<<
>>

Нечеткие модели принятия решений в медицинских диагностических системах

Одним из перспективных подходов к построению систем поддержки принятия решений (СППР) в медицине является использование нечеткой логики принятия решений, основоположниками нечеткой логики являлись Л.

Заде и Е. Шортлиф [43, 44, 45, 58, 68, 144, 166].

Классическим примером СППР с нечеткими решающими правилами является экспертная система MYCIN [144, 166], разработанная Е. Шортлифом. База знаний этой системы использует нечеткие продукционные правила (ПП), множества предпосылок, описывающих медицинские ситуации и множества действий, предрекаемых в ответ, на удовлетворительные предпосылки:

ЕСЛИ ТО . (1.3)

Каждое правило имеет свой коэффициент уверенности (КУ), с областью определения от 0 до 1, который определяет достоверность заключения эксперта.

При одинаковых направлениях рассуждений по двум правилам, но с разными значениями КУ, объединенное правило усиливает уверенность двух правил с КУ1 и КУ2:

Если система не достигает требуемого уровня КУ, она запрашивает дополнительную информацию по пациенту.

В работе [32] рассматривается механизм нечеткого вывода на основе упорядочения по важности признаков, участвующих в диагностическом выводе. Для упорядочивания нечетких рассуждений использует для этой цели текущую меру обоснованности (доверия) для каждой из исследуемых гипотез.

Коэффициент уверенности как текущая мера доверия определяется выражением:

где Ky(Z∣S) - уверенность в гипотезе Z с учетом свидетельств S, МД(7|8) - мера доверия Z при учете свидетельств S, МНД^^) - мера недоверия к Z с учетом S.

В основе использования правила (1.4) лежит предположение о том, что два дополняющих друг друга свидетельства усиливают доверие к проверяемой гипотезе увеличивая степень истинности.

При этом, несколько свидетельств, одного направления не должны полностью компенсированы свидетельством, указывающим в сторону альтернативной гипотезы.

При КУ равном -1 принимается решение об абсолютной лжи, а при +1 - об абсолютной истине, принимая все промежуточные значения, ноль означает полное незнание.

Для уточнения МД и МНД, используют накопительную формулу вида:

где запятая между S и s означает, что s следует за S. Аналогичную формулу используют для расчета МНД.

При использовании выражения (1.6) эффект нового свидетельства (s) при оценке гипотезы Z при известных свидетельствах S смещает МД в сторону большей определенности на расстояние, определяемое новым свидетельством.

Формула (1.6) определяет свойством симметричности, поскольку порядок следования S и s не имеет значения при оценке гипотезы Z.

В работах [144, 146] указывается, что МД и МНД не являются вероятностными мерами, однако, они позволяют упорядочить гипотезы в соответствии с той мерой обоснованности, которую им сообщает медицинские эксперты.

В работах Л. Заде реализуется другой подход к синтезу нечетких динамических правил на основе функций принадлежности с построением на их основе правил нечеткого вывода [43, 44, 45, 58, 62, 64, 68, 76, 78].

В нечеткой теории множеств (ТНМ), применяемой в медицинских системах, элемент может частично принадлежать к любому множеству. Степень принадлежности к множеству А, представляющая собой обобщение характеристической функции, называется функцией принадлежности цА(х), причем цА(х) ∈[0,1]. Значение функции принадлежности, вычисленное для конкретных задач Х, называется степенью или коэффициентом принадлежности. Степень может быть определена явным образом в виде функциональной зависимости, или дискретно - заданием конечной последовательности типа:

В ТНМ, кроме числовых переменных, используют лингвистические переменные с приписываемыми им значениями - термами.

На основе функций принадлежности строят нечеткие правила логического вывода со структурой «если - то», которые могут быть использованы для решения задач прогнозирования и медицинской диагностики. Правило типа «если - то» называют нечеткой импликацией:

где А и В - это лингвистические значения идентифицированные нечетким способом через соответствующие функции принадлежности для переменных Х и Y.

Типичным представителем нечеткой медицинской системы является программная оболочка FUZZY EXPERT, разработанную для проектирования экспертных систем на базе нечеткой логики [144]. Оболочка решает задачи сбора, хранения и использования знаний, полученных от медицинских экспертов, Она состоит из двух основных частей: программной среды, для создания экспертных систем и собственно экспертной системы.

Структура системы FUZZY EXPERT изображена на рисунке 1.1. FUZZY EXPERT содержит 16 программных блоков, 8 блоков составляют экспертную систему, а остальные блоки, - среду для разработки экспертных систем.

Рисунок 1.1- Структурная схема программного обеспечения FUZZY EXPERT

Построение экспертной системы производится с выполнением следующей последовательности действий:

1. Определяются характеристики системы.

2. Формируются деревья логического вывода. Дерево логического вывода формируется последовательным выполнением операций с добавлением и/или удалением узлов. При добавлении узла запрашивается информация о названии, обозначении, количестве термов и их названиях. При добавлении узла, описывающего входную переменную, запрашивается информация о диапазоне ее изменения. Пример дерева логического вывода приведен на рисунке 1.2.

I3исунок 1.2 - Скриншот дерева логического вывода

3.

Определение функций принадлежности лингвистических термов.На этом этапе определяются функции принадлежности. На рисунке 1.3 приведен пример соответствующего диалогового окна.

Рисунок 1.3 - Задание функций принадлежности

4. Определение экспертных правил ЕСЛИ-ТО, которые вносятся в матрицы знаний (рисунок 1.4).

5. Настройка нечеткой экспертной системы путем решения задач оптимизации с использованием обучающей выборки.

Ввод значений входных переменных при выполнении расчетов осуществляется в количественной или качественной форме (рисунок 1.5).

