Медицинские экспертные системы сообщение

Обновлено: 02.07.2024

4. Методы активизации студентов во время изложения лекционного материала.

На лекции используются карточки-сигналы. Время от времени преподаватель может останавливаться и просить всех показывать с помощью карточек своё понимание или непонимание объяснения. Восклицательный знак всё ясно, вопросительный что-то неясно.

5. Содержание лекционного материала (тезисы, полный текст, распечатки мультимедийных презентаций и т.д.)

1. Экспертные системы (ЭС) как пример интеллектуализации программных средств .

ЭС – это комплекс программ, аккумулирующий знания специалистов в конкретной предметной области, предназначенный для тиражирования знаний и консультаций менее квалифицированных пользователей.

Экспертная система – это интеллектуальная компьютерная программа, в которой используются знания и процедуры логического вывода для решения достаточно трудных задач и требующая для своего решения значительного объема экспертных знаний человека.

Экспертная система – это вычислительная система, в которую включены знания специалистов о некоторой узкой предметной области в форме базы знаний. Экспертные системы должны уметь принимать решения вместо специалиста в заданной предметной области.

четкая ограниченность предметной области;
способность принимать решения в условиях неопределенности;
способность объяснять ход и результат решения понятным для пользователя способом;
четкое разделение декларативных и процедурных знаний (фактов и механизмов вывода);
способность пополнять базу знаний, возможность наращивания системы;
результат выдается в виде конкретных рекомендаций для действий в сложившейся ситуации, не уступающих решениям лучших специалистов;
ориентация на решение неформализованных (способ формализации пока неизвестен) задач;
алгоритм решения не описывается заранее, а строится самой экспертной системой;
отсутствие гарантии нахождения оптимального решения с возможностью учиться на ошибках.

Таким образом, экспертная система - это компьютерная система, которая эмулирует способности эксперта к принятию решений.
Термин эмулирует означает, что экспертная система обязана действовать во всех отношениях как эксперт-человек.
Понятие эмуляции является гораздо более строгим, чем моделирование, поскольку моделирующая система обязана действовать подобно реальному объекту лишь в определенных отношениях.

Пользователь передает в экспертную систему факты или другую информацию и получает в качестве результата экспертный совет или экспертные знания.
По своей структуре экспертная система подразделяется на два основных компонента - базу знаний и машину логического вывода.
База знаний содержит знания, на основании которых машина логического вывода формирует заключения.

1. Идентификация (определение людских и материальных ресурсов, класса задач, целей и т.д.);

2. Концептуализация (определяются основные понятия, терминология, стратегия принятия решений и т.д.);

3. Формализация (выбор языка представления знаний, продукционные модели, семантические сети и т.д.);

4. Разработка прототипа (создание усеченной версии для проверки работы программы);

5. Тестирование (выявление ошибок, адекватности интерфейса и т.д.);

6. Опытная эксплуатация.

4. Классификация экспертных систем

По задаче
По связи с реальным временем
По типу ЭВМ
По степени интеграции

Интерпретация данных (обнаружение и идентификация различных типов океанских судов – SIAP, определение свойств личности – АВТАНТЕСТ и др.)
Диагностика (медицинская, аппаратуры, математического обеспечение и др.)
Мониторинг (помощь диспетчерам атомного реактора – REACTOR, контроль за работой электростанций, аварийных датчиков)
Проектирование (конфигураций ЭВМ, синтез электрических цепей – SYN и др.)
Прогнозирование (предсказание погоды – WILLARD, оценки урожая - PLANT, прогнозы в экономике - ECON и т.д.)
Планирование (планирование поведение робота – STRIPS, планирование промышленных заказов – ISIS и т.д.)

Статические
Квазидинамические
Динамические
По типу ЭВМ:
На суперЭВМ
На ЭВМ средней производительности
На символьных процессорах
На мини- и супермини- ЭВМ
На ПЭВМ

Автономные
Гибридные (интегрированные)

Предметная область - это специальная проблемная область, такая как медицина, финансы, наука и техника, в которой может очень хорошо решать задачи лишь определенный эксперт.
Экспертные системы, как и эксперты-люди, в целом предназначены для использования в качестве экспертов в одной предметной области.
Экспертные знания в одной предметной области не переносятся автоматически на другую область.

