Содержание к диссертации
Введение
ГЛАВА 1. Современные подходы к автоматизации процесса идентификации состояния органичной системы 11
1.1. Задача идентификации состояния органичной системы 11
1.2. Ревматология как предметная область с точки зрения процесса идентификации состояния органичной системы 14
1.3. Существующие автоматизированные средства поддержки диагностики в ревматологии 23
1.4. Модели представления знаний, используемые для решения задачи идентификации состояния органичной системы 31
1.5. Цель и задачи исследования 37
ГЛАВА 2. Модель представления знаний для задач идентификации состояния органичной системы с выводом по прецедентам .39
2.1. Исчисление отношений 39
2.2. Методы дедуктивного и индуктивного вывода на исчислении отношений 45
2.3. Представление приближенных зависимостей в исчислении отношений. Правдоподобный вывод 52
2.4. Представление данных и знаний предметной области на исчислении отношений 58
2.5. Вывод по прецедентам в исчислении отношений 62
2. 6. Основные результаты и выводы 70
ГЛАВА 3. Модель представления данных и знаний и алгоритмы этапов диагностики 72
3.1. Модель представления данных и знаний для идентификации состояния системы 72
3.2. Процесс диагностики и алгоритмы его этапов 76
3.2.1. Вывод на основе единичных типов симптомов 77
3.2.2. Формирование набора прецедентов для диагностируемой органичной системы 79
3.2.3. Исследование сформированной выборки 82
3.2.4. Определение исследований, необходимых для уточнения диагноза.84
3.3. Основные результаты и выводы 87
ГЛАВА 4. Программно-информационный комплекс поддержки диагностики ревматических заболеваний 89
4.1. Описание комплекса 89
4.1.1. База знаний 90
4.1.2. Подсистема работы со знаниями 92
4.1.3. Подсистема работы с данными о больных 97
4.1.4. Подсистема диагностики 100
4.2. Опытная эксплуатация комплекса 103
4.3. Экономический эффект внедрения комплекса 108
4. 4. Основные результаты и выводы 108
Заключение 110
Список литературы 112
- Ревматология как предметная область с точки зрения процесса идентификации состояния органичной системы
- Методы дедуктивного и индуктивного вывода на исчислении отношений
- Модель представления данных и знаний для идентификации состояния системы
- Подсистема работы с данными о больных
Введение к работе
Актуальность темы. В настоящее время существует ряд задач, в рамках которых требуется установить причину нарушения функционирования системы для ее дальнейшего устранения. Данная задача связана с идентификацией и распознаванием образов и широко распространена в технике, медицине, социальных науках и экономике. В частности в медицине это задача диагностики заболевания пациента.
Проблема идентификации и распознавания образов в течение продолжительного времени привлекает внимание специалистов в области математики, кибернетики, системного анализа и искусственного интеллекта. Существенный вклад в становление и развитие данного направления внесли ученые Ф. Розенблатт, Р. Шэнк, А.Н. Колмогоров, Д.А. Поспелов, М. Бонгард, У. Маккаллок, А. Новиков, П. Грин и др.
Существующие на сегодняшний день подходы к автоматизации процесса идентификации состояния сложной системы на основании информации о поведении системы охватывают класс динамических систем, характеризуемых небольшим параметрическим множеством и, как правило, имеющих математическую модель. Большой вклад в развитие этой области внесли ученые А. А. Метешкин, Г. П. Шибанов, Е. Ю. Барзилович, С. М. Веисс, А. К. Куликовский и др. Однако имеются существенные различия между исходными данными, имеющимися в распоряжении исследователя технических и органичных систем.
При изучении технических систем, легко доступна информация о процессе функционирования системы, устройстве и функциональном назначении ее подсистем, а количество известных случаев нарушения функционирования системы обычно невелико. Поэтому методы идентификации состояний технических систем основаны главным образом на использовании математической модели системы.
