Содержание к диссертации
Введение
Глава 1. Характеристика проблемы построения интеллектуальных систем 12
1.1. Особенности принятия решений в условиях неопределенности 12
1.2. Способы оценки количества информации и энтропии в экспериментальных данных 19
1.3. Статистические методы в обработке экспериментальных данных 26
1.4. Гибридная система на основе нечеткой логики и нейротехнологии 33
1.5. Цели и задачи исследования 44
Глава 2. Разработка алгоритмов повышения информативности данных 47
2.1. Алгоритм нормировки данных 47
2.2. Алгоритм выделения информативных признаков 51
2.3. Тестирование работы алгоритма выделения информативных признаков - 55
2.4. Выводы 60
Глава 3. Разработка алгоритмов принятия решения на основе нейро-нечеткой сети 61
3.1. Алгоритм построения модели каскадной нейро-нечеткой сети 62
3.2. Алгоритм выделения контрольной и обучающей выборки 66
3.3. Тестирование работы предложенных алгоритмов при различных начальных настройках 68
3.4. Выводы 76
Глава 4. Проектирование систем поддержки принятия решений на примере автоматизированной системы диагностики заболеваний легких 78
4.1. Системы поддержки принятия решений 78
4.2. Построение интеллектуальной системы 80
4.3. Построение систем диагностики в медицине 82
4.4. Описания заболеваний легких 87
4.5. Способы исследования и схема диагностики заболеваний легких 90
4.6. Реализация автоматизированной системы диагностики заболеваний легких на базе Дальневосточного научного центра физиологии и патологии дыхания 95
4.7. Выводы 108
Заключение ПО
Библиографический список
- Способы оценки количества информации и энтропии в экспериментальных данных
- Алгоритм выделения информативных признаков
- Алгоритм выделения контрольной и обучающей выборки
- Построение систем диагностики в медицине
Введение к работе
Актуальность темы. Современное развитие различных областей человеческой деятельности характеризуется ростом в них информационной составляющей, представляющей собой опыт, накопленный при решении конкретных задач в прошлом. В настоящее время- структура информационной составляющей такова, что получение на ее основе строгой математической модели посредством методов интерполяции или экстраполяции, сводящихся к задаче построения линейных регрессионных уравнений, весьма затруднительно, а в. некоторых случаях невозможно1. В условиях недетерминированной системы (где отсутствует четкая функциональная связь между причиной и следствием) накладываются значительные ограничения на использование распространенных методов системного анализа - например; статистики. В таких условиях хорошо зарекомендовал» себя интеллектуальные системы, построенные на основе теории нечетких множеств и нейронных сетей. Использование интеллектуальных систем оправдывается не только-их хорошими-аппроксимирующими способностями, но и возможностью построения прозрачных правил вывода решений для эксперта (как, например, в нечеткой логике).
Каждый из методов интеллектуальных систем имеет свои достоинства и недостатки, что в отдельности позволяет с их помощью-решать только идеализированные «игровые» задачи, тогда как при решении практических задач принято объединять различные подходы в гибридные интеллектуальные системы. Данные подходы можно использовать для построения систем поддержки принятия решений в задачах прогнозирования, классификации, диагностики и т.п. Как правило, указанные системы проектируются под решения конкретной задачи, с имеющимися в ней частными ограничениями, что зачастую не позволяет использовать их в других задачах. Одним из таких ограничений выступает априорная неопределенность фактора полезности того или иного входного признака используемого для предсказания значений выхода, либо когда между данными присутствует корреляция, что не оправдывает использования' громоздких нелинейных моделей.
В этой связи разработка интеллектуальных систем, которые обладали бы достаточной гибкостью в условиях априорной неопределенности и наличия различных ограничений, является актуальной задачей, представляющей научный интерес.
