Содержание к диссертации
Введение
Глава 1. Выявление экспертных знаний 11
1.1. Задачи экспертной классификации 11
1.2. Современные представления об экспертных знаниях 17
1.3. Структура экспертных знаний 19
1.4. Задача порядковой экспертной классификации 22
1.5. Системы выявления экспертных знаний 28
1.6. Выводы 39
Глава 2. Методы построения баз экспертных знаний 40
2.1. Метод построения баз экспертных знаний при помощи решения упрощенных задач 40
2.2. Оценки выигрыша использования метода построения баз экспертных знаний при помощи решения упрощенных задач 49
2.3. Опыт построения больших баз экспертных знаний 52
Глава 3. Модели представления экспертных знаний 55
3.1. Экспертная классификация объектов 55
3.2. Границы классов решений в задачах экспертной классификации 62
3.3. Гипотеза о зоне «нестабильных знаний» 76
3.4. Методика извлечения экспертных знаний 80
Глава 4. Применение предложенных методов и гипотез к разработке прикладных систем искусственного интеллекта 83
4.1. Интеллектуальные обучающие системы 83
4.2. Построение системы обучения диагностике 90
4.3. Результаты обучения 100
Заключение
- Современные представления об экспертных знаниях
- Оценки выигрыша использования метода построения баз экспертных знаний при помощи решения упрощенных задач
- Границы классов решений в задачах экспертной классификации
- Построение системы обучения диагностике
Введение к работе
Тема работы
Во многих важных областях человеческой деятельности отсутствуют объективные модели принятия решений, и эталоном качества решения задачи является опытный человек-эксперт. Однако путь развития новичка до опытного специалиста практически всегда занимает значительное время и часто требует существенных материальных и других затрат. Длительность формирования экспертных навыков определяет актуальность задачи сокращения этого времени.
Одним из основных направлений в искусственном интеллекте является создание компьютерных систем, имитирующих искусство эксперта. Подобные системы позволяют сохранить знание опытного профессионала, сделать его бессмертным и применимым одновременно во многих местах.
Для построения таких систем необходимо решить задачу экспертной классификации и, как следствие, задачу выявления подсознательных экспертных решающих правил. Эта задача имеет важное практическое значение, поскольку экспертные решающие правила могут быть проанализированы и использованы при построении систем искусственного интеллекта, а также при обучении молодых специалистов экспертному знанию.
Развитием теории и методов решения задач экспертной классификации в СССР и России в разные годы занимались
Айзерман М.А, Алескеров Ф.Т., Емельянов СВ., Ларичев О.И., Малишевский А.В., Поспелов Г.С., Финн В.К., Шахнов И.Ф. и др. [1, 10, 17, 20, 32, 43]. Среди зарубежных ученых следует отметить Андерсона (Anderson), Бушанана (Buchanan), Винограда (Vinograd), Дэвиса (Davis), Кланси (Clancey), Минского (Minsky), Ньюэлла (Newell), Руа (Roy), Саймона (Simon), Уинстона (Winston), Фейгенбаума (Feigenbaum) и Шортлифа (Shortliffe) [9, 37, 47, 54].
Во многих практических случаях задача создания компьютерной модели эксперта может быть представлена как задача классификации, так как экспертное знание часто состоит в отнесении объектов (альтернатив, состояний) к классам решений. Так, например, врач изучает состояние пациента и ставит диагноз, выбирая из нескольких возможных типов заболеваний.
Набор продукций из какой-либо области знаний образует базу экспертных знаний. Качество базы экспертных знаний и эффективность построенной на ее основе интеллектуальной системы определяется прежде всего полнотой и точностью имитации экспертного знания. Множество объектов (описаний, явлений) с которыми корректно работает такая система должно по возможности охватывать весь объем профессиональных знаний эксперта, а в идеале представлять собой множество всех возможных объектов (описаний, явлений) в рассматриваемой предметной области. Решения, предлагаемые такой интеллектуальной системой, должны максимально точно соответствовать устойчивым решениям человека-эксперта, предлагаемых при тех же исходных данных.