Органичные системы, по определению В.Н. Спицнаделя, появляются в результате постепенно развития, усложнения и дифференциации более простых систем. Режимы функционирования и назначение подсистем в этом случае известны лишь приблизительно. Сложно изучать функционирование подсистем органичной системы по отдельности ввиду наличия большого количества обратных связей. В случае органичных систем имеется большой массив опытных данных, полученных в результате наблюдения за различными нарушениями их функционирования. Поэтому для решения задачи идентификации состояния органичной системы представляется целесообразным использовать подходы на основе вывода по прецедентам с учетом особенностей органичных систем.
Задача идентификации состояния органичной системы (например медицинской диагностики) является нетривиальной ввиду большого числа параметров, описывающих состояние системы; косвенного характера большинства измеряемых параметров по отношению к причине нарушения функционирования системы; невозможности изучать функционирование подсистем по отдельности и других свойств органичных систем. Решение этой задачи требует привлечения квалифицированных специалистов, а также значительных затрат времени и материальных ресурсов. Автоматизация ее решения с помощью методов вывода по прецедентам позволит повысить качество идентификации состояния органичной системы за счет увеличения точности определения состояния системы, снижения затрачиваемого на это времени и уменьшения количества необходимых исследований (нередко дорогостоящих). В связи с этим в настоящее время актуальной является разработка моделей представления знаний и данных, развитие методов использования вывода по прецедентам, предназначенных для идентификации состояния органичных систем, и реализация их в виде программно-информационного комплекса поддержки процессов идентификации состояния органичных систем.
Цель работы состоит в повышении эффективности процесса идентификации состояния органичной системы на примере диагностики ревматических заболеваний и снижении затрат на проведение этого процесса.
Для достижения данной цели были поставлены и решены следующие задачи.
1. Исследовать процесс диагностики ревматических заболеваний и сделать обзор систем поддержки принятия решений и моделей представления знаний.
2. Разработать модель представления знаний для использования в задачах диагностики с помощью рассуждений по прецедентам на основе свойств знаний, используемых в процессе диагностики.
3. Разработать методы и алгоритмы диагностики на разработанной модели представления знаний.
4. Реализовать программно-информационный комплекс поддержки диагностики ревматических заболеваний и проверить эффективность разработанных методов и алгоритмов в ходе опытной эксплуатации комплекса.
Методы исследования. Для решения поставленных задач были использованы методы системного анализа, искусственного интеллекта, теории проектирования реляционных баз данных и аппарат теории решеток.
Научная новизна результатов, выносимых на защиту, заключается в следующем.
1. Модель представления знаний в задачах диагностики по прецедентам - исчисление отношений на элементах решетки, отличающееся от известных возможностью представления любой неполной информации об отношении включения, рассмотрением отношения включения в качестве полной атомной решетки с относительными дополнениями, наличием алгоритмов дедуктивного и индуктивного вывода на единой модели представления знаний, возможностью использования различных стратегий индуктивного вывода в зависимости от задачи.
2. Методы хранения и обработки приближенных отношений в задачах диагностики с помощью вывода по прецедентам, отличающиеся от известных двухпараметрическим представлением приближенных отношений, возможностью использования различных кривых спада уверенности, возможностью настройки границ приближенных отношений, простотой правдоподобного вывода для случая, когда один из элементов является атомарным.
3. Методика отображения знаний и данных предметной области на исчисление отношений, которая отличается от известных возможностью представления симптомов, заданных не только шкалами наименований, но и интервальными значениями; возможностью диагностирования по нескольким независимым шкалам, с определением не только вида заболеваний, но и его формы или активности; описанием близости значений симптомов для вывода по прецедентам с помощью различных метрик.
Практическая ценность полученных результатов.
1. На основании предложенных модели представления знаний, методики отображения знаний и данных предметной области и методов идентификации состояния органичной системы с помощью вывода по прецедентам разработаны структура базы знаний и алгоритмы этапов процесса диагностики.
2. Предложенные методика, методы и алгоритмы реализованы в виде программно-информационного комплекса поддержки диагностики ревматических заболеваний, который состоит из базы знаний, подсистемы работы со знаниями, подсистемы работы с данными о больных и подсистемы диагностики.