К основным результатам по созданию интеллектуальных систем на основе нечеткой логики и нейронных сетей относятся работы А.В. Гаврилова, А.Н. Горбань, Р.Ю. Голунова, А.А. Ежова, А.Н. Кирдина, В.В. Круглова, Д.А. Поспелова, С.А. Терехова, Н.Г. Ярушкиной, Э. Кьюсиака, В. Пилиньского, Л. Рут-ковского, L.A. Zadeh, F. Rosenblatt, Т. Tagagi, М. Sugeno, Е.Н. Mamdani; а.также вклад в теорию информации внесли работы К.Э. Шеннона, А.Н. Колмогорова, И.М. Коган, СМ. Коротаева, S. Haykin, Dongxin Xu.
Целью исследования является разработка модели классификации объекта на основе каскадной нейро-нечеткой сети и алгоритмов функционирования интеллектуальных систем поддержки принятия решений.
В ходе достижения цели решались следующие задачи:
разработка алгоритма нормирования экспериментальных данных;
разработка алгоритма выделения пространства информативных признаков из экспериментальных данных;
разработка алгоритма построения модели каскадной нейро-нечеткой сети на основе адаптивной нейро-нечеткой сети по экспериментальным данным;
разработка модели интеллектуальной системы поддержки принятия решения;
реализация программных средств обеспечения имитационного моделирования разрабатываемых алгоритмов и моделей для решения задач поддержки принятия решений;
проведение статистического анализа результатов рэографии, электроэнцефалографии, ультразвуковой допплераграфии и изокапнической гипервентиляции холодным воздухом больных с заболеваниями легких;
применение полученных теоретических результатов для построения модели имитации принятия решения при диагностике заболеваний легких.
При решении этих задач использованы результаты исследований больных с заболеваниями легких, полученных в РАМН СО ГУ Дальневосточный научный центр физиологии и патологии дыхания.
Основные методы исследования базируются на математическом аппарате теории нечетких множеств и нейронных сетей, теории вероятностей и математической статистики, теории информации и теории принятия решений, методах вычислительной математики и математического программирования. Для практических исследований использована среда «Matlab».
Достоверность полученных в диссертации результатов подтверждается: результатами моделирования предлагаемых алгоритмов; соизмеримостью ошибок обучающей и проверочной выборок в предложенных моделях; сопоставимость с результатами других исследований.
Предмет исследования: модели интеллектуальных систем поддержки принятия решения,для диагностики заболеваний легких; алгоритмы и комплексы программ.
В*построенных моделях интеллектуальных систем в качестве диагностических признаков выступают результаты рэографии, электроэнцефалографии, ультразвуковой допплераграфии и изокапнической гипервентиляции холодным воздухом.
Научная новизна работы:
разработана математическая модель каскадной нейро-нечеткой сети;
разработаны алгоритмы выделения пространства информативных признаков, построения каскадной нейро-нечеткой сети и выделения контрольной и обучающей выборки из экспериментальных данных;
предложена модель структуры интеллектуальной системы поддержки принятия решения по экспериментальным данным, имеющих различные законы распределения, различные диапазоны изменения, групповую корреляцию и выраженную нелинейность;
разработан программный комплекс для построения интеллектуальных систем поддержки принятия решения.
8 Научная и практическая значимость работы:
Основные результаты диссертационной работы были получены автором при проведении исследований, выполнявшихся в 2006 - 2007 гг. в рамках программы «Системный анализ и моделирование влияния экологических и социальных факторов на здоровье населения Дальневосточного региона на основе применения современных информационных технологий с целью прогнозирования и разработки систем принятия управленческих решений в социальной сфере для обеспечения национальной безопасности», утвержденной постановлением Президиума ДВО РАН №147 от 15 декабря 2005 г.
Разработан комплекс инструментальных средств обработки и формализации нечеткой информации, полученной из массива экспериментальных данных; результаты диссертационной работы реализованы в приложении с использованием среды Matlab.
На основе полученных результатов реализована автоматизированная система диагностики заболеваний легких по нейрофизиологическим- параметрам и результатам изокапническои гипервентиляции холодным воздухом, состоящая из нескольких программ. В РАМН СО ГУ Дальневосточный научный центр физиологии и патологии дыхания внедрена и используются в лечебном процессе автоматизированная система диагностики заболеваний легких.
