Медицинская информатика
 Скачать 5.08 Mb.
|
|
ТЕМА 11 МЕТОДЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ. СТРАТЕГИИ ПОЛУЧЕНИЯ МЕДИЦИНСКИХ ЗНАНИЙ В эпоху массового внедрения персональных компьютеров во все сферы современной жизни естественным является стремление использовать компью- терные системы для поддержки все более сложных видов человеческой дея- тельности. Одной из них является деятельность врача, ключевой пункт работы которого – принятие диагностических и лечебных решений. Принятие диагностических и лечебных решений часто оказывается за- труднительным, особенно для начинающих врачей-специалистов, или в тех случаях, когда врачу приходится принимать решение в ситуациях, относящихся к компетенции смежных медицинских специальностей. В то же время значительный опыт и знания, накопленные врачами- специалистами высокого уровня - экспертами в своей области, позволяют им в большинстве случаев успешно принимать правильные диагностические и ле- чебные решения. Поскольку принятие решений является результатом переработки опреде- ленной информации о пациенте и базируется на использовании накопленных знаний, можно ожидать, что компьютерные системы искусственного интеллек- та и, в частности, экспертные системы (или системы, основанные на знаниях) способны помочь врачу в решении задач диагностики и выбора тактики лече- ния. Опираясь на знания экспертов, хранящиеся в памяти компьютера, меди- цинская экспертная система может помочь врачу «узнавать» клинические си- туации, характерные для тех или иных диагнозов или синдромов, оставляя за последним право принять или отвергнуть соответствующее диагностическое или лечебное решение, предложенное системой. Представление медицинских знаний. Знания предметной области.В клинической медицине основные фор- мализованные структуры медицинского знания – описательные (семиотики заболеваний) и процедурные (семантики) модели характеризуются значитель- ным разнообразием, противоречивостью и иерархичностью взаимосвязей. Раз- нообразие и противоречивость моделей семиотики и семантики каждый раз де- лают для врача необходимым выбор фиксированной модели из множества су- ществующих моделей или модификацию выбранной модели для конкретного клинического случая. Применение нескольких моделей одновременно либо бессмысленно (если все модели дадут один результат), либо все равно потребу- ет выбора (если какие-либо из использованных моделей дадут разные результа- ты). Выбор моделей или их модификация в рамках возможностей, предостав- ляемых формализованным медицинским знанием, реализуется врачом на осно- вании персонального знания – личных моделей прагматики поведения. С точки зрения информатики, описанные проблемы предъявляют весьма специфические требования к решению задачи создания математических моде- лей для представления медицинских знаний. 122 В качестве адекватной структуры представления знаний предлагается создание математической модели, которая позволит решить задачу формирова- ния специальной компьютерной профессионально ориентированной среды. Типы медицинских знаний. Процесс представления знания в системе поддержки принятия решений начинается с формализации знания путем его классификации. Формализация медицинских знаний позволяет выделить сле- дующие типы медицинских знаний: знания о заболеваниях; знания о наблюдениях: o знания о событиях, o знания о признаках, o знания об анатомо-физиологических особенностях; знания о причинно-следственных связях: o знания об этиологиях, o знания об осложнениях, o знания о нормальной реакции, o знания о реакции на воздействие события, o знания о клиническом проявлении, o знания о клиническом проявлении, измененном воздействием события. Знания о наблюдении (помимо его названия) включают область его воз- можных значений. Для наблюдений с размерными значениями - это интер- вал, для наблюдений со скалярными значениями - множество значений. Знания о заболевании (помимо его названия) включает описание его этиологий, стадий развития, клинических проявлений, клинических проявле- ний, измененных воздействием событий, и осложнений. Описание этиологий включает ссылку на причину-событие, воздейст- вующие факторы (анатомо-физиологические особенности), описание модаль- ности ("необходимость" или "возможность") и описание причинной закономер- ности. Модальность "необходимость" означает, что если у больного имеет ме- сто причина, то имеет место и причинно-следственная связь. Модальность "возможность" означает, что причина не обязательно приводит к причинно- следственной связи. Причинная закономерность любого причинно-следственного отноше- ния есть дизъюнкция вариантов. Если причинно-следственная связь имеет ме- сто, то один из вариантов выполнен (в соответствии с ним и протекает причин- но-следственная связь). Вариант представляет собой импликацию, посылка ко- торой содержит условие на причину и условие на воздействующие факторы, а заключение - интервал возможных длительностей промежутков времени между моментом, когда имела место причина, и началом заболевания (следствия). Ус- ловие на причину есть подмножество области возможных значений события. Условие на воздействующие факторы есть конъюнкция пар, состоящих из на- званий анатомо-физиологических особенностей (воздействующих факторов) и подмножеств