3. Программно-информационный комплекс поддержки диагностики ревматических заболеваний показал свою эффективность в ходе опытной эксплуатации в НИИ клинической и экспериментальной ревматологии при решении задачи диагностики формы, активности и течения ревматоидного артрита по данным лабораторных исследований.
Теоретические и практические результаты диссертационной работы использовались в научно-исследовательской деятельности НИИ клинической и экспериментальной ревматологии РАМН.
Реализация и внедрение результатов. Программно-информационный комплекс поддержки диагностики ревматических заболеваний внедрен в НИИ клинической и экспериментальной ревматологии РАМН. Его применение позволяет уменьшить количество применяемых при диагностике ревматических заболеваний лабораторных исследований и сократить время диагностики.
Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры «САПР и ПК» ВолгГТУ, а также на международных и всероссийских научных и научно-практических конференциях: «Информационные технологии в образовании, технике и медицине» (Волгоград 2000, 2002, 2004), «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (Новочеркасск 2001, 2002), «Математические методы в технике и технологиях» ММТТ-2000 (Санкт-Петербург, 2000), V, VI, VII, VIII Региональных конференциях молодых исследователей Волгоградской области (Волгоград, 2001 - 2004).
Публикации. По теме диссертации опубликовано 11 печатных работ, в то числе 1 публикация в изданиях центральной печати, 6 статей в сборниках научных трудов, 4 тезиса докладов различных конференций.
Личный вклад соискателя состоит в постановке задачи, разработке теоретических положений и апробации предложенных подходов на практических задачах.
Структура и содержание диссертационной работы. Диссертационная работа состоит из введения, четырех глав, заключения, 2-х приложений и списка литературы. Общий объем диссертации 124 страницы, в том числе 18 рисунков, 15 таблиц, список литературы из 107 наименований.
Автор выражает глубокую благодарность д.м.н. Зборовской И. А. за оказанные консультации по вопросам диагностики ревматических заболеваний.
Ревматология как предметная область с точки зрения процесса идентификации состояния органичной системы
Ревматология — это раздел медицины, посвященный изучению ревматических заболеваний и нарушений функции и/или структуры костно-мышечной системы. К ревматическим заболеваниям относят диффузные заболевания соединительной ткани, протекающие со стойким или преходящим суставным синдромом, т. е. дисфункцией суставов[43]. Поскольку при ревматических заболеваниях поражается соединительная ткань, которая находится практически во всех системах организма человека, то они, зачастую, помимо собственно поражения суставов, поражают и многие другие органы человеческого тела - могут поражаться сердце, легкие, почки и многие другие органы. Это деление послужило основой для выделения суставной (в случае, если болезнь поражает главным образом суставы) и суставно-висцеральной (в случае, если отмечаются значительные патологии внутренних органов) форм ревматических заболеваний[76]. При многих ревматических заболеваниях нарушения носят аутоиммунный характер, то есть они не имеют явно выраженной внешней причины, а вызваны нарушением функционирования иммунной системы человека, которая начинает атаковать собственные клетки. Ревматические заболевания делятся на 10 больших групп [8]: 1. системные заболевания соединительной ткани; 2. васкулиты; 3. серонегативные спондилоартропатии; 4. инфекционные артриты; 5. ревматическая патология в сочетании с метаболическими, эндокринными и гематологическими заболеваниями; 6. патология костей и хрящей; 7. наследственные и врожденные нарушения метаболизма в сочетании с ревматическими синдромами; 8. несуставные и регионарные нарушения костно-мышечной системы; 9. опухоли и опухолеподобные образования; 10. смешанная ревматическая патология. Рассмотрим типичное ревматическое заболевание на примере ревматоидного артрита. Это хроническое системное иммуно-опосредованное воспалительное заболевание с преимущественным поражением периферических (синовиальных) суставов по типу симметричного эрозивно-деструктивного полиартрита, сопровождающееся пролиферацией синовиоцитов и ангиогенезом [3, 13, 35]. Ревматоидный артрит относится к группе системных заболеваний соединительной ткани. Болеют ревматоидным артритом приблизительно 1% населения, то есть 5% всех больных ревматическими заболеваниями [5, 55]. Он является типичным представителем ревматических заболеваний, с ярко выраженным клиническим полиморфизмом (многообразием симптоматики различных форм заболевания) и вытекающими из этого трудностями в диагностике, его этиология и патогенез окончательно не изучены до сих пор.