Положения, выносимые на защиту:
Алгоритм выделения пространства информативных признаков на основе метода независимых компонент с использованием предложенной матрицы смешивания и ограничивающим функционалом, позволяющих уменьшить количество настраиваемых параметров.
Алгоритм построения модели каскадной нейро-нечеткой сети путем соединения адаптивных нейро-нечетких сетей по функционалу кросс-энтропии.
Алгоритм выделения контрольной и обучающей выборки из экспериментальных данных с минимальным различием в законах распределения'.
Автоматизированная система диагностики заболеваний легких на основе моделей интеллектуальных систем.
Апробация работы. Основные положения и отдельные результаты работы докладывались и обсуждались на научных конференциях: XV региональной научно-практической конференции «Молодежь XXI века: шаг в будущее»*(Бла-говещенск, 2004 г.), IV Всероссийской научно-технической конференции с международным участием «Энергетика: управление, качество и эффективность использования энергоресурсов» (Благовещенск, 2005 г.), Международной научной конференции «Математические методы в технике и технологиях - 19» (Воронеж, 2006 г.), XIV Всероссийском семинаре «Нейроинформатика и ее приложения» (Красноярск, 2006 г.), VII Международной научно-практической, конференции «Современная техника и технологии в медицине, биологии и экологии» (Новочеркасск, 2006г.), Научной» конференции «Системный анализ в медицине» (Благовещенск, 2007 г.), VII Международной научно-практической конференции: «Моделирование. Теория, методы- и средства» (Новочеркасск, 2007 г.), Международной научной конференции: «Математические методы в технике и технологиях - 20» (Ярославль, 2007 г.), XV Всероссийском семинаре: «Нейроинформатика и ее приложения» (Красноярск, 2007г.).
По результатам работы получен патент РФ № 2316999 «Способ диагностики бронхиальной астмы».
Публикации. Содержание диссертации отражено в 20 публикациях, приведенных в конце автореферата. В числе основных - 10 статьей, из них 4 опубликовано в ведущих рецензируемых журналах.
В работах, опубликованных в соавторстве, автору принадлежат следующие научные и практические результаты: в [8, 10, 17, 19] - метод решения и алгоритмы функционирования; в [13] - постановка задачи, построение алгоритма нормирования данных; в [12] - постановка задачи, построение алгоритма создания каскадной нейро-нечеткой сети; в [7, 9, 14, 16] - постановка задачи, построение системы диагностики.
Основные результаты работы, полученные автором самостоятельно и опубликованные без соавторства- [И, 15, 18, 20, 21].
Объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка цитируемой литературы и приложений. Работа изложена на 124 страницах основного текста и 27 приложения, содержит 35 рисунков, 137 наименования библиографических источников.
Автор выражает искреннюю благодарность за помощь в реализации практической части диссертационной работы сотрудникам лаборатории функциональных методов4 исследования дыхательной системы при РАМН СО ГУ Дальневосточный научный центр физиологии, и патологии дыхания и ее руководителю - доктору медицинских наук, профессору Ю.М. Перельману.
Структура работы.
Во.введении обосновывается актуальность темы, характеризуются научная новизна и методы исследования, приводятся основные теоретические и практические результаты, формулируются; выносящиеся на защиту положения, цели и задачи[диссертационного исследования.
Первая глава- посвящена способам построения интеллектуальных систем поддержки принятия решений с помощыо теории информации, математической статистики. и адаптивных нейро-нечетких сетей. Сформулирована задача построения системы по функционалу информации. Изложены основные идеи статистического подхода, в рамках которого производится поиск значимых признаков, а также обсуждены вопросы использования адаптивных нейро-нечетких сетей.
Во второй главе исследуется поэтапная предобработка данных с целью повысить информативность признаков посредством алгоритма нормировки данных и алгоритма выделения информативных признаков.
В третьей главе разрабатываются, принцип создания систем поддержки-принятия решений посредством двух алгоритмов: алгоритма построения'модели каскадной нейро-нечеткой сети и алгоритма деления данных на обучающую и проверочную выборки.
В четвертой главе описывается модель структуры поддержки принятия решения и предлагаются способ построения интеллектуальной системы, а так-
же практически реализуются предложенные модели и алгоритмы на примере построения автоматизированной системы диагностики заболеваний легких.