Экспертное знание как правило подсознательно [19, 20] — в большинстве случаев эксперты не могут сформулировать правила,
которые они используют в принятии решений. Правила, которые они все же могут явным образом вербализовать, охватывают лишь подмножество наиболее простых задач. Именно подсознательный характер экспертного знания вызвал значительные трудности при построении экспертных систем, а извлечение экспертных знаний было названо «узким местом» искусственного интеллекта.
Задача построения полных классификаций на основе использования свойств монотонности имеет уже почти полувековую историю и имеет известные алгоритмические решения, оптимальные по Шеннону (Алексеев В.Б., Соколов Н.А.) [2, 12, 40, 41]. Однако известные оптимальные алгоритмы являются оптимальными лишь для самого наихудшего случая, который никогда не встречается на практике. В реальных задачах эти алгоритмы ведут себя неоптимально. Для решения практических задач под руководством О.И Ларичева было разработано целое семейство эвристических алгоритмов классификации (КЛАСС, ОРКЛАСС, ДИФКЛАСС, STEPCLASS, КЛАРА, ЦИКЛ) [21, 23, 24, 44, 61] которые, как показала практика, ведут себя в реальных задачах во много раз эффективнее своих предшественников, оптимальных по Шеннону. Однако остается класс практических задач, в которых существующие алгоритмы либо не применимы, либо ведут себя недостаточно эффективно. В частности возникают проблемы при построении баз экспертных знаний, число объектов в которых достаточно велико (более 10000).
Таким образом актуальной задачей является создание и совершенствование методов, позволяющих извлекать и анализировать
экспертные знания в задачах классификации в
слабоструктурированных предметных областях.
Настоящая диссертационная работа посвящена разработке и усовершенствованию
методов извлечения экспертного знания и создания полных, точных и непротиворечивых (согласованных) баз экспертных знаний в задачах классификации;
моделей представления экспертных знаний для слабоструктурированных предметных областей, где определяющими являются профессиональный опыт и интуиция лица, принимающего решения (ЛПР), при отсутствии объективных моделей принятия решений.
Научная новизна работы состоит в следующем: В диссертации получены следующие новые результаты:
Предложен новый метод построения баз экспертных знаний: выявление решающих правил эксперта при помощи решения упрощенных задач (в исходной задаче шкалы критериев заменяются бинарными - по каждому критерию выбираются две оценки) с использованием существующих программ извлечения экспертных знаний. Данный метод расширяет область применимости существующих программ, позволяя строить полные и непротиворечивые классификации в пространствах векторных описаний объектов с произвольными количествами классов и градаций на шкалах критериев в задачах большой размерности.
Аналитически получены оценки эффективности предложенного метода при работе с существующими программами извлечения экспертных знаний.
Разработан и проведен вычислительный эксперимент по оценке эффективности предложенного метода.
Получено экспериментальное подтверждение корректности и эффективности предложенного метода на примере решения практических задач - построения баз экспертных знаний для задач медицинской диагностики, построения медицинской диагностической экспертной системы.
Совместно с Д.Ю. Кочиным предложена гипотеза о существовании зоны «нестабильных знаний».
Разработан и проведен эксперимент для проверки указанной гипотезы.
Предложено добавить в модель представления экспертных знаний зону «нестабильных знаний».
Экспериментально подтверждена возможность аппроксимации устойчивых решений эксперта для задач классификации с помощью малого числа дискриминантно-аддитивных решающих правил в случае больших баз экспертных знаний.
Для иллюстрации возможностей разработанного метода в диссертационной работе приведены описания баз экспертных знаний, построенных при помощи данного метода.
Основные особенности разработанного метода
С помощью предложенного метода построения баз экспертных знаний можно в короткие сроки создавать полные и непротиворечивые базы экспертных знаний для построения интеллектуальных обучающих систем (ИОС) и экспертных систем для
задач классификации, полностью отражающие предпочтения эксперта, основанные на его опыте и интуиции.