областей их возможных значений. Посылка импликации выпол- нена, если значение события (причины причинно-следственной связи) входит в 123 подобласть значений, определяемую условием на причину, а значения всех ана- томо-физиологических особенностей, перечисленных в условии на воздейст- вующие факторы, входят в соответствующие подобласти значений, определяе- мые этим же условием. Описание стадий развития заболеваний представляет собой последова- тельность описания стадий. Каждое описание стадии содержит интервал воз- можных длительностей этой стадии. Описание клинического проявления включает ссылки на следствие (признак), воздействующие факторы, описание модальности, описание причин- ной закономерности для каждой стадии развития заболевания. Вариант при- чинной закономерности в этом случае представляет собой импликацию, посыл- ка которой содержит условие на воздействующие факторы, а заключение - по- следовательность описаний периодов динамики. Описание периода динамики содержит интервал возможных длительностей этого периода динамики, и мно- жество значений признака (следствия), возможных в этом периоде динамики. Заключение импликации выполнено, если существует такое разбиение времен- ного интервала стадии развития заболевания на периоды динамики, что дли- тельность каждого периода динамики принадлежит интервалу возможных дли- тельностей этого периода, а значения признака на этом периоде принадлежат множеству значений, возможных в этом периоде. Описание клинического проявления, измененного воздействием собы- тия, включает ссылку на причину-событие, ссылку на следствие (признак), ссылки на воздействующие факторы, описание модальности, а также описа- ние причинной закономерности. Вариант причинной закономерности в этом случае есть импликация, посылка которой содержит условие на причину и ус- ловие на воздействующие факторы, а заключение - последовательность описа- ний периодов динамики. Описание осложнения включает ссылки на следствие (вторичное забо- левание), воздействующие факторы, описание модальности и описание при- чинной закономерности. Вариант причинной закономерности в этом случае представляет собой импликацию, посылка которой содержит условие на воз- действующие факторы, а заключение - интервал возможных длительностей промежутков времени между началом первичного и началом вторичного забо- леваний. Описание нормальной реакции состоит из ссылки на следствие (при- знак), описания воздействующих факторов, а также описания причинной зако- номерности. Вариант причинной закономерности в этом случае есть имплика- ция, посылка которой содержит условие на воздействующие факторы, а заклю- чение - множество нормальных значений признака (следствия). Описание реакции на воздействие события по структуре совпадает с описанием клинического проявления, измененного воздействием события. Из сказанного выше видно, что структура знания для нормальной реак- ции, реакции на воздействие события, клинического проявления, клинического проявления, измененного воздействием события, этиологии и осложнения за- болевания во многом сходна. Структура этих знаний характеризуется нали- 124 чием причины, следствия, воздействующих факторов, модальностью и описанием причинной закономерности, хотя и не во всех случаях эти компо- ненты выделены явным образом. Поэтому для удобства будем называть эти знания причинно-следственными отношениями (рис. 11.1). Рис. 11.1. Иллюстрация понятия «причинно-следственное отношение» Кроме того, все знания о понятиях всех введенных классов (наблюдений, заболеваний и причинно-следственных отношений) могут содержать необхо- димые условия. Выполнение этого условия необходимо для того, чтобы соот- ветствующее наблюдение, заболевание или причинно-следственная связь могли иметь место у пациента. Если необходимое условие отсутствует в описании по- нятия, оно считается тождественно истинным. Необходимое условие есть конъюнкция компонент, каждая из которых есть ссылка на некоторую анатомо- физиологическую особенность и подмножество возможных значений этой осо- бенности. Компонента условия считается истинной, если у пациента наблюдае- мое значение этой особенности принадлежит подобласти возможных значений этой компоненты. Стратегии получения медицинских знаний. Существует несколько стратегий получения знаний. Наиболее распространенные: приобретение извлечение формирование Под приобретением знаний понимается способ автоматизированного построения базы знаний посредством диалога эксперта и специальной про- граммы (при этом структура знаний заранее закладывается в программу). Эта стратегия требует существенной предварительной проработки предметной об- ласти. Системы приобретения знаний действительноприобретают готовые фрагментызнаний в соответствии со структурами, заложенными разработчика- ми систем. Большинство этих инструментальных средств специально ориенти- ровано на конкретные экспертные системы с жестко обозначенной предметной областьюи моделью представления знаний, т.е.не являютсяуниверсальными. 