В заключение формулируются основные результаты работы.
В приложениях даны вспомогательные материалы диссертационной работы.
Способы оценки количества информации и энтропии в экспериментальных данных
Трудно найти понятия1 более общее для всех наук, чем.информация,и энтропия. Первооткрыватель энтропии Клаузиузус [64] первым же положил начало применению1 введенного им понятия для термодинамических целей. В, настоящее время универсальный характер этого понятия общепризнан, и его плодотворно используют во многих областях.
Термину "количество информация" впервые было придано математически точное описание в работах Шеннона [107]. При этом стоит отметить, что Шеннон был скорее инженером-теоретиком, чем чистым математиком. Профессиональные математики проявили активность в этой области позднее - например, достаточно полно данная область рассмотрена в работах Колмогорова [59, 60].
Следует отметить одну историческую особенность приложений теории информации. С момента зарождения и после наиболее мощного импульса в ее развитии, приданного работами Шеннона, теория информции несмотря на общность математического аппарата и быстро замеченную ассоциированность с термодинамикой, развивалась как раздел теории связи [57]. Однако понятия информации как универсальной меры физического взаимодействия существует и в более общей концепции, в рамках которой информация и энергия рассматриваются как одно целое. Этому посвящен ряд работ, например [74, 103, 128].
Базисным для теории информации является понятие энтропии. Энтропия - мера неопределенности некоторой ситуации. Можно также назвать ее мерой рассеяния, и в этом смысле она подобна дисперсии. Но если дисперсия является адекватной мерой рассеяния лишь для специальных распределений вероятностей случайных величин (гауссово распределение), то энтропия не зависит от типа распределения. Если некий опыт имеет п равновероятных исходов, а другой опыт т равновероятных исходов, то составной опыт имеет пт таких исходов. Если вводить меру неопределенности/, то требуется, чтобы, во-первых, неопределенность росла с ростом числа возможных исходов, а во-вторых, неопределенность составного опыта была равна просто сумме неопределенности отдельных опытов, иначе говоря, мера неопределенности была аддитивной: f(nm)=f(n)+f(m). Именно такая удобная мера неопределенности была введена Шенноном: Я(х) = -/ ( ,) log Р(хг), (1.1) /=i где х - дискретная случайная величина с диапазоном изменчивости N; Р(х) — вероятность возникновения ХІ .
Чтобы рассчитать Н(х), берется запись вариации xj, разность между максимальным и минимальными значениями ху разбивается на N вариант и подсчи-тывается число т{ заполнения каждого / -го варианта. Общее число случаев М— это число пространственных или временных ячеек. В результате получается вероятность возникновения xt в заданной варианте: + 0,01 log0,0l]= 0,3737
В теории информации в формуле для энтропии обычно используют двоичные логарифмы, тогда энтропия и информация измеряются в битах. Это удобно тем, что выбор между двумя равновероятными уровнями ХІ (как в двоичном сигнале) характеризуется неопределенностью 1 бит [57]. В работах, имеющих математический уклон, иногда пользуются десятичными логарифмами, и единицей энтропии является дит [61, 74]. В физике удобнее пользоваться натуральными логарифмами, и единицей энтропии является нат [64]. Далее в работе используется наиболее распространенный десятичный логарифм, причем степень логарифма в формулах опускается. Выбор основания — лишь вопрос масштаба, в любом случае энтропия безразмерна. Возможная величина энтропии заключена в пределах: Q H(X) \o%N. (1.3)
Нижняя грань соответствует вырожденному распределению, когда неопределенность величины X отсутствует и вариационный ряд состоит из Xj const. Верхняя грань соответствует равномерному распределению, когда все N значений Х{ встречаются с равной вероятностью.
Алгоритм выделения информативных признаков
Как уже было сказано, понятие энтропии не является прерогативой только теории информации и термодинамики. Существуют примеры использования этого аппарата и в интеллектуальных системах. Так энтропия и количества информации использовались для качественной оценки априорных данных при создании нейронных сетей в работах [42, 118, 119, 123].
