Примеры использования экспертных систем в медицине нельзя назвать единичными, они применяются во многих областях здравоохранения. Примечательно, что подавляющее большинство таких работ выполнено зарубежными исследователями и в основном они касаются возможностей использования ИНС в различных клинических ситуациях. Так, например, в области хирургии P.L.
Liew et al. на основе ИНС создали систему прогнозирования риска развития желчнокаменной болезни у людей с избыточной массой тела. Авторы ретроспективно изучили антропоморфометрические, анамнестические, клинические и лабораторные данные 117 пациентов с ожирением, прооперированных за период с февраля 1999 по октябрь 2005 г. Была построена ИНС, обученная алгоритмом обратного распространения.
Использовались 30 входных переменных, включая клинические данные (пол, возраст, индекс массы тела, сопутствующие заболевания), лабораторные показатели и результаты гистологического исследования. Прогнозирующую ценность ИНС сравнивали с моделью логистической регрессии, обученной на той же базе данных. ИНС продемонстрировала лучшую прогнозирующую ценность и более низкую ошибку, чем модель логистической регрессии. Наиболее важные факторы риска желчнокаменной болезни, по данным обеих методик, — повышенное диастолическое артериальное давление, преморбидный фон, нарушение метаболизма глюкозы и повышение уровня холестерина крови.
Экспертные системы: основы, понятия, подходы к реализации
В эндоскопии A. Das et al. использовали нейросетевые технологии для сортировки больных с неварикозными кровотечениями из верхних отделов желудочно-кишечного тракта. Была исследована эффективность ИНС, обученной по клиническим и лабораторным данным 387 пациентов с изучаемой патологией, верификация — по данным 200 пациентов с проведением ROC-анализа. На выходе сети имелись две результирующие переменные: наличие или отсутствие признаков продолжающегося кровотечения и потребность в лечебной эндоскопии. Чувствительность нейронной сети составила > 80 %, прогнозирующая ценность – 92—96 %.
В онкоурологии P. Bassi et al. прогнозировали 5-летнюю выживаемость пациентов, перенесших радикальную цист-эктомию по поводу рака мочевого пузыря. Для этого были разработаны и сравнены ИНС и модель логистической регрессии (МЛР).
Выявлено, что единственными статистически достоверными предсказателями 5-летней выживаемости оказались стадия опухоли и наличие или отсутствие прорастания в соседние органы. Положительная прогнозирующая ценность МЛР — 78,6%, ИНС – 76,2%, отрицательная прогнозирующая ценность – 73,9% и 76,5% соответственно. Индекс диагностической точности МЛР – 75,9%, ИНС – 76,4%. Таким образом, прогностическая ценность ИНС оказалась сопоставимой с МЛР, но нейросеть продемонстрировала определенные преимущества: ИНС базируется на удобном в работе, понятном программном обеспечении, позволяющем выявлять нелинейные связи между переменными, поэтому она более предпочтительна для использования в прогнозировании.
С. Stephan et al. применили ИНС для автоматизированного анализа биоптата предстательной железы. Методика основывалась на выявлении общего простат-специфического антигена (ПСА) и определении процента свободного ПСА. Чувствительность составила 95%, специфичность – 34%. При дополнении нейросети моделью логистической регрессии специфичность возросла до 95%.
Как устроена общая архитектура экспертных систем? Душкин объяснит
F. K. Chun et al. использовали ИНС для выявления группы риска рака предстательной железы в сравнении с МЛР. ИНС также продемонстрировала более точные прогностические возможности.
В трансплантологии G. Santori et al. применили нейросетевые технологии в прогнозировании отсроченного снижения креатинина сыворотки крови у детей после трансплантации почки. Для выявления корреляции между входными переменными и искомым результатом у пациентов, подлежащих трансплантации почки, была создана искусственная нейронная сеть, обученная на 107 клинических примерах.