125 Например, система TEIRESIAS, ставшая прародительницей всех инструмента- риев для приобретения знаний, предназначена для пополнения базы знаний системы MYCIN или ее дочерних ветвей,построенных на "оболочке" EMYCIN в областимедицинской диагностики с использованием продукционной модели представления знаний. Термин извлечение знаний касается непосредственногоживого контакта инженера познаниям и источниказнаний. Авторы склонны использоватьэтот термин как болееемкий и более точно выражающий смысл процедуры перено- са компетентности экспертачерез инженера по знаниям в базузнаний эксперт- ной системы. Термин формирование знаний традиционно закрепился за чрезвычайно перспективнойи активно развивающейся областью инженериизнаний, которая занимаетсяразработкой моделей, методов и алгоритмов анализа данных для получения знаний и обучения. Эта область включает индуктивные модели формирования гипотез на основе обучающих выборок, обучение по аналогии и другие методы. Таким образом, можно выделитьтри стратегии проведения стадии полу- чения знаний при разработке экспертных систем (рис. 11.2). Рис. 11.2. Три стратегии получения знаний На современном этапе разработки экспертных систем в нашей стране стратегия извлечениязнаний, по-видимому, является наиболее актуальной, по- скольку промышленных системприобретения и формированиязнаний наоте- чественном рынке программных средств практически нет. Извлечение знаний – это процедура взаимодействия эксперта с источни- ком знаний, в результате которой становятся явными процесс рассуждений специалистовпри принятии решения и структура их представлений о предмет- ной области. Процесс извлечения знаний – этодлительная и трудоемкая процедура, в которой инженеру по знаниям,вооруженному специальнымизнаниями по ког- нитивной психологии, системному анализу, математической логике и пр., необ- ходимо воссоздать модель предметной области, которой пользуются эксперты 126 для принятия решения. Часто начинающие разработчики экспертных систем, желая избежать этой мучительной процедуры, задают вопрос: может ли эксперт сам извлечь из себя знания? Помногим причинамэтонежелательно. Во-первых, большая частьзнаний эксперта - эторезультат многочислен- ных наслоений, ступеней опыта. И часто зная, чтоиз А следует В, экспертне дает себе отчета, что цепочка его рассуждений была гораздо длиннее. Во-вторых, как было известно еще древним (вспомним «Диалоги» Плато- на), мышление диалогично. И поэтому диалог инженера по знаниям и эксперта - наиболее естественная форма «раскручивания» лабиринтовпамяти эксперта, в которых хранятся знания, частью носящие невербальный характер, т.е. выра- женныене в форме слов, в форме наглядных образов,например. Именно в про- цессе объяснения инженеру по знаниям эксперт на эти размытые ассоциатив- ные образы надевает четкие словесные ярлыки,т.е. вербализует знания. В-третьих, эксперту гораздо труднее создать модель предметной области вследствие той глубины и необозримости информации, которой он обладает. Многочисленные причинно-следственные связи реальной предметной области образуют сложную систему,из которой выделить "скелет", или главнуюструк- туру, иногда доступнее аналитику, владеющему к тому же системной методо- логией. Любая модель – это упрощение, а упрощать легче с меньшим знанием деталей. Чтобы разобраться в природе извлечениязнаний, выделим три основных аспектаэтойпроцедуры (рис. 11.3): психологический, лингвистический, гно- сеологический. Рис. 11.3. Основные аспекты извлечения знаний 127 Психологический аспект является, главным, поскольку он определяет успешность и эффективность взаимодействия инженера по знаниям (аналитика) с основным источником знаний - экспертом-профессионалом. Психологический аспект важен и потому, что извлечение знаний происходит чаше всего в процессе непосредственного общения разработчиков системы. Лингвистический аспект важен поскольку процесс общения инженера по знаниям и эксперта - это языковое общение. В данном случае можно выделить три слоя важных для инженерии знаний лингвистических проблем: А) общий код, Б) понятийная структура, В) тезаурус пользователя. Гносеологический аспект. Гносеология - это раздел философии, связан- ный с теорией познания, или теорией отражения действительности в сознании человека. Инженерия знаний как наука, если можно так выразиться, дважды гносеологична: действительность (О) сначала отражается в сознании эксперта (М1), а затем деятельность и опыт эксперта интерпретируются сознанием ин- женера по знаниям (M2), что служит уже основой для построения поля знаний экспертной системы. В процессе извлечения знаний аналитика в основном интересует компо- нент знания, связанный с неканоническими индивидуальными знаниями экс- пертов, поскольку предметные области именно с таким типом знаний считают- ся наиболее восприимчивыми к внедрению экспертных систем. Эти области обычно называют эмпирическими, так как в них накоплен большой объем от- дельных эмпирических фактов и наблюдений, в то время как их теоретическое обобщение - вопрос будущего. Познание всегда связано с созданием новых понятий и теорий. Интерес- но, что часто эксперт как бы "на ходу" порождает новые знания, прямо в кон- тексте беседы с аналитиком. Такая генерация знаний может быть полезна и са- мому эксперту, который до того момента мог не осознавать ряд соотношений и закономерностей предметной области. Не всегда инженер по знаниям дойдет до последнего звена этой цепочки, но уже само стремление к движению бывает чрезвычайно плодотворным. Такой подход полностью согласуется со структурой самого знания, которое имеет два уровня: эмпирический (наблюдения, явления); теоретический (законы, абстракции, обобщения). Критерии научного знания. Теория - это не только стройная система обобщения научного знания, это также некоторый способ производства новых знаний. Основными методологи- ческими критериями научности, позволяющими считать научным и само новое знание, и способ его получения являются: внутренняя согласованность и непротиворечивость; системность; объективность; историзм. Внутренняя согласованность. Этот критерий в эмпирических областях на первый взгляд просто не работает: в них факты часто не согласуются друг с 128 другом, определения противоречивы, диффузны и т.