Экспертные системы (ЭС) начали разрабатываться ещё в 70-х годах прошлого века исследователями искусственного интеллекта, а первыми предпосылками в этой области стали т.н. "интеллектуальные машины", разработанные Семёном Корсаковым в 1832-м году, и способные находить решения задач по заданным условиям.

Современные экспертные системы представляют собой компьютерные программы, которые могут проводить анализ на основе определённых исходных данных и способные заменять специалистов узкого профиля в проблемных ситуациях. Сами системы рассматриваются как модели поведения экспертов, и, как и эксперты-люди, в своей работе используют знания. Только для ЭС "знания" представлены в виде баз знаний (формализованных совокупностей фактов и правил логического вывода в определённых областях), которые можно изменять и дополнять.

Поиск решения может осуществляться с помощью нескольких различных подходов:

• логическими методами (направленными на создание экспертных систем с логическими моделями баз знаний);
• математическими методами (имитационным и аналитическим);
• эвристическими (не имеющими строгого обоснования) методами;
• гибридными методами.

Упрощенная схема любой экспертной системы выглядит примерно так:

Процесс же создания любой экспертной системы всегда состоит из нескольких шагов. Первым шагом является определение проблем, целей разработки и задач, которые будут решаться. На этом же этапе определяются типы пользователей и эксперты. Вторым шагом является анализ той области знаний, с которой будет работать ЭС, т.е. определяются понятия и их взаимосвязи, рассматриваются методы решения поставленных задач. Третьим шагом является структурирование знаний (моделируется работа системы, формализуются основные понятия, определяются способы интерпретации, представления и управления знаниями). Четвёртый шаг - формализация, т.е. заполнение базы знаний. Пятый шаг - это непосредственно реализация экспертной системы, а шестой и последний шаг - тестирование ЭС.

На сегодняшний день в сфере искусственного интеллекта разработка ЭС является одним из самых перспективных направлений. Экспертные системы находят применение в таких областях как военное дело, медицина, навигация, микроэлектроника и т.д. Применение таких систем особенно актуально в областях, в которых существует опасность для жизни или здоровья людей-специалистов.

В этой статье мы будем подробно рассматривать медицинские экспертные системы.

ЭС на сегодняшний день играют очень важную роль в развитии здравоохранения в целом, и служат для того, чтобы обеспечивать систематическую помощь медицинскому персоналу в случае возникновения спорных и проблемных ситуаций в вопросах лечения пациентов. Медицинские ЭС способны решать не только задачи диагностики, но и помогать в прогнозировании течения болезней, в выборе тактики их лечения. В каких же именно ситуациях могут помочь экспертные системы?

ЭС, как правило, применяются в той ситуации, когда возникают проблемы следующего характера:

• Исходные данные, представленные экспертам, неоднозначны либо противоречивы.
• Невозможно определить алгоритм однозначного решения задачи классическими методами.
• Задача не может быть представлена в числовой форме.

Итак, если проблема характеризуется каким-либо (или несколькими) из вышеперечисленных факторов, то для её разрешения целесообразно применение экспертной системы.

Медицинские проблемы, как правило, обладают именно такими свойствами, т.к. исходные данные представлены зачастую большим количеством запутанных и, возможно, противоречивых клинических данных.

К проектированию экспертных систем существуют различные подходы и методы, однако среди разработчиков медицинских ЭС на данный момент одним из наиболее приоритетных направлений является разработка так называемых самообучающихся интеллектуальных систем (СИС), а конкретнее - искусственных нейронных сетей.

Искусственные нейронные сети (ИНС) - это математические модели и их программные (или аппаратные) реализации, которые строятся по образу биологических нейронных сетей (сетей нервных клеток живого организма, которые объединены в нервной системе). Иными словами, ИНС - это системы для обработки информации, которые основаны на моделировании функций работы живого мозга.

ИНС отличаются тем, что представляют собой нелинейные системы, что даёт возможность обрабатывать и анализировать данные на порядок более качественно, нежели с помощью линейных методов. Еще одно преимущество нейронных сетей перед классическими алгоритмами - это возможность обучения. Нейронные сети не программируются в классическом понимании этого слова, а обучаются на конкретных примерах. Фактически, система, "тренируясь" на н-ном количестве заданных примеров, обобщает получаемую в процессе информацию и вырабатывает реакцию по отношению к данным, которые не участвовали непосредственно в процессе обучения системы. Обучение ИНС состоит в нахождении связей между элементами системы.

Таким образом, ИНС могут принимать решения, основываясь не только на изначально заложенных в них данных, но и на выявляемых ими скрытых закономерностях.

Примерная схема применения ИНС в медицине выглядит так:

А схема строения выглядит так:

В основе любой искусственной нейронной сети лежат однотипные простейшие элементы, функцией которых является имитация работы нейронов. Как и клетки головного мозга, каждый искусственный "нейрон" имеет группу "синапсов". В случае ИНС "синапсами" являются односторонние входные связи, которые соединяются с выходами других "нейронов". Также искусственные "нейроны" обладают "аксонами" (выходной связью, с помощью которой сигналы поступают на "синапсы" иных нейронов).

