CC BY
108
УДК 681.324:61
АНАЛИЗ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ МЕТОДА НЕЧЁТКОЙ КЛАССИФИКАЦИИ И ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ В ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЕ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ
А.А. Спирячин, В.Л. Бурковский, А.П. Воропаев
В статье анализируется возможность применения нечёткой классификации и генетических алгоритмов в интеллектуальной системе поддержки принятия врачебных решений
Ключевые слова: нечёткая классификация, генетические алгоритмы, интеллектуальная медицинская система
Интеллектуальные системы поддержки принятия врачебных решений выполняют функции повышения качества врачебного обслуживания в условиях лечебных учреждений. В статье предлагается обобщённая модель принятия врачебных решений, основными компонентами которой являются: анализ лабораторных данных, постановка диагноза, выбор тактики лечения, динамическая корректировка тактики лечения с учётом индивидуальных реакций организма пациента на основе прогнозирования, фиксация требуемого состояния пациента, учёт всех принятых врачом решений.
Алгоритмическая обобщённая модель [1] интеллектуальной системы состоит из последовательных шагов от анализа данных до фиксации требуемых результатов.
Постановка корректного диагноза является одним из важных и необходимых условий для корректной работы системы в целом.
Постановка корректного диагноза сводится к задаче классификации, то есть соотнесению лабораторных данных, жалоб пациента с определённым известным классом заболевания.
При определении класса заболевания недостаточно одного признака, поскольку организм человека является достаточно сложной системой с множеством влияющих друг на друга факторов. Поэтому диагноз - результат многомерной классификации.
Цель постановки диагноза сводится к построению модели, которая по вектору входных признаков получает выходное значение -соотнесение с определённым классом, т.е. заболеванием.
Достижение данной цели обусловлено выполнением обязательных этапов:
конструирование модели и её использование.
Первый этап в построении классификатора признаков заболевания осложняется тем, что нет однозначного соотнесения определённых признаков
Спирячин Александр Александрович - ВГТУ, аспирант, e-mail: spirjachin@rambler.ru
Бурковский Виктор Леонидович - ВГТУ, д-р техн. наук, профессор, тел. (473) 246-59-98
Воропаев Александр Петрович - ВГТУ, ст. преподаватель, e-mail: vap-vgtu@mail.ru
с определённым заболеванием, к тому же непротиворечивым. Признаки могут выражаться как количественно, так и качественно. Под качественным выражением будем понимать некоторые лингвистические значения признака (например, сильная боль).
Пусть X - множество симптомов заболеваний и типов лабораторных показателей, а Y - множество известных заболеваний.
Пусть также имеются данные о том, что определённые симптомы встречаются для определённых заболеваний как чётко, так и нечётко (часто, нечасто и т.д.), составляющие базу правил.
База правил системы нечёткого вывода основывается на понятиях Ьнормы (операция конъюнкции) и Ьконормы (операция дизъюнкции).
Постановка диагноза состоит в построении отображения £
X ^ У, /(Х, ) = У; . (1)
Следует отметить, что диагноз не обязательно будет идентифицировать одно заболевание. Заболеваний в диагнозе может быть несколько, если результатом многомерной классификации будет несколько наборов классов.
Многомерная классификация над нечёткими множествами является нечёткой классификацией.
Нечёткая классификация может быть выполнена с использованием нечёткой нейронной сети.
Модель нечёткой нейронной сети для целей нечёткой классификации состоит из системы нечёткого вывода и собственно нейронной сети.
Нечёткое множество характеризуется функцией принадлежности. Пусть MFc(x) - степень принадлежности к нечёткому множеству С То есть функция принадлежности - обобщение понятия характеристической функции обычного множества. Тогда нечёткое множество C - множество упорядоченных пар вида
С = Шс (х)/ х, (2)
где МРС (х) е [0,1].
При MFc(x) = 0 элемент множества x не принадлежит множеству C, при MFc(x) = 1 -полностью принадлежит.
Пересечение нечётких множеств обозначается минимумом из значений функции принадлежности.
Объединение множеств - максимум значений функции принадлежности.
Системы нечёткого вывода преобразуют значения входных переменных в выходные с использованием нечётких правил продукций. Нечёткий вывод состоит из нескольких этапов.
Первым этапом является формирование базы правил системы нечёткого вывода. База правил системы нечёткого вывода является основой операций нечёткого вывода. Она содержит нечёткие высказывания в форме «Если - то» и функции принадлежности для лингвистических термов. При этом обязательными условиями являются: наличие хотя бы одного правила для каждого лингвистического терма выходной переменной и по крайней мере одного для любого терма входного значения, в котором этот терм используется в качестве предпосылки, то есть левой части правила.
Второй этап - фаззификация входных переменных, так называемое введение нечёткости. Введение нечёткости состоит в установке соответствия между численным значением входной переменной системы нечеткого вывода и значением функции принадлежности соответствующего ей терма лингвистической переменной. При фаззификации значениям всех входных переменных системы нечеткого вывода, полученным внешним по отношению к системе нечеткого вывода способом, ставятся в соответствие конкретные значения функций принадлежности
соответствующих термов, используемых в антецедентах ядер нечетких продукционных правил. Фаззификация считается выполненной, если найдены степени истинности всех элементарных логических высказываний «Ь есть а».
Следующий этап - агрегирование, то есть определение степени истинности для каждого правила системы нечёткого вывода. Чаще всего условие правила является составным высказыванием, его истинность определяется с использованием значений элементарных
высказываний из состава правила при помощи логических операций в определённом базисе.
Активизация подзаключений в нечётких правилах продукций представляет собой нахождение истинности для каждого консеквента нечётких продукционных правил. Для простых нечётких высказываний в составе консеквента показатель истинности определяется произведением весового коэффициента и истинности антецедента, для сложных - алгебраическим произведением весовых коэффициентов и степени истинности каждого элементарного высказывания в выводе.
Функции принадлежности д (у) каждого из элементарных подзаключений консеквентов находятся при помощи одного из методов нечеткой композиции.
Мш-активизация:
ц(у) = minjc; /и(х)}. (3)
Prod-активизация:
¡u(y) = c^(x). (4)
Average -активизация:
M(y) = 0.5(c + M(x)). (5)
Аккумулирование заключений нечётких правил продукций состоит в нахождении функции принадлежности для каждой выходной лингвистической переменной.
Последним этапом является деффазификация, которая предполагает переход от функции принадлежности лингвистической переменной к её чёткому числовому значению.
Существуют различные алгоритмы, используемые в системах нечёткого вывода: алгоритм Мамдани, алгоритм Цукамото, алгоритм Ларсена [2].
Нечёткая нейронная сеть представляется несколькими видами слоёв нейронов.
Входной слой используется для формирования степеней принадлежности входных переменных к нечётким множествам, входящим в правила системы нечёткого вывода.
Следующий вид слоёв - это слои, соответствующие правилам, где каждый нейрон выполняет операции t-нормы или t-конормы.
Эти два вида слоёв являются нечёткими.
Остальные слои обычных нейронов выполняют функции взвешенного суммирования значений выходом нечётких нейронов и активации с помощью сигмоидов.
Для целей обучения нечёткой нейронной сети эффективным является так называемый гибридный метод, сочетающий преимущества метода обратного распространения ошибки и генетического алгоритма для минимизации ошибки.
Генетический алгоритм является
эвристический алгоритмом, который используется при решении задач оптимизации. В основе алгоритма лежат случайный подбор и комбинирование искомых параметров. Механизмы подбора аналогичны механизмам естественного отбора в природе. Поэтому данный алгоритм -разновидность эволюционных вычислений с использованием операций наследования, мутации, отбора и кроссинговера.
Для получения более правдоподобных результатов предлагается обучать и использовать одновременно несколько нейронных сетей, отличающихся функциями активации нейронов, функциями t-нормы и t-конормы, а также количеством слоёв и нейронов в них, то есть структурой. При классификации будут использоваться все обученные сети. Результаты будут формироваться на основе степени доверия. Поскольку система имеет обратную связь с лицом,
принимающим решения, который может оценивать каждый шаг системы, то можно сформировать массив коэффициентов доверия к результатам.
Каждому классу заболевания соответствует несколько тактик лечения.
Каждая тактика лечения выработана специалистами и может характеризоваться, например, классами рекомендаций и уровнями доказательности. Данные показатели целесообразно использовать при выборе тактики лечения таким образом, чтобы самые рекомендуемые и самые доказательные использовались в первую очередь.
Тактики лечения состоят из определённого вида рекомендаций, например: изменение образа жизни, изменение рациона питания, медикаментозная терапия. Однако рекомендации имеют противопоказания. Противопоказания обычно запрещают использование данной рекомендации (например, применение
определённого лекарства) при наличии определённых заболеваний. Поэтому, помимо того, что каждому классу заболевания будет соответствовать множество тактик лечения, также ему будет соответствовать множество противопоказаний. Таким образом, множество противопоказаний будет формироваться из некоторых элементов множества определённой тактики лечения.
После постановки диагноза с использованием нечёткой классификации осуществляется выбор тактики лечения с учётом противопоказаний.
Пусть Л° и В - заболевания, обнаруженные у пациента, причём Л° - основное заболевание, лечение которого будет проводиться, В -сопутствующее заболевание. Лй - одна из множества тактик лечения для заболевания Л°, которая характеризуется тремя разнородными элементами кГед(л), ка°с(л). ЛГеЧ> и сумма (кге^Л) + к^л)) является максимальной из всех сумм, полученных для каждой тактики лечения заболевания Л°, где кгеч -составной коэффициент, соответствующий классу рекомендации для определённой тактики лечения и его значимости при выборе, кй°с - составной коэффициент, соответствующий уровню
доказательности тактики лечения и его значимости при выборе, Лгеч - множество рекомендаций для тактик лечения заболевания Л°; Лрг и Врг -множества противопоказаний для заболеваний Л° и В, тогда выбор тактики лечения на первой итерации сводится к выбору:
А л В ^ (Лгед /(Лрг ^ Брг
(6)
Выбор тактики лечения - итерационный процесс.
Итерации повторяются через периоды, которые являются достаточными для определения тенденции динамики контролируемых параметров.
Если тенденция положительная, то проверяется, достигнут ли терапевтический эффект.
Если он достигнут, то алгоритм останавливается, если нет - то продолжает итерации с той же тактикой лечения. Если тенденция отрицательная, то будет выбрана тактика лечения со следующим по величине значением суммы (кгеч + к^°с). Под положительной тенденцией понимается уменьшение разницы между величинами контролируемых параметров - текущей и требуемой.
Поскольку требуется максимальная безопасность здоровья пациентов от влияния рекомендаций выбранной тактики лечения, то предлагается использовать нейронную сеть для прогнозирования значений контролируемых параметров.
Пусть на входы нейрона поступают известные значения контролируемых параметров хь х2, ... хп, где п - количество входов нейрона, соответствующее количеству контролируемых параметров.
Синапсы характеризуются пропускной способностью каналов, а именно коэффициентами Wь w2, ... 'п.
Состояние нейрона на выходе сумматора определяется формулой
5 .
,=1
(7)
Затем состояние аксона определяется значением активационной функции, то есть значение выхода есть зависимость от сумматора:
У = / (5).
(8)
В качестве активационной функции могут быть использованы различные функции. Логистическая функция:
/ (5) =■
1
1 + е"
(9)
Модифицированный гиперболический тангенс:
/ (5) = тЛ5 =
еа5 +е-ь5
(10)
где а,Ь > 1.
Используется масштабированная по оси ординат до [-1;1] функция, которая позволяет получить семейство сигмоидальных функций.
Функции активации характеризуются тем, что способны усиливать сильные сигналы, но не насыщаться от слабых. В терминах нейронных сетей это называется возбуждением и торможением нейрона.
Варьирование выбора функций и выбора их параметров позволит выбрать наиболее подходящую нейронную сеть для прогнозирования.
е5 -е-5
Для успешного прогнозирования нейронная сеть должна быть обучена.
При этом нейронная сеть будет задействована только после достаточного обучения в цикле. Предлагается для каждого набора выявленных заболеваний хранить и обучать свою отдельную нейронную сеть. Обученная нейронная сеть будет задействована, только если она была обучена прогнозированию именно с таким набором заболеваний.
Под обучением понимается процесс адаптации сети к предъявляемым эталонным образцам путем модификации весовых коэффициентов-связей между нейронами, то есть решается многопараметрическая задача нелинейной оптимизации. Сети предъявляются входные данные как набор параметров, а в качестве выходных -следующий набор. Таким образом, обученная нейронная сеть будет способна спрогнозировать следующий набор.
Лицу, принимающему решение,
предполагается предоставлять выбор, учитывать ли результаты прогнозирования в определении тенденции динамики контролируемых параметров.
Важным аспектом практической реализации интеллектуальных систем поддержки принятия врачебных решений является применение облачных технологий, которые позволят производить интеллектуальный анализ больших данных. Интеллектуальный анализ этих данных позволит интеллектуальной системе повысить качество решений. При этом нагрузка между компьютерами, входящими в «вычислительное облако», может распределяться автоматически.
Облачные технологии в настоящий момент являются одним из самых быстрорастущих сегментов 1Т-рынка, поскольку компаниям не нужно покупать дорогостоящее программное обеспечение: осуществляется лишь аренда сервисов. Преимуществом также является экономия на стоимости 1Т-оборудования, лицензии, обслуживании и интеграции со сторонними системами принятия решений [3].
Концепция облачных вычислений чаще всего предполагает то, что программы выдают результаты работы в окно стандартного веб-браузера на
локальном компьютере, при этом данные программы запускаются и хранят данные на серверах, входящих в «вычислительное облако».
Описанные преимущества использования облачных технологий позволят в итоге предоставлять пациентам персонифицированное лечение. Программное обеспечение как услуга [4] в облачных технологиях может быть предоставлено из любой точки мира, где есть доступ к глобальной сети Интернет. При этом требования к вычислительным мощностям клиентов минимальны, поскольку требуют лишь наличия браузера или мобильного приложения-клиента, соединяющегося по сети с одним или несколькими облачными серверами [5].
Литература
1. Спирячин, А.А. Интеллектуальная система принятия решений в условиях выбора тактики лечения хронических заболеваний на основе облачных технологий [Текст] / А.А. Спирячин, В.Л. Бурковский // Вестник Воронежского государственного технического университета. - 2014. - Т. 10. - № 5-1 - С. 57-60.
2. Круглов, В.И. Нечеткая логика и искусственные нейронные сети [Текст] / В.И. Круглов, М.И. Дли, Р.Ю. Голунов. - М.: Физ .мат. лит., 2002. - С. 312.
3. Спирячин, А.А. Проблематика использования облачных технологий в системах принятия решений [Текст] / А.А. Спирячин, Д.Э. Елизаров, В.Л. Бурковский // Прикладная математика, механика и процессы управления. Пермь: Изд-во ПНИПУ, 2014. - C. 150.
4. Спирячин, А.А. Структура медицинской информационной системы на базе облачных технологий [Текст] / А.А Спирячин., В.Л. Бурковский // Перспективные исследования и разработки в области информационных технологий и связи: труды Всерос. конф. - Воронеж: IV Воронежский форум инфокоммуникационных и цифровых технологий, 2014. -С. 17-18.
5. Спирячин, А.А. Моделирование информационной системы управления процессами принятия решений на основе облачных технологий в здравоохранении [Текст] / А.А. Спирячин, В.Л. Бурковский // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2014): сб. трудов VII Междунар. науч. конф. Воронеж: Научная книга, 2014. - С. 358-360.
Воронежский государственный технический университет
ANALYSIS OF EFFECT OF USING THE FUZZY CLASSIFICATION AND OF THE GENETIC ALGORITHMS USED IN THE INTELLIGENT MEDICAL DECISION-MAKING
SUPPORT SYSTEM
A.A. Spiryachin, V.L. Burkovsky, A.P. Voropaev
The article examines the possibility of using the fuzzy classification and the genetic algorithms in the intelligent medical decision-making support system
Key words: fuzzy classification, genetic algorithms, medical intelligent system
