CC BY
138
Системы поддержки принятия врачебных решений
www.idmz.ru
гол 3, №6
Н.А. КОРЕНЕВСКИЙ,
д.т.н., профессор, заведующий кафедрой биомедицинской инженерии Юго-Западного государственного университета, г. Курск, Россия В.Н. СНОПКОВ,
д.м.н., профессор кафедры биомедицинской инженерии Юго-Западного государственного университета, г. Курск, Россия А.А. БУРМАКА,
д.т.н., профессор кафедры биомедицинской инженерии Юго-Западного государственного университета, г. Курск, Россия Е.Б. РЯБКОВА,
аспирант кафедры биомедицинской инженерии Юго-Западного государственного университета, г. Курск, Россия
ПРОЕКТИРОВАНИЕ МЕДИЦИНСКИХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ НЕЧЕТКИХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
УДК 617.47
Кореневский Н.А., Снопков В.Н., Бурмака АЛ., Рябкова Е.Б. Проектирование медицинских интеллектуальных систем поддержки принятия решений на основе нечетких информационных технологий (Юго-Западный государственный университет, г. Курск, Россия)
Аннотация: В работе рассматриваются методы получения нечетких моделей для прогнозирования и медицинской диагностики в условиях неполного и нечеткого представления информации о решаемых задачах. Приводится практический пример получения правил нечеткого прогнозирования возникновения острого холецистита для системы поддержки принятия решений врача-гастроэнтеролога.
Ключевые слова: прогноз, диагностика, нечеткая логика, информационные технологии, функция принадлежностей.
UDC 617.47
Korenevsky N.A., Snopkov V.N., Burmaka A.A., Ryabkova E.B. Designing intelligent medical decision support systems based on fuzzy information technology (Southwest State University, Kursk, Russia)
Abstract: This paper considers methods for fuzzy models for predicting and medical diagnosis in incomplete and unclear reporting tasks. Provides a practical example of the rules get fuzzy prediction of acute cholecystitis for decision support system doctor gastroenterologist.
Keywords: prediction, diagnosis, fuzzy logic, information technology, function accessories.
Введение
Анализ многочисленных литературных данных и собственные исследования позволили сделать вывод о том, что значительное число задач прогнозирования, ранней и дифференциальной диагностики в медицинских приложениях характеризуется сложностью формализации классов состояния здоровья организма, а в задачах прогнозирования и ранней диагностики различные классы сильно пересекаются в пространстве информативных признаков [2, 5, 8].
© Н.А. Кореневский, В.Н. Снопков, А.А. Бурмака, Е.Б. Рябкова, 2013 г.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 49 ■
F4II
Системы поддержки принятия врачебных решений
1 и информационные
технологии
%
> Кроме того, для целого ряда социально значимых задач построение прогностических и диагностических математических моделей характеризуется неполным и нечетким представлением исходных данных. В таких условиях рядом исследователей рекомендуется применять аппарат нечеткой логики принятия решений [1, 2, 3, 4, 6, 7, 9, 11]. Однако механизм синтеза нечетких решающих правил для многочисленных задач, возникающих в различных медицинских приложениях, изучен недостаточно. Особенно сложно решается вопрос выбора функций принадлежности к исследуемым классам состояний и способов их агрегации в финальные решающие правила.
В предлагаемой работе обобщаются результаты использования нечеткой логики принятия решений в медицине и даются рекомендации, направленные на повышение эффективности ее использования при решении задач практического здравоохранения, ориентированного на широкое использование современных информационных технологий.
Методы и типовая структура системы поддержки принятия решений
Исторически одним из первых примеров использования нечеткой логики в медицине являлись работы Е. Шортлифа, который в результате кропотливого обобщения методов, применяемых в реальной медицинской диагностике врачами различных специальностей, пришел к выводу, что соответствующие математические модели должны обладать свойствами накопления уверенности в принимаемых решениях по мере поступления соответствующих данных [7, 9].