Предложенный метод позволяет анализировать извлеченное экспертное знание, выявлять решающие правила экспертов, определять области неустойчивости экспертного знания.
Полученные в результате полные и непротиворечивые системы экспертных решающих правил могут быть непосредственно использованы при создании баз знаний различных интеллектуальных систем: экспертных, обучающих и др.
Предложенный метод позволяет обеспечить более ровную нагрузку на эксперта и качественное сохранение промежуточных результатов в виде решающих правил.
Предложенный метод особо эффективен в случае, когда базы экспертных знаний достаточно велики (содержат более 10000 объектов).
Структура работы
В первой главе с точки зрения информационного подхода рассматриваются проблемы построения баз экспертных знаний и проблемы передачи экспертных знаний путем создания ИОС. Рассматриваются особенности мышления экспертов, порождающие основную проблему построения ИОС для слабоструктурированных областей — проблему извлечения экспертных знаний, когда эксперты не могут сформулировать правила, которыми они пользуются при принятии решений. Формально ставится задача ординальной классификации. Вводятся основные определения. Отмечается, что
решение задачи классификации может быть компактно представлено в виде описания границ классов решений при помощи «решающих правил»
Рассматриваются методы и современные системы извлечения экспертных знаний. Анализируются области экспертных знаний и задачи, для которых применимы рассматриваемые системы. На основе проведенного анализа формулируются нерешенные проблемы и формулируется цель диссертационного исследования.
Во второй главе предлагается новый метод построения баз экспертных знаний: выявление решающих правил эксперта при помощи решения упрощенных задач с использованием существующих программ извлечения экспертных знаний.
Для решения больших задач классификации предлагается метод, состоящий в выделении из исходной задачи упрощенных задач. В исходной задаче шкалы критериев заменяются бинарными — по каждому критерию Kq выбираются две оценки.
Для оценки эффективности и применимости предложенного метода формулируются и доказываются основные теоремы и утверждения.
В работе оценивается примерное количество вопросов, которое необходимо задать при использовании метода построения баз экспертных знаний при помощи решения упрощенных задач для того, чтобы полностью классифицировать все объекты в зависимости от структуры задачи и вида решающих правил.
Описываются проведенные эксперименты, подтверждающие эффективность предложенного метода. Решаются практические задачи - построены базы экспертных знаний для задач медицинской
диагностики острого инфаркта миокарда (ОИМ) и расслаивающей аневризмы аорты (РАА).
В третьей главе на основании проведенных экспериментов выдвигается гипотеза о существовании зоны «нестабильных знаний». В работе описываются эксперименты, подтверждающие указанную гипотезу. Границы между классами решений представляются в виде набора решающих правил. Приводятся оценки максимального количества граничных элементов одного класса в зависимости от количества критериев и количества оценок по каждому из критериев.
Дополняется существующая модель представления экспертных знаний. Предлагается усовершенствованная методика опроса эксперта.
В четвертой главе рассматривается применение предложенных методов и гипотез к разработке прикладных систем искусственного интеллекта. Описываются эксперименты по построению баз экспертных знаний для задач медицинской диагностики. Описывается система AD для обучения искусству диагностики расслаивающей аневризмы аорты (РАА), построенная на основе предложенных методов. Приводятся результаты экспериментов по обучению молодых врачей ГКБ им. СП. Боткина и ординаторов Российской Государственной Медицинской академии постдипломного образования.
В заключении излагаются основные результаты и выводы по диссертационной работе.
Современные представления об экспертных знаниях
Есть некоторые характеристики экспертного знания, которые типичны для поведения экспертов независимо от их профессии [17, 19, 62]. Перечислим основные из них:
1. "Прямая" (и быстрая) стратегия решения задач. Как правило, эксперты переходят от описания задачи к ее решению без каких-либо промежуточных рассуждений. В большом числе случаев это решение не только правильное, но и быстрое. Такая стратегия сильно отличается от "обратной" стратегии, которую обычно используют новички: от цели - к подцелям; от задачи - к достижимым промежуточным состояниям.
