CC BY
56
УДК: 004.89:616
Karp V. P., Agarval R. K. and others.
A NEW CONCEPT OF ARTIFICIAL INTELLIGENCE METHODS USE IN YOUNG MEDICAL SPECIALISTS’ KNOWLEDGE EXPANSION PROBLEM.
Abstract. An idea of intelligent data analysis specialists’ and young medics’ joint participation in actual medical problems solving is proposed. Medical specialists’ effective university education organization concept is developed.
Key words: artificial intelligence, young medical specialists, university education.
Карп В.П., Агарвал Р.К., др.
Московский государственный университет радиотехники, электроники и автоматики, МГТУ МИРЭА, Москва
НОВАЯ КОНЦЕПЦИЯ ИСПОЛЬЗОВАНИЯ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПРОБЛЕМЕ РАСШИРЕНИЯ ПРОФЕССИОНАЛЬНЫХ ЗНАНИЙ МОЛОДЫХ СПЕЦИАЛИСТОВ МЕДИЦИНСКОГО ПРОФИЛЯ
Аннотация. Предложена идея совместного участия специалистов в области методов интеллектуального анализа данных и молодых врачей в решении актуальных медицинских проблем. Разработана концепция организации эффективного вузовского образования медицинских специалистов.
Ключевые слова: искусственный интеллект, молодые врачи, университетское образование.
Преамбула. В последние десятилетия наблюдается активное использование методов искусственного интеллекта (ИИ) для решения сложных задач в различных областях деятельности человека. ИИ изучает возможности обеспечения разумных суждений и действий человека с помощью вычислительных систем; изучает методы решения задач, требующих человеческого понимания; определяет поиск и реализацию алгоритмов для поддержки принятия решений. При этом в большинстве случаев алгоритм решения задачи заранее неизвестен. Иными словами, ИИ - наука и технология создания интеллектуальных компьютерных программ и систем поддержки принятия решений (СППР) в трудных для исследователя ситуациях (обстоятельствах).
В основе создания подобных СППР лежат результаты использования компьютерных методов интеллектуального анализа данных (ИАД). Основная цель методов АИД — обнаружение (в исходных, «сырых» данных) скрытых «знаний», ранее неизвестных, нетривиальных, практически полезных и доступных для интерпретации, необходимых для принятия решений в тех или иных сферах человеческой деятельности [1, 4, 6, 13]. Использование методов ИАД в прикладных пользовательских системах поддержки принятия решений позволили достичь значительных результатов при решении различных классов слабо формализованных задач. Осо-
бую важность эти методы приобретают при необходимости решать задачи, связанные с исследованием сложно организованных объектов в ситуациях с неполной и/или зашумленной информацией.
Круг задач, требующих создания СППР, оказался достаточно «популярным» в различных предметных областях и определился как класс задач «распознавания образов». Значительную часть подобных разработок представляют подходы, основанные на принципе «машинного обучения на примерах» [2, 3, 5, 7, 12]. Такая технология оказалась весьма эффективной во многих прикладных задачах.
Не вызывает сомнения тот факт, что методы ИИ могут быть весьма эффективными в решении многих сложных проблем, возникающих в медицине. Введение- Медицина представляет собой образец слабо структурированной предметной области. Это связано, в первую очередь, с специфическими особенностями медицинских данных. Сюда относятся многообразие и сложность форм клинического проявления заболеваний, трудности в получении представительных выборок для обучения, обилие «шумов», связанных с индивидуальными
особенностями разных людей, и, зачастую, недопустимость выделения контрольной группы пациентов и многое другое. Следует также отметить, что медицинские данные крайне изменчивы, подвержены влиянию многих сложных взаимодействующих факторов и, как правило, имеют качественный, а иногда и субъективный характер. Медицинская информация отражает проявление болезни через параметры клинических, лабораторных, физиологических и других исследований, имеющих как количественные, так и качественные оценки.
Все выше перечисленное создает для молодого специалиста серьезные трудности в процессе принятия решений. В подобных случаях ему требуется аргументированная поддержка принятия решения.
