CC BY
48
«Информационные и телемедицинские технологии в охране здоровья»
F4I
www.idmz.ru . hil
Материалы международной конференции
А.Е.ЯНКОВСКАЯ, Р.В.АМЕТОВ,
Томский государственный архитектурно-строительный университет
Е.А.МУРАТОВА,
Томский политехнический университет
Г.Э.ЧЕРНОГОРЮК, Н.Р.ШАКУРОВА,
Сибирский государственный медицинский университет, г. Томск
2006, №3
ИНТЕЛЛЕКТУАЛЬНАЯ МЕДИЦИНСКАЯ СИСТЕМА ВЫЯВЛЕНИЯ ЗАКОНОМЕРНОСТЕЙ И ОЦЕНКИ МОРФОЛОГИЧЕСКИХ ИЗМЕНЕНИЙ СЛИЗИСТОЙ ОБОЛОЧКИ ЖЕЛУДКА
ВВЕДЕНИЕ
Интеллектуальные медицинские системы (ИМС) отличаются рядом особенностей, основные из которых приведены в работах Б.А.Кобринского, А.Е.Янковской, В.А.Дюк [1-3]. Учет этих особенностей не только повышает их эффективность, но они становятся более привлекательными для врачей-пользователей.
В данной работе развивается новый подход [4, 5] к созданию баз знаний интеллектуальных систем и технологии решения задач, связанных по экспертному заключению, относимых нами к классу информационно сложных задач, не содержащихся в классификации Е.С.Кузина [6].
Информационная сложность задачи определяется сложностью исследуемой проблемной области: большой объем и сложная структура информации, разнообразие смысловых аспектов проблемной области, нелинейность взаимосвязей исследуемых компонентов и т.д. Решение подобных задач может быть достигнуто только на базе современных информационных технологий, основанных на извлечении, представлении и обработке сложно структурированных данных и знаний, к каковым относится, например, технология функционально ориентированного проектирования [6].
Однако в рамках одной, безусловно, весьма перспективной работы [6], невозможно учесть все аспекты качественной сложности, определяемой составом и характером информации, необходимой для успешного решения разнообразных задач.
Особо важно соотнесение различных параметров, полученных на основе тех или иных измерений, с традиционными (общепринятыми), определяемыми экспертами по другим характеристикам. Такое соотнесение возможно путем трансформации результатов решения одной (1-й) задачи на основе экспертных знаний в решение другой (2-й) задачи, взаимосвязанной с результатами решения 1-й задачи по экспертному заключению, что позволит выявить закономерности в данных по 2-й задаче и осуществить принятие решений по информационной составляющей 2-й задачи, а также при необходимости, опреде-
© А.Е.Янковская, Р.В.Аметов, Е.А.Муратова, 2006 г. © Г.Э.Черногорюк, Н.Р.Шакурова, 2006 г.
61
«Информационные и телемедицинские технологии в охране здоровья»
Др
W-ЩШШ
kJH
I и информационные
технологии
Материалы международной конференции
>
лить взаимосвязь (перекрестные связи) между компонентами проблемной среды, включающей информационную составляющую обеих задач. Идея трансформации возникла не на пустом месте, а связана с практической необходимостью, имеющей место в ряде проблемных областей, особенно в медицине, а именно, с появлением компьютерной морфометрии (КМ), невозможностью получения заключений экспертов по результатам КМ, а также с проблемой соотнесения морфометрических параметров с традиционными характеристиками патоморфологических изменений слизистой оболочки желудка (СОЖ).
В данной статье описывается воплощение идеи трансформации в ИМС выявления закономерностей и оценки морфологических изменений СОЖ (ИМСЛОГ-СОЖ), разработанной на основе интеллектуального инструментального средства (ИИС) ИМСЛОГ [7], созданного в лаборатории интеллектуальных систем Томского государственного архитектурно-строительного университета.