2. Знания экспертов верны лишь в их профессиональной области, они ведут себя как новички в других областях.
3. Знание эксперта подсознательно; эксперты не могут вербализовать свое знание, хотя очень последовательны, непротиворечивы в его применении.
Последняя характеристика экспертных знаний крайне важна с точки зрения обучения. Если эксперты не могут передать свое знание словами, а делают это путем показа, демонстрации, то тщетны надежды получить от них объяснение. В наших экспериментах эксперты, решающие с хорошей повторяемостью задачи классификации, не только не могли сформулировать применяемые правила классификации, но и не всегда признавали своими правила, точно описывающие их решения. Отметим, что в этих экспериментах исследовалось глубинное знание врачей, формирующееся обычно в продолжение их многолетней практики. Известно, что знания эксперта весьма обширны. Для того чтобы передать это знание, его надо как-то выявить и представить. Если разложить знания на отдельные продукции, то возникает крайне трудоемкий путь его представления при обучении: до 10 часов подготовительной работы на продукцию. Нетрудно подсчитать, какой объем усилий требуется для представления в виде продукции профессиональных знаний врача-диагноста. Число в десятки тысяч продукций не является завышенным. Так, в задаче по диагностике расслаивающей аневризмы аорты число продукций составило более 30 тысяч. Итак, даже если мы выявим экспертное знание, мы не можем ставить задачу обучения по отдельным продукциям, так как она становится необозримой. Исходя из этих особенностей экспертного знания, мы можем сказать, что современные подходы к компьютерному обучению адекватны для узких областей, где знание представимо одной-двумя сотнями продукций.
При построении полных баз экспертных знаний исследовались модели внутренней организации знаний эксперта. Оказалось, что эти знания могут быть представлены компактным образом [17].
Назовем граничными такие объекты, которые являются наименее характерными для своего класса решений и не сравнимы между собой (рис. 1.1). Граничные объекты каждого из классов решений охватывают все множество объектов данного класса.
Анализ множества граничных объектов для различных классификаций, созданных разными экспертами, показал, что можно построить семейство решающих правил определенного вида, описывающих границы классов. Каждое такое правило может быть представлено в виде дерева, в корне которого находятся наиболее существенные для данного класса решений значения признаков. К ним добавляется определенное число значений менее важных признаков. Представляется важным их аддитивный характер, поскольку подсознательный подсчет характерных значений маловажных признаков - это распространенная операция, выполняемая человеческой системой переработки информации.
Исследовав поведение эксперта, было установлено, что его база знаний в задачах классификации может быть с высокой точностью смоделирована с помощью небольшого числа достаточно простых по структуре решающих правил. Это позволило выдвинуть гипотезу о том, что в результате многолетней интенсивной практики у эксперта формируются подсознательные правила распознавания, которые используются им при решении диагностических задач. Однако эти правила не могут быть вербализованы.
Итак, построение полной классификации позволяет получить целостное представление о том, как организовано экспертное знание. Мы можем как бы заглянуть в память эксперта, понять структуру экспертных знаний. Тут уместно вспомнить индийскую сказку, в которой группа слепых пыталась определить, что такое слон, ощупывая его ноги, хобот, хвост. Точно так же из отдельных компонентов экспертного знания не следует понимание его общей организации.
Оценки выигрыша использования метода построения баз экспертных знаний при помощи решения упрощенных задач
Попробуем оценить примерное количество вопросов, которое нам необходимо задать, для того чтобы полностью классифицировать все объекты.
Пусть у нас есть N критериев и по каждому критерию w 3 оценки (то есть пространство насчитывает mN объектов), и два класса решений: А и А .
Тогда при опросе в полном пространстве при использовании существующих систем извлечения экспертных знаний (ОРКЛАСС) нам бы потребовалось около — mN вопросов, чтобы полностью классифицировать все объекты.
Теперь оценим количество вопросов, которое необходимо задать при использовании метода решения бинарных задач.