д. Аналитику, знающему особенности эмпирического знания, его модальность, противоречивость и не- полноту, приходится сглаживать эти "шероховатости" эмпирики. Модальность знания означает возможность его существования в различ- ных категориях, т.е. в конструкциях существования и долженствования. Таким образом, часть закономерностей возможна, другая обязательна и т.д. Кроме то- го, приходится различать такие оттенки модальности, как: эксперт знает, что...; эксперт думает, что...; эксперт хочет, чтобы...; эксперт считает, что... Возможная противоречивость эмпирического знания - естественное следствие из основных законов диалектики, и противоречия эти не всегда должны разрешаться в поле знаний, а напротив, именно противоречия служат чаще всего отправной точкой в рассуждениях экспертов. Неполнота знания связана с невозможностью полного описания пред- метной области. Задача аналитика эту неполноту ограничить определенными рамками "полноты", т.е. сузить границы предметной области, либо ввести ряд ограничений и допущений, упрощающих проблему. Системность. Системно-структурный подход к познанию (восходящий еще к Гегелю) ориентирует аналитика на рассмотрение любой предметной об- ласти с позиций закономерностей системного целого и взаимодействия состав- ляющих его частей. Современный структурализм исходит из многоуровневой иерархической организации любого объекта, т.е. все процессы и явления можно рассматривать как множество более мелких подмножеств (признаков, деталей) и, наоборот, любые объекты можно (и нужно) рассматривать как элементы бо- лее высоких классов обобщений. Объективность. Процесс познания глубоко субъективен, т.е. он сущест- венно зависит oт особенностей самого познающего субъекта. Субъективность начинается уже с описания фактов и увеличивается по мере углубления идеали- зации объектов. Следовательно, более корректно говорить о глубине понима- ния, чем об объективности знания. Понимание - это сотворчество, процесс ис- толкования объекта с точки зрения субъекта. Это сложный и неоднозначный процесс, совершающийся в глубинах человеческого сознания и требующий мо- билизации всех интеллектуальных и эмоциональных способностей человека. Все свои усилия аналитик должен сосредоточить на понимании проблемы. В психологии подтверждается факт, что люди, быстро и успешно решающие ин- теллектуальные задачи, большую часть времени тратят на понимание ее, в то время как быстро приступающие к поискам решения, чаще всего не могут его найти. Историзм. Этот критерий связан с развитием. Познание настоящего есть познание породившего его прошлого. И хотя большинство экспертных систем дают "горизонтальный" срез знаний - без учета времени (в статике), инженер по знаниям должен всегда рассматривать процессы с учетом временных измене- ний - как связь с прошлым, так и связь с будущим. Например, структура поля знаний и база знаний должны допускать подстройку и коррекцию, как в период разработки, так и во время эксплуатации экспертной системы. 129 Математические методы поддержки принятия решений. Проведенный анализ классических методов поддержки принятия решения, нашедших широкое применение в различных прикладных областях, с целью выявления их достоинств и недостатков, позволяет утверждать, что они по своей природе не предназначены для решения задач интеллектуальной обработки и последующего анализа данных. На сегодняшний день в теории принятия решения широко известны сле- дующие методы: 1. Методы теории полезности. Строится аксиоматическим способом. В качестве достоинства методов отмечается детальная проработанность процедур выявления предпочтений. 2. Методы теории проспектов (ТП). Проспект - игра с вероятностными исходами. В методах ТП учитывается 3 поведенческих эффекта: эффект определенности - тенденция придавать больший вес детермини- рованным исходам. эффект отражения - к измерению предпочтений при переходе от выиг- рышей к потерям. эффект изоляции – тенденция к упрощению выбора путем исключения общих компонент вариантов решения. Методы ТП, также как и предыдущие методы, имеют аксиоматические основы. Недостатком является то, что данный метод не снимает все проблемы, возникающие при изучении поведения людей в задачах выбора решения. Главным недостатком всех перечисленных аксиоматических теорий явля- ется непроверяемый характер аксиом, что означает на практике требование к человеку принимать на веру правила рационального поведения, вытекающие из той или иной теории. 3. Методы ELECTRE. Французской школой теории принятия решений, возглавляемой Б.