CC BY
58
ПРОЦЕСС ЛЕЧЕНИЯ КАК АДАПТИВНОЕ УПРАВЛЕНИЕ ЧЕЛОВЕЧЕСКИМ ОРГАНИЗМОМ В ПРОГРАММНОЙ СИСТЕМЕ
«СПУТНИК ВРАЧА»
Юдин В. Н., к. т. н. (Институт системного программирования РАН, viidin@ispras .ru).
Карпов Л. Е., д. т. н. (Институт системного программирования РАН, mak@ispras.ru).
Ватазин А. В., д. м. н. (МОНИКИ им. М. Ф. Владимирского, vatazin@vandex.m),
Предлагается подход к математической формализации понятия «лечение» на основе теории управления и принятия решений, для чего используется метод вывода по прецедентам. При рассмотрении текущего случая отыскивается похожий прецедент, и используется решение, принятое в сходной ситуации. Для решения проблемы выбора наиболее подходящего прецедента используется введенная авторами мера близости. Описанный метод воплощен в программной системе Спутник Врача, обеспечивающей поддержку врачебных решений в диагностике и выборе лечения.
На основании проведенных исследований разрабатываемого математического аппарата [4,5,6] и накопленной врачебной практики [7] авторы предлагают подход к формализации понятия «лечение» на основе теории управления и теории принятии решений. В рамках этих исследований и в целях облегчения привлекаемого математического аппарата авторы рассматривают процесс лечения как продолжительный процесс адаптивного управления таким сложным объектом, как человеческий организм, и трактуют процесс лечения как последовательность управляющих воздействий на организм больного. В программной системе Спутник Врача, совместно разрабатываемой Институтом Системного Программирования РАН и МОНИКИ им. М. Ф. Владимирского, реализован подход к интеграции методов интеллектуального анализа данных (Data Mining), вывода на основе прецедентов (Case Base Reasoning) и адаптивного управления (Adaptive Control) в единой самообучающейся системе, позволяющей управлять объектами со сложным, плохо формализуемым поведением.
Адаптация - это процесс изменения параметров и структуры управляемой системы и управляющих воздействий, который применяется с целью достижения определенного (обычно называемого оптимальным) состояния системы. Понятие управления с адаптацией (адаптивного управления) предполагает, что желательное состояние системы определяется на основе предшествующего процесса управления, то есть на основе накопления опыта. В этом же смысле употребляется термин "обучение". Таким образом, основное свойство адаптивных систем -реализация цели управления в условиях недетерминированной внешней среды и изменяющихся параметров объекта.
Адаптивное управление - это замкнутое управление с обратной связью. Такая связь (рис. 1) может использоваться для прогноза возможных последствий управления. Правильная реакция возможна лишь при построении математической модели, адекватно отображающей среду функционирования и сам объект управления.
Рис. 1. Структура адаптивного управления.
Когда известных параметров объекта управления и окружающей среды недостаточно для полного и однозначного определения его поведения, принимать решение об управляющем воздействии на объект, зная только его параметры,
нельзя. Знание поведения объекта будет более полным, если управление им будет осуществляться не по его параметрам, а по его состояниям. Если удается сформировать на основе априорной информации обобщенные, или агрегированные образы - классы состояний объектов (например, стадии заболеваний), когда реакция объекта из каждого класса известна и типична, задача управления упрощается. Авторы поставили перед собой задачу смоделировать управление объектами по прецедентам, основываясь на классах состояний.
Понятие цели управления не всегда отождествляется с достижением конкретного состояния. Целью может быть управляемое поведение, учитывающее переходы объекта из одного класса состояний в другой. Так, при лечении хронических заболеваний, задача восстановления больного органа - невыполнима. Тогда целью управления может стать замедление процесса дегенерации рабочей ткани. Поэтому, говоря о цели, имеется в виду не состояние, а оптимальное поведение объекта.
Адаптивное управление до настоящего времени рассматривалось в плане управления физическими процессами. «Классические» подходы к управлению объектами [1, 3] строятся на предположении, что можно получить точную, аналитически заданную форму функциональной зависимости входных и выходных параметров системы управления, с последующим уточнением значений входящих в нее коэффициентов. Однако, при всей изощренности наработанного математического аппарата, областью применения таких методов управления остаются сравнительно простые объекты управления с очевидными свойствами, то есть хорошо формализуемые объекты.
На практике типичными являются плохо формализуемые объекты управления, чьи свойства априори плохо известны или изменяются в процессе функционирования. В силу недостаточности знаний об объекте и среде, в которой он функционирует, получить точную модель поведения такого объекта затруднительно. Однако управление такими объектами не менее интересно и не менее важно, чем управление хорошо формализуемыми объектами. В последнее время активно развивается «неклассический» подход к теории управления, связанный с применением алгоритмов и методов интеллектуального управления на основе нечеткой логики, нейронных сетей и генетических алгоритмов. С этим же подходом связаны ситуационное управление на основе иерархических моделей с нечеткими предикатами; модели и алгоритмы принятия решений на основе методов искусственного интеллекта.
Авторы предлагают для этого использовать вывод по прецедентам - метод принятия решений, в котором используются знания о ранее возникавших ситуациях или случаях (прецедентах) [3]. Прецедент - это описание проблемы в совокупности с подробным указанием действий, предпринимаемых для решения данной проблемы. Согласно [2], прецедент включает описание проблемы, описание решения этой проблемы и результат применения решения (исход). Прецедент, если он признан схожим, является обоснованием решения. При рассмотрении новой проблемы (текущего случая) отыскивается похожий прецедент, и вместо повторного вычисления решения, используется решение, принятое в сходной ситуации, с возможной адаптацией к текущему случаю.