В результате нечеткого логического вывода получаются функции принадлежности выходной переменной по каждому из классов решений. Соответствующее диалоговое окно содержит так же интерпретированный результат.

Рисунок 1.4 - Матрица знаний

Рисунок 1.5 - Ввод входных переменных

В качестве конкретного примера рассмотрим реализацию разработанной на кафедре БМИ ЮЗГУ системы дифференциальной диагностики ИБС. В этой схеме тяжесть ИБС определяется на нескольких уровнях:

d1-нейроциркуляторная дистония (НЦД) легкой степени;

d2- НЦД средней степени;

d3- НЦД тяжелой степени;

d4- стенокардия первого функционального класса;

d5- стенокардия второго функционального класса;

d6- стенокардия третьего функционального класса.

Решение принимается в следующем пространстве информативных признаков:

Xi -возраст больного (31-57 лет),

x2-двойное произведение (ДП) пульса на артериальное давление ЧСС*АД/100 (147.405 условных единиц - у.е.),

X3-толерантность к физической нагрузке (90. 1200 кгм/мин),

x4-прирост ДП на один кг веса тела больного (0,6..

.3,9 у.е.),

x5-прирост ДП на один кГм нагрузки (0,1.. .0,4 у.е.),

x6-аденозинтрифосфорная кислота АТФ (34,5.66,2 ммоль/л),

x7-аденозиндифосфорная кислота АДФ (11,9.29,2 ммоль/л),

x8-аденозинмонофосфорная кислота АМФ (3,6.27,1 ммоль/л),

x9-коэффициент фосфорилирования (1.5,7 у.е.),

x10-максимальное потребление кислорода на один кг веса тела больного (10,5.40,9 млитр/мин кг),

x11-прирост ДП в ответ на субмаксимальную нагрузку (46.312 у. е.),

x12-коэффициент отношения содержания молочной и пировиноградной кислот (3,9.22,8 у.е.).

Задача диагностики состоит в сопоставлении значениям параметров одного из решений: dj (j = 1,6).

Параметры x1 ÷ x12рассматриваются как лингвистические переменные, с которыми добавляются лингвистические переменные типа:

d- опасность ИБС, которая измеряется уровнями dλ ÷ d6; у - инструментальная опасность, которая зависит от параметров {x2, x3, x4, x5, x10, x11}; z- биохимическая опасность, которая зависит от параметров {x6, x7, x8, x9, x12}.

Структура модели для дифференциальной диагностики ИБС приведена на рисунке 1.6

Рисунок 1.6 - Дерево логического ввода

Анализ литературных данных и наши исследования показывают, что существует множество методов и средств позволяющих решать задачи прогнозирования и медицинской диагностики. Их анализ показал, что системы, решающие поставленные в работе задачи в полном объеме, отсутствуют

1.4

<< | >>
Источник: Комлев Игорь Александрович. АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ ИШЕМИЧЕСКИХ РИСКОВ С ДУБЛИРОВАНИЕМ РЕШЕНИЙ И АССОЦИАТИВНЫМ ВЫБОРОМ. Диссертация на соискание ученой степени кандидата технических наук. КУРСК - 2019. 2019

Еще по теме Нечеткие модели принятия решений в медицинских диагностических системах:

  1. Основные представления о специализированных медицинских прикладных программах
  2. ВВЕДЕНИЕ
  3. Обзор систем поддержки принятия решений медицинского назначения
  4. БИБЛИОГРАФИЧЕСКИЙ СПИКОК
  5. ВВЕДЕНИЕ
  6. БИБЛИОГРАФИЧЕСКИЙ СПИСОК
  7. БИБЛИОГРАФИЧЕСКИЙ СПИСОК
  8. Введение
  9. 3.5 Синтез нечетких правил принятия решений на основе идеологии метода групповые учета аргументов
  10. Введение
  11. 1.3. Методы распознавания образов и нечеткая логика в задачах прогнозирования и медицинской диагностики
  12. библиографический список.
  13. Построение базовой модели мультиагентной интеллектуальной системы для прогноза риска инсультов
  14. Список литературы
  15. Список использованных источников
  16. Нечеткие модели принятия решений в медицинских диагностических системах
  17. Экспериментальные исследования качества принятия решений модулей автоматизированной системы по прогнозированию ишемических рисков
  18. Список литературы
  19. СПИСОК ЛИТЕРАТУРЫ
  20. СПИСОК ЛИТЕРАТУРЫ
- Акушерство и гинекология - Анатомия - Андрология - Биология - Болезни уха, горла и носа - Валеология - Ветеринария - Внутренние болезни - Военно-полевая медицина - Восстановительная медицина - Гастроэнтерология и гепатология - Гематология - Геронтология, гериатрия - Гигиена и санэпидконтроль - Дерматология - Диетология - Здравоохранение - Иммунология и аллергология - Интенсивная терапия, анестезиология и реанимация - Инфекционные заболевания - Информационные технологии в медицине - История медицины - Кардиология - Клинические методы диагностики - Кожные и венерические болезни - Комплементарная медицина - Лучевая диагностика, лучевая терапия - Маммология - Медицина катастроф - Медицинская паразитология - Медицинская этика - Медицинские приборы - Медицинское право - Наследственные болезни - Неврология и нейрохирургия - Нефрология - Онкология - Организация системы здравоохранения - Оториноларингология - Офтальмология - Патофизиология - Педиатрия - Приборы медицинского назначения - Психиатрия - Психология - Пульмонология - Стоматология - Судебная медицина - Токсикология - Травматология - Фармакология и фармацевтика - Физиология - Фтизиатрия - Хирургия - Эмбриология и гистология - Эпидемиология -