CC BY
107
“■ и информационные
технологии
Медицинские информационные системы
М.А. ТАРАНИК,
аспирант кафедры оптимизации систем управления Института кибернетики Национального исследовательского Томского политехнического университета, г. Томск, Россия, taranik@tpu.ru Г.Д. КОПАНИЦА,
к.т.н., доцент кафедры оптимизации систем управления Института Кибернетики Национального исследовательского Томского политехнического университета; доцент Томского государственного архитектурно-строительного университета, г. Томск, Россия, georgy.kopanitsa@gmail.com
АНАЛИЗ ЗАДАЧ И МЕТОДОВ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ МЕДИЦИНСКИХ СИСТЕМ
УДК 004.8
Тараник М.Л., Копаница Г.Д. Анализ задач и методов построения интеллектуальных медицинских систем
(Институт Кибернетики НИ ТПУ, г. Томск, Россия)
Аннотация. Интеллектуальные медицинские системы являются одним из наиболее значимых направлений современных клинических ИТ. Данные системы применяются для решения медицинских задач различного уровня. В настоящей статье приведен анализ исследований, в которых описаны разработки данных систем, представлены решаемые системами задачи, а также используемые для этих задач методы логического вывода. Ключевые слова: интеллектуальная медицинская система, нечеткая логика, case-basedreasoning, метод опорных векторов, k-NN, datamining, методы логического вывода.
UDC 004.8
Taranik M.M., Kopanitsa G.D. Tasks and methods analysis of medical intellectual systems implementation
(Institute of Cybernetics, Tomsk Polytechnic University, Tomsk, Russia)
Abstract. Medical intellectual systems are one of the most relevant directions of the modern medical information technologies. These systems can be applied to solve different clinical problems of the different levels. In this research we analyze the sources where the development of medical intellectual systems is described. Sources were classified by their task solutions and methods used in inference engine.
Keywords: medical intellectual systems, fuzzy logic, case-based reasoning, support vector machine, k-NN, data mining, inference methods.
Введение
Современные лечебно-профилактические учреждения (ЛПУ) обеспечивают решение ряда задач различных уровней в контексте системы здравоохранения. Среди таких задач можно выделить задачи глобального уровня, которые ставятся перед всей системой здравоохранения страны или региона,например, снижение показателя смертности населения [9]. К задачам более низкого уровня, решаемым в рамках ЛПУ, можно отнести минимизацию времени ожидания приема медицинского специалиста [9]. Локальный уровень задач связан непосредственно с работой медицинского специалиста, где одной из актуальных является задача точного и своевременного диагностирования заболевания.
© М.А. Тараник, Г.Д. Копаница, 2014 г.
6
Медицинские информационные системы
www.idmz.ru SOT 4, № 3
■■■■
гш
Информатизация задач локального уровня является наиболее естественным путем повышения эффективности всей системы [22,23]. После первичной информатизации возникает потребность и возможность в расширении функций медицинской информационной системы (МИС) ЛПУ. Одним из вариантов расширения функций МИС, получившим широкое распространение, являются интеллектуальные медицинские системы, которые выступают в роли помощников медицинских специалистов [6, 9, 14], обеспечивая поддержку в принятии решений. Анализ исследований, содержащих сведения о разработке таких систем, представлен в настоящей статье.
Методы
Поиск материала для настоящего исследования осуществлялся в информационно-поисковых системах, таких как «ScienceDirect», «Pubmed» и «Springerlink». По запросу «Intellectual systems in medicine» был сформирован набор из 96 источников, в которых упоминаются интеллектуальные медицинские системы. Следующим шагом был анализ аннотаций отобранных работ. Итогом данного анализа стал список из 46 подходящих источников, посвященных разработкам интеллектуальных медицинских систем, в которых четко определена область применения интеллектуальной системы, описаны задачи и методы. В настоящем исследовании отражен анализ 18 источников, наиболее полно отражающих задачи исследования.