Повышенная доступность.
Уменьшенные издержки.
Уменьшенная опасность.
Постоянство.
Возможность получения экспертных знаний из многих источников.
Повышенная надежность.
Объяснение.
Быстрый отклик.
Неизменно правильный, лишенный эмоций и полный ответ при любых обстоятельствах.
Возможность применения в качестве интеллектуальной обучающей программы.
Возможность применения в качестве интеллектуальной базы данных.

MYCIN – промышленная ЭС для диагностики и лечения инфекционных заболеваний крови.
EMYCIN – Empty MYCIN (пустой МИЦИН), диагностическая ЭС с незаполненной базой данных. Возможно использование для диагностики и лечения заболеваний разного профиля.
ANGY – диагностика и терапия сужения коронарных сосудов.
ДИАГЕН – диагностика наследственных болезней.
ДИН – диагностика неотложных состояний, используется при стёртой клинической картине заболеваний.
ВЕСТ-СИНДРОМ – диагностика судорожных состояний (эпилепсии).
Другие.

Данные в ЭС 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 другое.

Нелинейная система, позволяющая классифицировать данные гораздо лучше, чем обычно используемые линейные методы. В приложении к медицинской диагностике ИНС дают возможность значительно повысить специфичность метода, не снижая его чувствительность.

Данные программы имитируют реальные биологические процессы. 1 шаг – кодировка исход. данных (хромосом) в БД. Весь набор хромосом – популяция. 2 шаг – сопоставление хромосом . Обработка процедурами: репродукция, мутации, рекомбинации и миграции.
Получаем новые данные с более совершенными знаниями.

Метод дисперсионного картирования экг-сигнала с использованием электродинамической модели сердца (КардиоВизор-06сИ).

Прибор “КардиоВизор-06с” реализует еще одну новую технологию анализа ЭКГ-сигнала, базирующуюся на оценке существующих в норме и патологии низкоамплитудных (10-30 мкВ) колебаний (дисперсий) сигнала (от цикла к циклу), которые можно выявить на всем протяжении кардиоцикла (Р- QRS - T ). Полученные результаты анализа дисперсий колебаний амплитуд де- и реполяризации предсердий и желудочков отображаются на поверхности квазиэпикарда с использованием предложенной авторами новой электродинамической модели миокарда.

Бирезонансная терапия уже признана эффективным методом диагностирования и лечения.
Принцип диагностирования основан на биорезонансном тестировании по принципу обратной связи с организмом человека, с активацией подкорковых структур мозга. Этот метод тестирования позволяет проследить этапы перехода от здоровья к болезни по изменению волновых характеристик тканей и даже отдельных клеток организма, При этом осуществляется спектральный анализ вихревых магнитных полей, возникающих в процессе электрохимических превращений в живых клетках.

Экспертная диагностическая система под управлением опытного врача способна дать точные ответы
Предназначен для проведения компьютерного нелинейного анализа и прогноза состояния исследуемых систем.
Данный комплекс позволяет определить условия стабильного существования любой материальной системы (объекта), вне зависимости от структурной организации (механическая, физико-химическая, биологическая).

Моделирование – это метод познания, состоящий в создании и исследовании моделей.

Модель – это новый объект, который отражает существенные особенности изучаемого объекта, явления или процесса.

Процесс моделирования включает три элемента: субъект (исследователь), объект исследования, модель, опосредствующую отношения познающего субъекта и познаваемого объекта.

Построение моделей включает этапы:

1. получение знаний об объекте-оригинале

3. перенос знаний с модели на оригинал

4. практическая проверка получаемых с помощью моделей знаний и их использование для построения обобщающей теории объекта, его преобразования или управления им.