ОПИСАНИЕ ПРОБЛЕМНОЙ ОБЛАСТИ И ИСХОДНОЙ ИНФОРМАЦИИ
Морфологические изменения СОЖ при патологии оцениваются такими качественными характеристиками, как метаплазия, гиперплазия, дисплазия, фиброз, атрофия. Степень выраженности этих процессов обычно либо не указывается (констатируется только наличие такого-то рода изменений), либо указывается в виде порядковой шкалы, например, «дисплазия второй степени». Этот способ оценки зависим от субъективных факторов и не позволяет выявить слабо выраженную динамику изменений, например, при лечении.
С помощью КМ можно произвести различные измерения выделенных объектов в СОЖ, в том числе степень пропускания светового потока в различных световых спектрах. При этом морфометрических характеристик может быть достаточно большое количество - порядка двух десятков. Вместе с тем неизвестно, как применяемые нами морфометрические параметры соотносятся с традиционными общеприняты-
ми характеристиками патоморфологических изменений СОЖ. Это обстоятельство весьма важно, так как мировое сообщество морфологов оперирует устоявшимися представлениями, закрепленными в соответствующей терминологии.
Возникла идея связать данные, полученные в результате КМ СОЖ, с заключениями нескольких экс-пертов-морфологов, а также выявить закономерности, присущие изменяемым параметрам (альтернативные, то есть одинаково влияющие на заключение; зависимые; измеряемые обязательно, то есть без которых невозможно дать заключение, существенно влияющие на заключение; неинформативные; константные, то есть принимающие одно и то же значение при различных заключениях), что весьма важно при проведении научных исследований, а также построить решающие правила для оценки компьютерной морфометрии СОЖ и формировать с использованием интеллектуальной системы морфогистологическое заключение на основании морфологических данных.
В качестве объекта исследования нами были использованы биопсийные препараты СОЖ, полученные от пациентов (72 человека) с язвенной болезнью желудка в период обострения, а также от здоровых пациентов (17 человек). От каждого пациента взяты 8-13 гастробиопсийных образцов (биоптаты были получены вблизи язвенного дефекта). База данных по КМ составила 854 объекта измерений.
Для КМ использованы несколько морфометрических показателей, отражающих морфофункциональные изменения СОЖ: площадь железы, площадь просвета, площадь ядер, площадь желез в поле зрения, отдел желудка, плотность инфильтрации межжелезистой ткани СОЖ нейтрофилами, лимфоцитами, тканевыми базофилами, плазмоцитами.
Экспертами-морфологами были оценены следующие изменения СОЖ каждого пациента: кишечная метаплазия (полная и неполная), гиперплазия, дисплазия СОЖ, степень фиброза. База данных составила 89 объектов измерений.
При оценке степени кишечной метаплазии использовали рекомендации J.RJass [8]: отсутствие измене-
«Информационные и телемедицинские технологии в охране здоровья»
Материалы международной конференции
www.idmz.ru 2006, №3
ГЧЯЯ
I Ы.МЯЯ
ний - 0, слабая (1-я степень) - меньше 5% СОЖ занято кишечным эпителием, умеренная (2-я степень) -от 5 до 20% СОЖ занято кишечным эпителием, выраженная (3-я степень) - больше 20% СОЖ занято кишечным эпителием.
Гиперплазию оценивали в баллах: 0 баллов - отсутствие признаков, 1 балл - признаки обнаруживались в единичных ямках и валиках, 2 балла - около половины структур содержали изменения, 3 балла - более чем в 2/3 СОЖ определялась гистологическая картина гиперплазии покровно-ямочного эпителия.
Дисплазию СОЖ оценивали: 0 баллов - отсутствие признаков дисплазии, 1 балл - дисплазия 12-й степени, 2 балла - умеренная дисплазия, 3 балла - тяжелая дисплазия.
Степень фиброза оценивали по наличию соединительнотканных прослоек в СОЖ: 0 баллов - отсутствие таковых, 1 балл - незначительные изменения, 2 балла - умеренные изменения, 3 балла - грубые изменения.
МАТРИЧНАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ДАННЫХ И ЗНАНИЙ. Закономерности. Основные понятия. Постановка задачи
ИИС ИСЛОГ, как и конструируемая на ее основе система ИМСЛОГ-СОЖ, ориентирована на матричную модель представления данных и знаний, которая состоит из матрицы описания объектов Q в пространстве характеристических признаков и целочисленной матрицы различений R , задающей различные разбиения объектов, представленных в матрице описаний, на классы эквивалентности [9].
Строки матрицы Q сопоставлены объектам, столбцы - характеристическим признакам. Строки матрицы R соответствуют объектам, столбцы - классификационным признакам. Элемент Гц матрицы R задает принадлежность i -го объекта одному из выделенных классов по j -му механизму классификации.
Множество всех неповторяющихся строк матрицы R определяет количество выделенных образов,
а каждое подмножество строк матрицы Q , сопоставленных одинаковым строкам матрицы R , соответствует некоторому обучающему подмножеству объектов, принадлежащих одному и тому же образу.
Данная модель позволяет представлять не только данные, но и знания экспертов, поскольку одной строкой матрицы Q можно задавать в интервальной форме подмножество объектов, для которых характерны одни и те же итоговые решения, задаваемые соответствующими строками матрицы R .
С содержательной точки зрения, матрицы различений могут быть любыми из следующих трех типов:
♦ диагностическая, характеризующаяся вложенностью механизмов классификации;
♦ классификационная, служащая для представления независимых механизмов классификации;
♦ отражающая последовательность действий, например, организационно-управляющих, лечебнопрофилактических мероприятий.
Тестом называется совокупность признаков, различающих любые пары объектов, принадлежащих разным образам. Тест называется безызбыточным (тупиковым [10]), если при удалении любого признака тест перестает быть тестом. Тест называется минимальным, если он содержит минимальное число признаков.
Под закономерностями в знаниях будем понимать подмножества признаков с определенными легко интерпретируемыми свойствами, влияющими на различимость объектов из разных образов, устойчиво наблюдаемыми для объектов из обучающей выборки и проявляющимися на других объектах той же природы, а также весовые коэффициенты признаков, характеризующие их индивидуальный вклад в различимость объектов из разных образов [9].
К упомянутым подмножествам будем относить константные, устойчивые (константные внутри образа, но не являющиеся константными), неинформативные (не различающие ни одной пары объектов), альтернативные (в смысле включения в диагностический тест), зависимые (в смысле включения подмножеств различимых пар объектов), несущественные (не входящие ни в один безызбыточный тест), обязательные (входящие во все безызбыточные тесты), псевдообязательные
«Информационные и телемедицинские технологии в охране здоровья»
Др
W-ЩШШ
kJH
I и информационные
технологии
Материалы международной конференции
>
(входящие в множество используемых при распознавании безызбыточных тестов, но не являющиеся обязательными) признаки, а также все минимальные и все (либо часть - при большом признаковом пространстве) безызбыточные различающие подмножества признаков, являющиеся, соответственно минимальными и безызбыточными логическими тестами. Логические тесты являются, по сути, диагностическими.
Сформулируем постановку решаемой нами задачи, предварительно отметив необходимость преобразования количественных признаков в серию бинарных.
Заданы матрицы описаний Qi, Qj с одним и тем же количеством строк и матрица различений R , строки которой сопоставлены одноименным строкам матрицы Qx , Qj .
Необходимо:
♦ выявить закономерности в знаниях, представленных в матрицах Qi , R и Q2 , R одним из методов [9];
♦ сформировать обобщенное сжатое описание образов путем удаления в каждой из матриц Qi , Qj столбцов, соответствующих неинформативным и несущественным признакам, а также удалением равных строк и корректировки всех оставшихся;
♦ построить решающие правила на основе выявленных закономерностей по матрицам Q'i ,R' и Q'2 ,R' , где R/. - матрица различений, полученная из матрицы R при построении матрицы Q'. из
Qi (i е{1, 2}).