Результаты
В исследованных источниках [1-18] отмечается высокая эффективность разработанных интеллектуальных систем. Среди показателей эффективности выделяют специфичность (Specificity), чувствительность (Sensitivity) и точность (Accuracy) [1, 4, 5, 8, 10, 13]. Разработанные интеллектуальные системы также обладают высокой степенью актуальности, потому как решают важные прикладные кли-
нические задачи. Большое внимание уделяется проблемам онкологии, среди анализируемых работ имеются системы классификации пациентов с раком простаты [8], обнаружения кишечной опухоли [13], а также диагностирования рака прямой кишки [17]. В [12] отражена система, способная оптимизировать план лечения при проведении химиотерапии. Несколько работ посвящены решению клинических задач, связанных с сердечной мышцей. Представленная в [1] система направлена на диагностику порока клапана сердца, а в [5] — ишемической болезни сердца. В [4] описан классификатор, использующийся в прогнозировании ресинхронизирующей терапии.
Характеризуя задачи представленных систем в целом, можно заключить, что большинство решают задачи диагностирования [1, 3, 5, 6, 9, 10, 13, 17], остальные решают задачи классификации [4, 7, 8, 11], прогнозирования [2], управления [16], обучения [18] и оптимизации плана лечения [12]. Также представлены системы-агенты [14, 15]. Под системами-агентами подразумевается система, которая вступает в отношения посредничества с пользователем или другой программой, выполняя действия от имени кого-либо.
Основные задачи интеллектуальных систем представлены на рис. 1.
Разнообразие разрабатываемых систем определяется не только видами решаемых задач, но также и методами, используемыми для организации системы логического выво-да.В представленных исследованиях встречаются как односложные методы логического вывода, так и комбинированные [1,7,14]. Применение комбинированного алгоритма логического вывода способствует оптимизации интеллектуальной системы, повышая ее эффективность, а также устраняет недостатки, проявляющиеся при использовании односложных методов. Так, метод Fuzzy k-NN, используемый в [1], является примером составного метода на базе алгоритма k-NN.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■ ■ ■■■ \ N ■■ ■ ■ ■■■ ■■ ■■ ■ ■ ■ ■■■ ■■ ■ ■ ■ ■ ■ ■ ■■ ■■ ■ ■
“■ и информационные
технологии
Медицинские информационные системы
Рис. J. Задачи интеллектуальных систем
Алгоритм k-NN не детерминирует важность, вес, а также мощность связи различных узлов [1], что стало причиной применения фаззика-ции для данного алгоритма и позволило устранить недостатки классического метода. Более того, Fuzzy k-NN не требует процедуры предварительной обработки данных (Preprocessing). Castillo и др. используют несколько методов, каждый из которых в отдельности является самостоятельным классификатором, а именно, Fuzzy k-NN, а также многоуровневые перцеп-троны с градиентным спуском и сопряженным градиентом, имеющие обратное распространение. Выходные данные каждого классификатора являются входными для конечного классификатора, использующего алгоритм Mamdani [7]. Такая схема работы обеспечивает высокую точность полученных результатов классификации нарушений сердечного ритма.
Среди систем, в которых используется однокомпонентный метод логического вывода, представлены следующие алгоритмы: Fuzzy logic [5, 6, 8-10], Support Vector Machine (SVM) [4, 13], Bayesian Network [3, 14, 18], Case-based Reasoning (CBR) [15, 16], методы Data Mining [2,12]. Описанные методы отображены на рис. 2.
Далее приведены подробные описания основных методов логического вывода, используемых для задач медицинской информатики.
Метод опорных векторов (Support vector method, SVM) предназначен для решения задач бинарной классификации. Суть метода состоит в построении оптимальной разделяющей гиперплоскости n мерного пространства, разделяющей классы наилучшим образом. Наилучшей построенной гиперплоскостью считается та, расстояние от которой до каждого из классов максимально. Среди достоинств метода отмечают координирование нескольких параметров для обеспечения результатов классификации [4]. Байесовские сети (Bayesian Networks) представляют собой модели событий и процессов на основе объединения некоторых результатов теории вероятностей и теории графов [19].
Среди анализируемых источников нечеткая логика (Fuzzy logic) является наиболее часто применяемым и одним из наиболее эффективных методов логического вывода. В [6, 9] отмечается, что процесс диагностирования является трудоемким, так как учитывается много неопределенности. Это связано с
8
Медицинские информационные системы
www.idmz.ru SOT 4, № 3
■■■■
гш
Рис. 2. Методы логического вывода
тем, что пациент не может точно описать симптоматику заболевания, а медицинские специалисты могут неверно воспринять информацию, неточно ее интерпретировать либо не заметить при осмотре. Также существует сложность прогнозирования развития болезни, потому как одни и те же симптомы могут быть характерны для различных болезней. При использовании данного метода выделяют следующие компоненты системы: База знаний (Knowledge base), База данных (Data Base), Фаззификатор (Fuzzyfier), Дефазификатор (Defuzzyfier) и Модуль логического вывода (Inference engine). Преимуществом данного метода является то, что он имеет сходство с процессом принятия решения человеком, а также его способностью работать с нечеткими данными для принятия решений [6, 9].
Алгоритм MSapriori является модификацией алгоритма Apriori [21], который использует ассоциативные правила для решения задач классификации. Данная модификация заключается во введении множественной минимальной поддержки (multiple minimum support), предложенной в [20].
Метод Case-based reasoning используется для реализации интеллектуальных систем, основанных на прецедентах (опыте), где результат вывода зависит от предыдущих результатов. Технология рассуждения на основе анализа прецедентов (case-based rea-
soning, CBR) совмещает использование данных (архивные истории болезни) с использованием алгоритмических и экспертных знаний.
Основная стратегия CBR в здравоохранении — выбор наиболее близкого к новому случаю прецедента из базы электронных медицинских записей. Описанием случая являются анамнестические данные, симптомы больного и их динамика, результаты лабораторных и инструментальных исследований и так далее, в целом обозначаемые как набор признаков больного. Решением проблемы считается лечение, примененное к больному с определенным диагнозом. Для прецедентов известны исходы заболевания — состояние пациента после примененного лечения, что позволяет оценить эффективность принятого врачом решения.
Парадигма CBR следующая: если к близкому прецеденту было применено лечение, оказавшееся эффективным, то мы можем предположить его эффективность для нового случая. Преимущество CBR состоит в том, что решения становятся более эффективными за счет использования опыта прежних решений в подобных ситуациях, их приспособления к новым случаям.
Наряду с перспективностью использования в здравоохранении, CBR-подход характеризуется существенными проблемами. Основная сложность этого подхода — выбор метрики, обеспечивающей эффективное решение
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■ ■ ■■ ■■ ■ ■ ■ ■ ■ ■ ■■ ■■■ ■ ■ ■ ■■ ■■ ■■■ ■ ■ ■■ ш ■ ■ ■■■ ■ ■
“■ и информационные
технологии
Медицинские информационные системы
\
Тип задач
V )
/" \
Используемый метод логического вывода
V__________________________________________)
<■ Диагностика V ) > Bayesian Network, Fuzzy logic, | Support Vector Machine J
Г Классификация V ) Г \ Support Vector Machine, Fuzzy logic ^ J
г \ Прогнозирование v ) f \ Data Mining ^ J
г \ Управление v ) f 4 Case-based Reasoning k. )
г \ Обучение v ) f N Bayesian Network ^ J
( Оптимизация плана [ лечения f N Data Mining k. )
Агенты V ) f N Bayesian Network, Case-based Reasoning k. ) a
Рис. 3. Методы логического вывода, используемые для решения клинических задач
задачи расчета расстояний между объектами в многомерном пространстве разнотипных зависимых признаков [14].
Выбор метода логического вывода для реализации интеллектуальных систем зависит от поставленных перед системой задач. Так, среди анализируемых источников [1-18] относительно выполняемых системой задач были применены следующие алгоритмы логического вывода (рис. 3).
Однако стоит отметить, что одни и те же методы логического вывода могут применяться для решения различных клинических задач без преобразования логики и алгоритмов метода. Данный факт обуславливает универсальность методов логического вывода и возможность их адаптации к любым задачам, решаемым в области здравоохранения.
Обсуждение
Описанные в настоящей статье задачи, решаемые разработанными интеллектуальными системами, относятся к задачам локально-
го уровня ЛПУ, обеспечивающим эффективную работу непосредственно медицинского специалиста. Более того, данные системы ориентированы на решение единичной задачи. Однако существует также тенденция к необходимости решения клинических задач в комплексе, что позволит кратно повысить эффективность функционирования медицинского учреждения. Перспектива такого подхода заключается в реализации интеллектуальной системы, способной решать несколько локальных задач здравоохранения. Предполагаемый подход к решению комплексных задач объектов системы здравоохранения может быть реализован как с применением однокомпонентного, так и составного алгоритма логического вывода. При использовании последнего варианта примером возможного комбинирования могут быть нечеткая логика (Fuzzy logic) и прецедентный подход (Case based reasoning).
Реализация совокупности данных методов позволит повысить эффективность интеллектуальной системы за счет существования базы
10
Медицинские информационные системы
www.idmz.ru SOT 4, № 3
■■■■
гш
прецедентов по клиническим случаям. Таким образом, благодаря комплексному подходу решения задач и применения методов логического вывода для интеллектуальных медицинских систем, будут эффективно решаться задачи более высокого уровня, а также организован более эффективный процесс принятия решений.
Заключение
В настоящей статье проведен анализ литературных источников [1 — 18], содержащих исследования разработок интеллектуальных медицинских систем, решающих различные клинические задачи и использующих различные методы логического вывода.
Анализ показал, что наиболее часто решаемой интеллектуальной системой задачей является диагностирование. Другие немаловажные клинические задачи, такие как прогнозирование, управление, обучение, классификация, оптимизация плана лечения, аналогично успешно решаются разработан-
ными системами. Также встречаются и системы-агенты. Другим немаловажным фактором, характеризующим интеллектуальную систему, является метод логического вывода. Выбор метода зависит от поставленных перед системою задач. Среди анализируемых источников наиболее часто применяемым методом является нечеткая логика (Fuzzy logic).
В анализируемых источниках [1-18] неоднократно отмечается важность диагностирования заболеваний на ранней стадии, что обеспечит своевременное лечение, положительно отразится на временных и финансовых затратах, а также улучшит результат [6]. Представленные интеллектуальные системы успешно зарекомендовали себя в решении односложных клинических задач, однако для более эффективного функционирования объектов системы здравоохранения также присутствует необходимость решения комплексных задач в рамках одной системы с применением синтеза алгоритмов логического вывода.
ЛИТЕРАТУРА
1. SengurA. An expert system based on principal component analysis, artificial immune system and fuzzy k-NN for diagnosis of valvular heart diseases//Computers in Biology and Medicine. — 2008. — № 38. — P. 329-338.
2. Yeh J., Wu T, Tsao C. Using data mining techniques to predict hospitalization of hemodialysis patients//Decision Support Systems. — 2011. — № 50. — P. 439-448.
3. Arsene O, Dumitrache I, Mihu I. Medicine expert system dynamic Bayesian Network and ontology based//Expert Systems with Applications. — 2011. — № 38. — P. 15 253-15 261.
4. Chao P, Wang C, Chan H. An intelligent classifier for prognosis of cardiac resynchronization therapy based on speckle-tracking echocardiograms//Artificial Intelligence in Medicine. — 2012. — № 54. — P. 181-188.
5. Pal D, Mandana K., Pal S. [etc.]. Fuzzy expert system approach for coronary artery disease screening using clinical parameters//Knowledge-Based Systems. — 2012. — № 36. — P. 162-174.
6. Uzoka F, Osuji J., Obot O. Clinical decision support system (DSS) in the diagnosis of malaria: A case comparison of two soft computing methodologies//Expert Systems with Applications. — 2011. — № 38. — P. 1537-1553.
7. Castillo O., Melin P, Ramirez E, Soria J. Hybrid intelligent system for cardiac arrhythmia classification with Fuzzy K-Nearest Neighbors and neural networks combi-
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 11 ■
“■ и информационные
технологии
Медицинские информационные системы
ned with a fuzzy system//Expert Systems with Applications. — 2012. — № 39. — P. 2947-2955.
8. Castanho M, Hernandes F., Re A, Rautenberg S., Billis A. Fuzzy expert system for predicting pathological stage of prostate cancer//Expert Systems with Applications. — 2013. — № 40. — P. 466-470.
9. Samuel O., Omisore M, Ojokoh B. A web based decision support system driven by fuzzy logic for the diagnosis of typhoid fever//Expert Systems with Applications. — 2013. — № 40. — P. 4164-4171.
10. Anooj P. Clinical decision support system: Risk level prediction of heart disease using weighted fuzzy rules//Journal of King Saud University — Computer and Information Science. — 2012. — № 24. — P. 27-40.
11. Puppe B., Puppe F. MED1: An Intelligent Computer Program for Thoracic Pain Diagnosis//KlinWochenschr. — 1985. — № 63. — P.511-517.
12. Le A, Liu B, Schulte R., Huang H. Intelligent ePR system for evidence-based research in radiotherapy: proton therapy for prostate cancer//International of Computer Assisted Radiology and Surgery. — 2011. — № 6. — P. 769-784.
13. lakovidis D., Maroulis D., Karkanis S. An intelligent system for automatic detection of gastrointestinal adenomas in video endoscopy//Computers in Biology and Medicine. — 2006. — № 36. — P. 1084-1103.
14. Paz J, Bajo J., Lopez V., Corchado J. Biomedic Organizations: An intelligent dynamic architecture for KDD//Information Sciences. — 2013. — № 224. — P. 49-61.
15. Carchado J., Bajo J., Paz Y., Tapia I. Intelligent environment for monitoring Alzheimer patients, agent technology for health care//Decision Support Systems. — 2008. — № 44. — P. 382-396.
16. Haghighi P., Burstein F., Zaslavsky A., Arbon P. Development and evaluation of ontology for intelligent decision support in medical emergency management for mass gatherings//Decision Support Systems. — 2013. — № 54. — P. 1192-1204.
17. Shi J., Qiang Su., Zhang C., Haung G., Zhu Y. An intelligent decision support algorithm for diagnosis of colorectal cancer through serum tumor markers//Computer Methods and Programs in Biomedicine. — 2010. — № 100. — P. 97-107.
18. Suebnukarn S., Haddawy P. A Bayesian approach to generating tutorial hints in a collaborative medical problem-based learning//Artificial intelligence in Medicine. — 2006. — № 38. — P. 5-24.
19. Mahdi R., Madduri A.S., Wang G., Strulovici-Barel Y., Salit J, Hackett N.R., Crystal R.G., Mezey J.G. Empirical Bayes conditional independence graphs for regulatory networkrecovery//Bioinformatics. — 2012. — Vol. 28. — № 15. — P. 2029-2036.
20. Liu B., Hsu W, Ma Y. Mining association rules with multiple minimum support//In: Proc. Of ACM SIGKDD International Conference on knowledge Discovery and Data Mining (KDD-99). — San Diego. — CA. — USA, 1999.
21. Hanguang Li, Yu Ni. Intrusion Detection Technology Research Based on Apriori Algorithm//Physics Procedia. — 2012. — № 24. — P. 1615-1620.
22. Копаница Г., Цветкова Ж Европейский опыт и пути развития информатизации системы здравоохранения//Врач и информационные технологии. — 2013. — № 1. — С. 49-53.
23. Копаница Г.Д. Опыт и пути развития информатизации системы здравоохранения США//Врач и информационныетехнологии. — 2013. — № 5. — С. 70-73.
12