Математически такая логика принятия решений по Е. Шортлифу описывается тремя основными формулами:
CF1 = MB,- MD, (1)
MB, (i + 1) = MB, (i) + MB*(xi+1) ■ [1 - MB, (i)] (2) MD,[i + 1) = MD1(i) + MD*(xi+j) ■ [1 - MD1(i)], (3)
где CF1 — коэффициент уверенности в принимаемых решениях по гипотезе ш1; MB1(i) — мера доверия к гипотезе (диагнозу) l для i информативных признаков; MB1(xi+1) — мера доверия к гипотезе l от вновь поступившего признака на текущем шаге интеракции; MD1(i) — мера недоверия к гипотезе l для i информативных признаков; MD1(xi+1) — мера недоверия к гипотезе l при условии поступления информативного признака с номером i+1.
Такая логика принятия решения использована в широко известной экспертной системе типа MYCIN.
Одним из удачных практических примеров использования нечеткой логики принятия решений в отечественном здравоохранении являются скринирующие системы типа АСПОН разработки Санкт-Петербургской школы биомедицинской кибернетики [1,6].
В основу ее построения положены функции принадлежностей А, = ji(x) к диагнозу с базовой переменной по информативным признакам.
Агрегация функций принадлежностей в диагностические решающие правила осуществляется с помощью операций логического и арифметического сложений и умножений.
Одним из существенных недостатков систем типа MYCIN, АСПОН и других аналогичных систем является то, что и базовые элементы математических моделей, и финальные нечеткие модели строятся на основе знаний медицинских экспертов, которые, с одной стороны, часто не обладают достаточным объемом знаний в нечеткой логике принятия решений, а с другой стороны, имея богатую интуицию и личный опыт, они вносят большую долю субъективизма в получаемые прогностические и диагностические модели.
Устранить определенным образом эти и ряд других недостатков, присущих современным информационным системам, использующим нечеткую логику принятия решений, призван подход, развиваемый на кафедре биомедицинской инженерии Юго-Западного университета (ЮЗГУ) [2, 3, 4, 5, 8].
Системы поддержки принятия врачебных решений
www.idmz.ru
гол 3, №6
В соответствии с этим подходом производится объединение идей Е. Шортлифа [7, 9], максимально приближенных к логике практикующих врачей, с идеями Л. Заде [11], решающие правила которых обладают мощными вычислительными возможностями, а для выбора типов используемых функций принадлежности к исследуемым классам состояний и способов их агрегации предлагается использовать методы разведочного анализа по Е. Саймону [10], которые адаптированы под нечеткую логику работами ученых ЮЗГУ [2, 4, 5].
При таком подходе реализуется следующий метод синтеза нечетких решающих правил, ориентированный на решение задач прогнозирования и медицинской диагностики:
1. На экспертном уровне определяются типы (прогноз, ранний, дифференциальный диагноз) и классы (вид, стадии и т.д.) заболеваний, для которых формируется пространство информативных признаков.
2. Производится разведочный анализ, в ходе которого уточняется структура классов в многомерном пространстве признаков, тип и характер возможных зон пересечений этих классов, казуистические ситуации, технология формирования признаков.
3. Под известные структуры данных и классов выбираются типы функций принадлежностей и способы их агрегации по подпространствам и пространствам информативных признаков, формируя частные и финальные решающие правила.
Укрупненно в этом пункте рекомендуется придерживаться следующих правил при выборе функций принадлежностей и способов их агрегации [2, 3, 4, 5]:
3.1. Если группа или все информативные признаки таковы, что каждый из них увеличивает уверенность в гипотезе (диагнозе шф то частную и (или) общую уверенность U0l (i) в Ш] рекомендуется определять по формуле:
Um\i +1)= UMl(/) + дШ1(х;)[1 - UMl(/)], (5)
где jl0] (х) — функция принадлежности к Ш1 с базовой переменной по признаку xi; i — номер признака в группе (подпространстве) или во всем списке признаков.
3.2. Если в различных подпространствах признаков с номером j любым из известных способов определена частная уверенность UP00](j) в гипотезе Ш1 и использование каждого из показателей UPШ (j) увеличивает уверенность в Ш1, то общая уверенность в Ш1 определяется выражением:
Um,U + 1)= Uwij)+ UPw(j + 1)[1 - Uj (6) где UCOl(1)= UPM,( 1).
3.3. Если в подпространстве или пространстве признаков все из них таковы, что отсутствие одного из них требует отказа от Ш1, то уверенность в исходной гипотезе определяется выражениями:
UpMl = min [Мш1(х,)] или
Uco1 = min [Дш1(Х)] (7)
Это правило, с геометрической точки зрения, можно трактовать как классификацию по попаданию исследуемого объекта в нечеткий гиперпараллелепипед, ограниченный ненулевыми значениями всех jio0] (x).
