На правах рекламы:
ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Авторитетность издания

ВАК - К1
RSCI, ядро РИНЦ

Добавить в закладки

Следующий номер на сайте

2
Ожидается:
17 Июня 2024

Подходы к отображению субъективно-нечетких представлений эксперта и пользователя в интеллектуальных системах

Статья опубликована в выпуске журнала № 4 за 1997 год.
Аннотация:
Abstract:
Авторы: Кобринский Б.А. (kba_05@mail.ru ) - Федеральный исследовательский центр «Информатика и управление» РАН, Российский национальный исследовательский медицинский университет им. Н.И. Пирогова (профессор, зав. лабораторией), Москва, Россия, доктор медицинских наук
Ключевое слово:
Ключевое слово:
Количество просмотров: 10154
Версия для печати

Размер шрифта:       Шрифт:

В отношении слабоструктурированных и трудноформализуемых областей знания, таких как медицина, биология, геология и им подобные, еще со времени применения методов теории распознавания образов и лингвистических методов обработки данных [1, 5] осуществлялись попытки структуризации поля данных для последующей работы с более гомогенными структурами. Новые пути открыла эра перехода к экспертным системам (ЭС), когда появилась надежда на преодоление недопонимания и недоучета тонких классификаций и сложных взаимосвязей признаков, которые в явной или неявной форме учитывают профессионалы в процессе принятия диагностических (прогностических) решений. Однако и сегодня системы искусственного интеллекта (СИИ) не преодолели разрыва между истинным (не известным нам) механизмом мыслительного процесса при рассуждении и аргументации высококвалифицированным специалистом и отображением этого процесса в базах знаний и системах логического вывода, несмотря на интересные и перспективные подходы к формализации логики аргументации [8]. Существующие формализмы отражают, как правило, типичный вариант принятия решения, соответствующий логике специалиста в традиционном (учебном) варианте, что обусловлено неспособностью извлекать неформализуемые в настоящее время представления интуитивно-образного характера, которые нередко заменяются похожими на истину рассуждениями, точнее псевдорассуждениями.

 

В то же время именно на этом пути (формализации трудновербализуемых интуитивных или нечетких для самого эксперта представлений) можно предполагать прорыв к принципиально новому классу систем искусственного интеллекта. Возможными путями (точнее, первыми шагами) в этом направлении представляются следующие:

·   учет в базе знаний (насколько это возможно) интуитивных представлений специалиста, например проявляющихся в форме ассоциаций;

·   отображение в формализмах базы знаний уверенности эксперта (группы экспертов) в информации (знаниях), или, другими словами, учет степени неуверенности в сообщаемых представлениях;

·   отражение на входе системы того, что можно охарактеризовать термином сомнения в пропущенных через мозг специалиста в проблемной области объективных признаках и/или субъективных сведениях.

Практически каждая область знаний предъявляет свои требования при создании систем компьютерной поддержки решений. В дальнейшем будем рассматривать поставленные вопросы в приложении к медицине.

Экспертные диагностические медицинские системы характеризуются специфическими особенностями, принятие во внимание которых не только повышает их эффективность, но и делает их более привлекательными для врачей-пользователей. В этом плане наряду с аргументированным объяснением предлагаемого решения особое значение имеет учет следующих факторов:

1)  уровень знаний врача, включающий теоретические познания и практический опыт в данной области медицины;

2)  желание пользователя выразить (привнести в систему) свою уверенность в оценке выраженности проявлений заболевания в конкретном случае (у наблюдаемого пациента);

3)  доступность выбора режима диагностики из альтернативных вариантов;

4)  возможность в процессе эксплуатации системы модифицировать представление о патологическом процессе;

5)  способность управлять степенью жесткости отбора нозологических форм (диагнозов) в дифференциально-диагностический ряд;

6)  осуществимость получения информации об аналогичных (по клиническим проявлениям) случаях (прецедентах).

В качестве примеров реализации названных подходов, с одной стороны, к отображению нечетких представлений в базах знаний, а с другой – к организации интерфейса, обеспечивающего оптимизацию взаимоотношений врача-пользователя с интеллектуальной системой, рассмотрим несколько диагностических систем.