Руа, был предложен конструктивный подход к выработке ре- шений, в рамках которого методы, модели и концепции рассматриваются как вспомогательные средства практического анализа ситуации. Эти средства по- зволяют, как уяснить цели принятия решения, так и лучше понять предпочте- ния лица, принимающего решение (ЛПР). Недостатком методов ELECTRE яв- ляется то, что они являются вспомогательными средствами, а не способом вы- работки лучшего решения как при аксиоматическом подходе. 4. Метод анализа иерархий (МАИ). Часто используемый в последнее время метод принятия решений, опирающийся на многокритериальное описа- ние проблемы. В методе используется дерево критериев, в котором общие кри- терии разделяются на критерии частного характера. Для каждой группы крите- риев определяются коэффициенты важности. Альтернативы также сравнивают- ся между собой по отдельным критериям с целью определения каждой из них. Средством определения коэффициентов важности критериев либо критериаль- ной ценности альтернатив является попарное сравнение. Результат сравнения оценивается по бальной шкале. На основе таких сравнений вычисляются коэф- фициенты важности критериев, оценки альтернатив и находится общая оценка как взвешенная сумма оценок критериев. 130 Недостатки: 1. Рассогласование оценок, связанное с трудностями оценки отношений сложных элементов – 1-й вид рассогласования. 2. Рассогласование 2-го вида, связанное с предложенной дискретной шкалой для оценки элементов. 3. Резкое увеличение количества оценок с увеличением набора элемен- тов. Не рекомендуется набор элементов больше 9. 4. Пересчет отношений значимости элементов в их важность осуществ- ляется приближенным методом. 5. Эвристические методы. К эвристическим методам относят следую- щие методы: метод взвешенной суммы оценок критериев Каждой альтернативе дается числовая (бальная) оценка по каждому из критериев. Критериям припи- сывается количественные веса, характеризующие их сравнительную важность. Веса умножаются на критериальные оценки, полученные числа суммируются - так определяется ценность альтернативы. Далее выбирается альтернатива с наибольшим показателем ценности. метод компенсации используется при попарном сравнении альтер- натив. Достоинством всех эвристических методов является простота и удобство, а основным недостатком то, что все они не имеют научного обоснования. Рассмотренные методы, положенные в основу теории принятия решения, носят аксиоматический и эвристический характер, т.е. не имеют строгого на- учного доказательства. Экспертные системы. Экспертная система - это компьютерная про- грамма, которая моделирует рассуждения человека-эксперта в некоторой опре- деленной области и использует для этого базу знаний, содержащую факты и правила об этой области, и некоторую процедуру логического вывода. Термин «экспертная система» у многих совершенно естественно ассо- циируется с термином «эксперт». Так принято называть высококвалифициро- ванного, авторитетного специалиста в какой-либо области деятельности, кото- рый решает задачи, используя свой опыт и знания. Можно выделить следующие задачи, решаемые экспертами: 1) диагностика - определение причин заболевания или неисправности технической системы и выработка рекомендации по их устранению; 2) классификация - построение иерархии концепций или объектов; опре- деление места заданного объекта или концепции в этой иерархии; 3) прогнозирование - предсказание поведения организма, технической или любой другой системы на основе данных о ее текущем состоянии; 4) планирование - построение плана (программы) действий по решению какой-либо задачи; 5) управление - контроль состояния сложной системы и принятие опера- тивных решений по его изменению. С возникновением компьютеров одной из теоретических проблем, ре- шаемых с помощью вычислительных систем, стала проблема имитации челове- 131 ческого мышления. Программные системы, имитирующие на компьютере че- ловеческое мышление, получили название систем искусственного интеллек- та (ИИ). Конкретные сферы человеческой деятельности, в которых могут приме- няться системы ИИ, называются предметными областями. Системы искусственного интеллекта, созданные для решения задач в конкретной предметной области, называются экспертными системами (ЭС). Источником знаний для наполнения экспертных систем служат люди-эксперты (специалисты в узких областях знаний) в соответствующих предметных областях. У экспертной системы должно быть два режима работы: режим приоб- ретения знаний и режим решения задач. В режиме приобретения знаний эксперт общается с экспертной системой при посредничестве инженера знаний, в режиме решения задач в общении с экспертной системой участвует пользователь, которого интересует результат и способ его получения. Экспертная система в отличие от решения задач по алго- ритму не исключает пользователя из решения, а, наоборот, сохраняет за ним инициативу. В то же время ЭС не является просто пассивным источником по- лезной информации подобно книжному справочнику или базе данных. В нуж- ные моменты ЭС подсказывает необходимое направление решения задачи, раз- вивает цепочки умозаключений, объясняет свои действия. Функции экспертных систем: 1. Экспертиза проектов. 2. Оценка квалификации специалистов. 3. Постановка диагноза. 4. Оценка эффективности лечения. 