Сначала решается задача на крайних бинарных оценках по каждому критерию (при этом требуется задать 2N 2 вопросов). Пусть сформировались решающие правила:
«Для принадлежности объекта классу А достаточно, чтобы по к критериям стояли верхние оценки», и, как следствие, «Для принадлежности объекта классу А достаточно, чтобы по N-k+l критерию стояли нижние оценки».
То есть в полном пространстве классифицировано как принадлежащих N-N классу Л: CkN(m-lf-k +CkN+\m-\)N-{k+l) + ... + C%(m-l) классу A : C% k+l(m - l)i_1 + CNN k+1 (m - \)k 2 +... + CNN (m -1) " . Нам останется задать примерно 1/4 вопросов от числа неклассифицированных элементов. Посчитанный выигрыш для малых N, т и к приведен в Таблицах 1 и 2 (см. Приложение 1) и па. Диаграммах 1 и 2.
Оценки выигрыша при использовании метода построения баз экспертных знаний при помощи решения упрощенных задач, полученные выше, позволили сделать следующий вывод: метод дает выигрыш практически во всех задачах классификации, а наибольший выигрыш - в тех задачах, в которых есть простые решающие правила (как обычно и бывает на практике).
Для оценки эффективности предложенного метода при помощи системы ОРКЛАСС были решены несколько экспериментальных задач, в которых шкалы имели 3-4 признака, мощность пространства решений составляла около 1000 объектов, а границы задавались 2-3 правилами. Каждая из задач решалась при помощи метода решения упрощенных задач, и результат сравнивался с решением без использования указанного метода. В каждой из этих задач в случае решения при помощи метода решения упрощенных задач требовалось задать не более 70% вопросов от прямого метода. Причем выигрыш увеличивался при увеличении числа критериев или оценок на шкалах.
В Институте Системного Анализа РАН в разное время были построены различные базы экспертных знаний [26]. Одной из поставленных задача стала задача построения системы, обучающей диагностике такого заболевания как расслаивающая аневризма аорты или расслоение аорты (aorta dissection) [5]. Это было связано с тем, что данное заболевание практически не распознается обычными врачами, а само заболевание протекает очень быстро (около 30% больных погибают в течение первого дня от его начала).
В первую очередь требовалось построить базу знаний эксперта. Структура сформированной задачи многокритериальной классификации приведена в Приложении 2. Было выделено 10 критериев и два класса решений - "Есть подозрение на расслоение аорты, но нужны дополнительные исследования" (верхний класс) и "Не расслоение аорты" (нижний класс). По каждому из критериев было выделено от 2-х до 4-х качественных оценок, которые были упорядочены по характерности, начиная от самой характерной для верхнего класса, и кончая самой характерной для нижнего.
В итоге мощность множества всевозможных клинических ситуаций Y в задаче многокритериальной классификации составила 36864 ситуации. Самые эффективные из известных алгоритмов классификации потребовали бы порядка 104 вопросов к эксперту, необходимых для построения полной классификации в таком пространстве. Такой объем работы является совершенно неприемлемым для эксперта, время которого очень ценно.
Для того чтобы решить поставленную задачу и значительно уменьшить требуемое число вопросов к эксперту, мы воспользовались новым методом построения баз экспертных знаний при помощи решения упрощенных задач. В исходной задаче шкалы критериев были заменены бинарными. Количество объектов для классификации в упрощенной задаче составило 1024 ситуации. Примерное число вопросов, требуемое для ее решения - около 300.
В первую очередь была решена бинарная задача, в которой были взяты крайние оценки по шкалам - к? и к% для каждой шкалы Sq.
После построения в диалоге с экспертом классификации в этой задаче, были выделены решающие правила отнесения альтернатив к верхнему и нижнему классу. Так, например, было получено такое правило: "Если у больного появилась анемия, внезапно появились цереброваскулярные расстройства, а в анамнезе — синдром Марфана, то у него подозревается расслоение аорты". Поскольку это правило действительно в случае, когда по всем остальным критериям стояли оценки, характерные для класса "Не расслоение аорты", то это правило, очевидно, будет действовать и в полном пространстве, где по остальным критериям могут появляться промежуточные оценки. Были получены также и более сложные правила вида "если по 1 и 3 критерию оценка характерная для верхнего класса и также хотя бы по одному из критериев 2, 4, 6 стоит оценка, характерная для верхнего класса, то у больного подозревается расслоение аорты".