Были отобраны наиболее важные переменные, коррелирующие с результатом: креатинин сыворотки крови в день пересадки, диурез за первые 24 часа, эффективность гемодиализа, пол реципиента, пол донора, масса тела в первый день после пересадки, возраст. Модель была откалибрована второй выборкой пациентов (n = 41). Точность нейронной сети в обучающей, калибровочной и проверочной выборках составила 89 %; 77% и 87% соответственно. Сравнительный логистический анализ показал общую точность 79%. Чувствительность и специфичность ИНС составили 87%, тогда как метод логистической регрессии продемонстрировал худшие результаты — 37% и 94% соответственно.
В медицинской радиологии F. Dоhler et al. использовали нейронную сеть для классификации изображений МРТ с целью автоматизированного обнаружения гиппокампального склероза. ИНС была обучена на 144 примерах изображений и позволяла классифицировать изменения в ткани головного мозга относительно наличия склеротических изменений. E.E. Gassman et al. создали ИНС для автоматизированной идентификации костных структур и оценили надежность этой методики по сравнению с традиционными. Кроме того, сегментацию структур кости ИНС выполнила в 10 раз быстрее.
В неврологии A.T. Tzallas et al. применили нейросеть для прогнозирования эпилептических приступов на основе анализа электроэнцефалограмм. Прогностическая точность метода составила 98 – 100 %.
Разработанная нами нейросетевая модель предназначена для прогнозирования вероятности развития инфицированного панкреонекроза на основании данных, полученных при поступлении больного в стационар и в течение первых 48 часов госпитализации: точность результатов — 90%, специфичность – 96% . Используя эту модель, мы получили возможность уже на ранних сроках заболевания острым панкреатитом определить группу больных, угрожаемых по развитию инфицированного панкреонекроза с выбором адекватной лечебно-диагностической тактики.
Кроме того, нейронная сеть позволила выделить 12 наиболее информативных показателей для прогнозирования в ранние сроки заболевания инфекционных осложнений острого панкреатита:
ü тип госпитализации в стационар (перевод из другой больницы);
ü возраст больного;
ü индекс массы тела;
ü температура тела больного;
ü частота сердечных сокращений;
ü частота дыхательных движений;
ü количество лейкоцитов крови;
ü вздутие живота, определяемое в течение 24 часов от начала заболевания (повышенное внутрибрюшное давление);
ü острые жидкостные образования и (или) свободная жидкость в брюшной полости, определяемые в первые 24 часа от начала заболевания;
ü мочевина крови;
ü глюкоза крови;
ü отсутствие улучшения общего состояния больного в течение 24 часов комплексной интенсивной терапии (пациент «не отвечает» на проводимое лечение, рост количества баллов по шкале SAPS II).
Технология Data Mining (DM), включающая нейросетевое моделирование, метод опорных векторов и др., применена N. Horowitz et al. в разработке диагностической анкеты для выявления гастроэзофагеальной рефлюксной болезни. Авторами были обследованы 132 пациента, на основании полученных данных построена DM-модель, позволившая отобрать наиболее важные и достоверные признаки заболевания: изжога, отрыжка кислым, положительный эффект от антацидной терапии и ухудшение самочувствия после острой, жирной пищи. Чувствительность и специфичность данного метода составили 75% и 78%.
Y.C. Lee et al. использовали DM-технологии для прогнозирования снижения массы тела после хирургического лечения ожирения. В работе ретроспективно учтены данные 249 пациентов (177 женщин и 72 мужчины), оперированных различными методиками. 208 больных (83,5%) в течение 2 лет после операции успешно снизили массу тела, тогда как у 41 (16,5%) эффекта не было. Созданная авторами DM-модель позволяет еще до операции выявить, будет ли после нее эффект и какой вид вмешательства предпочтительнее.
Общей чертой, объединяющей все приведенные выше примеры, является отсутствие единой универсальной технологии создания нейросетевых моделей. В публикуемых разработках используются самые разнообразные архитектуры и алгоритмы функционирования экспертных систем.