Управление диалогом в системе по наследственным болезням ДИАГЕН [2] предоставляет пользователю возможность (по завершении ввода данных) количественно в интервале от 0 до 100 оценить степень значимости каждого отобранного признака для диагностируемого случая (пациента), исходя из своих знаний и врачебной интуиции, то есть из собственного опыта и данных литературы (возможна повторная переоценка значимости с последующим повторением поиска). Эта запись (для данного случая диагностики) временно изменяет записанное в базе знаний постоянное значение (коэффициент) при конкретном признаке, установленное для данного класса заболеваний.

На этапе работы системы ДИАГЕН по отбору признаков в диагностическую последовательность введенного пользователем симптомокомплекса вначале происходит привлечение дополнительных признаков. Система осуществляет это, исходя из зафиксированных в ее базе знаний сведений об ассоциативных отношениях симптомов, что в какой-то степени отражает интуитивные представления врача. Благодаря этому в рассмотрение включаются заболевания, клинические проявления при которых близки к "портрету" (проявлениям) болезни у диагностируемого пациента. Это позволяет избежать какой-то части ошибок, связанных с пропуском признаков, возможно, интуитивно учтенных, но не введенных врачом. Ассоциативные отношения включают:

¨ структурные связи – ассоциации по смежности в пространстве, что соответствует анатомически близким проявлениям;

¨ каузальные (причинно-следственные) – ассоциации по смежности во времени, отражающие цепочки признаков, связанных патогенетическими механизмами развития заболевания;

¨ ассоциации по сходству, близкие (но не тождественные) синонимическим представлениям, что можно соотнести с понятием толерантности.

Реализация принципа ассоциативности в системе ДИАГЕН осуществляется путем построения матрицы отношений над пространством признаков [3]. Введение этих отношений позволяет проводить уточнение и некоторое расширение, как отмечено выше, входной последовательности признаков до диагностической последовательности, которая уже поступает на механизм логического вывода. Вычисление новых весов признаков осуществляется с помощью функции близости.

Как было указано ранее, для пользователя важно иметь возможность изменения функционирования правил отбора диагнозов. С этой целью в управляющую структуру системы ДИАГЕН включены правила, задающие стратегию вывода. Основной набор правил, описывающих свойства и взаимосвязь симптомов, содержит специальный коэффициент, изменение которого позволяет усилить или ослабить значимость соответствующего правила. Используя этот механизм, врач в конкретной ситуации может подобрать такой режим, который соответствует его требованиям, что может быть обусловлено характером клинических проявлений заболевания в определенном возрасте или при сочетании с другой патологией, например режим поиска синдрома с неполным описанием, так как в практике достаточно велик процент случаев с неклассической клинической картиной (ранние проявления, стертая форма заболевания и т.п.).

Таким образом, организация интерфейса в системе ДИАГЕН не только позволяет (в определенной степени) отображать врачу в количественном выражении свои нечеткие представления о проявлениях болезни у пациента, но и обеспечивает более высокую психологическую совместимость при работе, предоставляя возможность получения расширенной информации о работе системы. Это:

а) оценка предполагаемой роли любого признака (симптома) для идентификации синдрома: полученные экспертным путем (при разработке системы) оценки значимости признаков для распознавания наследственной патологии предлагаются для коррекции в соответствии с рабочей гипотезой (гипотезами) врача-пользователя системы об их диагностической ценности (весе) в конкретном случае (особенно важно при идентификации нетипичных случаев), что позволяет в какой-то степени осуществлять индивидуальную настройку компьютерной системы с учетом опытных представлений врача;

б) отображение в протоколе работы системы не только отмеченных врачом при вводе информации признаков, но и других, связанных с ними определенными (ассоциативными) отношениями и включенных в результирующий дифференциально-диагностический ряд;

в) получение информации при просмотре протокола объяснений выбора диагноза системой в зависимости не только от факта наличия или отсутствия, но и от веса признака, на основе чего система выдает "премии" и "штрафы", отражающиеся на формировании диагностической последовательности;

г) управление жесткостью отбора диагнозов – сужение или расширение выдаваемого системой дифференциально-диагностического ряда по усмотрению врача путем уменьшения или увеличения порога для включения нозологических форм в диагностическую последовательность;

д) использование создаваемого в системе архива для поиска случаев, похожих на диагностируемый, что соответствует логике врачебного мышления, для которой характерна диагностика по прецедентам, когда схватывается нечто существенное, а не логическая последовательность признаков, характеризующих данное состояние.