В настоящее время, почти все компьютерные разработки можно отнести к одному из следующих направлений по их назначению (цели) [7]:
^ информационная и интеллектуальная поддержка пользователей в их практической деятельности (поддержка принятия решений в ситуации неопределенности);
^ освобождение пользователя от выполнения рутинной работы;
^ обеспечение исследований адекватными математическими и вычислительными методами;
^ обеспечение современного уровня передачи знаний.
Однако до последнего времени владение методами искусственного интеллекта остается прерогативой специалистов «смежных» (например, относительно медицины) областей - математиков, программистов, когнитологов (аналитиков). Это, в свою очередь, значительно ограничивает участие в подобных исследованиях специалистов предметных областей, (слабо знакомых с возможностями ИИ), но нуждающихся в решении своих актуальных проблем.
В то же время, опытный специалист в своей практической деятельности выстраивает последовательность умозаключений, опирающихся на представления о связи наблюдаемых у больного признаков с определенным диагнозом. Быстрота принятия решения зависит, по мнению Б.А. Ко-бринского [11], как от квалификации и диагностического «чутья» врача, так и от особенности проявления заболевания у конкретного больного. Процесс принятия решения относительно, например, лечебных мероприятий конкретного больного опирается, в первую очередь, на результат его диагностики. При этом врач в неявной
форме использует аппарат аргументации для подтверждения своей гипотезы - одного или, в редких случаях, сочетания двух диагнозов. Аппарат аргументации представляет собой неявные (интуитивные) профессиональные знания врача, накопленные им в результате практического опыта. В то же время, могут обнаруживаться признаки, обладающие почти одинаковой дифференциальной значимостью, учет которых практически никак не влияет на решение вопроса об отклонении диагностической гипотезы. Такие ситуации порождают «конфликт» между возникшей сложной ситуацией (проблемой), требующей разрешения, и отсутствием необходимых аргументов (знаний) для принятия адекватного решения. Возникновение подобных конфликтов являются побудительным мотивом поиска дополнительных источников «знаний» [10, 11].
Концепция расширения профессиональных знаний молодого специалиста
При необходимости решения возникших проблем перспективным является использование современных пакетов прикладных программ ИАД (Data Mining), предназначенных для многостороннего компьютерного исследования [1, 3, 4 и др.]. Основная цель таких методов обеспечивать, с одной стороны, корректность анализа на всех этапах исследования, с другой — предоставлять специа-листу-исследователю возможность контролировать процесс формирования знаний, используя промежуточные результаты, менять параметры анализа и получать конечные результаты в виде, удобном для интерпретации и т.п. Принятые «разумные», с точки зрения специалиста, компьютерные решения конкретной проблемы (решающие правила) получили название «база знаний» (БЗ).
Полученные новые знания в дальнейшем могут быть использованы для создания систем поддержки принятия решения (СППР) в ситуации неопределенности, консультативно-
диагностических систем, экспертных и других прикладных систем в конкретной предметной области [7].
В работах [5, 6, 7, 8, 9. 10, 12] подробно изложены принципы и способы реализации технических и алгоритмических решений по расширению и интерпретации новых профессиональных знаний специалиста. Определены модули, допускающие максимальную алгоритмизацию анализа данных; предложены алгоритмы, повышающие эффективность функционирования некоторых модулей; рассмотрены критерии, определяющие качество построенного решающего правила и расчет его
Since 1999 ISSN 2226-7425
Журнал научных статей «Здоровье и образование вXXI веке» (Серия медицина), 2012, том 14 [1]
—--------------------------—
диагностической ценности; определен горизонт практического использования ДБЗ. Приведены результаты эффективного использования (на конкретном примере) «новых знаний» для решения сложных реальных медицинских задач [10, 11].