Это приводит к тому, что почти для каждой задачи разрабатывается своя собственная архитектура, а зачастую – некоторый уникальный алгоритм или уникальная модификация уже существующего алгоритма. С точки зрения практического применения такие экспертные системы почти не отличаются от традиционных программ принятия решений. Более того, предложены методы автоматизированного преобразования традиционных экспертных систем в нейросетевые. Их разработка требует участия специалистов по нейроинформатике, а возможности конструирования пользователем практически отсутствуют. Это делает такие системы дорогими и не очень удобными для практического применения, поэтому в публикациях авторы в основном сравнивают качество работы нейросетевых алгоритмов и традиционных систем, работающих по правилам вывода.
Таким образом, на основании анализа публикаций о применении экспертных систем в медицине можно сделать следующие выводы:
1. Медицинская нейроинформатика как наука находится пока на стадии накопления фактического материала.
2. Нейронные сети обладают чертами, так называемого искусственного интеллекта. Натренированные на ограниченном множестве обучающих выборок, они обобщают накопленную информацию и вырабатывают ожидаемую реакцию применительно к новым данным, не используемым в процессе обучения. Несмотря на значительное количество уже известных практических приложений, возможности дальнейшего использования подходов, основанных на методах искусственного интеллекта, их эффективность окончательно не изучены.
3. Современные технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а именно на основе экспертных автоматизированных технологий смоделировать типовое развитие патологического процесса. Экспертные компьютерные медицинские системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к компьютеру за консультацией в трудных диагностических случаях.
1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. – М.: Финансы и статистика, 2006.
2. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе Statistica в среде Windows. – М.: Финансы и статистика, 2006.
3. Гельман В.Я. Медицинская информатика: практикум. – СПб.: Питер, 2002.
4. Горбань А.Н. Методы нейроинформатики. — Красноярск, 1998.
5. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика. — Новосибирск: Наука, 1998.
6. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. — СПб.: Питер, 2001.
7. Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. – СПб.: Питер, 2003.
8. Жарко В.И., Цыбин А.К., Малахова И.В. и др. // Вопросы организации и информатизации здравоохранения. — 2006.— № 4. – С. 3—7.
9. Жарко В.И. // Мед. вестник. – 2008. – № 9 (843). – С. 2.
10. Литвин А.А., Жариков О.Г., Сенчук Г.А. и др. // Проблемы здоровья и экологии. – 2007. – №2 (12). – С. 7–14.
11. Медведев В.С., Потемкин В.Г. Нейронные сети. Matlab 6. — Диалог-МИФИ, 2002.
12. Осовский С. Нейронные сети для обработки информации / пер. с польск. – М.: Финансы и статистика, 2004.
13. Чубукова И.А. Data Mining. — М.: БИНОМ. Лаборатория знаний, 2008.
Информация о работе «Экспертные системы – основа технологии информатизации врачебной деятельности»
Раздел: Медицина, здоровье
Количество знаков с пробелами: 23243
Количество таблиц: 0
Количество изображений: 2
Источник: kazedu.com
Медицинские экспертные системы
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
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
Первой разработкой экспертного ПО в медицине считается система MYCIN («Мицин»). Она была создана специалистами Стэнфордского университета в начале 70-хх для определения возбудителей тяжелых инфекционных болезней и расчета нужных доз антибиотиков. Эффективность программы оценивалась в 69% – в стольких случаях было назначено корректное лечение. Важно отметить, что этот показатель был даже выше, чем у врачей-инфекционистов, которые участвовали в исследовании. К сожалению, MYCIN не получил практического применения из-за несовершенства технологий того времени.
Сейчас существует много примеров успешной разработки и использования МЭС в медицинской практике. Среди них можно выделить систему диагностики детских неотложных состояний «ДИН» (Московское НИИ педиатрии и детской хирургии), программу «АЙБОЛИТ» для выявления, типологии и уточнения терапии острых нарушений циркуляции крови у детей (Национальный медицинский исследовательский центр сердечно-сосудистой хирургии им. А.Н. Бакулева), систему определения ведущей патологии и сопутствующего лечения с удаленным мониторингом тяжелых пациентов «ДИНАР» (Санкт-Петербургский государственный педиатрический медицинский университет, Свердловская областная детская клиническая больница, при участии сотрудников Института биофизики УроРАН).