Как уже упоминалось, работа ИНС изначально основывалась на моделях биологических систем обработки информации, которые способны на параллельную обработку данных. Соответственно, для искусственных сетей также характерен этот принцип. Такой эффект достигается благодаря тому, что в сети большое количество элементов-"нейронов" объединены в т.н. слои, которые, в свою очередь, объединены между собой.

Резонно заметить, что чем сложнее искусственная нейронная сеть, тем более сложные задачи она может решать. Тем не менее, количество нейронов и их слоёв в сети ограничивается мощностью компьютера.

Как уже упоминалось, разработка ИНС является одним из самых перспективных направлений в области использования экспертных систем в медицине. Тем не менее, это не единственная применяемая технология.

Ещё одна технология, которая используется для обработки информации, с целью обнаружения новых интерпретаций знаний для решения задач прогнозирования и классификации - это Data Mining. В русском языке это понятие определяется как "обнаружение знаний в базах данных". Фактически, можно сказать, что Data Mining - это процесс обнаружения в исходных данных ранее неизвестных интерпретаций знаний, скрытых закономерностей.

Стоит сказать, что средства Data Mining доступны даже для людей, которые не имеют глубокой математической подготовки, благодаря гибким алгоритмам визуализации.

Методы Data Mining позволяют выявлять несколько типов закономерностей:

• Классификация. С её помощью возможно выявлять признаки, которые характеризуют группу, к которой можно отнести рассматриваемый объект. В данном случае это происходит на базе анализа уже классифицированных объектов.
• Кластеризация. По сути, та же классификация, однако группы, к которой принадлежат анализируемые объекты, не являются заданными, т.е. группы данных выделяются непосредственно с помощью средств Data Mining.
• Ассоциация. Определяется в том случае, если имеется несколько событий, связанных друг с другом.
• Последовательность. Определяется в том случае, если есть целая цепочка связанных друг с другом событий.
• Прогнозирование. Основой для прогнозирования является информация, которая хранится в базах данных. Построение математических моделей позволяет предсказывать поведение системы в будущем.

В основе Data Mining лежат различные методы и алгоритмы: деревья решений, метод ближайшего соседа, байесовские сети, линейная регрессия, корреляционный анализ, регрессионный анализ, кластерный анализ, методы поиска ассоциативных правил, генетические алгоритмы, метод опорных векторов и др.

В данной статье мы чуть более подробно рассмотрим метод опорных векторов (МОВ), так как именно он является наиболее гибким, и зачастую используется при создании медицинских ЭС.

Метод опорных векторов - это метод классификации (относится к бинарным классификаторам), который разделяет объекты с разной классовой принадлежностью с помощью плоскости решений (гиперплоскости).

Например:

С помощью линии разделяются объекты с разными признаками: жёлтые и коричневые. Линия задаёт границу, и любой объект, который попадает по правую сторону от линии, классифицируется как "коричневый", а любой по левую - как "жёлтый". Целью данного метода является нахождение плоскости, которая разделяет два множества объектов с различными признаками.

Изобразить это можно примерно так:

Далее находятся объекты, которые лежат на границах между двумя классами (областями). Эти объекты и называются опорными векторами, и именно они используются для принятия решений системой о принадлежности новых предоставляемых для распознавания объектов к какому-либо классу:

Решение задач классификации с помощью МОВ сводится к поиску некоей линейной функции, которая разделяет весь набор данных на два класса. Одним из недостатков данного метода является то, что не всегда возможно найти линейную границу между двумя классами рассматриваемых объектов.

На сегодняшний день существует великое множество экспертных систем, работающих на базе различных методов и использующихся во многих областях медицины. Однако общей чертой медицинских ЭС (в особенности, если говорить об обучающихся системах) можно выделить отсутствие единой технологии их создания. В большинстве своём, в разработках и уже в полноценно работающих системах, в основе лежат различные алгоритмы функционирования. Как следствие, для каждой задачи, как правило, необходимо разрабатывать собственную архитектуру.

Стоит сказать о том, что, несмотря на то, что использование экспертных систем в медицине позволяет выйти на новый уровень в процессе решения таких проблем как диагностика и прогнозирование течения болезни, имеется и психологический аспект использования ЭС. Поскольку врач несёт огромную ответственность за свои решения, для него очень важно быть уверенным в действиях, своих, или же подсказываемых ему со стороны.

Таким образом, с одной стороны, ЭС в медицине могут существенно облегчить процесс принятия решений врачом, особенно в нестандартных ситуациях, осуществлять более полный и точный анализ данных, помочь в том случае, когда необходимо принять решение оперативно, уменьшить число ошибок, связанных с человеческим фактором. С другой же стороны, подобная система сможет стать полезным инструментом лишь в руках эксперта, и ни в коем случае не сможет полностью заменить врача.

Absinthium