По сути, эта концепция сохраняет свою структуру и для специалистов любого уровня владения профессиональными знаниями. Однако для организации эффективного процесса пополнения знаний молодого специалиста перспективной видится возможность более раннего вовлечения его в исследование, содержащее проблему выбора в решении актуальных сложных задачах. Примерами таких задач могут быть: задача дифференциальной диагностики схожих по симптоматике заболеваний; прогнозирование того или иного исхода (класса состояний) пациента в процессе монито-рирования его показателей; оценка эффективности применения тех или иных лечебных мероприятий в сравниваемых группах пациентов, и др.
При этом подразумевается, что заинтересованность молодого специалиста в успешном решении своей задачи (проблемы) гарантирует осознанное его участие на всех этапах исследования до достижения поставленной цели.
«Осознанное» участие подразумевает несколько аспектов:
^ ознакомление со всеми основными этапами прохождения решений;
^ с возможностями и способами использования рекомендованных компьютерных решений;
^ осознание факторов, которые могут влиять на результат решения задачи; и др.
Следует заметить, что освоение возможностей и требований, предъявляемых «смежной» (компьютерной) областью, в процессе решения своих профессиональных задач у молодого специалиста обычно не вызывает трудностей; в крайнем случае, они сведены к минимуму.
Заключение
Новая концепция подразумевает организацию коллектива участников, включая молодых врачей и их руководителей, а также специалистов «смежной области» (аналитиков-когнитологов, математиков-
программистов) для проведения совместных исследовательских работ по решению конкретной медицинской проблемы.
В процессе совместного решения какой-либо прикладной проблемы (задачи) молодой специалист проходит полный цикл технологии формирования новых знаний, обеспечивающих в итоге ему аргументированную информационную поддержку
решения задач в аналогичных сложных ситуациях.
Только тогда, когда специалист в рамках своих профессиональных знаний сумеет проинтерпретировать компьютерный вариант выявленных закономерностей, можно считать, что новые знания получены.
«Знания» подразумевают смысловую, содержательную формулировку выявленных закономерностей, представленных на естественном профессиональном языке пользователя.
В дальнейшем полученные знания могут быть использованы в различных пользовательских системах, включая и системы тиражирования знаний.
ЛИГЕРАГУРА:
1. Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. Методы и модели анализа данных: OLAP и Data Mining. - СПб.: БХВ-Петербург, 2004. - 330 с.
2. Бонгард М.М. Проблемы узнавания. - М.: наука, 1967. - 320 с.
3. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. Учеб-ник. — СПб.: Питер, 2000
4. Дюк В., Самойленко А. Data Mining/ - СПб.: Питер, 2001.- 366 с.
5. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации //Проблемы кибернетики. - 1978.- вып. 33.
6. Искусственный интеллект. Книга 2. Модели и методы. / Под ред. Проф. Д.А. Поспелова.-М.: Радио и связь,
1990.-304 с.
7. Карп В.П. Интеллектуальный анализ данных в проблеме построения решающих правил классификации //Новости искусственного интеллекта.- 2006.- №2. - с. 57-75.
8. Карп В.П. Методы и средства контроля и диагностики сложноорганизованных объектов: Учебное пособие /Московский государственный институт радиотехники, электроники и автоматики.-М., 2008.-196 с.
9. Карп В.П., Саруханов Б.А. Поддержка процесса расширения знаний врача-эксперта с помощью методов интеллектуального анализа данных. - Сб. трудов XII Всемирного Конгресса «Здоровье и образование в XXI веке». М. РУДН. - 2011. - с. 245-246.
10. Карп В.П., Саруханов БА., Сафарова ЭА. Алгоритм обнаружения и учета скрытых связей в диагностических базах знаний по конкретной проблеме // Сб. научных трудов 59-й Н-Т конф. МИРЭА. М.: 2010. Ч.1. с. 18-23.
11. Кобринский Б.А. Логика аргументации в принятии решений в медицине // НТИ Сер. 2. 2001. № 9. с.1-8.
12. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных фактов. - М.: Радио и связь, 1989.- 184 с.
13. Тельнов Ю.Ф., Диего С.М., Полякова Т.М. Интеллектуальные системы обработки данных. Учебное пособие.- М.: МЭСИ, 1989.-102 с.
