CC BY
65
Системы поддержки принятия врачебных решений
www.idmz.ru
гол 3, №6
в.н. снопков,
д.м.н., профессор кафедры биомедицинской инженерии, Юго-Западный государственный университет, г. Курск, Россия, [email protected]
в.н. ГАДАЛОВ,
д.т.н., профессор кафедры оборудования и технологии сварочного производства Юго-Западного государственного университета, г. Курск, Россия, [email protected] В.И. СЕРЕБРОВСКИЙ,
д.т.н., профессор, проректор по учебной работе, Курская государственная сельскохозяйственная академия, г. Курск, Россия, [email protected] Е.Н. КОРОВИН,
д.т.н., профессор, заместитель заведующего кафедрой системного анализа и управления в медицинских системах Воронежского государственного технического университета, г. Воронеж, Россия, [email protected]
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ВРАЧЕЙ-СПЕЦИАЛИСТОВ, ОБУЧАЕМЫЕ В ИНТЕРАКТИВНОМ РЕЖИМЕ
УДК 617.47
Снопков В.Н., Гадалов В.Н., Серебровский В.И., Коровин Е.Н. Интеллектуальные системы поддержки принятия решений врачей-специалистов, обучаемые в интерактивном режиме (Юго-Западный государственный университет, г. Курск, Россия; Курская государственная сельскохозяйственная академия, г. Курск, Россия; Воронежский государственный технический университет, г. Воронеж, Россия)
Аннотация: Описываются методы получения решающих правил диагностических информационных систем, обучение классификации в которых осуществляется в режиме диалога человека с ЭВМ.
Ключевые слова: распознавание образов, медицинская диагностика, отображающее пространство, профессиональные заболевания.
UDC 617.47
Snopkov V.N., Gagalov V.N., Serebrovsky V.i, Korovin E.N. Intellectual trained in interactive modedecision support systems for doctors (Southwest state university, Kursk, Russia; Kursk State Agricultural Academy named after Professor I.I. Ivanov, Kursk, Russia; Voronezh State Technical University, Voronezh, Russia)
Abstract. The paper describes the method of diagnostic information systems decision rules obtaining in which classification teaching is in dialog mode with computer.
Keywords: pattern recognition, medical diagnostics, image-space, and occupational diseases.
Введение
При решении задач медицинской диагностики с применением современных информационных технологий одним из широко используемых математических аппаратов является теория распознавания образов (ТРО).
В настоящее время среди специалистов, использующих различные методы ТРО, включая медицинскую диагностику, сложилось устойчивое мнение о том, что наилучшие решения достигаются, если получаемые диагностические модели адекватны структурам
© В.Н. Снопков, В.Н. Гадалов, В.И. Серебровский, Е.Н. Коровин, 2013 г.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 55 ■
F4II
Системы поддержки принятия врачебных решений
1 и информационные
технологии
данных, характерным для конкретных медицинских задач [1, 2, 7, 10, 11].
Такого соответствия можно достичь при использовании диалоговых систем распознавания образов, в которых имеется аппарат изучения структуры многомерных данных, позволяющий отображать многомерные данные в двумерные наблюдаемые пространства и далее, используя возможности зрительного анализатора человека и его интеллект, выносить суждения о возможных структурах диагностируемых классов в многомерных пространствах информативных признаков.
Методы и структура системы поддержки принятия решений с интерактивным режимом обучения
В диалоговых системах распознавания образов (ДСР) понятие диалога отличается от того, которое обычно принято в традиционных информационных системах.
В этих системах режим диалога ориентирован прежде всего на поддержку пользователем принятия решений о структуре многомерных классов с подбором соответствующих методов и алгоритмов обработки, наиболее подходящих к искомой структуре данных (этап качественного решения задачи анализа данных). На этапе количественного описания данных производится поиск параметров выбранных пользователем моделей и методом проб и оценок делается окончательный выбор конкретной (чаще всего, одной) решающей модели [7].
Одной из самых сложных и плохо формализуемых задач является задача изучения структуры классов, которая решается путем отображения многомерных данных в одно-, двух- или трехмерные пространства, в которых человек имеет возможность увидеть структурные особенности исследуемых классов, сделать определенные предположения, выдвинуть гипотезы, определить дальнейшую стратегию решения задачи распознавания и т.д. [7, 10, 11].
Сложность процедур отображения большинства современных ДСР приводит к тому, что эти системы не всегда эффективны, до сих пор малодоступны для широкого круга пользователей, имеют сложное математическое обеспечение, требуют большого статистического обучающего материала и специальной математической подготовки «учителя» и пользователя, что значительно затрудняет диалог.
Ряд проблем применения ДСР в медицинской практике снимается, если от классической схемы построения ДСР перейти к методам классификации двумерных отображений, разработанным на кафедре биомедицинской инженерии Юго-Западного государственного университета и описанным в работах [3, 5, 6]. В системах такого типа отображение исходной информации в двумерное пространство обеспечивает непосредственное достижение конечной цели — разделение классов состояний. То есть по сравнению с известными ДСР два различных этапа — отображение данных с целью анализа их структуры и решение задачи классификации — объединяются в единую процедуру, тогда как в традиционных диалоговых системах отображение используется для получения промежуточной информации о структуре образов, и только затем решается собственно задача распознавания, что значительно усложняет ведение диалога и требует дополнительных программно-аппаратных затрат.
Поскольку пользователя в предлагаемом методе большей частью интересует зона наложения классов в отображающем пространстве, а не общая их структура, то количество информации для анализа значительно сокращается. Специалист, ведущий обучение, получает возможность сразу наблюдать решение поставленной задачи и при необходимости корректировать результат обучения с помощью простых правил.
Обобщенная структура интеллектуальной СППР, обучаемой в интерактивном режиме, приведена на рис. 1.
Системы поддержки принятия врачебных решений
www.idmz.ru
■ ■г_ ■ ■■■
РЧН
гол з, №6
Отличительной особенностью таких систем является обязательным наличие блоков отображения многомерных данных (БОМД), которые реализуют различные методы отображения многомерных данных в двумерные пространства и через интеллектуальный интерфейс (ИИ) предъявляют двумерные «картинки» лицу, принимающему решение (ЛПР). В случае затруднений в оценке структуры данных ЛПР обращается к блоку объяснений структуры данных (БОСД), который определяет зоны и характер возможных пересечений исследуемых классов, выявляет казуистические ситуации, формирует рекомендации по выбору вида решающих правил и переходу при необходимости к нечеткой логике принятия решений и т.д. Окончательный выбор типа решающих правил и их параметров осуществляет блок обучения (БО). Остальные блоки — база знаний (БЗ) и база данных (БД) со своей системой управления (СУБД) — являются типичными для всех интеллектуальных систем поддержки принятия решений.
Клинические результаты
Метод классификации двумерных отображений [5] был опробован на решении конкретных задач: классификации и оценки уров-
ня психоэмоционального напряжения и утомления [8]; прогнозирования послеоперационных осложнений у урологических больных [9] и т.д.
В качестве конкретного примера в данной работе рассмотрим задачу диагностики профессиональных заболеваний сварщиков, работающих в закрытых помещениях, по таким болезням системы дыхания, как интоксикация (класс юИ), пневмокониоз (класс ШП) и хронический бронхит (класс юх). В качестве исходных признаков эксперты выбрали: Х1 — место работы; Х2 — время ухудшения после болезни; Х2 — перенес вирусные болезни; Х4— перенес ЛОР-болезни; Х5 — перенес болезни бронхов, легких; Х6 — жалобы на одышку; Х7 — жалобы на кашель; Х8 — жалобы на приступы удушья; Х9 — жалобы на боли в груди; Х10 — снижение полового влечения; Хп — высшая нервная деятельность; Х12 — цвет кожных покровов; Х12 — движение глазных яблок; Х14 — рефлексы; Х15 — поза Ромберга; Х16 — дермографизмы; Х17 — характеристика дермографизма; Х18 — рефлекс Ашнера; Х19 — перкураторно; Х20 — аускультация; Х21 — хрипы; Х22 — мокрота; Х23 — ЖЕЛ/ДЖЕЛ; Х24 — ФТЕЛ; Х25 — пневмотахо-метрия; Х26 — восстановление после дозированной нагрузки; Х27 — рентгенография,
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 57 ■
щщшш
1 и информационные
технологии
Системы поддержки принятия врачебных решений
Рис. 2. Классификация профессиональных заболеваний сварщиков в двумерном отображающем пространстве
рисунок легких; Х28 — рентгенография, тени; Х29 — ЭКГ, высота и форма Р-зубца; Х30 — ЭКГ, зубец R (низковольтный 15 и менее, прочее); Х31 — ЭКГ, зубец R (отсутствует 3, отсутствует и отсутствует 1 -2, до 6 мм, прочее); Х32 — диффузное изменение миокарда (легкое, умеренное, прочее); Х33 — гемодинамическая перегрузка (правое предсердие, прочее).
Используя пакет прикладных программ по обучению классификации в двумерном отображающем пространстве [3] было получе-нодвумерное пространство, функционально связанное с исходным многомерным пространством парой отображающих функций вида:
Y1 = 0,01 х1 + 0,1 х2 + 0,05х3 + 0,4х5 + 0,05х6 + + 0,15х2 + 0,2х8 + 0,1 Х9 + 0,1 Хю + 0,01 хл +
+ 0,1X12 + 0,01X13 + 0,01X14 + 0,01X15 + 0,1Х16 + + 0,01Х17 + 0,01X18 + 0,05X19 + 0,4X20 + 0,05X21 + + 0,05х22 + 0,15х23 + 0,25х24 + 0,25х25 +
+ 0,25X26 + 0,01 Х27 + 0,2X28 + 0,25X29 + 0,1 Х30 + + 0,01х31 + 0,25х32 + 0,5х33;
Y2 = 0,1 х1 + 0,1 х2 + 0,05х3 + 0,4х4 + 0,33х5 +
+ 0,05х6 + 0,15х7 + 0,3х8 + 0,03х9 + 0,45х10 + + 0,1X11 + 0,03хП2 + 0,18X13 + 0,25x14 + 0,3x15 + + 0,4x16 + 0,05X17 + 0,01x18 + 0,01 Х19 + 0,01 Х20 + + 0,03X21 + 0,03X22 + 0,03X23 + 0,03x24 +
+ 0,03X25 + 0,01X26 + 0,01 Х27 + 0,05X28 +
+ 0,03x29 + 0,3X30 + 0,0^х31 + 0,2х32 + 0,01 х33
Отображение границ исследуемых классов в отображающем пространстве приведено на рис. 2.
На рис. 2 класс ш0 соответствует практически здоровым людям. Штриховые линии определяют зону классификационной неопределенности, которая может быть уменьшена при переходе к нечеткому описанию исследуемых классов состояний в соответствии с рекомендациями работ [4, 6].
Результаты проверки полученных решающих правил на репрезентативных контрольных выборках объемом 100 человек на класс показали, что диагностическая эффективность при четкой классификации (как показано на рис. 1) не ниже 0,9. При переходе к нечетким классификационным моделям диагностическая эффективность увеличивается до 0,96, что позволяет рекомендовать полученные результаты к практическому использованию.
Заключение
Рассматриваемый класс диалоговых систем распознавания образов позволяет решать задачи в условиях плохой формализации, недостаточной статистики, различной структуры классов и признакового описания, при наличии казуистических ситуаций, отсутствии информации об объективно существующих переходных зонах между классами и отсут-
Системы поддержки принятия врачебных решений
www.idmz.ru
ствии априорной информации о структуре классов. Кроме того, разработанные методы и средства позволяют исследовать информативность признаков, участвующих в формировании искомых классов состояний, изучать структурные особенности исследуемых классов, получать дополнительные сведения как о структуре классов, так и о системе признаков, представляющих эти классы, включая выяснение роли признаков в формировании того или
гая з, №6
иного класса или зоны перехода между классами. Обеспечивается также возможность решения задач прогноза состояний объектов относительно изучаемых классов.
На практическом примере показано, что использование диалоговых систем для решения задач диагностики профессиональных заболеваний сварщиков обеспечивает приемлемое для медицинской практики качество принятия решений.
ЛИТЕРАТУРА
1. Александров В.В, Алексеев А.И., Горский Н.Д. Система обработки разнотипных данных СИТО. — М: Финансы и статистика, 1990. — 245 с.
2. Система обработки разнотипных данных СИТО. 2. Интерактивный вариант// Ред. В.В. Александров, А.И. Алексеев, Н.Д. Горский, А.М. Никифоров. — Л: ЛНИВЦ АН СССР, 1982. — 267 с.
3. Обучение классификации в режиме диалога//Ред. Н.А. Кореневский. — Курск: Курск. политехи. ун-т, ОФАП ВНИИМТИ, 1983. — С. 116.
4. Кореневский Н.А., Крупчатников Р.А., Горбатенко С.А. Синтез нечетких сетевых моделей, обучаемых по структуре данных для медицинских экспертных систем//Ме-дицинская техника. — 2008. — №2. — С. 18-24.
5. Кореневский Н.А, Буняев В.В. Метод синтеза двумерных классификационных про-странств//Известия ВУЗов. Приборостроение. — 2005. — Т.48. — №2. — С. 35-38.
6. Кореневский Н.А, Титов В.С, Чернецкая И.Е. Проектирование систем поддержки принятия решений для медико-экологических приложений. — Курск: КурскГТУ, 2004. — 180 с.
7. КэналЛ. Обзор систем для анализа структуры образов и разработки алгоритмов классификации в режиме диалога//В кн. Распознаваниеобразов при помощи ЭВМ, 1974. — С. 67-82.
8. Титов В.С, Сапитонова Т.Н. Классификация функциональных состояний человека и нечеткая оценка их уровня//Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. — 2012. — №2. — 4.3. — С. 320-324.
9. Серегин С.П, Долженков С.Д, Кореневская С.Н, Сапитонова Т.Н. Синтез комбинированных нечетких решающих правил для прогнозирования послеоперационных осложнений в урологии//Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. — 2012. — №2. — 4. 3. — С. 293-297.
10. Sammon J.W. JR. Interactive Pattern Analysisand Classification//IEEE Transaction-soncomputers. — July 1970. — Vol. C-19. — Issue 7. — P.594-616.
11. Sammon J.W. JR. A nonlinear mapping for data structure analysis//IEEE Transactions on computers. — May 1969. — Vol. C-18. — Issue 7. — P. 401-409.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 59 ■