Априорно определенные данные имеют как полезную, так и бесполезную информацию об изучаемом объекте. Однако они сами по себе не дают возможности интерпретировать априорно неопределенные данные. Как раз процесс обучения интеллектуальной системы, суть которого - получить полезную информацию об объекте в форме знаний, и дает в последующем возможность интерпретировать неопределенные данные.
Безусловно, самым распространенным подходом настройки нейронных сетей является алгоритм обратного распространения ошибки, а также различные его модификации на основе генетических алгоритмов [90]. Однако у него есть явный недостаток: он не способен настраиваться на глобальный минимум, поскольку усредняет ошибку на выходе между всеми примерами.
Данное утверждение демонстрировалось в работе [90], где приводился пример создания на основе нейронной сети системы, рекомендующей банку выдавать кредит заемщику. Система создавалась на априорно определенных данных о клиентах, 95% из которых не имели проблем при возврате кредита, а 5% задерживали возврат кредита. Созданная система позволяла классифициро вать клиента с ошибкой 3 %. Однако, главный вклад в ошибку вносили проблемные клиенты, поэтому система была малоэффективна. Решить существующую проблему можно двумя способами: либо создавать специальную обучающую выборку, где данные будут представлены равнозначно, либо менять функционал настройки системы.
В конце 1980-х, Линскер (Linsker) сформулировал общую задачу при. статистической обработке сигнала [130, 131], которую назвал методом максимальной информации (InfoMax). Суть метода заключалась в том, что настройка нейронов при преобразовании случайного вектора X во входном слое нейронной сети к случайному вектору Y в выходном слое сети должна быть произведена таким образом, чтобы это приводило к максимизации совместной информации. Чтобы достичь этого, было предложено использовать функционал количества информации I(Y,X) между входным вектором X и выходным вектором Y в качестве критерия обучения нейронной сети.
Метод InfoMax получил продолжение в работах Хайкина (Haykin) [120, 121, 122], где были реализованы различные варианты схемы, изображенной на рис. 1.3 как для линейных, так и для нелинейных систем. В работе предлагалось в зависимости от решаемой задачи максимизировать или минимизировать информацию.
СППР помогают решать такие задачи как диагностика, прогнозирование, выбор стратегии или тактики поведения и др., которые практически всегда имеют неоднозначный, "нечеткий" характер ответа. При самостоятельном, их решении ЛПР на основе имеющихся знаний формулирует гипотезу, а затем ищет ее подтверждение, при помощи методов математической статистики: различных статистических критериев, корреляционного и регрессионного анализа, метода независимых и главных компонент. Например, в медицине и здравоохранении часто используются различные статистические концепции при проведении исследований и решении научных задач [29, 36, 75]. Посредством статистики можно находить наиболее информативные переменные и уже для них строить СППР [108].
Существует множество статистических критериев для подтверждения или опровержения выдвигаемых экспертом гипотез [6, 55 , 66, 86, 98, 102], среди, которых можно отметить: критерий Стьюдента - параметрический критерий, для проверки гипотезы о средних значениях двух случайных наблюдений с нормальным распределением [55]; критерий Вилкоксона - один из самых известных инструментов непараметрической статистики, являющийся альтернативой критерия Стьюдента для двух независимых наблюдений [55]; критерий Хи-квадрат - непараметрический критерий, для проверки гипотезы о принадлежности распределения к заданному типу. Критерий можно применять более чем к двум выборкам [102].