Принятие решений в ИИС ИМСЛОГ базируется на сочетании логико-комбинаторного (л-к), логиковероятностного (л-в), логико-комбинаторно-вероятностного (л-к-в) подходов к тестовому распознаванию образов [11, 12].
Использование л-к-, л-к-в-, л-в-подходов имеет следующие преимущества: не требуется сведений о функциях распределения; достаточно небольшого объема исходных данных; не требуется задания метрики в пространстве описания объектов.
Решающие правила строятся на основе минимальных безусловных диагностических тестов (МБДТ), безызбыточных безусловных диагностических тестов
(ББДТ) и/или смешанных диагностических тестов. При построении решающих правил учитываются также все другие выявленные закономерности [9].
Итоговое решение относительно исследуемого объекта принимается на основе процедуры голосования на множестве тестов и подходов.
Кроме того, для принятия решений и обоснования принимаемых решений разработаны следующие когнитивные средства визуализации: гистограмма специального типа; равносторонний треугольник; круговая диаграмма с отрезком или прямоугольником [9, 13]. Эти когнитивные средства являются инвариантными к проблемным областям и ориентированы на пользователей различной квалификации.
КОНСТРУИРОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ МЕДИЦИНСКОЙ СИСТЕМЫ
Решение задач, связанных по экспертному заключению, накладывает отпечаток как на уровень используемых при конструировании прикладных интеллектуальных систем (ИС) абстракций, так и на инструментарий разработчика. Для подобных систем общепринятую реляционную модель представления объектов манипулирования знаниями целесообразно трансформировать к объектной модели, оперирующей данными и знаниями на более высоком уровне абстракции, где понятийные объекты дадут возможность задавать структуру и логику прикладных ИС наиболее адекватно формальному математическому описанию используемой модели. При этом на этапе формирования модулей баз данных и знаний, будут строиться несколько альтернативных матриц описаний, связанных между собой общей матрицей различений.
Данный подход используется в ИИС ИМСЛОГ, предназначенном для конструирования прикладных ИС выявления закономерностей в данных и знаниях и принятия решений. Он дает возможность задавать гибкие шаблоны и сценарии обработки данных и знаний, оперируя такими смысловыми понятиями, как матрицы описаний и различений, альтернативная группа признаков (группы признаков, используемые
«Информационные и телемедицинские технологии в охране здоровья»
Материалы международной конференции
www.idmz.ru 2006, №3
ГЧЯЯ
I Ы.МЯЯ
для решения задач, связанных по экспертному заключению, являются альтернативными), экспертное заключение, диагностический тест, подход к распознаванию и др. Предложенный подход существенно расширяет функциональные возможности прикладных ИС, позволяя синтезировать новые знания и решать задачи моделирования. В последнем случае используются упрощенные абстракции для обеспечения наглядности и возможности наблюдения динамики большего количества диагностических параметров. Для адекватности моделирования параметры понятийных объектов сохраняются на протяжении всего жизненного цикла модели, что дает дополнительную гибкость и отменяет необходимость повторять весь цикл моделирования сначала.
Конечный программный продукт (библиотека С++-классов, модуль-ядро, динамически подключаемые модули-плагины, базовый модуль интеллектуального интерфейса) получен с использованием системы программирования Borland C++ Builder, а также API (Application Programming Interface) и GUI (Graphics User Interface) операционной среды Windows. Для создания когнитивных средств использовалась библиотека OpenGL, предоставляющая богатые возможности по рендерингу поверхностей и объектов в трехмерном пространстве. Взаимодействие с пользователем организовано в виде интеллектуального многооконного интерфейса и реализовано в MDI-форме (Multi Document Interface). Для обеспечения переносимости программного кода расширения языка С++ не использовались.
Библиотека С++-классов спроектирована с учетом особенностей разработанных методов тестового распознавания образов и содержит определения базовых объектов, которые могут динамически создаваться, обрабатываться и уничтожаться по мере необходимости. К базовым относятся математические объекты, используемые в алгоритмах (например, векторы и матрицы различных типов), структурные элементы базы знаний, а также компоненты создаваемой интеллектуальной системы. В частности, интеллектуальная система в целом тоже рассматривается как базовый объект.
Процесс конструирования ИМС ИМСЛОГ-СОЖ на основе ИИС ИМСЛОГ так же, как и других прикладных ИС, включает четыре этапа [14].
На первом этапе осуществляюется систематизация и структуризация информации, необходимой для решения задач в данной проблемной области, определяются функциональный состав системы, ее архитектура и методы распознавания, наиболее подходящие для решения именно этих задач.
Второй этап состоит в компоновке требуемой конфигурации путем подключения к ядру соответствующих программных модулей. При необходимости на этом же этапе часть модулей может быть модифицирована и/или могут быть созданы новые модули с учетом специфики данной проблемной области.
На третьем этапе создаются модули базы знаний и проводится их обработка с целью построения решающих правил, используемых при распознавании исследуемых объектов.
Четвертый этап включает в себя окончательную настройку системы для передачи заказчику.
Сконструированная система является открытой в плане оперативного наращивания ее функциональных возможностей по поддержке информационных технологий тестового распознавания образов с применением новых подходов, алгоритмов и когнитивных средств.
На рис. 1в виде схемы шаблона приведен сценарий выявления закономерностей, включая построение тестов, реализуемый в ИМС ИМСЛОГ-СОЖ.
ПРЕОБРАЗОВАНИЕ КОЛИЧЕСТВЕННЫХ ПРИЗНАКОВ В БИНАРНЫЕ В ИМС ИМСЛОГ-СОЖ
При анализе разнотипных данных возникают проблемы, связанные с наличием «нетипичных» (лежащих на границе между классами) объектов, что увеличивает длину фрагментов, различающих объекты из разных классов (образов), и «шумящих» признаков, то есть принимающих слишком много значений, которые порождают очень большое число фрагментов, позволяющих различать объекты разных клас-
«Информационные и телемедицинские технологии в охране здоровья»
Др
W-ЩШШ
kJH
I и информационные
технологии
Материалы международной конференции
Рис. 1. Схема шаблона для выявления закономерностей в ИС ИМСЛОГ-СОЖ
сов (образов) и с формальной точки зрения являющихся информативными. Поскольку каждый из таких фрагментов крайне редко встречается в представляемом им классе, его значимость невелика.
Использование дискретных процедур затруднительно, поскольку признаки обычно являются вещественно значимыми либо дискретными высокой значимости. Вещественно значимая информация может трактоваться как частный случай дискретной информации высокой значимости.
При высокой значимости исходной информации каждый из представленных в ней объектов порождает много уникальных информативных фрагментов, встречающихся в описании только этого объекта. При этом объекты даже одного класса могут сильно отличаться друг от друга и, как следствие этого, дискретные процедуры распознавания могут оказаться неинформативными.
Попытки понизить значимость обучаемой информации с помощью увеличения порогов функции близости между значениями признаков могут привести к тому, что описания объектов из разных классов будут совпадать. Один из способов решения этой проблемы - корректная перекодировка данных, то есть такое ее преобразование, при ко-
тором описания объектов из разных классов остаются различимыми.
Задача сводится к поиску безызбыточных покрытий булевой матрицы. Каждому покрытию соответствует некоторая корректная перекодировка. Однако такая перекодировка весьма трудоемка.
Во многих ситуациях наиболее часто при решении задач преобразования количественных признаков в серию бинарных используется разбиение на равные по длине интервалы или разбиение, предлагаемое экспертом. Такой способ преобразования является довольно грубым, поскольку может не учитывать специфику решаемых задач, особенно при равномерном разбиении, поэтому целесообразно адаптировать разбиение на интервалы под имеющиеся экспериментальные данные.
Алгоритмы адаптивного кодирования признаков, приведенные в статье А.Е.Янковской и др. [4], реализованы для случая разделения двух классов. В результате экспериментальных исследований этих алгоритмов на базе ИИС ИМСЛОГ была выявлена невозможность их адаптации для разделения трех и более классов(образов). Для реализации эвристического алгоритма преобразования количественных признаков в серию бинарных для произвольного количества классов был создан в ИИС ИМСЛОГ отдельный динамически подключаемый модуль (плагин).