3.4. Если наличие любого из признаков достаточно для оценки наличия гипотезы Ш1, то рекомендуется использовать правили вида:
UPo1 = max K(xi)] или U01 = max [ДШ1(Х)] (8)
3.5. Если в пространстве признаков находятся группы признаков, удовлетворяющих (7) и (8), то рекомендуется использовать правило вида:
UC01 = maX {min [UP01(i,j)]} (9)
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 51 ■
щщшш
1 и информационные
технологии
Системы поддержки принятия врачебных решений
ПО СППР
Рис. J. Типовая структура СППР с нечетким логическим выводом
Геометрически это правило соответствует аппроксимации геометрических образов, соответствующих исследуемым классам состояний наборами нечетких гиперпараллелепипедов.
3.6. Если в ходе разведочного анализа выясняется, что между исследуемыми классами состояний возможно проведение разделяющих гиперплоскостей типа Z = Fi(tAi,x), то целесообразно использовать правила вида:
UPWi= Мад)] иёи иШ1= ЛоДОД], (10)
где Fi — функция, определяющая вид разделяющей поверхности Zi (линейная, кусочнолинейная, квадратичная и т.д); Di(Zi) — функция расстояния от исследуемых объектов до разделяющей поверхности Zi [3].
3.7. Для конфигураций объектов в классы типа «шар» в «шаре», «шар» в «чаше» или для других типов вложенных структур вместо разделяющих поверхностей типа (i0) удобнее использовать эталонные структуры (центр
«внутреннего» класса, центры «сгустков» объектов, казуистические объекты и т.д.) [4].
Типовая структура системы поддержки принятия решений (СППР), реализующая рассмотренный метод, приведена на рис. 1.
В этой системе взаимодействие лица, принимающего решение (ЛПР), с программным обеспечением СППР (ПО СППР) осуществляется через интеллектуальный интерфейс (ИИ).
Процесс синтеза нечетких решающих правил типов 5—10 обеспечивает блок обучения (БО), взаимодействующий с базой данных (БД) системы через соответствующую систему управления (СУБД). В части правил, использующих формулы типа (5) и (6), в работу «включается» итерационный решатель (ИР). Функции принадлежностей формул 5, 7, 8, 9, 10 (переход к нечеткому представлению информации) реализуются фуззификатором (ФЗ). Агрегация нечетких решающих правил реализуется агрегатором (АГР), а результаты работы СППР в форме, пригодной для восприятия врачом (ЛПР), формируются блоком принятия решений (БПР).
Системы поддержки принятия врачебных решений
www.idmz.ru
гол 3, №6
ПК
Рис. 2. График изменений прогностических показателей качества
Клинический пример
В качестве клинического примера решалась задача прогнозирования возникновения острого холецистита. Для этой задачи эксперты выделили три группы признаков:
• концентрация микроэлементов (Cu, Zn, Co) в целой крови пациента;
• электрическое сопротивление акупунктурных точек E25, VB24, VB24, VB38, VB40, VG9, связанных с заболеванием холецистит;
• признаки, традиционно измеряемые в медицине: возраст (хф пол (x2); диспептичес-кие расстройства (х3); выраженность болевого синдрома (х4); окраска кожных покровов (х5); наличие сопутствующей патологии (х6); частота пульса (х7); перитонеальные синдромы (Х8); этиология (Х9); желчный пузырь по УЗИ (х10); наличие гипертензии по УЗИ (xn); осмотр БСДК на ФГДС (х]2); наличие синдрома дежурной петли на R-графии (х]3); гемато-крит (х]4); лейкоцитарный индекс интоксикации (х]5); мочевина (х16); билирубин (х]7); креатин (х]8); диастаза мочи (х]9);
Для каждого из признаков были построены функции принадлежностей к классу риск возникновения острого холецистита высокий. Частные решающие правила для каждой группы признаков определялись по формуле (5). Общая уверенность — по формуле (6).
Для проверки качества прогнозирования на репрезентативных контрольных выборках (100 человек на класс) по классам: риск возникновения острого холецистита отсутствует и пациенты заболевают острым холециститом в течение 5 лет), вычислялись такие показатели качества, как диагностические чувствительность (ДЧ), специфичность (ДС) и эффективность (ДЭ), прогностическая значимость положительных (ПЗ+) и отрицательных (ПЗ -) результатов.