Система по неотложным состояниям у детей ДИН [7] использует дополнительные связи с другими синдромами, а также понятие маски (логическое выражение, состоящее из всех теоретически возможных клинических проявлений синдрома – часто встречающихся, редко встречающихся и т.д.). По дополнительным связям активизируются и принимаются во внимание синдромы, связанные с рассматриваемыми причинно-следственными отношениями. По маске работа ведется в двух противоположных направлениях: 1) по проявлениям, зафиксированным в маске, но отсутствующим у ребенка; 2) по проявлениям, отмеченным у ребенка, но не зафиксированным в маске.

В первом случае, если пользователя не устраивает надежность полученного диагноза, он может попытаться уточнить отсутствующие данные и получить более надежный вывод. Во втором случае по лишним для данного синдрома симптомам есть возможность выйти на другие синдромы, в описании которых полученные данные играют известную роль (в содержательном смысле аналогично системе ДИАГЕН, хотя и с использованием другого математического аппарата). Это позволяет повысить эффективность распознавания состояний, в особенности при нетипичной клинической картине.

По желанию наряду с отобранным системой синдромным диагнозом, врач может получить весь список гипотетических состояний с оценкой их правдоподобия. Уровни уверенности сопровождают каждое диагностическое правило, что приближает логику экспертной системы к врачебной и дает врачу возможность принять (самостоятельно) окончательное решение или сформулировать собственное мнение о решении ЭС в условиях меньшей неопределенности.

Для формирования мнения пользователя о полученном решении (диагнозе) крайне важна система объяснений, которую желательно видеть представленной в виде нескольких вариантов. Это могут быть (как в системе ДИН) релятивные объяснения, то есть протокол, когда каждый шаг программы снабжается пояснением о том, что в данном случае она делает и с какой целью, а затем по ассоциативному дереву строится объяснение метода решения проблемы. В системе ДИАГЕН, как показано выше, пользователю представляется информация обо всех привлеченных дополнительно признаках и о назначенных при различных сочетаниях положительных или отрицательных оценок. В любых случаях следует стремиться к количественно-объективизирующей и вербально-объяснимой характеристике предлагаемых решений, что должно способствовать повышению уровня уверенности пользователя в правильности распознавания ситуации экспертной системой.

С учетом изложенного о построении и функционировании ЭС ДИН можно отметить ряд моментов, представляющих, как и в случае с системой ДИАГЕН, общий интерес:

1) механизм учета мнения врача, отражающий его субъективную уверенность в определенной степени выраженности симптома, то есть неявный учет уровня знаний и опыта пользователя;

2) уточнение отсутствующих данных с учетом проявлений, зафиксированных в маске, для получения более надежного вывода;

3) выявление сопутствующих синдромов, в описании которых лишние для данного (ведущего) синдрома (для данной маски) симптомы играют известную роль;

4) возможность получения всего списка гипотетических состояний с оценкой их правдоподобия.