Следует отметить, что в ревматологии при диагностике недостаточно только установить нозологию (заболевание). Необходимо также определить форму заболевания, степень его активности, скорость течения и многие другие параметры. От формы болезни значительно зависит прогноз развития нозологии, выбор методов лечения. Поэтому большинство ревматических заболеваний имеют внутреннюю классификацию, облегчающую врачам выбор лечения.
В вопросах классификации ревматоидного артрита в настоящее время не существует единого мнения. В России в медицинской практике часто применяется классификация, принятая пленумом всесоюзного общества ревматологов в 1980 году [34]. Однако она устарела и не отражает современного состояния ревматологии, поэтому в 1990 году решением всероссийского научного общества ревматологов (ВНОР) была установлена новая классификация, приведенная в табл. 1.1. [79].
Важным аспектом диагностики РА является раннее распознавание болезни, поскольку наиболее эффективно раннее лечение процесса (в первые месяцы или даже недели болезни). Однако известно, что типичная клиническая картина болезни формируется у большинства больных только к концу первого года заболевания[1]. Поэтому одним из существенных направлений изучения ревматоидного артрита является определение ранних диагностических признаков, позволяющих быстро начать лечение болезни[42].
Помимо диагностики, большое значение в ревматологии имеет дифференциальная диагностика. Поскольку многие ревматические заболевания имеют сходную клиническую картину, то начальный диагноз, ставящийся по определенным критериям для той или иной болезни, является предварительным. Необходимо еще исключить болезни со схожей симптоматикой, говоря медицинским языком - дифференцировать заболевание от других [15].
Методы дедуктивного и индуктивного вывода на исчислении отношений
Рассмотрим возможности организации дедуктивного и индуктивного вывода на исчислении отношений, а также новые возможности понимания их сути. Традиционные определения дедуктивного вывода как вывода «от общего к частному» и индуктивного «от частного к общему» [39] дают очень малую степень формализации этих понятий. Основным свойством дедуктивного вывода является сохранение достоверности - результат достоверен настолько, насколько достоверны исходные данные. Что представляет собой типичный дедуктивный вывод? Реализуемая при его осуществлении потребность состоит в определении свойства какого-то класса или объекта. Мы имеем сведения о свойствах какого-либо класса (множества) объектов, включающего данный, и выводим из них нужные нам свойства.
В исчислении отношений знания представляются как отношение между двумя элементами, т.е. его составляющими являются два элемента и связь определенного типа. Соответственно задача дедукции в исчислении отношений является задачей нахождения отношения между двумя заданными его элементами с помощью имеющихся в базе знаний отношений, не производя операций с самими элементами [23].
По форме представления знаний наиболее близкой к исчислению отношений системой является силлогистика Аристотеля, и дедуктивный вывод в нем осуществляется подобным силлогистике образом. Однако исчисление отношений имеет существенные преимущества перед силлогистикой ввиду математической обоснованности выбора базовых отношений. Как видно из табл. 2.2., отношения 1100, 0010 и 0001 являются симметричными, а 1000 и 0100 - взаимно обратными - поэтому при дедуктивном выводе в исчислении отношений нет необходимости использовать различные фигуры силлогизмов, так как результат не зависит от порядка элементов в отношениях-посылках. Для такого вывода используется унифицированная форма записи посылок: если из АаВ и ВЬС следует АсС, то это записывается как АаВЬС= АсС (где А,В,С - элементы, а,Ь,с - отношения между ними) [27]. Кроме того, можно показать, что в некоторых случаях при выводе с помощью силлогистики Аристотеля теряется часть данных о возможности (невозможности) некоторых отношений, исчисление же отношений позволяет эти данные сохранить.
