за консультацией в трудных диагностических случаях.

Экспертные  системы выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Они ориентированы  на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующий процедурный анализ, экспертные системы решают задачи в узкой предметной области (конкретной области экспертизы) на основе дедуктивных рассуждений. Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путём привлечения эвристик, то есть правил, взятых «с потолка», что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа.

Область исследований, посвященная формализации способов представления знаний и построению экспертных систем (ЭС), называют «инженерией знаний». Этот термин введен Е. Фейгенбаумом и в его трактовке означает «привнесение принципов и средств из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Иными словами, экспертные системы применяются для решения неформализованных проблем, к которым относятся задачи, обладающие одной или несколькими характеристиками из следующего списка:

- задачи не  могут быть представлены в  числовой форме;

- исходные данные  и знания о предметной области  неоднозначны, неточны, противоречивы;

- цели нельзя  выразить с помощью четко определенной  целевой функции;

- не существует  однозначного алгоритмического  решения задачи.

Все вышеперечисленные  свойства являются типичными для  медицинских задач, так как в  большинстве случаев они представлены большим объемом многомерных, запутанных, а порой и противоречивых клинических данных. ЭС позволяют решать задачи диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения и др.

Весьма существенно, что работа с экспертными системами может вестись удалённо (телемедицина)

Наиболее важные области применения экспертных систем:

  1. Диагностика неотложных и угрожающих состояний в условиях дефицита времени
  2. Ограниченные возможности обследования
  3. Скудная клиническая симптоматика
  4. Быстрые темпы развития заболевания

Общий принцип, положенный в основу формирования медицинских  экспертных систем - включение в базу знаний синдромов, отражающих состояние всех основных систем органов.

В создании экспертных систем участвуют, как правило, врач-эксперт, математик и программист. Основная роль в разработке такой системы принадлежит эксперту-врачу.

Человеку часто  трудно объяснить, каким образом  он принимает свое решение. Система  объяснения принятых решений экспертной системы позволяет облегчить процесс общения человека с экспертной системой, объясняя, как система пришла к решению. В таком случае, при необходимости, человек может вмешаться в процесс принятия решения.

Экспертные  системы позволяют не только производить  раннюю доклиническую диагностику, но также оценивать сопротивляемость организма и его предрасположенность к заболеваниям, в том числе онкологическим.

3.1. Самообучающиеся интеллектуальные системы

 

 

Среди экспертных медицинских систем особое место  занимают так называемые самообучающиеся интеллектуальные системы (СИС). Они основаны на методах автоматической классификации ситуаций из реальной практики или на методах обучения на примерах.

Самообучающиеся системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков.

Стратегия "обучения с учителем" предполагает задание  специалистом для каждого примера  значений признаков, показывающих его  принадлежность к определенному  классу ситуаций. При обучении "без  учителя" система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков.

В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих  принадлежность ситуаций к классам, которыми система впоследствии будет  пользоваться при интерпретации незнакомых ситуаций. Из обобщающих правил, в свою очередь, автоматически формируется база знаний, которая периодически корректируется по мере накопления информации об анализируемых ситуациях.

Построенные в  соответствии с этими принципами самообучающиеся системы имеют следующие недостатки:

  • относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки;
  • низкую степень объяснимости полученных результатов;
  • поверхностное описание проблемной области и узкую направленность применения из-за ограничений в размерности признакового пространства.

Индуктивные системы  позволяют обобщать примеры на основе принципа индукции "от частного к  общему". Процедура обобщения  сводится к классификации примеров по значимым признакам. Алгоритм классификации примеров включает следующие основные шаги.

  1. Выбор классификационного признака из множества заданных.
  2. Разбиение множества примеров на подмножества по значению выбранного признака.
  3. Проверка принадлежности каждого подмножества примеров одному из классов.
  4. Проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается.
  5. Для подмножеств примеров с несовпадающими значениями классификационных признаков процесс распознавания продолжается, начиная с первого шага. При этом каждое подмножество примеров становится классифицируемым множеством.

Наиболее яркий пример СИС — искусственные нейронные сети.

Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

Наиболее важным отличием ИНС от остальных методов  прогнозирования является возможность  конструирования экспертных систем самим врачом-специалистом, который  может передать нейронной сети свой индивидуальный опыт и опыт своих коллег или обучать сеть на реальных данных, полученных путем наблюдений. Нейронные сети способны принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных. Положительное отличительное свойство ИНС состоит в том, что они не программируются, т.е. не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В ряде случаев ИНС могут демонстрировать удивительные свойства, присущие мозгу человека, в том числе отыскивать закономерности в запутанных данных. Нейронные сети нашли применение во многих областях техники, где они используются для решения многочисленных прикладных задач: в космонавтике, автомобилестроении, банковском и военном деле, страховании, робототехнике, при передаче данных и др. Другое, не менее важное, свойство нейронной сети состоит в способности к обучению и обобщению полученных знаний. Сеть обладает чертами так называемого искусственного интеллекта. Натренированная на ограниченном множестве обучающих выборок, она обобщает накопленную информацию и вырабатывает ожидаемую реакцию применительно к данным, не обрабатывавшимся в процессе обучения.