Довольно частый факт размытых представлений специалиста о частоте встречаемости признаков, характеризующих отдельные нозологические формы относительно редко встречающихся заболеваний, в диагностической экспертной системе ИНФАНТИЛЬНЫЙ СПАЗМ [4] преодолевается при использовании технологии виртуальных статистик [6], получаемых в процессе обработки экспертных знаний. (Виртуальные статистики – это значения частот встречаемостей, а также статистик правдоподобия симптомов, согласованных с оценками экспертов о проявлениях болезни). При таком подходе экспертам предоставляются следующие возможности: а) допускаются нечеткие словесные заключения типа вероятность этого диагноза незначительна; б) после определения комплекса основных симптомов, соответствующих нозологической форме, экспертам представляется для заключений полный набор возможных их сочетаний, в которых симптомы принимают только значения да/нет. Затем экспертные оценки проверяются на соответствие теореме Байеса и экспериментальным данным: порождаемые заключениями виртуальные встречаемости признаков должны быть независимы от формы проявления одной и той же болезни, представленной в разных портретах, и принадлежать диапазону экспериментально полученных (из клинического опыта) или известных из литературы частот встречаемостей признаков, если такой диапазон известен (под портретами в данном случае понимаются формальные описания нозологических форм (болезней) по неполным данным, включающим основные дифференциально-диагностические признаки). Можно думать, что предлагаемый подход позволяет задействовать и интуитивные представления специалиста. Сходная ситуация при классификации различных вариантов ЭКГ, нередко осуществляемой не с полной уверенностью, реализована в ЭС путем связывания различных классов кардиосигналов с разными (от 0 до 1) факторами определенности [9].

В процессе доспроса с целью установления окончательного диагноза в ЭС ИНФАНТИЛЬНЫЙ СПАЗМ осуществляется текущее вычисле- ние вероятности диагнозов, которые могут иметь место в случае применения тех или иных методов обследования. Таким образом, врач – пользователь системы – получает сведения об уменьшении неопределенности диагностики при последующем исследовании (дообследовании) больного.

Таким образом, субъективно-нечеткие представления экспертов должны находить отражение в базах знаний, а пользователи должны иметь возможность фиксировать субъективность в оценках вводимых ими данных для последующего ее учета в процессе принятия решения экспертной системой.

Суммируя, можно отметить необходимость отражения в СИИ следующих основных моментов:

· нечетких словесных заключений для учета интуитивных представлений эксперта;

· ассоциативных отношений признаков;

· факторов определенности или уверенности эксперта в принадлежности конкретной ситуации (диагноза) к определенному классу;

· коэффициентов значимости каждого из отобранных признаков для диагностируемого случая (пациента) – учета мнения пользователя исходя из его знаний и интуиции.

Список литературы

1. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. - М.: Наука, Глав. ред. физ-мат. лит., 1983. - 464с.

2. Кобринский Б.А., Кудрявцев А.М., Фельдман А.Е. РС-ориентированная информационно-диагностическая система по наследственной патологии у детей // Компьютер. хроника. - 1994. - №8-9. - С.31-37.

3. Кобринский Б.А., Фельдман А.Е. Анализ и учет ассоциативных знаний в медицинских экспертных системах // Новости искусств. интеллекта. - 1995. - №3. - С.90-96.

4. Кобринский Б.А., Марьянчик Б.В., Темин П.А., Ермаков А.Ю. Применение технологии виртуальных статистик для разработки компьютерной медицинской диагностической системы, основанной на знаниях // Компьютер. хроника. - 1997. - №4.

5. Левит В.Е., Переверзев-Орлов В.С. Структура и поле данных при распознавании образов. - М.: Наука, 1984. - 120с.

6. Марьянчик Б.В. Метод виртуальных статистик и его применение в партнерских системах для компьютерной диагностики // Компьютер. хроника. - 1996. - № 5. - С.65-74.

7. Таперова Л.Н., Веприцкая О.В., Кобринский Б.А. ДИН – экспертная диагностическая система по неотложным состояниям // Программные продукты и системы. - 1995. - № 1. - С.30-32.

8. Финн В.К. Об одном варианте логики аргументации // НТИ, сер.2. - 1996. - № 5-6.- С.3-19.

9. Bortolan G., Degani R., Pedrycz W. A fuzzy pattern matching technique for diagnostic EEG classification // Comput. In Cardiol., Washington, Sept. 25-28, 1988: Proc. Washington (D.C.), 1989. - P.551-554.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=1055&lang=
Версия для печати
Статья опубликована в выпуске журнала № 4 за 1997 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: