Автоматизированные консультативные системы для помощи в принятии решений на основе интеллектуального (экспертного) подхода

Искусственный интеллект — это область компьютерной науки, занимающаяся, по определению Дж. Ф.Люгера (Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем: пер. с англ. / Дж.Ф.Люгер. — М.: Изд. дом «Вильяме», 2003), «автоматизацией разумного поведения» на основе исполь­зования знаний, получаемых от экспертов или из литературных источников.

Диагностическое заключение врача представляет собой результат логических умозаключений, базирующихся на научных знаниях, субъективном опыте, полученном в процессе работы, и здравом смысле. Принципы математической статистики не всегда эффек­тивны при анализе клинических данных, в особенности при ред­ких заболеваниях, когда имеются малые выборки. Поэтому наряду с обработкой данных широкое применение нашла и «обработка» знаний.

Под знаниями подразумеваются закономерности предметной области (принципы, связи, законы), полученные в результате теоретических исследований, практической деятельности и про­фессионального опыта, позволяющие специалистам ставить и ре­шать задачи в этой области. Если знания отражены в литературе, системы, построенные на основе их использования, называют интеллектуальными. Если же знания были получены в процессе собеседований с высококвалифицированными специалистами (экспертами в конкретной области медицины), системы называ­ют экспертными.

Для того чтобы знания можно было использовать при постро­ении систем, их формализуют. Под формализацией понимается однозначное (иногда многозначное) описание клинических про­явлений заболеваний (включающее дифференциально значимые признаки и их сочетания для отдельных или групп заболеваний), профессиональных навыков, технологий, методов принятия ре­шений, на основе которого возможно последующее моделирова­ние деятельности врача и использование знаний в автоматизиро­ванных системах, в данном случае экспертных.

Знания предметной области по источникам можно разделить на фактические и эвристические. Фактические знания — хорошо известные в данной предметной области факты, описанные в спе­циальной литературе. Эвристические знания основаны на собствен­ном опыте специалиста-эксперта, пользоваться ими нужно ос­мотрительно, но именно они определяют эффективность ЭС.

Экспертная система — это программа для компьютера, опери­рующая с формализованными знаниями врачей-специалистов и имитирующая логику человеческого мышления, основанную на знаниях и опыте экспертов с целью выработки рекомендаций или решения проблем. Одним из важных свойств ЭС является ее спо­собность объяснить понятным для пользователя образом, как и почему принято то или иное решение. Экспертные системы эф­фективны в специфических областях, таких как медицина, в ко­торых существует много вариантов проявлений заболеваний и поэтому отсутствуют однозначные критерии диагностики и лече­ния, в связи с чем важен эмпирический опыт специалистов и качество принятия решения зависит от уровня экспертизы. По областям применения можно выделить ЭС для диагностики, ин­терпретации данных, лечения, прогнозирования и мониторинга за состоянием больных. По данным исследования, проведенного в США в середине 1990-х гг., медицина является одним из основ­ных потребителей ЭС — около 23 % всех имеющихся.

Пользователем ЭС обычно является специалист в той же пред­метной области, для которой разработана система, но его ква­лификация недостаточно высока по конкретному профилю па­тологии, в связи с чем он нуждается в поддержке принятия ре­шений. Пользователями медицинских ЭС могут быть также врачи смежных специальностей, общей практики, ординаторы, ин­терны.

Как разработчики, так и пользователи предъявляют к меди­цинским ЭС ряд требований.

1. Система должна обеспечивать высокий уровень решения за­дач в своей предметной области.

2. «Поведение» ЭС (задаваемые врачу вопросы, рекомендации, логика работы и принятия решений) должно моделировать пове­дение грамотного врача.

3. Система должна объяснять получаемые решения, используя конструкции, понятные врачу.

4. Созданные ЭС должны обеспечивать возможность модифика­ции при обновлении медицинских знаний по данной предметной области.

Близки к процессу дифференциальной диагностики заболева­ний предложенные В. К. Финном интеллектуальные системы на основе ДСМ-рассуждений (ДСМ — по инициалам Джона Стюар­та Милля), использующие понятия аргументов и контраргумен­тов, т.е. утверждений «за» или «против» диагноза при наличии определенных признаков (показателей).

В ЭС реализуются четыре базовых функции:

1) приобретение (извлечение) знаний;

2) представление знаний;

3) управление процессом поиска решения;

4) разъяснение принятого решения.

Приобретение знаний — это восприятие опыта решения про­блемы от источника знаний (эксперт, литература) и преобразо­вание его в вид, который позволяет использовать эти знания в экспертной или интеллектуальной системе. Для извлечения зна­ний необходимы усилия не только эксперта, знающего предмет­ную область, но и когнитолога или инженера по знаниям (knowledge engineer) либо аналитика, владеющего методами извлечения, струк­туризации и организации знаний предметной области. Извлече­ние знаний может происходить в процессе собеседований между инженером по знаниям и экспертом в конкретной проблемной области или в результате взаимодействия эксперта со специаль­ной программой, замещающей в этом случае когнитолога.

Представление знаний — описание приобретенных знаний с помощью машинного языка (языка представления знаний), вклю­чая проверку на корректность и полноту. Существует несколько языков представления знаний. Самыми распространенными из них в настоящее время являются продукционные модели, фреймы, семантические сети.

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа «Если (условие), то (действие)». При выполнении условия реализуется действие.

К достоинствам продукционных моделей можно отнести про­стоту и наглядность представления знаний, их модульность, что обеспечивает легкую модификацию имеющихся и добавление но­вых правил. Однако у этого подхода имеются и недостатки. Глав­ным из них является ограниченность его использования для пред­ставления знаний, которые выходят за рамки утверждений типа «Если..., то...».

Фрейм (от англ .frame — рамка) — структура данных для пред­ставления стереотипных знаний. Он представляет собой логиче­скую запись, включающую поля (подструктуры) для хранения информации. Эти поля называют слотами (от англ. slot — щель). Некоторые слоты могут хранить неизменную информацию. Слоты могут также содержать перечень возможных значений, присоеди­ненные процедуры (позволяющие производить операции для по­лучения значения этого слота) или другие фреймы. В каждом сло­те задается условие, которое должно выполняться при установле­нии соответствия между значениями. Соединив множество фрей­мов, являющихся отношениями, можно построить фреймовую систему.

Использование фреймов для представления знаний позволяет получить описание проблемной области в виде связанных, иерар­хически упорядоченных, крупных информационных структур.

Семантические сети состоят из узлов, представляющих кон­цепты (понятия), и связей — отношений между ними. Все узлы сети определяются через другие узлы.

Отношения между концептами могут быть двух типов. Первый тип отношений может быть сформулирован как отношения «от общего к частному», чему могут соответствовать фразы «включает в себя», «состоит из», «содержит». Второй тип — это отношение «от частного к общему», чему соответствуют формулировки «яв­ляется частью», «характерно для». Частным случаем семантиче­ских сетей являются семантические пороговые иерархические сети. Они устроены таким образом, что «переключение» на узлы более высоких по иерархии уровней происходит только после того, как будет преодолен заданный порог.

Особенностью семантической сети, являющейся и ее недостат­ком, является ее целостность — невозможность разделить базу фактических знаний и механизм поиска решения.

Каждая модель представления знаний имеет свои достоинства и недостатки, поэтому при решении клинических задач в насто­ящее время обычно используется не одна, а несколько взаимно дополняющих моделей представления знаний: продукционная модель, фреймовая структура.

Управление процессом поиска решения — это осуществление до­ступа к знаниям, порядок и способ их использования в процессе формирования решения.

Разъяснение принятого решения — важная базовая функция, обеспечивающая высокий уровень доверия к ЭС. Данная функция позволяет врачу понять логику, оценить качество и безопасность решений, предлагаемых системой, и сделать окончательный обо­снованный выбор.

Экспертная система имеет структуру, состоящую из набора определенных блоков (рис. 4).

База знаний (БЗ) является ядром экспертной или интеллекту­альной системы. Это совокупность знаний предметной области, записанная на машинный носитель в форме, понятной пользова­телю и эксперту.

Создание БЗ является основной задачей когнитолога и глав­ным этапом разработки ЭС. В функции когнитолога входит не толь­ко опрос экспертов, но и последующее сопоставление и обобще­ние полученной информации, а также ее представление в виде формализованных знаний (совокупности фактов и правил) в фор­ме, пригодной для непосредственного занесения в БЗ. Когнитолог является основным разработчиком базы знаний ЭС. От полно­ты признакового пространства, включая связи симптомов разра­ботанной БЗ, и точности сформулированных алгоритмов вывода зависит качество выносимых ЭС решений.

Разработка БЗ экспертной системы для диагностики и консуль­тативной помощи в принятии решений включает в себя несколь­ко этапов.

1) Формирование эталонного описания основных диагности­ческих заключений. Эталонное описание диагноза — это наиболее полная совокупность характерных признаков анамнеза, текущих клинических симптомов, результатов лабораторных и специаль­ных исследований, присущих конкретному диагнозу. При исполь­зовании в описании весовых коэффициентов признаки могут иметь разные значения, характеризующие их вклад для выдвижения кон­кретной диагностической гипотезы.