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:
- внешний интерфейс системы, с которым работает пользователь (диалоговый компонент)
- рабочую память или базу данных – место для хранения информации по текущей задаче
- базу знаний, в которой собраны все данные о предметной области и правила их обработки. Для понимания различий между базой данных и базой знаний можно привести следующий пример. Референсные интервалы уровня гемоглобина в крови для мужчин некоторой возрастной категории относятся к области базы знаний. Конкретные цифры анализа пациента – к рабочей памяти.
- «решатель» или механизм осуществления логического вывода – компонент, который выполняет поставленную задачу, «применяя» базу знаний к исходным данным
- компонент объяснения – показывает механизм и этапы решения поставленной задачи
- компонент получения знаний – отвечает за ввод данных в базу знаний экспертом предметной области
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.
Сначала выполняется сбор вводной информации об известных факторах, которые могут влиять на появление болезни, и их значимости. Это можно сделать, например, при помощи анкетирования пациентов с подтвержденным диагнозом, а также группы людей, у которых точно отсутствует рассматриваемая патология – в качестве контрольной группы.
Далее методами многомерного анализа процедуру принятия решения по имеющимся исходным данным раскладывают на составляющие, воспроизводя аналитический процесс врача-эксперта. На выходе получают некий набор признаков болезни (и ее отсутствия) и правил распределения пациентов между группами «риск» и «норма». Алгоритм тестируется на новой выборке и корректируется при выявлении ошибок. Итоговый набор правил вносится в базу знаний ЭС.
На приеме врач собирает анамнез (исходные данные) и вводит его в систему, используя персональный компьютер. Это может происходить в режиме диалога с программой (вопрос-ответ) или выглядеть как заполнение определенной формы-опросника, которая структурирует информацию для ЭС. Эти сведения попадают в рабочую память.
Далее ЭС «прогоняет» их через логические правила, которые заложены в ее базу знаний, выдает ответ, с пояснением, как программа пришла к такому заключению. Пояснение может быть представлено как в графической, так и в письменной форме. Достоверность суждения экспертной системы выражается коэффициентом уверенности (K) – числовой характеристикой ложности или справедливости вывода. «K» находится в диапазоне от 1 до 0. Заключение ЭС может выглядеть следующим образом: «Пациент с низкой степенью уверенности (К=0,344) отнесен к группе риска по развитию атеросклероза». Или: «Пациент с высокой степенью уверенности (К=0,943) отнесен к группе риска по развитию атеросклероза. Рекомендовано УЗИ сердца».
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.
Источник: sparm.com
Лекция №3
Интеллектуальные системы поддержки принятия врачебных решений:
выполняют задачи анализа, моделирования и прогноза. Принятие решения – это акт целенаправленного воздействия на объект управления, основанный на анализе ситуации, определении цели, разработке программы достижения этой цели.
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.
Структура экспертной системы
Решатель Интерфейс База пользовате знаний Блок ля объяснений Пользовате ль (база данных)
| Интеллектуал |
| ь-ный |
| редактор |
| базы знаний |
| Инженер по |
| знаниям и |
| Эксперт |
Этапы построения экспертных
1. Идентификация систем (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.);
Классификация экспертных
систем Экспертные системы По задаче По связи с реальным временем По типу ЭВМ По степени интеграции
Классификация ЭС по задаче
По задаче 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.)
Классификация ЭС по задаче
По задаче 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.)
Классификация ЭС по связи с
реальным временем По связи с реальным временем Статические Квазидинамически е Динамические
Классификация ЭС по типу ЭВМ
По типу ЭВМ На суперЭВМ На ЭВМ средней производительности На символьных процессорах На мини- и супермини- ЭВМ На ПЭВМ
Источник: studfile.net