Границы классов решений в задачах экспертной классификации
Напомним наиболее важные моменты гипотезы об экспертной классификации объектов: 1. Эксперты обладают набором простых по структуре диагностических правил. 2. Каждое из правил описывает граничные объекты, разделяющие классы решений. 3. Каждое такое правило может быть представлено в виде дерева, в корне которого находятся наиболее существенные для данного класса решений значения признаков. К ним добавляется определенное число значений менее важных признаков.
На рис. 3.2 показано разложение на правила границы класса А, изображенной на рис. 1.1. Знак « » означает «любая оценка», при этом на уровне вспомогательных признаков может уточняться, что должно стоять вместо « ». Например, правило 1 формулируется так: «если значения третьего и четвертого признаков - 0 и при этом значение первого или второго признака - 0, то альтернатива относится к классу А». Правило 2 формулируется еще проще: «если значения первого или второго признаков — 0, то альтернатива относится к классу А».
Для представления границы между классами решений в виде набора решающих правил описанного выше вида поставим задачу формально [15].
Пусть М — множество векторов, принадлежащих RN, причем для любого вектора a = {ax,a2,...,aN) из М выполняются следующие условия: 1. a,eZV/ = l,...,W, 2. 0 я,. (oi V/ = 1,...,JV,где a x,...,coN eN. Введем на этом множестве бинарное отношение строгого доминирования Р: Vx,yeMxPy tyq = l,...,N:x47 yq и 3q0 є {l,...,N}:xqo yj (1)
Пусть К - некоторое произвольное подмножество М, причем никакие два вектора из К не находятся в отношении Р. (Множество К можно рассматривать как границу класса решений в задаче экспертной классификации). Требуется описать множество К минимальным количеством правил вида а}у + pK\.xi\-km{xm] . . так, чтобы каждый вектор попадал ровно в одно правило.
Поясним запись (2). Она называется шаблоном правила. Шаблон описывает некоторое множество векторов (альтернатив). У этих альтернатив может быть некоторая общая часть, например, у всех альтернатив по первому и второму критерию (координате) выставлены оценки а и Ъ. Запись ab именно это и означает. Вообще же, фиксированы могут быть оценки по любым признакам и по любому их количеству. Например, если фиксированы оценки по всем признакам, то шаблон описывает единственную альтернативу.
К признакам, по которым проставлены звездочки ( ), относится вторая часть шаблона р "к х-\ Она задает параметры перестановок, которые будут осуществляться на местах, помеченных . ЗдеСЬ П раВНО КОЛИЧеСТВу ЗВеЗДОЧеК, kt — КОЛИЧеСТВО ОЦеНОК ДГ/, участвующих в перестановке (заметим, что кх +... + кт = п ).
Например, перестановка Р4 задает все перестановки из двух единиц и двух двоек, то есть шесть элементов {1122, 1212, 1221, 2112, 2121, 2211}. Следовательно, шаблон 2 з + Р42[1],2[2] задает тоже шесть элементов {121322, 122312, 122321,221312,221321,222311}.
Требуется разложить множество именно на минимальное количество правил, так как разложение не единственно. Действительно, частным случаем разложения является просто перечисление всех элементов множества, так как любая альтернатива является также и правилом с фиксированными оценками по всем критериям. Поиск минимального разложения как раз и направлен на уменьшение количества правил, описывающих множество.