5. Назначение схемы лечения. С точки зрения решения основной задачи экспертных систем: кодирова- ния знаний о предметной области и их использования для решения проблем в этой области наиболее существен опыт исследователей искусственного интел- лекта в решении задач представления знаний и распознавания образов. Объем знаний, необходимых для любого значительного приложения экспертных сис- тем, обычно очень велик и поэтому для выборки, обновления и поддержания таких больших объемов знаний экспертным системам необходимы хорошие модели представления знаний. Методы, положенные в основу создания экспертных систем, носят ак- сиоматический и эвристический характер, т.е. не имеют строгого научного до- казательства. Экспертные системы должны содержать 4 функциональных блока: базу знаний; блок вывода заключений; блок "объяснения" вывода заключений; блок наполнения и редактирования базы знаний. Необходимы также блок ввода данных о пациенте и блок представления выходной информации пользователю. 132 Если учесть, что элементы "знания" в такой системе представляют собой записанные в определенной форме правила вывода промежуточных и конечных заключений (т.е. принятия элементарных решений), то становится очевидным, что построение всех блоков в экспертной системе определяется способом пред- ставления (формой записи) знаний в "базе знаний". История развития медицинских экспертных систем. Одной из наиболее известных в мире экспертных систем медицинской диагностики является ЭС "MYCIN". Она решает задачи диагностики инфекци- онных заболеваний крови и выработки рекомендаций по их лечению. Система использует базу медицинских знаний о заболеваниях, симптомах и вызываю- щих их микроорганизмах (культурах). Необходимую информацию о пациенте система получает в процессе диалога с пользователем (врачом). По признанию специалистов-медиков, система MYCIN не уступает по качеству диагностики ведущим экспертам. ЭС возникли как значительный практический результат в применении и развитии методов искусственного интеллекта (ИИ) - совокупности научных дисциплин, изучающих методы решения задач интеллектуального, творческого характера, с использованием ЭВМ. Область ИИ имеет уже более чем 40-летнюю историю развития. С самого начала в ней рассматривался ряд весьма сложных задач, которые, наряду с дру- гими, и до сих пор являются предметом исследований: автоматическое доказа- тельство теорем, машинный перевод с одного языка на другой, распознавание изображений и анализ сцен, планирование действий роботов, алгоритмы и стратегии игр. С течением времени менялась и точка зрения на методы решения этих за- дач. В 50-е годы основным направлением развития систем ИИ было модели- рование работы человеческого мозга в виде нейронных сетей. Однако, из-за не- достаточно высокого уровня развития вычислительной техники в то время, раз- работка нейронных сетей уступила место другим методам ИИ и вновь активи- зировалась лишь в 80-е годы, когда были разработаны первые нейрокомпьюте- ры. В 60-е годы основное внимание было уделено разработке общих методов эвристического поиска - методов, основанных на эвристиках (неформализован- ных правилах решения задач). Пример универсальной эвристики, в которой сформирована стратегия решения задач известная как поиск в глубину: ЕСЛИ - метод решения задачи не известен, ТО - следует попытаться разбить задачу на части и решить каждую из них как самостоятельную задачу. Этот простой пример демонстрирует все особенности эвристик: нечет- кость, ограниченность области применения. Опыт показал, что универсального набора эвристик, позволяющего решить задачу из любой области и любой сложности, по-видимому, не существует. Интеллектуальные «решатели» задач, построенные на наборах общих эв- ристик, оказались в состоянии решать лишь “игрушечные” задачи. Однако само 133 исследование методов эвристического поиска оказалось необходимым шагом к следующему этапу развития. С конца 1960-х годов ведущие специалисты в области ИИ существенно изменили свою точку зрения на методы решения задач. Было выяснено, что эффективность метода решения задачи зависит в первую очередь от конкрет- ных знаний об исследуемой области, и лишь в последнюю - от общих стратегий и схем логического вывода. Этот принцип - один из важнейших принципов раз- работки ЭС. Иначе говоря, чем более универсальную систему ИИ планируется сделать, тем меньшей мощностью она будет обладать (способна будет ре- шать лишь очень простые задачи). И наоборот, чем более мы конкретизируем область, задачу и знания о ее решении, тем выше будет “интеллектуальный уровень” системы, решающей данную задачу с использованием вложенных в нее знаний; однако при этом система будет способна решать только одну зада- чу. Первой системой, основанной на таком подходе, стала система DENDRAL, разработанная в 1965 году в Стэнфордском университете. Система DENDRAL - высококвалифицированный эксперт в области химии. Она решает задачу построения возможных химических структур поэкспериментальным данным об исследуемом веществе. Эта система в своей работе использует базу знаний, содержащую не общие эвристические правила, подобные приведенным выше, а несколько десятков эвристик, отражающих специфические правила рассуждений, свойственных химикам. Эта система явилась новым этапом в раз- витии