Учебные модели используются при обучении. Например, наглядные пособия, различные тренажеры, обучающие программы.
Опытные модели используются для исследования объекта и прогнозирования его будущих характеристик. Например, искусственные протезы клапанов сердца.
Научно-технические модели создаются для исследования процессов и явлений. К таким моделям можно отнести модель движения планет Солнечной системы, модель камер сердца и его клапанов.
Игровые модели — это различного рода игры: деловые, экономические, лечебные. С помощью таких моделей можно разрешать конфликтные ситуации, оказывать психологическую помощь, проигрывать поведение объекта в различных ситуациях.
Имитационные модели имитируют реальность с той или иной степенью точности.

Биологические
Медицинские,
Химические,
Физические и т.д.

Оптимизационные – предназначены для определения новых свойств моделируемого объекта. Например, расчет вероятности развития осложнения после операции.
Описательные - описывают поведение некоторой системы и не предназначены для целей управления. Например, формулы, описывающие изменение концентрации лекарственного вещества в крови после его введения.

Предметные модели - воспроизводят геометрические, физические и другие свойства объектов в материальном мире. Например, искусственный хрусталик, искусственный тазобедренный сустав, скелет человека
Информационные модели – отражают свойства объектов, предметов или процессов с помощью ассоциативных знаков (слова, рисунки, схемы, чертежи, формулы и т.д.). Например, схема кровоснабжения сердца.

В зависимости от структуры информационные модели делятся на табличные, иерархические и сетевые.

Адекватно в короткий срок обобщить сложную сущность явлений и процессов в медицине
Описать и понять факты, выявить взаимосвязи между элементами
Найти рациональное решение с наибольшей полнотой и надежностью.
Быстро и эффективно проверять гипотезы без обращения к эксперименту.
Предсказывать поведение реальной системы.

Вещественные – имеют внешнее сходством с объектом моделирования. Например, протез нижней конечности.
Энергетические – моделируют функцию организма при отсутствии внешнего сходства. Например, искусственная почка.
Смешанные – моделируют и внешнее сходство объекта и его функцию. Например, дистанционно управляемый протез.
Информационные – описывают объект с помощью ассоциативных знаков.
Биологические – заболевания модулируют на животных. Например, крысы с эпилепсией, тугоухостью, артериальной гипертензией.

Имитационное моделирование — это метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему и с ней проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация — это постижение сути явления, не прибегая к экспериментам на реальном объекте).

Современная технология имитационного моделирования решает задачи в сфере здравоохранения и фармацевтической отрасли. Например, анализ бизнес-процессов при проектировании больниц, оптимизация количества персонала и медицинского оборудования, планирование выхода на рынок новых лекарственных препаратов.

Расчётные сетки, поля скоростей и области возможных поражений глаза (отмечены черным цветом) при лазерном разрушении хрусталика.

Медицинские информационные системы.
Системы поддержки принятия решений в медицине.

Основная:

2. Федорова, Г.Н. Информационные системы: Учебник для студ. учреждений сред. проф. образования / Г.Н. Федорова. - М.: ИЦ Академия, 2013. - 208 c.

3. Лебедева Г.С., Мухина Ю.Ю. Информационные технологии в медицине. - М.: Радиотехника, 2012. - 208 с.

4. Гвоздева, В.А. Информатика, автоматизированные информационные технологии и системы: учебник. – Москва: Форум: Инфра-М, 2011. – 541 с.

2. Файбушевич А.Г., Проценко В.Д. Применение методов клинической информатики в комплексных исследованиях и лечении больных Учебное пособие. М.: РУДН, 2008. – 121 с .

3. Глушаков С.В., Сурядный А.С. Самоучитель для работы на ПК. Харьков: Фолио АСТ, 2003, 500 с.

4. Дюк В., Эмануэль В. Информационные технологии в медико-биологических исследованиях. СПб.: Питер, 2003. – 311 с.

6. Фигурнов В.В. IBM PC для пользователей. - М.: Финансы и статистика, 2001.

7. Гельман В.Я. Медицинская информатика: практикум. – Спб: Питер, 2001.- 480 с.