Эвристический алгоритм преобразования состоит из двух этапов.
На первом этапе (рассматривается случай для большого числа образов) разбиваемый количественный признак делится первоначально на несколько равномерных интервалов, число которых может определяться формульно в зависимости от объема обучающей выборки или подбираться экспериментально в интерактивном режиме работы плагина или на основе знаний экспертов исследуемой проблемной области. Это связано с тем, что наличие большого числа классов (образов) предполагает и достаточно боль-
«Информационные и телемедицинские технологии в охране здоровья»
Материалы международной конференции
www.idmz.ru 2006, №3
ГЧЯЯ
I Ы.МЯЯ
шой размах значений исследуемого признака. При этом значения признаков для отдельных образов могут быть достаточно близки, а значения для других классов (образов) могут значительно отличаться от «основной группы» значений и получаемое разбиение на интервалы может оказаться информативным только для небольшого числа классов (образов). Другие образы будут близки, вследствие чего не будут разделяться.
На втором этапе алгоритма полученное разбиение фиксируется, а интервал (или интервалы), имеющий большую «плотность попадания», разбивается дальше. Оценивать информативность выделяемых интервалов предложено по методу, изложенному в статье А.Е.Ян-ковской и др.[14]. Используемые далее тестовые методы распознавания предполагают дальнейший поиск закономерностей, поэтому предварительная оценка информативности получаемых интервалов рассматривается в качестве вспомогательного инструмента на этапе разбиения.
Время, затрачиваемое на поиск информативных интервалов при рассмотренном выше подходе, существенно меньше, чем при использовании комбинации разработанных ранее методов адаптивного кодирования разнотипной информации [14].
РЕЗУЛЬТАТЫ
По данным компьютерной морфометрии была сформирована база данных, включающая 4 количественных признака, измеренных у 86 пациентов (72 больных пациентов и 14 здоровых), которые необходимо было преобразовать в серию бинарных. Поскольку каждый пациент представлен в базе данных 8-13 измерениями, то объем обучающей выборки составил 683 объекта для больных пациентов и 171 для здоровых. Заключения морфологов по этим пациентам на основе визуальной оценки (по альтернативной группе признаков) были занесены в базу данных и знаний.
Поскольку в ИС ИМСЛОГ-СОЖ были занесены только результаты компьютерной морфометрии и заключения морфологов по ним, то выявленные закономерности с помощью системы ИМСЛОГ-СОЖ приводятся по вышеупомянутым исследованиям.
При формировании базы данных и знаний ИС
ИМСЛОГ-СОЖ было осуществлено сокращение признакового пространства с 200 бинарных признаков до 56. При этом было выявлено 10 групп альтернативных, 10 групп зависимых признаков, 14 неинформативных и 106 константных признаков.
На основе выявленных закономерностей построено 2880 МБДТ. Процедура построения ББДТ была прервана по превышению лимита отведенного времени при построении 14 000 тестов. В дальнейшем будет проведена оптимизация алгоритмов с целью сокращения временных затрат на построение ББДТ и введено ограничение по числу синтезированных тестов.
ЗАКЛЮЧЕНИЕ
Формализована задача выявления закономерностей и принятия решений для информационно сложных задач, связанных по экспертному заключению.
Осуществлено преобразование количественных данных в бинарные по результатам компьютерной морфометрии. На базе ИИС ИМСЛОГ создана ИМС выявления закономерностей и оценки морфологических изменений слизистой оболочки желудка ИМСЛОГ-СОЖ.
Полученные результаты позволили выявить закономерности и новые знания, построить диагностические тесты для оценки морфологических изменений в слизистой оболочке желудка. Выявленные закономерности интерпретированы специалистами изучаемой проблемной области.
Система ИМСЛОГ-СОЖ будет использована как для научных исследований, так и в практических целях для постановки диагноза.