Описание проблемы должно содержать всю информацию, необходимую для достижения цели вывода. При выборе лечения описание - это симптомы больного, результаты исследований, анамнез, и т. д. Описание решения - это перечень выполненных по отношению к нему воздействий. Исход (состояние больного после примененного лечения) - это обратная связь, позволяющая анализировать решение.
В ситуации, когда объект не поддается формализации, вместо точного вида математической модели объекта доступна только априорная информация о
состояниях объекта управления, управляющих воздействиях на него и результатах воздействий (база прецедентов). В терминах вывода по прецедентам, информация о состоянии объекта - это описание проблемы, а выдача управляющего воздействия есть решение проблемы, тогда результат воздействия - это результат применения решения. Тем самым, схема адаптивного управления модифицируется и становится такой, как показано на рис. 2.
Рис. 2. Структура адаптивного управления на основе базы прецедентов.
Человеческий организм, как сложный объект управления, обладающий большими компенсаторными возможностями, плохо поддается формализации. Попытки составить его адекватную математическую модель до сих пор не приводили к какому-нибудь заметному успеху. Эта модель потребовала бы такое количество параметров, что само их определение было бы препятствием. В случае проблем с измерением хотя бы одного параметра с нужной точностью, применять эту модель было бы неправомочным. В таких обстоятельствах методы вывода по прецедентам могут рассматриваться как перспективные.
Изначально наполняемая смоделированными типовыми схемами лечения, а в дальнейшем пополняемая случаями из врачебной практики, накопленная совокупность прецедентов образует так называемую «базу прецедентов». Система, построенная по такому принципу, является самообучаемой: чем больше
прецедентов содержится в базе, тем больше спектр их возможных значений, тем выше вероятность найти «наиболее подходящий» прецедент, следовательно, выше качество управления.
Проблема выбора наиболее подходящего прецедента является одной из самых важных в таких системах. Искомая «мера близости», отражающая сходство текущего объекта и выбранного прецедента, определяется сравнением их признаков. Разбиение базы прецедентов на классы состояний - один из способов ускорить поиск: прецеденты, принадлежащие одному классу, по определению являются схожими. Классы могут быть построены различными способами: с помощью экспертного знания, на основе обучающей выборки, или путем кластеризации базы прецедентов.
При рассмотрении текущего случая соответствующая ему точка сравнивается с расположением классов в проекции на пространство его признаков. Прецеденты, входящие в один класс с ним, считаются близкими к нему. Неполностью описанный случай (у которого часть признаков по отношению к введенным классам отсутствует), может попасть в пересечение классов. Прецеденты можно разделить на группы, в зависимости от сложности пересечения. Те, что находятся в одной с текущим случаем внутренней области пересечения, естественно считать более близкими к нему, чем те, которые находятся с ним только в одном классе (рис. 3).
Структура базы прецедентов не ограничивается классами. Прецеденты, отражающие хронологию воздействий на один объект, связываются в «цепочку воздействий». Выбрав подходящий прецедент из цепочки, можно прогнозировать результат на несколько шагов вперед. Однако если подходящий прецедент окажется в другой цепочке, можно переключиться на нее.
Описанный метод управления воплощен в программной системе «Спутник Врача», обеспечивающей поддержку врачебных решений в диагностике и выборе лечения. Система позволяет врачу использовать опыт экспертов и аккумулировать собственный опыт путём накопления и интерпретации данных о пациентах в виде прецедентов, которые описываются как совокупность показателей, диагнозов, выбранных методов лечения и их исходов.
Для реализации системы было выбрано решение, состоящее из двух функциональных блоков: Оболочки и Анализатора. Оболочка - прикладной уровень системы, реализующий интерфейс с конечным пользователем в терминах, с которыми привык работать врач: пациент, показатель, заболевание, лечение, исход. Анализатор (прикладной слой) - уровень, выполняющий основные операции анализа данных: классификацию, оценку, и выявление зависимостей в данных. Основными сущностями, с которыми оперирует Анализатор, являются класс, объект, признак и аналог объекта.
Рабочее место пользователя системы - персональный компьютер. Система допускает импорт внешних данных из популярных форматов. Интерфейс системы максимально приближен к проблемной области, обеспечивая удобство восприятия и приемлемые средства отображения результатов.
Работа выполнена при поддержке Российского Фонда Фундаментальных Исследований, проекты № 06-07-89098-а и № 06-01-00503-а.
1. Я. З. Цыпкин. "Адаптация и обучение в автоматических системах". М.: Наука, 1968.
2. Klaus-Dieter Althof, Eric Auriol, Ralph Barlette, and Michel Manago. "A Review of Industrial Case-Based Reasoning Tools", AI Intelligence, 1995.
3. Н. Г. Загоруйко. "Прикладные методы анализа данных и знаний". Новосибирск, ИМ СО РАН, 1999.
4. Л. Е. Карпов, В. Н. Юдин. " Адаптивное управление по прецедентам, основанное на классификации состояний управляемых объектов", М., Труды Института Системного Программирования РАН, 2007, т. 13, ч. 2, стр. 37-57.
5. Л. Е. Карпов, В. Н. Юдин. Методы добычи данных при построении локальной метрики в системах вывода по прецедентам. Институт Системного Программирования РАН, Препринт, 2006.
6. Л. Е. Карпов, В. Н. Юдин. "Интеграция методов добычи данных и вывода по прецедентам в медицинской диагностике и выборе лечения". Сборник докладов 13-й Всероссийской конференции "Математические методы распознавания образов (ММРО-13)", октябрь, 2007, стр. 589-591.
7. http://www.monikiweb.ru/SPNec/veriton.htm
Текущий случай
2
1 г
Рис. 3. Расстояние между текущим
случаем и прецедентом равно разности количества классов, куда попал текущий случай, и количества классов из этого числа, в котором находится прецедент
2
2