Что собой представляют экспертные системы, и какова их роль в сфере здравоохранения? Какие задачи они решают, и сможет ли компьютер однажды полностью заменить врача? Разбираемся, как устроена МЭС и чем она может быть полезна

Экспертная система (ЭС) – это одна из разновидностей технологии искусственного интеллекта; программа, которая имеет определенный набор знаний в конкретной области и может интерпретировать эти знания в решение поставленной задачи или рекомендацию.

В основе медицинских экспертных систем (МЭС) лежит врачебный опыт наблюдения и лечения пациентов с различными заболеваниями. Поскольку тяжесть недугов и степень врачебного вмешательства в каждом случае требуется разная, диапазон применения таких систем в медицине очень широк.

Какие задачи решают МЭС

Кадр из кинофильма “Люси” (Lucy)/ Universal Pictures

К медицинским задачам, которые могут быть решены с помощью ЭС, относятся:

построение прогнозов о том, находится ли пациент в группе риска по той или иной патологии. Здесь работа идет на опережение болезни. Во многом это касается онкологических заболеваний, где выявление и лечение опухоли на ранней стадии в несколько десятков раз увеличивает шансы на полную ремиссию
назначение лабораторных и диагностических исследований на основании первичного анамнеза. Эту задачу можно рассматривать с точки зрения оптимизации материальных и технических ресурсов лечебного учреждения и экономии средств пациента на многократные тесты и анализы, в том числе с применением дорогостоящего медицинского оборудования
поддержка принятия врачебного решения – постановка и обоснование конкретного диагноза на основе клинической картины
выдача диагностического решения и оценка осложнений при критических и неотложных состояниях

Кто и где использует МЭС

Кадр из фильма “Мстители” (The Avengers)/Marvel Studios, Paramount Pictures, Walt Disney Studios Motion Pictures

Классификация экспертных систем

Хотя утвержденного разделения ЭС на классы не существует, можно выделить несколько общих категорий, которые описывают их функциональные особенности и область применения.

В зависимости от профиля решаемых задач, ЭС бывают:

диагностические
мониторинговые
проектные
прогностические
планирующие
обучающие
интерпретирующие
поддерживающие принятие решения

Также различают системы с традиционным и гибридным методами представления знаний. В первом случае ЭС руководствуется эмпирическими (опытными) моделями и логическими операциями первого порядка, где переменными являются предметы без их признаков и отношений между ними. Гибридные программы используют сразу несколько моделей мышления предметной области.

Еще экспертные системы делят по динамичности или по связи с реальным временем. Они могут быть статическими, динамическими или квазидинамическими, в зависимости от постоянства исходных данных, которые использует система. В квазидинамических ЭС изменения происходят интервально. Медицинские экспертные системы относятся к динамическому типу.

Компоненты МЭС

Любая экспертная система, вне зависимости от области ее применения, включает в себя следующие компоненты:

Рассмотрим, как все эти компоненты взаимодействуют друг с другом на практике.

Постановка диагноза при помощи МЭС

Для того чтобы понять, как происходит постановка диагноза с помощью экспертной системы, попробуем разобрать принцип ее проектирования. Возьмем программу, задача которой состоит в определении риска развития заболевания.

Кадр из фильма “Мой друг робот” (Robbi, Tobbi und das Fliewatüüt)/StudioCanal

По результатам назначенного исследования база знаний ЭС может быть дополнена новыми данными, которые будут использованы при диагностике следующих пациентов. Это происходит за счет компонента обучения. Чем объемнее база знаний системы, тем статистически более точными будут ее прогнозы, при условии достаточного технического обеспечения для обработки информационного массива.

Медицинская экспертная система способна оказать необходимую поддержку как узким специалистам, так и врачам общей практики или младшему медперсоналу. Профильные доктора могут использовать программу в качестве второго мнения, участковые и фельдшеры – как коллегу-эксперта. Это будет оправдано, например, в удаленных регионах, где не хватает квалифицированных кадров.

Эволюция и внедрение экспертных систем непрерывно связаны с развитием технологий и смежных специальностей – программирование, инженерия знаний. Поэтому, возможно, в ближайшем будущем интеллектуальные системы в медицине и других практических областях будут применяться еще активнее.

Экспертные системы (ЭС) начали разрабатываться ещё в 70-х годах прошлого века исследователями искусственного интеллекта, а первыми предпосылками в этой области стали т.н. "интеллектуальные машины", разработанные Семёном Корсаковым в 1832-м году, и способные находить решения задач по заданным условиям.

Современные экспертные системы представляют собой компьютерные программы, которые могут проводить анализ на основе определённых исходных данных и способные заменять специалистов узкого профиля в проблемных ситуациях. Сами системы рассматриваются как модели поведения экспертов, и, как и эксперты-люди, в своей работе используют знания. Только для ЭС "знания" представлены в виде баз знаний (формализованных совокупностей фактов и правил логического вывода в определённых областях), которые можно изменять и дополнять.

Поиск решения может осуществляться с помощью нескольких различных подходов:

логическими методами (направленными на создание экспертных систем с логическими моделями баз знаний);
математическими методами (имитационным и аналитическим);
эвристическими (не имеющими строгого обоснования) методами;
гибридными методами.

Упрощенная схема любой экспертной системы выглядит примерно так:

Процесс же создания любой экспертной системы всегда состоит из нескольких шагов. Первым шагом является определение проблем, целей разработки и задач, которые будут решаться. На этом же этапе определяются типы пользователей и эксперты. Вторым шагом является анализ той области знаний, с которой будет работать ЭС, т.е. определяются понятия и их взаимосвязи, рассматриваются методы решения поставленных задач. Третьим шагом является структурирование знаний (моделируется работа системы, формализуются основные понятия, определяются способы интерпретации, представления и управления знаниями). Четвёртый шаг - формализация, т.е. заполнение базы знаний. Пятый шаг - это непосредственно реализация экспертной системы, а шестой и последний шаг - тестирование ЭС.

На сегодняшний день в сфере искусственного интеллекта разработка ЭС является одним из самых перспективных направлений. Экспертные системы находят применение в таких областях как военное дело, медицина, навигация, микроэлектроника и т.д. Применение таких систем особенно актуально в областях, в которых существует опасность для жизни или здоровья людей-специалистов.

В этой статье мы будем подробно рассматривать медицинские экспертные системы.

ЭС на сегодняшний день играют очень важную роль в развитии здравоохранения в целом, и служат для того, чтобы обеспечивать систематическую помощь медицинскому персоналу в случае возникновения спорных и проблемных ситуаций в вопросах лечения пациентов. Медицинские ЭС способны решать не только задачи диагностики, но и помогать в прогнозировании течения болезней, в выборе тактики их лечения. В каких же именно ситуациях могут помочь экспертные системы?

ЭС, как правило, применяются в той ситуации, когда возникают проблемы следующего характера:

Исходные данные, представленные экспертам, неоднозначны либо противоречивы.
Невозможно определить алгоритм однозначного решения задачи классическими методами.
Задача не может быть представлена в числовой форме.

Итак, если проблема характеризуется каким-либо (или несколькими) из вышеперечисленных факторов, то для её разрешения целесообразно применение экспертной системы.

Медицинские проблемы, как правило, обладают именно такими свойствами, т.к. исходные данные представлены зачастую большим количеством запутанных и, возможно, противоречивых клинических данных.

К проектированию экспертных систем существуют различные подходы и методы, однако среди разработчиков медицинских ЭС на данный момент одним из наиболее приоритетных направлений является разработка так называемых самообучающихся интеллектуальных систем (СИС), а конкретнее - искусственных нейронных сетей.

Искусственные нейронные сети (ИНС) - это математические модели и их программные (или аппаратные) реализации, которые строятся по образу биологических нейронных сетей (сетей нервных клеток живого организма, которые объединены в нервной системе). Иными словами, ИНС - это системы для обработки информации, которые основаны на моделировании функций работы живого мозга.

ИНС отличаются тем, что представляют собой нелинейные системы, что даёт возможность обрабатывать и анализировать данные на порядок более качественно, нежели с помощью линейных методов. Еще одно преимущество нейронных сетей перед классическими алгоритмами - это возможность обучения. Нейронные сети не программируются в классическом понимании этого слова, а обучаются на конкретных примерах. Фактически, система, "тренируясь" на н-ном количестве заданных примеров, обобщает получаемую в процессе информацию и вырабатывает реакцию по отношению к данным, которые не участвовали непосредственно в процессе обучения системы. Обучение ИНС состоит в нахождении связей между элементами системы.

Таким образом, ИНС могут принимать решения, основываясь не только на изначально заложенных в них данных, но и на выявляемых ими скрытых закономерностях.

Примерная схема применения ИНС в медицине выглядит так:

А схема строения выглядит так:

В основе любой искусственной нейронной сети лежат однотипные простейшие элементы, функцией которых является имитация работы нейронов. Как и клетки головного мозга, каждый искусственный "нейрон" имеет группу "синапсов". В случае ИНС "синапсами" являются односторонние входные связи, которые соединяются с выходами других "нейронов". Также искусственные "нейроны" обладают "аксонами" (выходной связью, с помощью которой сигналы поступают на "синапсы" иных нейронов).

Как уже упоминалось, работа ИНС изначально основывалась на моделях биологических систем обработки информации, которые способны на параллельную обработку данных. Соответственно, для искусственных сетей также характерен этот принцип. Такой эффект достигается благодаря тому, что в сети большое количество элементов-"нейронов" объединены в т.н. слои, которые, в свою очередь, объединены между собой.

Резонно заметить, что чем сложнее искусственная нейронная сеть, тем более сложные задачи она может решать. Тем не менее, количество нейронов и их слоёв в сети ограничивается мощностью компьютера.

Как уже упоминалось, разработка ИНС является одним из самых перспективных направлений в области использования экспертных систем в медицине. Тем не менее, это не единственная применяемая технология.

Ещё одна технология, которая используется для обработки информации, с целью обнаружения новых интерпретаций знаний для решения задач прогнозирования и классификации - это Data Mining. В русском языке это понятие определяется как "обнаружение знаний в базах данных". Фактически, можно сказать, что Data Mining - это процесс обнаружения в исходных данных ранее неизвестных интерпретаций знаний, скрытых закономерностей.

Стоит сказать, что средства Data Mining доступны даже для людей, которые не имеют глубокой математической подготовки, благодаря гибким алгоритмам визуализации.

Методы Data Mining позволяют выявлять несколько типов закономерностей:

Классификация. С её помощью возможно выявлять признаки, которые характеризуют группу, к которой можно отнести рассматриваемый объект. В данном случае это происходит на базе анализа уже классифицированных объектов.
Кластеризация. По сути, та же классификация, однако группы, к которой принадлежат анализируемые объекты, не являются заданными, т.е. группы данных выделяются непосредственно с помощью средств Data Mining.
Ассоциация. Определяется в том случае, если имеется несколько событий, связанных друг с другом.
Последовательность. Определяется в том случае, если есть целая цепочка связанных друг с другом событий.
Прогнозирование. Основой для прогнозирования является информация, которая хранится в базах данных. Построение математических моделей позволяет предсказывать поведение системы в будущем.

В основе Data Mining лежат различные методы и алгоритмы: деревья решений, метод ближайшего соседа, байесовские сети, линейная регрессия, корреляционный анализ, регрессионный анализ, кластерный анализ, методы поиска ассоциативных правил, генетические алгоритмы, метод опорных векторов и др.

В данной статье мы чуть более подробно рассмотрим метод опорных векторов (МОВ), так как именно он является наиболее гибким, и зачастую используется при создании медицинских ЭС.

Метод опорных векторов - это метод классификации (относится к бинарным классификаторам), который разделяет объекты с разной классовой принадлежностью с помощью плоскости решений (гиперплоскости).

С помощью линии разделяются объекты с разными признаками: жёлтые и коричневые. Линия задаёт границу, и любой объект, который попадает по правую сторону от линии, классифицируется как "коричневый", а любой по левую - как "жёлтый". Целью данного метода является нахождение плоскости, которая разделяет два множества объектов с различными признаками.