Поскольку отношения, не являющиеся базовыми, могут быть получены из остальных с помощью операции логического ИЛИ, то при их использовании в операциях вывода можно произвести соответствующие операции с базовыми отношениями, а результаты объединить с помощью логического ИЛИ. Результаты дедуктивного вывода ранга 2, посылками которого являются базовые отношения, полученные в результате исследования их свойств, приведены в табл. 2.3 [19]. Пример дедуктивного вывода в общем случае, когда посылки не являются базовыми отношениями. Допустим, даны посылки А1000В (интерпретация: В А) и В0011С (интерпретация: ЗЕ, Е С, ЕпВ=0, 3D, D B, DnC=0). Первая посылка является базовой, вторая предполагает возможность двух базовых посылок: В00 ЮС и В0001С. По таблице, решения для каждого случая следующие: А1000В0010С= А1010С, А1000В0001С= А1011С. После выполнения поразрядного логического ИЛИ над результатами получается: 1010vl011=1011. Вывод: А1011С, его интерпретация - 3D, D A, DnC=0. Проверка с помощью теории решеток: так как 3D такое что D B и DnC=0, и при этом В А, то из свойства транзитивности отношения частичного порядка следует, что D A. Что и требовалось доказать (DnC=0 по условию). Не все базовые отношения несут равную информацию. Наиболее информативным (и очень редким) является отношение 1100, наименее -0010. Если рассматривается задача диагностики (автоматической классификации) и первый элемент представляет собой симптом, а второй -диагноз, то наиболее информативны отношения 0100 (позволяет установить диагноз) и 0001 (позволяет исключить диагноз). На практике наиболее употребительными правилами вывода являются те, в которых и исходные посылки и результат являются базовыми. Это правила А1000В100(К»А1000С и А0100В0001С= А0001С и их обращения С0100В0100А= С0100А и С0001В0100А= С0001А [28]. Графически ситуации, соответствующие этим правилам, показаны на рис. 2.3. Характерным для них является то, что в исходных посылках содержатся два отношения, одно из которых содержится и в результате, а другое есть отношение полного включения, при этом элемент, входящий в результат (А или С), включается в элемент В, т.е. исходная посылка (А1000В или В0001С) является тем же утверждением, что и ответ, но о большем элементе. Это свойство показывает связь с традиционной трактовкой дедуктивного вывода как вывода от общего к частному[20].
Модель представления данных и знаний для идентификации состояния системы
Выражение в правой части неравенства снова является константой, однако выражение в левой части зависит не только от рассматриваемого отрезка, но и от предыдущих шагов, причем, поскольку при добавлении новых отрезков в результирующий интервал параметр bj не уменьшается, то условие, которому должны удовлетворять добавляемые отрезки становится более строгим при добавлении новых отрезков. В этом случае для нахождения максимального значения К2 необходимо использовать алгоритмы обхода дерева[9].
Нахождение значений К3 и К5 выполняется аналогично. Если рассматриваемый тип симптома является дискретным, то вместо отрезков используются значения этого симптома.. Основные результаты и выводы
Разработана модель представления знаний для задач идентификации состояния органичной системы с помощью вывода по прецедентам. В основу модели положены свойства отношения включения между различными классами, ее математической основой является полная атомарная решетка с относительными дополнениями. Модель включает в себя возможность представления пяти базовых отношений, а также приближенных к ним отношений, описываемых двумя параметрами.
Разработаны методы дедуктивного и индуктивного вывода на исчислении отношений. Определены правила дедуктивного вывода ранга 2. Предложены различные стратегии индуктивного вывода: минимальная, оптимальная и максимальная, применимые в различных случаях в зависимости от важности различных аспектов диагностики.