ЭС. Существует ряд проблем в построении ЭС. Первая трудность возникает в связи с постановкой задачи. Большинство заказчиков, планируя работу ЭС, вследствие недостаточной компетентности в вопросах применения методов ИИ, склонно значительно преувеличивать ожидаемые возможности системы. Заказ- чик желает видеть в ней самостоятельного, мыслящего эксперта в исследуемой области, способного решать широкий круг задач. Поэтому, когда заказчик фор- мулирует задачу системы, она получается слишком широкой, слишком гро- моздкой для системы. И, как следствие, – система теряет свою производитель- ную мощность. Поэтому наиболее целесообразно ограничиться для начала не слишком сложной обозримой задачей в рассматриваемой области, для решения которой нет простого алгоритмического способа. Кроме того, важно, чтобы уже существовала сложившаяся методика решения этой задачи “вручную” или ка- кими-либо расчетными методами. Для успешной разработки ЭС необходимы не только четкая и конкретная постановка задачи, но и разработка подробного (хо- тя бы словесного) описания “ручного” метода ее решения. Если это сделать за- труднительно, то дальнейшая работа по построению экспертной системы теряет смысл. Вторая и основная трудность - проблема приобретения знаний. Эта про- блема возникает при передаче знаний, которыми обладают эксперты-люди, ЭС. Разумеется, чтобы обучить компьютерную систему, для начала необходимо формализовать, систематизировать эти знания на бумаге. Это может показаться парадоксальным, но большинство экспертов успешно использующих свои зна- 134 ния в работе, затрудняются при попытке сформулировать и представить в сис- тематическом виде хотя бы основную часть этих знаний. Таким образом, выясняется, что для построения экспертной системы не- обходимо участие в ней особого рода специалистов, обладающих указанной со- вокупностью знаний и выполняющих функции посредников между экспертами в предметной области и компьютерными системами. Они получили название инженеры знаний. Третья серьезная трудность - в очень большой трудоемкости создания ЭС: требуется разработать средства управления базой знаний, логического вы- вода, диалогового взаимодействия с пользователем и так далее Объем про- граммирования столь велик, а программы столь сложны и нетрадиционны, что имеет смысл на предварительном этапе создавать демонстрационный прототип системы. Рассмотрим ключевые моменты работы экспертной системы. Функционирование экспертной системы. Анализ работы экспертной системы наиболее удобно провести, предварительно рассмотрев ее структур- ную организацию (рис. 11.4). Рис. 11.4. Структура и схема работы экспертной системы ЭС имеет две категории взаимодействий и два отдельных входа, соответствующих различным целям работы пользователей с ЭС: 1. Пользователь, эксперт, которому потребуется консультация ЭС – диа- логовый сеанс работы с ней, в процессе которого она решает некоторую экс- пертную задачу. В этом случае диалог с ЭС осуществляется через диалоговый процессор – специальную компоненту ЭС, предназначенную для обеспечения контакта пользователя и ЭС. Существует две основные формы диалога с ЭС: диалог на ограниченном подмножестве естественного языка и диалог на основе меню. На рисунке последовательность процессов в структурных субъединицах ЭС изображена в виде серой ломаной линии (1). 2. Экспертная группа инженерии знаний, состоящая из экспертов в пред- метной области и инженеров знаний. В функции этой группы входит заполне- 135 ние базы знаний, осуществляемое с помощью специальной диалоговой компо- ненты ЭС – подсистемы приобретения знаний, которая позволяет частично ав- томатизировать этот процесс. Последовательность процессов при контакте с ЭС контактной группы знаний изображена в виде серой ломаной линии (2). База знаний - наиболее важная компонента ЭС, на которой основаны ее «интеллектуальные способности». В отличие от всех остальных компонент ЭС, база знаний - переменная часть системы, которая может пополняться и моди- фицироваться инженерами знаний, по мере накопления знаний и опыта исполь- зования ЭС, между консультациями. Существуют несколько способов пред- ставления знаний в ЭС, однако общим для них является то, что знания пред- ставлены в символьной форме, элементарными компонентами представления знаний являются тексты, списки и другие символьные структуры. Тем самым, в ЭС реализуется принцип символьной природы рассуждений, который заключа- ется в том, что процесс рассуждения представляется как последовательность символьных преобразований. Наиболее распространенный способ представления знаний – в виде кон- кретных фактов и правил, по которым из имеющихся фактов могут быть выве- дены новые. Факты представлены, например, в виде троек: (АТРИБУТ, ОБЪЕКТ, ЗНАЧЕНИЕ). Такой факт означает, что заданный объект имеет заданный атрибут (свой- ство) с заданным значением. Например, тройка (ТЕМПЕРАТУРА, ПАЦИЕНТ, 37,5) представляет факт: “температура больного, обозначаемого «пациент», равна 37,5 градусам”. Такой способ представления фактов принят в системе MYCIN. В более простых случаях факт выражается не конкретным значением атрибута, а каким-либо простым утверждением, которое может быть истинным или ложным, например: “Небо покрыто тучами”. В таких случаях факт можно обозначать каким-либо кратким именем или использовать для предоставления факта сам текст соответствующей фразы. Правила в базе знаний имеют вид: ЕСЛИ А ТО S, где А - условие, S - действие. Действие S исполняется, если А истинно. Наиболее часто действие S, так же, как и условие, представляет собой утверждение, которое может быть выведено системой, если истинно условие правила А. Правила в базе знаний служат для представления эвристических знаний (эвристик), то есть неформальных правил рассуждений, вырабатываемых экспертом на основе опыта его работы. Пример: ЕСЛИ небо покрыто тучами, ТО скоро пойдет дождь. В качестве условия А может выступать либо факт, либо несколько фак- тов, соединенных логической операцией И: А и А 1 и А 2 и ... A n В математической логике такое выражение называется конъюнкцией. Оно считается истинным в том случае, если истинны все его компоненты. Действия, входящие в состав правил, могут содержать новые факты. При применении та- 136 ких правил эти факты становятся известны системе, то есть включаются во множество фактов, которое называется рабочим множеством. Если система не может вывести некоторый факт, истинность или ложность которого требуется установить, то система спрашивает о нем пользователя. Подсистема ввода-вывода – программная компонента ЭС, реализующая процесс ее рассуждений на основе базы знаний и рабочего множества. Цель ра- боты ЭС – вывести некоторый заданный факт, который называется целевым ут- верждением, либо опровергнуть этот факт. При предоставлении фактов в виде троек целевое утверждение формируется в виде: «Найти значение атрибута А у объекта О». Целевое утверждение может быть заложено заранее в базу знаний системы, либо извлекается системой из диалога с пользователем. Работа системы представляет собой последовательность шагов, на каждом из которых из базы знаний выбирается некоторое правило, которое применяется к текущему содержимому рабочего множества. Цикл заканчивается, когда выведено либо опровергнуто целевое утверждение. Цикл работы ЭС иначе называется логическим выводом. Логический вывод можно производить многими способами, в большинстве случаев это обратная цепочка рассуждений или прямая цепочка рассуждений. Пример (диалог с ЭС): Итак, в примере простой ЭС и базы знаний диалог пользователя с сис- темой можно представить себе следующим образом: Система: вы хотите узнать, нужно ли взять с собой зонтик? Пользователь: Да Система: Верно ли, что небо покрыто тучами? Пользователь: Да Система: Верно ли, что барометр падает? Пользователь: Да Система (после некоторого размышления): Нужно взять с собой зонтик. Как видно из этого примера, в ходе консультаций инициатива диалога принадлежит системе, а сама консультация у ЭС выглядит так же, как и консультация у эксперта человека: задается ряд вопросов и на основании их анализа выдается экспертное заключение. Однако, в отличие от беседы со специалистом, диалог с ЭС имеет свои психологические особенности: большинство пользователей склонны меньше доверять “мнению” экспертной системы, чем мнению живого эксперта. Чтобы удостовериться в разумности и компетентности ЭС, пользователь может обратиться к ее подсистеме объяснения. Для того чтобы понять, как она работает, необходимо рассмотреть вопрос о том, в какой форме ЭС хранит информацию о процессе своих рассуждений. В ЭС принято представлять процесс логического вывода в виде схемы, которая называется деревом вывода. В нашем примере дерево вывода будет иметь вид, отображенный на схеме (рис. 11.5). 137 Рис. 11.5. Дерево вывода Список литературы 1. Беллман Р. Математические методы в медицине. – М.: Мир, 1987. – 200 с. 2. Гублер Е.В. Информатика в патологии, клинической медицине и педиат- рии. – Л.: Медицина, 1990. – 176 с. 3. Двойрин В.В., Клименков А.А. Методика контролируемых клинических испытаний. М.: Медицина, 1985. – 143 с. 4. Кобринский Б.А. Извлечение экспертных знаний: групповой вариант / Новости искусственного интеллекта. – 2004. – №3. – С.58-66. 5. Уотермен Д. Руководство по экспертным системам. – М.: Мир,1989. – 388 с. 6. Экспертные системы для персональных компьютеров: методы, средства, реализации: Справочное пособие / В.С. Крисевич, Л.А. Кузьмич и др. – Мн.: Выш. шк., 1990. – 197 с. 7. Guliev Y.I., Malykh V.L., Yurchenko S.G. Conceptual models for representing information in healthcare information systems // Advanced Information and Telemed- icine Technologies for Health, AITTH 2005, Minsk. – Vol 1. – P. 198-201. Контрольные вопросы 1. Что является ключевым пунктом работы врача? 2. Какие формализованные структуры медицинского знания используются в медицине? 3. Какие типы медицинских знаний можно выделить в процессе формализа- ции медицинских знаний? 4. Чем характеризуется структура медицинских знаний? 5. Какие наиболее распространенные стратегии получения медицинских знаний используются в системах поддержки принятия решений? 6. Какие основные аспекты выделяют в процедуре извлечения знаний? 138 7. Какие математические методы поддержки принятия решений использу- ются при создании экспертных систем? 8. Что такое экспертная система? 9. Какие задачи решают эксперты? 10. Что такое предметная область экспертной системы? 11. Какие режимы работы экспертной системы вам известны? 12. Какие функциональные блоки входят в состав экспертной системы? |