Изобразить это можно примерно так:

Далее находятся объекты, которые лежат на границах между двумя классами (областями). Эти объекты и называются опорными векторами, и именно они используются для принятия решений системой о принадлежности новых предоставляемых для распознавания объектов к какому-либо классу:

Решение задач классификации с помощью МОВ сводится к поиску некоей линейной функции, которая разделяет весь набор данных на два класса. Одним из недостатков данного метода является то, что не всегда возможно найти линейную границу между двумя классами рассматриваемых объектов.

На сегодняшний день существует великое множество экспертных систем, работающих на базе различных методов и использующихся во многих областях медицины. Однако общей чертой медицинских ЭС (в особенности, если говорить об обучающихся системах) можно выделить отсутствие единой технологии их создания. В большинстве своём, в разработках и уже в полноценно работающих системах, в основе лежат различные алгоритмы функционирования. Как следствие, для каждой задачи, как правило, необходимо разрабатывать собственную архитектуру.

Стоит сказать о том, что, несмотря на то, что использование экспертных систем в медицине позволяет выйти на новый уровень в процессе решения таких проблем как диагностика и прогнозирование течения болезни, имеется и психологический аспект использования ЭС. Поскольку врач несёт огромную ответственность за свои решения, для него очень важно быть уверенным в действиях, своих, или же подсказываемых ему со стороны.

Таким образом, с одной стороны, ЭС в медицине могут существенно облегчить процесс принятия решений врачом, особенно в нестандартных ситуациях, осуществлять более полный и точный анализ данных, помочь в том случае, когда необходимо принять решение оперативно, уменьшить число ошибок, связанных с человеческим фактором. С другой же стороны, подобная система сможет стать полезным инструментом лишь в руках эксперта, и ни в коем случае не сможет полностью заменить врача.

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.

Файлы: 1 файл

экспертные системы в области медицины.doc

Кафедра прикладной информатики и информационных систем

Факультет экономики менеджмента и информационных технологий

Выполнила: студентка гр.2341

Проверил: доц. Сысоев Д.В.

Введение

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.

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 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 — 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.

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.

Для учеников 1-11 классов и дошкольников
Бесплатные сертификаты учителям и участникам

Описание презентации по отдельным слайдам:

1
Медицинские экспертные системы
Преподаватель Мамонтова Т.В.

"Мы столько можем, сколько знаем.
Знание - сила."
Френсис Бэкон, английский философ
и государственный деятель

Оглавление
Введение
История возникновения.
Структура. Основные компоненты экспертных систем.
Современные МЭС.
Вывод

Экспертные системы
- это направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области.

Экспертные системы применяются для решения неформализованных проблем:
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.

Главное достоинство экспертных систем:
возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов

7
Эдвард Фейгенбаум
Джошуа Ледерберг
Брюс Бученен

Первая версия ЭС MYCIN
8
Эдвард Шортлайф
была построена в Стэндфордском университете в середине 70-х годов
Предназначена для работы в области диагностики и лечения заражения крови и менингитных инфекций.

Структура. Основные компоненты экспертных систем

Основные компоненты экспертных систем
10

Современные МЭС
11
Медицинская экспертная система дифференциальной диагностики

Врач составляет список симптомов и диагнозов, имеющихся у пациента или предполагаемых самим врачом
12

Добавление диагнозов и симптомов:
13

При завершении ввода входных данных начинается процесс логического вывода.
14
Результаты консультации

15
Медицинская экспертная система должна
воспринимать симптомы болезни
сообщать свое мнение врачу
излагать ход выработки заключения

17
ДИАНА-5
(СПбМАПО, С.- Петербург).
Экспертная система для диагностики и выбора тактики при болях в животе, предназначенная для сельского фельдшера.

PERFEX
(США, 1992-1997 гг.) является экспертной системой для автоматической интерпретации кардиотонических спектральных данных. Эта система определяет длительность и серьезность заболеваний коронарной артерии из анализа распределений перфузии.