Дальнейшие исследования будут направлены на сравнение получаемых результатов с использованием различных подходов преобразования количественных признаков в серию бинарных, в том числе и разработанных авторами на более ранних этапах исследований, а также будет проведен сравнительный анализ результатов исследования, получаемых посредством статистических методов и тестовых методов распознавания образов, реализованных в ИИС ИМСЛОГ и ИМСЛОГ-СОЖ.
Работа выполнена при финансовой поддержке РФФИ (Проект № 04-01-00144).
«Информационные и телемедицинские технологии в охране здоровья»
Др
W-ЩШШ
kJH
I и информационные
технологии
Материалы международной конференции
1. Кобринский Б.А. Ретроспективный анализ медицинских экспертных систем//Новости искусственного интеллекта. - 2005. - №2. - С.3-17.
2. Янковская А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики//Компьютерная хроника. - 1994. - №8-9. - С.61-63.
3. Дюк В.А. Технология Data Mining в медико-биологических исследованиях//Новости искусственного интеллекта. - 2004. - №3. - С.49-57.
4. Yankovskaya A.E., Chernogoryuk G.E., Muratova E.A. Intelligent test recognizing biomedical system// In: The 6th German-Russian Workshop «Pattern Recognition and Image Understanding» OGRW-6-2003, Workshop proceedings. - Novosibirsk, Russian Federation, 2003. - С.248-251.
5. Yankovskaya A.E., AmetovR.V, Muratova E.A., Chernogoryuk G.E., Mandel I.A. Information technology for solving of problems connected on expert conclusion and construction of medical intelligent system on basis of this technology//In: Proceedings of The Second IASTED International Multi-Conference Automation, Control, And Information Technology/Automation, Control, and Applications (ACIT-ACA) June 20-24, 2005, Novosibirsk, Russia. - С.187-192.
6. Кузин Е.С. Информационно сложные задачи и технология их решения//Новости искусственного интеллекта. - 2003. - №1. - С.24-29.
7. Аметов Р.В., Гедике А.И., Янковская А.Е. Интеллектуальное инструментальное средство ИМС-ЛОГ (версия 2004 года)/!Х Национальная конференция по искусственному интеллекту с международным участием (КИИ-2004)/В сб. научных трудов. Т.2. - М.: Физматлит, 2004. - С.582-590.
8. Jass J.R. Role of intestinale metaplasia in histogenesis of gastric cancer//J. Clin. Path. - 1980. - V.33. - С.801-810.
9. Янковская А.Е. Логические тесты и средства когнитивной графики в интеллектуальной системе// Новые информационные технологии в исследовании дискретных структур//В сб. докл. 3-ей Всерос. конф. с межд. участием. - Томск: Изд-во СО РАН, 2000. - С.163-168.
10. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и анализ изображений//В кн. искусственный интеллект: В 3-х кн. Кн.2. Модели и методы: Справочник/Под ред. Д.А.Поспелова. - М.: Радио и связь, 1990. - С.149-191.
11. Янковская А.Е. Тестовое распознавание на базе сочетания различных подходов//Матема-тические методы распознавания образов (ММРО-9)//В сб. докл. IX Всерос. конф. - М., 1999. -С.131-133.
12. Yankovskaya A.E. Logic-combinational probabilistic recognition algorithms//Pattern Recognition and Image Analysis. - 2001. - V.11. - № 1. - С.123-126.
13. Янковская А.Е. Принятие и обоснование решений с использованием методов когнитивной графики на основе знаний экспертов различной квалификации//Известия РАН: Теория и системы управления. - 1997. - № 5 - С.125-128.
14. Янковская А.Е., Гедике А.И., Аметов Р.В. Конструирование прикладных интеллектуальных систем на базе инструментального средства ИМСЛОГ-2002//Новые информационные технологии в исследовании сложных структур. Вестник ТГУ. Приложение №1(II)//B сб. докл. IV Всерос. конф. с межд. участием. - Томск, 2002. - С.185-190.