Данные статистические критерии работают на принципе сравнения совокупностей. Общие принципы сравнения совокупностей основываются на анализе так называемой нулевой гипотезы (Н0). Согласно этой гипотезе первоначально принимается, что между совокупностями (показателями) различия слу чайны, т.е., что обе группы вместе составляют один и тот же однородный материал, одну совокупность. Статистический анализ приводит либо к отклонению //0-гипотезы, если доказана достоверность полученных различий, или к ее сохранению, если достоверность различии не доказана, т.е. различия признаны случайными. Поскольку статистические различия всегда характеризуются определенным уровнем значимости, то принятие решения по отбрасыванию или сохранению //„-гипотезы связано с оценкой уровня значимости. Общепризнанным минимальным уровнем значимости является р=0.05 [79]. Следовательно: если при сравнении совокупностей полученный при исследовании уровень значимости меньше 0,05 (р 0,05), то //0-гипотеза отбрасывается и различия в совокупностях признаются достоверными; если при, сравнении совокупностей полученный в исследовании уровень значимости больше 0,05 (р 0,05), то Н0- гипотеза признается верной (подтверждается), что свидетельствует об отсутствии достоверных различий между совокупностями. Последнее может быть связано как с реальным отсутствием различий, так и с недостаточным объемом выборки, не позволяющим проявиться основным закономерностям изучаемого явления.
Критерий Стьюдента использует -распределение для проверки гипотез о средних значениях в случае, когда имеющиеся наблюдения можно считать нормально распределенными величинами с неизвестными дисперсиями [55].
Алгоритм выделения контрольной и обучающей выборки
Ниже приведены два вычислительных эксперимента. В первом демонстрируются этапы создания каскадной нейро-нечеткой сети для классификации объекта с минимумом и максимумом функционала (3.5); во втором демонстрируется алгоритм выделения контрольной и обучающей выборки из данных при условии минимума и максимума функционала (3.7).
Вычислительный эксперимент 1.
Для объективной оценки создаваемой системы классификации разобьем данные случайным образом на обучающую (255) и контрольную (200) выборки. Для признаков обучающей выборки y—[Xi, Х2, Хз, Х4, Xj, Х 5, Xj, Xg, Хд\ строим систему, удовлетворяющую условию (3.2) минимума эффекта переобучения: Р = 255= е/ = 2. Система состоит из входного (нулевого) слоя с 9 признаками и последующими 4 слоями: Система имеет 4 слоя: -1=- = 4, 4 + 1-1 т2=—-— = 2, 2 + 1-1 Л тъ = = 1, 3 2 1+1-0 л \т4=—-— = 1, k=4 - количество слоев, Ы=[т], т.2, тз, я ]=[4, 2, 1, 1] - количество узлов в каждом слое.
Используя выражение (3.5), считаем кросс-энтропию признаков относительно друг друга (табл. 3.2). Пример определения кросс-энтропии для признаков Xi и Х9 приведен в табл. 3.1, где NxJ =10; NX9 = 9; Nxl х9 = 53 - соответственно количество не нулевых строк, столбцов и ячеек таблицы.
Наибольшая кросс-энтропия получается у одинаковых признаков. Последовательно выбираем наименьшие значения кросс-энтропии так, чтобы каждый из признаков был задействован только раз (обозначено жирным курсивом в табл. 3.2). Получаем группы для первого слоя {Х4, Х3}ід, {Х7, Хі}ід, {Х8, Х2}],з {Хб, Х5} і,4, в то время как, признак Х9 не вошел ни в одну из групп.
Используя программу Matlab, формируем и обучаем 4 адаптивные нейро-нечеткие сети для первого слоя. Каждая сеть обучалась на 20 циклах.
Соединяя выходы первого слоя (внутренние признаки) по правилу наименьшей кросс-энтропии, получаем группы для второго слоя системы {Yij, Yi,2}?,b {Yi,3 Yi)4}2,2, как изображено на рис. 3.4. Признак Х9 последовательно участвует в соревновании на образование группы во всех слоях, но вследствие плохого разброса (на рис. 3.3 большая часть выборки равна 1) имеет высокую кросс-энтропию (табл. 3.3) и поэтому образует группу в последнем 4-м слое.
Для построенной системы считаем ошибку по каждому узлу. Ошибкой считается неверно определенный системой класс объекта относительно реального значения; Разброс ошибки по каждому слою системы представлен на рис. 3.5. Ошибка на выходе системы при тренировочных данных 2,71%, а при контрольных - 1,97%..Они соизмеримы, что свидетельствует о работоспособности системы.