Разработана также методика отображения знаний и данных предметной области на исчисление отношений. Методика позволяет работать с симптомами, заданными как отрезком числовой шкалы, так и набором возможных значений. Предложены 5 вариантов метрик для описания степени близости различных значений симптомов у диагностируемой системы и системы-прецедента между собой: линейная, квадратичная, линейная с двумя отрезками, линейная с «отсутствием» в начале и пороговая. Предусмотрена возможность диагностирования по нескольким различным показателям (например нозология, форма заболевания, степень его активности и т.д.).
Разработана также методика идентификации состояния системы с помощью вывода по прецедентам на исчислении отношений. Методика включает в себя два метода диагностики: по единичным симптомам и с учетом полного симптома. В первом случае прецеденты используются для определения влияния на степень уверенности в наличии диагноза каждого симптома диагностируемой органичной системы. При диагностике с учетом полного симптома анализируются прецеденты с набором симптомов, максимально близким к набору симптомов диагностируемой системы. Разработана также методика определения исследований, наиболее информативных для дальнейшего уточнения диагностики в случае, если точность диагноза неудовлетворительна.
Подсистема работы с данными о больных
Для облегчения работы врача все данные о больном были сведены в один сложный диалог, представляемый классом СШ. Пространство диалога разбито на следующие зоны (в порядке старшинства): - зона личных данных о больном; - зона данных о госпитализации больного; - зона данных о симптомах больного; - зона данных о диагнозах больного . Каждая зона имеет независимые элементы управления для навигации, а зоны личных данных и данных о госпитализации, кроме того, содержат элементы управления для добавления и удаления элементов. Поиск проводится только по фамилии больного, так как госпитализации не имеют смысловых наименований. Навигация по младшей зоне осуществляется в пределах старшей, т.е. перемещение по госпитализациям, например, осуществляется только в рамках госпитализаций рассматриваемого больного. Перемещение в старшей зоне вызывает автоматическое изменение в младшей зоне.
Диалог данных о больном содержит также кнопки «Рассчитать частоты диагнозов» и «Диагностика». Первая из них выполняет подготовительную работу для диагностики при использовании формулы коррекции по частоте диагноза, выполнение которой значительно сокращает время диагностики на третьем этапе. Для корректной диагностики необходимо вызывать ее каждый раз при изменении состава или диагнозов больных-прецедентов. В случае если на третьем этапе не используется формула коррекции по частоте диагноза, то эта использование этой кнопки не является необходимым. Кнопка «Диагностика» запускает процедуру поддержки процесса диагностики больного, осуществляющую основную функцию комплекса. Зоны данных о симптомах и диагнозах равноправны по старшинству.
Класс CAdd_Diag_ill обеспечивает работу вспомогательного диалога, предназначенного для добавления больному поставленного диагноза. Этот процесс вынесен в отдельный диалог для того, чтобы случайные действия не могли испортить такую важную информацию о больном как его диагноз. Диалог позволяет выбрать тип диагноза и диагноз в нем, а также указать уверенность в его наличии.
Подсистема диагностики предназначена для выполнения главной функции комплекса - поддержки диагностики больных с помощью четырехэтапного процесса, алгоритм которого описан в главе 3. Конструктивно она состоит из класса CDiagnostics, содержащего общую информацию о диагностике, которую необходимо передавать между этапами и агрегирующего четыре класса CDiagnl...CDiagn4, каждый из которых инкапсулирует соответствующий этап процесса диагностики. Классы DJList, I_List и S_List хранят временную информацию о диагнозах, больных и симптомах, необходимую в процессе диагностики. Классы SymDInf и SymNJnf предназначены для хранения перечня дискретных и непрерывных симптомов диагностируемого больного соответственно. Каждый из классов CDiagnl...CDiagn4 агрегирует в себя все классы базы данных кроме класса CDB_Source, который агрегируется только в класс CDiagn4. Эти классы не показаны на диаграмме классов подсистемы диагностики, представленной на рисунке 4.7. чтобы не загромождать изображение.
Похожие диссертации на Программно-информационная поддержка процессов идентификации состояния органичной системы :На примере ревматических заболеваний
