CC BY
38
ПОДДЕРЖКА ПРОЦЕССА РАСШИРЕНИЯ ЗНАНИЙ ВРАЧА-ЭКСПЕРТА С ПОМОЩЬЮ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ
Саруханов Б. А., Карп В. П.
Московский государственный технический университет радиотехники, электроники и автоматики
Проблема расширения знаний врача-эксперта рассматривается в аспекте построения обобщённой картины проблемной области. Проблемная область описывается набором диагностических правил, предоставленных эксперту алгоритмами интеллектуального анализа данных. Разработан алгоритм кластеризации структуры диагностической базы знаний. Этот алгоритм выявляет общие элементы диагностических правил. На основе общих элементов формируются совокупности (кластеры), охватывающие определённую часть проблемной области.
Ключевые слова: расширение знаний, интеллектуальный анализ данных, диагностика, кластеры.
Принятие экспертных решений во многих областях человеческой деятельности (в частности, и в медицине) сопровождается сложным анализом множества факторов, влияющих на итоговое решение эксперта. В медицинских задачах часто встречаются подобные ситуации в силу особенностей описания объектов, которые характеризуются большим количеством качественных (т.е. неизмеряемых) характеристик (признаков), или, например, отсутствием части данных из-за невозможности непосредственно измерить нужный показатель. Поддержкой принимаемых решений в подобных задачах может служить использование методов интеллектуального анализа данных. Суть их заключается в поиске неявных (скрытых), устойчивых связей между характеристиками исследуемых объектов. При этом используются достижения в области компьютерных методов анализа сложных объектов (так называемые методы «Data Mining»), позволяющих обнаружить и формализовать закономерности («знания») для определённого класса объектов [1,2]. В результате этой деятельности для каждого из сравниваемых классов состояний строятся диагностические правила (ДП) и формируется компьютерная диагностическая база знаний (КДБЗ) по проблеме.
Для того чтобы сформировать обобщённую картину проблемной области, эксперту требуется иметь представление о связях между ДП как внутри каждого класса, так и между сравниваемыми классами. Целью решения такой задачи является уточнение и расширение представлений врача-эксперта об обобщённой картине проблемной области, формируемой набором ДП. В этом случае эксперт может интерпретировать не только каждое правило в отдельности, но и содержательно оценивать группу близких (часто встречающихся вместе) ДП. Для решения подобного круга задач разработан алгоритм кластеризации структуры диагностической базы знаний (КСБЗ). Алгоритм основан на идее, что симптом (значение определённой характеристики объекта), образующий наибольшее количество связей с другими симптомами, входящими в какое-либо из диагностических правил КДБЗ, может выступать в качестве базиса для смыслового объединения этих симптомов и их интерпретации на профессиональном языке. Алгоритм выявляет «сгустки» таких симптомов вокруг базиса, и на их основе формирует совокупности ДП (кластеры). Обобщающий симптом в данном случае играет роль связки, непосредственно или опосредованно (через подкластеры, составленные смежными симптомами) объединяющей все ДП в этом кластере. Причём в одних ДП он может выступать ключевой причиной, а в других - следствием симптомов, входящих в одно с ним ДП. Анализ КДБЗ, представленной в виде набора кластеров, позволяет интерпретировать различные участки проблемной области, охватываемой данной БЗ, и облегчает восприятие экспертом обобщённой картины решаемой проблемы.
Результат работы алгоритма рассматривается на примере решения задачи диагностики состояния новорожденных от матерей, перенесших инфекционное заболевание.
Анализ ДП, объединённых в кластеры, позволил обосновать неоднородность классов состояний и наличие различающихся групп объектов внутри этих классов, выявить группы ДП, близких по своему содержанию, и обеспечить решение задачи построения врачом-экспертом обобщённой картины исследуемой проблемы.
Разработанный алгоритм кластеризации КСБЗ позволил выявить, логически обозначить и семантически интерпретировать обобщённые, типичные проявления того и другого класса состояний новорожденных.
Литература:
1. Карп В.П. Интеллектуальный анализ данных в проблеме формализации интуитивных знаний эксперта. Сб. трудов конференции «Нелинейная динамика в когнитивных исследованиях» - 2011: труды конференции /Рос. акад. Наук, Ин-т приклад. физики.- Нижний Новгород: ИПФ РАН, 2011.- с. 82.
2. Карп В.П., Саруханов Б.А. «Система анализа базы знаний» (САБЗ), Свидетельство о государственной регистрации программы для ЭВМ №, г. Москва, 2011 г.
1. Сборник научных тезисов и статей «Здоровье и образование в XXI веке» РУДН, Москва, 2010г.
Материалы XII международного конгресса «Здоровье и образование в XXI веке» РУДН, Москва, 2011
2. Сборник научных тезисов и
3. Сборник научных тезисов и
4. Сборник научных тезисов и
5. Сборник научных тезисов и
6. Сборник научных тезисов и
7. Сборник научных тезисов и
8. Сборник научных тезисов и
9. Сборник научных тезисов и
10. Сборник научных тезисов и
11. Сборник научных тезисов и
статей «Здоровье и образование статей «Здоровье и образование статей «Здоровье и образование статей «Здоровье и образование статей «Здоровье и образование статей «Здоровье и образование статей «Здоровье и образование статей «Здоровье и образование статей «Здоровье и образование статей «Здоровье и образование
в XXI веке» РУДН, Москва, 2009г. в XXI веке» РУДН, Москва, 2008г. в XXI веке» РУДН, Москва, 2007г. в XXI веке» РУДН, Москва, 2006г. в XXI веке» РУДН, Москва, 2005г. в XXI веке» РУДН, Москва, 2004г. в XXI веке» РУДН, Москва, 2003г. в XXI веке» РУДН, Москва, 2002г. в XXI веке» РУДН, Москва, 2001г. в XXI веке» РУДН, Москва, 1999г.
DOCTOR-EXPERT’S KNOWLEDGE EXPANSION PROCESS SUPPORT WITH ASSISTANCE OF THE INTELLIGENT DATA ANALYSIS METHODS
Sarookhanov B. A., Karp V.P.
Department of Information Systems, 117454, Moscow Vernadsky avenue 78
The problem of doctor-expert’s knowledge expansion is considered in aspect of the generalized picture construction of the problem area. The problem area is described by a set of diagnostic rules, given to the expert by intelligent data analysis algorithms. The diagnostic knowledge base structure clusterization algorithm is developed. This algorithm reveals the common elements of diagnostic rules. On the basis of common elements sets (clusters) are formed, covering a certain part of a problem area.
Keywords: knowledge expansion, intelligent data analysis, diagnostics, clusters.
Материалы XII международного конгресса «Здоровье и образование в XXI веке» РУДН, Москва, 2011