В ходе экспериментальных исследований было установлено, что при решении прогностических задач все показатели растут по мере увеличения срока наблюдения и, по мнению экспертов, на третий год наблюдения полученным решающим правилам можно доверять с уверенностью, приемлемой для практического использования.
Тенденция изменения качества прогнозирования по показателю ПЗ + в зависимости от времени наблюдения иллюстрируется графиком, приведенным на рис. 2.
Аналогичные зависимости наблюдаются по остальным показателям качества классификации.
Численные значения показателей качества прогнозирования, соответствующие утверждению, что в течение 3-х лет у пациента будет острый холецистит, распределись следующим образования: ДЧ = 0,86; ДС = 0,94; ПЗ+ = 0,91; ДЭ = 0,91.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 53 ■
щщшш
1 и информационные
технологии
Системы поддержки принятия врачебных решений
Полученные результаты говорят о хорошем качестве прогнозирования, обеспечиваемом предложенными нечеткими решающими правилами.
Выводы
1. Использование методов разведочного анализа при синтезе нечетких решающих правил для решения задач прогнозирования и медицинской диагностики снижает субъекти-
визм при выборе типов и параметров функций принадлежностей и позволяет строить решающие правила, адекватные структуре медицинских данных.
2. Практическое использование рассмотренного подхода при решении задач прогнозирования острого холецистита показывает приемлемые для медицинской практики результаты, что позволяет рекомендовать его для дальнейших медицинских исследований.
ЛИТЕРАТУРА
1. Воронцов И.М., Шаповалов В.В., Шерстюк Ю.М. Здоровье. Опыт разработки и обоснование применения автоматизированных систем для мониторинга и скринирую-щей диагностики нарушений здоровья. — СПб.: ООО «ИПК «Коста», 2006. — 432 с.
2. Кореневский Н.А., Крупчатников Р.А., Горбатенко С.А. Синтез нечетких сетевых моделей, обучаемых по структуре данных для медицинских систем//Медицинская техника. — 2008. — № 2. — С. 18-24.
3. Кореневский Н.А., Рябкова Е.Б. Метод синтеза нечетких решающих правил для оценки состояния сложных систем по информации о геометрической структуре многомерных данных//Вестник Воронежского государственного технического университета. — 2011. — Т. 7. — № 8. — С. 128-136.
4. Кореневский Н.А., Филист С.А, Устинов А.Г, Рябкова Е.Б. Геометрический подход к синтезу нечетких решающих правил для решения задач прогнозирования и медицинской диагностики//Биомедицинская радиоэлектроника. — 2012. — №4. — С. 20-25.
5. Титов В.С., Устинов А .Г., Ключиков И. А., Шевякин В.Н. Оценка состояния здоровья человека с помощью гетерогенных нечетких правил//Известия Юго-Западного государственного университета. — 2012. — № 1. — 4.1. — С. 41-55.
6. Шаповалов В.В. Нечеткий метод построения решающих правил в системах скрини-рующей диагностики//Биомедицинская радиоэлектроника. — 2013. — № 1. — С. 64-66.
7. Bruce G. Buchanan, Edward H. Shortlife. Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. — Addison-Wesley Publishing Company. Reading, Massachusetts, 1984, ISBN 0-201-10172-6.
8. Riad Al-Kasasbeh, Nikolay Korenevskiy, Mahdi Alshamasin, Florin lonescoufnd Andrew Smith. Prediction of gastric ulcers based on the change in electrical resistance of acupuncture points using fuzzy logic decision-making//In: Computer Methods in Biomechanics and Biomedical Enginering. iFirst article. — 2012. — P. 1-12.
9. Shortlife E.H. Computer-Based medical Consultations: MYSIN. — New York: American Elseviver, 1976.
10. Sammon Jr. J.W., Proctor A.H , Roberts D.F. An interactive-graphic subsystem for pattern analysis//Pattern Recognition Pergamon Press. — 1971. — Vol. 3. — P. 37-52.
11. Zadeh L.A. Advances in Fuzzy Mathematics and Engineering: Fuzzy Sets and Fuzzy Information-Granulation Theory. — Beijing: Beijing Normal University Press, 2005. ISBN 7-303-05324-7.