Построение систем диагностики в медицине
Медицинский процесс можно представить в виде цикла [5,42], состоящего из пяти последовательных этапов, схематически показанных нарис. 4.3;
Первый этап — сбор информации для исследования, которое проводит врач для подтверждения или опровержения какой-либо гипотезы. На втором этапе он выполняет обработку полученной информации: отбрасывает лишнее, заполняет пробелы, исправляет ошибки и создает базу данных. На третьем этапе врач-исследователь анализирует информацию различными методами, подтверждая либо опровергая выдвинутую гипотезу, а также строит модель. Результаты третьего этапа внедряются врачом в практическую медицину в виде формул, таблиц или списка мероприятий, которые затем, на четвертом этапе, могут использовать и другие врачи для дифференциального диагностирования, выбора оптимального пути лечения или профилактического мероприятия. Наконец, на пятом этапе непосредственно проводится лечение, профилактическое мероприятие и т.п. Очередной цикл снова начинается со сбора информации.
Каждый из этапов можно полностью или частично автоматизировать для решения какой-либо медицинской задачи. Проводя научные работы, собирая, обрабатывая и анализируя информацию, медики давно применяют компьютеры и специализированные программы, тогда как результат этой работы в отечественное здравоохранение внедряют в основном по старинке - таблицы, формулы и т.п. [95]. Имеется большой международный опыт реализации результатов исследования в виде компьютерных программ, в том числе и систем диагностики на основе нейронных технологий и нечеткой логики [115, 129].
Диагноз — это результат сложного творческого осмысления пато логического процесса врачом, синтетического понимания им всего, что происходит с больным, и выраженный в ясной формулировке. Строгое соблюдение принципов структуры диагноза имеет важное значение в, научном обобщении клинико-анатомическихматериаловпрошлого и настоящего.
В практической деятельности врач выстраивает последовательность умозаключений, опирающихся на субъективные представления о связи наблюдаемых у больного признаков с определенным диагнозом, причем возможно, что ряд важных признаков-он может попросту отбросить или. не обратить на них внимания [101]. Человек не способен самостоятельно анализировать большое количество данных и сложную связь между ними, и врач в этом смысле не является исключением.
Поэтому целесообразно осуществлять численный анализ признаков программно, при»помощи компьютера; на основе автоматизированной системы диагностики: Такая система способна определять заболевания, используя все доступные диагностические признаки и она позволяет снять нагрузку с врача.
В процессе дифференциальной диагностики прямоиили косвенно-учиты-ваются(как непосредственные, так и опосредованные отношения между признаками Ht болезнями (нозологическими формами) [4]. Выбор анализируемых признаков носит относительно субъективный или условно-объективный характер. Естественно, что при этом значительную роль играет квалификация врача (как сумма знаний) и его практический опыт (как "архив" случаев личного наблюдения — прецедентов).
Процесс дифференциальной диагностики можно подразделить на три взаимосвязанных шага [5,35]: постановка первичного диагноза (предварительная гипотеза), построение дифференциально-диагностического ряда (выдвижение дополнительных гипотез), окончательный диагноз (обоснование окончательной гипотезы). Каждый из этих шагов можно частично автоматизировать (рис.4.4).
На первом — в процессе "рассуждения" по типу логического вывода — врач двигается от жалоб, анализа анамнестических данных (истории возникновения первых проявлений заболевания) и наблюдаемых патологических проявлений к установлению предварительного (первичного) диагноза, т. е. к построению исходной диагностической гипотезы путем "неаргументированного" рассуждения, по принципу "поскольку имеются признаки... то может быть диагноз...", не используя систему доказательств, а лишь излагая мысли в логически последовательной форме. При построении гипотезы учитывается также возможность фоновых заболеваний, симптомы которых могут деформировать картину основного заболевания. Данный шаг автоматизируется на основе тестов и опросников [4,28], которые предлагается заполнить пациенту при первом обращении к врачу в поликлинике; Результаты тестов отправляют либо врачу, либо машине для анализа.
На втором шаге осуществляется аргументация "за", обеспечивающая привлечение дополнительных диагностических гипотез. Формируется дифференциально-диагностический ряд, т. е. круг заболеваний, при которых встречаются определяемые у больного признаки и для которых могут быть характерны сходные начальные проявления [64].