Введем несколько определений. Докажем ряд утверждений и оценок. Определение 3.1. Составом оценок альтернативы назовем вектор = ( о» ко ), где 0) = max(ft +1) t . _ количество в альтернативе оценок, равных /. Определение 3.2. Перестановкой, порожденной составом оценок Л — \Ло »Ка) , назовем перестановку г$ гт , где m число ненулевых компонент вектора S . Утверждение 3.1. Правило вида (2) описывает множество альтернатив с одинаковыми составами оценок. Доказательство. Фиксированные оценки присутствуют у всех альтернатив, а перестановки у всех альтернатив имеют одинаковый состав. Таким образом, и все альтернативы в описываемом множестве имеют одинаковый состав.
Построение системы обучения диагностике раа
Предложенный метод построения баз экспертных знаний был использован для построения баз экспертных знаний в задачах диагностики острого инфаркта миокарда (ОИМ) и расслаивающей аневризмы аорты (РАА) [13, 14]. Построенная база знаний для задачи диагностики РАА была использована для создания системы AD обучения искусству диагностики РАА [56]. Работа проводилась совместно с доцентом I кафедры терапии Российской государственной медицинской академии постдипломного образования к. м. н. В. П. Кузнецовой и врачом-методистом Учебно-научного центра по внедрению передовых медицинских технологий при ГКБ им. СП. Боткина Э. И. Брук.
Расслаивающая аневризма аорты, или расслоение аорты, или расслаивающая гематома — достаточно редкое и опасное заболевание, трудно диагностируемое и дающее очень высокую летальность. Различают три формы течения РАА: острая - ведет к смерти в течение нескольких часов или 1-2 дней половины больных РАА, подострая - длится несколько дней, до 2-4 недель (наблюдается у трети больных РАА), хроническая - длится несколько месяцев или лет (встречается очень редко). В течение месяца умирает более 80 % больных. Данное заболевание практически не распознается врачами по причине своей уникальности, а определить начало расслоения необходимо в первые часы от начала заболевания, в противном случае больного будет уже невозможно спасти. Достигнутые за последние годы успехи в диагностике и лечении его делают прогноз при РАА не таким безнадежным, как это было прежде, и требуют усовершенствования знаний и навыков врачей в своевременной диагностике этой патологии.
Практическая работа по созданию обучающей системы AD состояла из следующих этапов: 1. Построение базы знаний врача-эксперта. 2. Создание обучающей системы на основе построенной базы экспертных знаний.
Задача диагностики РАА рассматривалась как задача ординальной классификации в многомерном пространстве, представляющем собой декартово произведения шкал диагностических признаков. Каждый элемент пространства может быть отнесен к одному классу решений: «РАА возможна, необходимо провести обследование» или «Можно утверждать, что РАА нет». Диагностика строится на клинических и инструментальных признаках, каждый из которых имеет от 2 до 4 различных значений (см. Приложение 2).
Экспертом было выделено 10 признаков : 1. Анамнез и факторы риска: 2. Боль. 3. Аускультация. 4. АД и его динамика. 5. Пульс. 6. Дыхание. 7. Цереброваскулярные расстройства. 8. ЭКГ. 9. Рентгенография грудной клетки. Ю.Кровь.
Каждый дифференциально-диагностический признак характеризуется некоторым множеством возможных значений. Мощность такого множества может значительно варьироваться от признака к признаку. Однако различные значения по некоторым признакам для рассматриваемой задачи классификации, которые не отличаются с точки зрения смысла решаемой задачи, на этапе построения полной базы знаний могут быть объединены так, что число различных значений по каждому признаку не превышает 2-4 (см. Приложение 2).
Несколько тысяч сочетаний приведенных значений признаков являются абсурдными с точки зрения врача. Подобные запреты формулируются экспертом в виде решающих правил, которые могут вводиться в систему ОРКЛАСС как до начала построения полной классификации, так и во время нее, если эксперт определяет, что некоторое предъявленное описание гипотетического пациента содержит противоречия.
При помощи системы ОРКЛАСС, используя метод построения баз экспертных знаний при помощи решения упрощенных задач, был проведен предварительный опрос эксперта, во время которого эксперту было задано около 200 вопросов. После предварительного анализа полученные правила и исключения были введены в систему для решения полной задачи.