Виды МЭС
Экспертные системы по прогнозированию рисков развития заболеваний, осложнений и эффективности лечения
Экспертные системы по ранней диагностике заболеваний.
Экспертные системы по планированию лечения.
Экспертные системы по мониторингу состояния здоровья пациента.
Автоматизированные системы анализа и статистической обработки клинического материала
20

Вывод
Опыт использования МЭС доказывает существенное повышение качества диагностики, что не только уменьшает риск возникновения врачебных ошибок и непредвиденных осложнений, но и позволяет более эффективно использовать ресурсы помощи, регламентировать объем необходимых обследований и, наконец, повысить профессиональный уровень медицинских работников.

22
Спасибо за внимание!

подготовка к ЕГЭ/ОГЭ и ВПР
по всем предметам 1-11 классов

Курс повышения квалификации

Дистанционное обучение как современный формат преподавания

Курс повышения квалификации

Инструменты онлайн-обучения на примере программ Zoom, Skype, Microsoft Teams, Bandicam

Курс добавлен 31.01.2022
Сейчас обучается 24 человека из 17 регионов

Курс повышения квалификации

Педагогическая деятельность в контексте профессионального стандарта педагога и ФГОС

ЗП до 91 000 руб.
Гибкий график
Удаленная работа

Дистанционные курсы для педагогов

Свидетельство и скидка на обучение каждому участнику

Найдите материал к любому уроку, указав свой предмет (категорию), класс, учебник и тему:

5 606 156 материалов в базе

Самые массовые международные дистанционные

Школьные Инфоконкурсы 2022

Свидетельство и скидка на обучение каждому участнику

Другие материалы

Вам будут интересны эти курсы:

Оставьте свой комментарий

18.01.2021 1456
PPTX 1.8 мбайт
55 скачиваний
Оцените материал:

Настоящий материал опубликован пользователем Мамонтова Татьяна Владимировна. Инфоурок является информационным посредником и предоставляет пользователям возможность размещать на сайте методические материалы. Всю ответственность за опубликованные материалы, содержащиеся в них сведения, а также за соблюдение авторских прав несут пользователи, загрузившие материал на сайт

Если Вы считаете, что материал нарушает авторские права либо по каким-то другим причинам должен быть удален с сайта, Вы можете оставить жалобу на материал.

Автор материала

40%

Подготовка к ЕГЭ/ОГЭ и ВПР
Для учеников 1-11 классов

Московский институт профессиональной
переподготовки и повышения
квалификации педагогов

Дистанционные курсы
для педагогов

663 курса от 690 рублей

Выбрать курс со скидкой

Выдаём документы
установленного образца!

Учителя о ЕГЭ: секреты успешной подготовки

Время чтения: 11 минут

Минтруд предложил упростить направление маткапитала на образование

Время чтения: 1 минута

В Россию приехали 10 тысяч детей из Луганской и Донецкой Народных республик

Время чтения: 2 минуты

Отчисленные за рубежом студенты смогут бесплатно учиться в России

Время чтения: 1 минута

Время чтения: 2 минуты

Онлайн-тренинг: нейрогимнастика для успешной учёбы и комфортной жизни

Время чтения: 2 минуты

Каждый второй ребенок в школе подвергался психической агрессии

Время чтения: 3 минуты

Подарочные сертификаты

Ответственность за разрешение любых спорных моментов, касающихся самих материалов и их содержания, берут на себя пользователи, разместившие материал на сайте. Однако администрация сайта готова оказать всяческую поддержку в решении любых вопросов, связанных с работой и содержанием сайта. Если Вы заметили, что на данном сайте незаконно используются материалы, сообщите об этом администрации сайта через форму обратной связи.

Все материалы, размещенные на сайте, созданы авторами сайта либо размещены пользователями сайта и представлены на сайте исключительно для ознакомления. Авторские права на материалы принадлежат их законным авторам. Частичное или полное копирование материалов сайта без письменного разрешения администрации сайта запрещено! Мнение администрации может не совпадать с точкой зрения авторов.

Читайте также: