ло, эти блокноты собраны в коллекции тематической направленности. В качестве примеров можно привести MS Azure Notebooks (https://notebooks.azure.com/), Kaggle (https://www.kaggle.com/kernels), BIANPP (http://nb.bianp.net/sort/views), RPubs (https://rpubs.com/) и множество других. В то же время в российском сегменте сети Интернет сервисы SNaaS отсутствуют, равно как, и практически отсутствуют русскоязычные коллекции научных и образовательных ресурсов такого типа.
Список использованных источников
1. https://www.nature.com/articles/s41562-016-0021
2. http://www.washington.edu/news/2007/12/06/free-software-brings-affordability-transparency-to-mathematics-2/
3. https://github.com/jupyter/jupyter/wiki/Jupyter-kernels
SNAAS instruments in scientific reserarch and education Yury Izhvanov, Ph.D
Article is devoted to the different aspects of SNaaS model - «Science Notebook as a Service». Most popular open code software for the SNaaS realization are analyzed. Active development of the SNaaS in the world and almost complete absence of the SNaaS services and resources for the Russian language users is mentioned.
Key Words: doud technologies, scientific data processing, scientific and educational resources, distributed computing, open source software.
УДК 612.833, 001.6
ИНКРЕМЕНТНОЕ МОДЕЛИРОВАНИЕ В МЕДИЦИНСКОЙ ДИАГНОСТИКЕ
Номоконова Ольга Юрьевна, врач терапевт пульмонологического отделения; врач аллерголог-иммунолог консультативно-диагностической поликлиники e-mail: olyanom1@mail.ru ГБУЗ Иркутская областная клиническая больница 664049, Иркутск, микрорайон Юбилейный, 100
Статья предлагает инкрементный метод диагностики в новом представлении. Инкрементное моделирование предлагается выполнять в виде спиральной модели. Анализируется первичная диагностическая ситуация. Дается сравнение итеративной, линейной инкрементной и спиральных моделей - применяемых в проектировании. Доказана возможность применения спиральной модели как основы инкрементной модели. Описаны принципы инкрементного моделирования. Показано, что оно применимо при решении задач второго рода. Показано различие между эвристическим и инкрементным моделированием. Статья показывает, что инкрементное моделирование можно применять при диагностике в сложных ситуациях, при больших данных и не согласованной первичной информации.
Ключевые слова: медицинская диагностика, моделирование, итеративное моделирование, инкрементное моделирование, спиральное моделирование, задачи второго рода.
Введение. За рубежом в медицине широко применяют инкрементальную диагностику (Incremental diagnostic) в основном в области кардиологии [1-3]. В России о ней пока мало пишут. За рубежом используют термин «инкрементальный», в России применяют термин «инкрементный», хотя это одно и то же. Incremental Model переводят как инкрементная модель. Инкрементное моделирование широко применяют при проектировании и даже при поддержке принятия решений. Однако внимательное изучение показывает, что применение данного термина не является всегда корректным.
Например, в теории принятия решений «Модель инкрементального процесса принятия решений» трактуют как метод «Проб и ошибок» [4].
Медицинская диагностика широко использует аналитические методы и информационные [5] технологии. Анамнез может быть рассмотрен как первичная информационная ситуация. Окончательный диагноз может быть рассмотрен как детализованная информационная ситуация, которая может быть представлена результат некого алгоритма диагностики [6]. Методы анализа диагностической информации разделяют на методы анализа информационной ситуации [7, 8], методы импакт анализа [9, 10], методы Номоконова О.Ю. накопления знаний [11], методы формирования решения и
предварительного диагноза. Этот механизм является рекуррентным и циклическим, что приводит к мысли о применении циклической модели анализа. В процессе диагноза необходимо проводить верификацию информации как обязательное условие построения правильного диагноза. Медицинская диагностика базируется на использовании информационных методов, анализа информационной ситуации и обмена информацией с диагностируемым. Однако, на практике принятие решения в экстренных медицинских ситуациях сталкивается с проблемами [12]: дефицита времени; низкой информативности сообщений от пациентов; информационной неопределенности. Это создает состояние информационной асимметрии, между необходимой и имеющейся информацией. При этом информационная асимметрия является как исходной ситуацией при диагностике [13], так и фактором риска ошибочного диагноза [14]. Для устранения асимметрии и систематизации диагноза необходимо применять моделирование с учетом описанных особенностей. Цель данной работы раскрыть содержание и методику инкрементного моделирования в медицинской диагностике.
Анализ видов моделирования.
Основой многих видов анализа информации является моделирование. При этом моделирование может быть не только информационным, а например проектным или логическим.
С позиций системного анализа окончательный диагноз можно рассматривать как сложную систему. Сложную систему характеризуют как структурированную совокупность, обладающую свойством целостности, включающую совокупностью устойчивых связей и включающую устойчивые элементы [15-17].
Окончательный диагноз обладает свойством целостности, структурированности, связанности по отношению к факторам, причинам и следствиям, которые он описывает. Он обладает системными признаками и может быть рассмотрен как целостная система. Это дает основание рассматривать диагностику как процесс моделирования сложной системы до достижения ею системных свойств целостности и полноты.
Нормальное состояние такой сложной системы может быть описано некоторой конечной совокупностью находящихся в пределах нормы параметров. Нормальные характеристики параметров системы не всегда фиксированы, а лежат в определенных интервалах значений, характерных для нормы. Они зависят от полноты информации и меры неопределенности в информации. В тоже время, границы значений норм в отношении морфофункциональных объектов изменчивы. Тем не менее, они всегда существуют, а сама диагностическая деятельность имеет цель - определение причин, характера, степени и динамики отклонения характеристик объектов от их нормальных состояний. Но подвижность границ нормальных характеристик создает информационную неопределенность [18, 19], которую необходимо преодолеть в ходе диагностики
Моделирование при медицинской диагностике решает несколько задач. С позиций информации диагностика уменьшает неопределенность и увеличивает
информированность. Для моделирования можно воспользоваться опытом проектирования систем и программ.
В проектировании и моделировании жизненного цикла системы применяют три вида близких моделей: итеративную, спиральную и инкрементную. Необходимо различать эти модели. На рис.1. приведен условный пример трехэтапного моделирования в виде линейного развертывания с применением итеративного (ИТ) и инкрементного (ИНК) подхода. Качественное различие состоит в том, что итеративное моделирование (левая часть рис.1) работает сразу со всем объектом, постепенно наполняя его содержимое.
При итеративном моделировании область исследования сразу определена. Это показано пунктиром, определяющим границы исследования.
Инкрементное моделирование (правая часть рис.1) работает с фрагментами объекта, постепенно объединяя их в целый объект. При этом область исследования определяется на последнем этапе. С точки зрения времени анализа инкрементное моделирование является более трудоемким. В нем на каждом этапе анализируются границы области исследования и решаются оппозиционные задачи: Объект/ не объект, границы/ не границы.
На первый взгляд по рис.1 трудно оценить преимущество этих подходов. Однако разница состоит еще в том, что инкрементное моделирование позволяет решать задачи второго [20] и первого рода, а итеративное моделирование работает только с задачами первого рода. В работе [20] раскрыто именно применение инкрементного подхода для решения задачи второго рода.
Применяя когнитивный подход, можно использовать когнитивные характеристики объекта, процесса или системы [21, 22] воспринимаемость, обозримость и интерпретируемость. Если объект или задача не воспринимаема и не обозрима, то имеет место задача второго рода, которую решают эвристически или инкрементным методом.
Спиральная модель (рис.2) предложена Барри Боэмом в1986 году. Она
представляла процесс разработки программного обеспечения,
сочетающий итеративность и поэтапность. При переносе ее в области, далекие от
программирования, сущность модели в рекуррентном моделировании с расширением моделируемой версии на каждом этапе моделирования, пока оно не завершится достижением цели моделирования.
Сущность применения
обычной спиральной модели в представлении траектории
проектирования (моделирования) в виде спирали на условной плоскости, разбитой на 4 сектора. Каждый сектор характеризует определенное качество разработки: определение целей, оценка рисков, разработка и тестирование, планирование новой итерации. Когда цикл спирали заканчивается, переходят к новой версии.
т т т
/ \
\ /
* * 4
ИТ ИНК
Рис.1. Итеративное (ИТ) и инкрементное (ИНК) моделирование
2
3
Утверждается, что главным критерием спиральной модели в проектировании является оценка рисков. Однако при выборе другого критерия эта модель может описывать и инкрементное моделирование.
Существенным недостатком, подходов описывающих инкрементный подход [4], является упущение самого понятия инкремент. Инкрементное проектирование отличается от итеративного проектирования тем, что на каждом этапе или на каждом витке спирали вырабатывается новый ресурс, который используется на последующем этапе. Практически во всех моделях за редким исключением [23], понятие инкремент не вводят как характеристику в инкрементное моделирование.
Диагноз как сложная динамическая система.
Выше отмечалось, что методы анализа диагностической информации разделяют четыре группы; методы анализа информационной ситуации [7, 8], методы импакт анализа [9, 10], методы накопления знаний [11], методы формирования решения и предварительного диагноза. Это дает основание представить область исследования в виде плоскости и разбить ее на четыре части, соответствующие этим группам. Этот подход можно перенести на спиральную модель. Схема инкрементного моделирования при диагностике дана на рис.3.
Сущность инкрементного моделирования в представлении траектории моделирования в виде спирали на исходной плоскости, разбитой на 4 сектора. Каждый сектор характеризует определенное качество моделирования и диагностики: сбор информации (анамнез), первичный анализ, импакт анализ, выработка решения и нового ресурса. Плоскость также делится на две полуплоскости: область поиска решения и область решений. Область решений соответствует постановке окончательного диагноза. Область поиска решений соответствует предварительному диагнозу и постановке новых задач исследования.
Спираль диагностики раскручивается в области поиска решений до тех пор, пока не попадет в область решений.. Каждый виток приводит к появлению и накоплению ресурса (Р1, Р2, Р3) исследования. В переходе на когнитивную терминологию ресурс (Р) - это накопленный опыт [21]. В переходе на терминологию информационной неопределенности ресурс (Р) - это порция устраненной неопределенности [18, 19].В переходе на терминологию дескриптивного информационного моделирования ресурс (Р) - это новая информация, уточняющая существующую [11]. Общим для всех интерпретаций является появление инкрементной составляющей Р1, Р2, Р3. Когда виток спирали заканчивается, переходят к новой версии.
Оценка рисков Линия решений 1 / _ ^^^^ / л^ Определение целей ■"X \
Разработка и V \
тестирование V
—^планирование
новой итерации
Область поиска
Область решений
Рис.2. Спиральное моделирование Рис.4. Инкрементное моделирование при
медицинской диагностике Модификация метода инкрементного моделирования состоит в разбиении исходной плоскости не на 4 части на большее число секторов. Например, при разбиении на 11 секторов приходим к модели качества называемой «петлей качества».
Различие в том, что петля качества моделируется в виде окружности, а инкрементная модели отражает процесс развития, что в какой- то степени отражает процесс развития человечеств по спирали. Это является косвенным подтверждением достоверности подхода инкрементного моделирования.
В радиолокации это моделирование известно как развертка луча локатора, которое ищет цель. В программировании метод инкрементного моделирования реализован и в виде алгоритма как метод развертывающей плоскости [24].
Заключение. Современная диагностика нуждается в объективных методах анализа информации, исключающих по возможности врачебные ошибки и объективизирующих заключение. Для этой цели применяют информационные методы и компьютерные технологии. Компьютерные технологии работаю по алгоритмам, составленным человеком. И пока основная помощь от них состоит в поиске информации в больших массивах данных. Недостатком компьютерных технологий является требование применения сквозного алгоритма и использования четкой структурированной информации небольших объемов. Если информационная коллекция или первичная информационная ситуация необозримы или не воспринимаемы человеческим интеллектом, то алгоритмические методы не применимы. В этом случае врач сталкивается с необходимостью решения задачи второго рода. При этом возможно применение эвристического или инкрементного подхода. Подчеркнем различие между ними. Эвристика состоит в итеративном анализе с использованием метода «проб и ошибок». Именно эвристику ошибочно отождествляют с инкрементным методом [4]. Инкрементное моделирование представляет собой не случайный поиск решения как в методе проб и ошибок, а систематизированный структурированный процесс. Инкрементное моделирование направлено на поиск этапа решения и главное на поиск дополнительного ресурса, который бы позволил взглянуть на проблему по- новому и дал бы новое качество в анализе проблемы. Инкрементный метод в спиральном представлении, изложенный в настоящей статье является апробированным подходом в разных направлениях и может служить основой диагностики в сложных ситуациях и при большом числе противоречивой не структурированной информации.
Литература
1. Linzer M. et al. Incremental diagnostic yield of loop electrocardiographic recorders in unexplained syncope // The American journal of cardiology. 1990. V. 66. №. 2. Р. 214-219.
2. Austin B.A. et al. Delayed hyper-enhancement magnetic resonance imaging provides incremental diagnostic and prognostic utility in suspected cardiac amyloidosis //JACC: Cardiovascular Imaging. 2009. V. 2. № 12. Р. 1369-1377.
3. Bamberg F. et al. Detection of hemodynamically significant coronary artery stenosis: incremental diagnostic value of dynamic CT-based myocardial perfusion imaging //Radiology. 2011. V. 260. № 3. Р. 689-698.
4. http://azps.ru/articles/org/prinyatie_model_inkrement.html. Дата доступа 12.11.2017.
5. Москаленко Ф.М. Задача медицинской диагностики и алгоритм ее решения, допускающий распараллеливание // Информатика и системы управления. 2005. № 2. С. 10.
6. Цветков В. Я., Номоконова О.Ю. Алгоритмическое диагностирование кашля // Медицина и высокие технологии. 2017. № 2. С. 53-57.
7. Tsvetkov V.Ya. Dichotomic Assessment of Information Situations and Information Superiority // European Researcher. Series A. 2014. V. 86. № 11-1. Р. 1901-1909.
8. Лустина Е.А. Преодоление ситуации неопределенности в процессах мышления и воображения // Вопросы психологии. 1982. № 5. С. 122-125.
9. Ozhereleva T.A. Impact Analysis of Education Quality Factors // European Journal of Economic Studies. 2013. V. 5. № 3. Р. 172-176.
10. Номоконова О.Ю. Импакт анализ в диагностике. Монография. -М.: МАКС Пресс, 2016. 56 с.
11. Номоконов И.Б. Экстернализация знаний при лучевой диагностике // Славянский форум. 2016. № 2 (12). С. 204-208.
12. Шегал Б.Р. Модель выбора информации в экстренной медицинской диагностике //
Сборник научных трудов НГТУ. 2013. № 2 (72). С. 68-77.
13. Номоконов И.Б. Информационная асимметрия в диагностике // Славянский форум. 2017. № 1 (15). С. 227-234.
14. Tsvetkov V.Yа. Information Asymmetry as a Risk Factor // European researcher. Series A. 2014. V. (86). № 11-1. Р. 1937-1943.
15. Урманцев Ю.А. Начала общей теории систем / в кн. Системный анализ и научное знание. М.: Наука. 1978. С. 7-41.
16. Кудж С.А. Системный подход // Славянский форум. 2014. № 1 (5). С. 252-257.
17. Савиных В. Системность в диссертационных исследованиях // Образовательные ресурсы и технологии. 2015. № 2 (10). С. 92-98.
18. Цветков В.Я. Информационная неопределенность и определенность в науках об информации // Информационные технологии. 2015. № 1. С. 3-7.
19. Номоконова О.Ю. Информационная неопределенность в информационном взаимодействии // Славянский форум. 2017. № 1 (15). С. 104-110.
20. Tsvetkov V.Yа. Incremental Solution of the Second Kind Problem on the Example of Living System // Biosciences biotechnology research Asia, November 2014. V. 11 (Spl. Edn.). Р. 177-180.
21. Цветков В.Я., Номоконова О.Ю. Опыт врача как когнитивный ресурс и неявное знание // Научное обозрение. Медицинские науки. 2016. № 1. С. 49-53.
22. Цветков В.Я. Когнитивные аспекты построения виртуальных образовательных моделей // Перспективы науки и образования. 2013. № 3. С. 38-46.
23. Цветков В.Я. Инкрементное информационное моделирование // Международный журнал прикладных и фундаментальных исследований. 2016. № 3. (часть 2). С. 500-501.
24. Майоров А.А., Нгуен Тхе Конг Перспективы развития компьютерных технологий создания цифровых моделей рельефа // Геодезия и аэрофотосъемка. 2011. № 5. С.107-111.
Incremental modeling in medical diagnostics
Nomokonova O.Yu. Therapists pulmonary department; doctor allergist-immunologist consultative and diagnostic clinics. Irkutsk Regional Hospital 664049, Irkutsk, neighborhood Jubilee, 100
The article offers an incremental method of diagnosis in a new view. Incremental modeling is proposed to be performed in the form of a spiral model. The paper analyzes the primary diagnostic situation. Paper compares different models: iterative, linear incremental and spiral model. These models are used in design. The paper proves the possibility of using the spiral model as the basis of the incremental model. Paper explains the principles of incremental modeling. Paper shows that incremental modeling can be used to solve problems of the second kind. Paper shows the difference between heuristic and incremental modeling. The paper shows that incremental modeling can be used in diagnostics in complex situations, with large data and uncoordinated primary information.
Keywords: medical diagnostics, modeling, iterative modeling, incremental modeling, spiral modeling, problems of the second kind.
ИНФОРМАЦИОННОЕ СООТВЕТСТВИЕ И ИНФОРМАЦИОННЫЙ МОРФИЗМ
В ИНФОРМАЦИОННОМ ПОЛЕ
Ожерельева Татьяна Алексеевна, старший преподаватель e-mail: ozerotana@yandex.ru Московская финансово юридическая академия http://www.mfua.ru
Статья описывает два важных показателя информационного поля информационное соответствие и информационный морфизм. Показано различие между естественным и искусственным информационным полем. Раскрывается содержание