CC BY
32
МЕДИЦИНСКИЕ НАУКИ
СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ ПРИНЯТИЯ РЕШЕНИЙ В ВОПРОСАХ ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ Розыходжаева Г.А.1, Розыходжаева Д.А.2 Em ail: Rozikhodj aeva1797@scientifictext.ru
'Розыходжаева Гульнора Ахмедовна — доктор медицинских наук, доцент, кафедра ультразвуковой диагностики, Ташкентский институт усовершенствования врачей, заведующая отделом, клинико-диагностический отдел, Центральная клиническая больница № 1; 2Розыходжаева Дилдора Аброровна — ассистент, кафедра информационных технологий, Ташкентский университет информационных технологий им. М. Аль-Хорезми, г. Ташкент, Республика Узбекистан
Аннотация: статья содержит информацию о различных моделях принятия решений в вопросах диагностики заболеваний. Приведены различные виды моделей принятия решений. Проведен сравнительный анализ данных моделей с обоснованием выбора наиболее подходящей из них для решения частных медицинских задач. Статья раскрывает сущность интеллектуальных систем принятия решений, предназначенных для диагностики заболеваний, их преимущества по сравнению с человеком-экспертом, описывает особенности построения подобных систем и способы моделирования решений с помощью специализированных алгоритмов.
Ключевые слова: анализ, модель, нейронные сети, принятие решений, диагностика, информационные технологии.
COMPARATIVE ANALYSIS OF MODELS OF DECISION-MAKING SYSTEMS IN ISSUES OF DIAGNOSTICS OF DISEASES Rozikhodjaeva G-А.1, Rozikhodjaeva DA.2
'Rozikhodjaeva Gulnora Ahmedovna - Doctor of medical sciences, Associate Professor, DEPARTMENT OF ULTRASOUND DIAGNOSTICS, TASHKENT INSTITUTE OF POSTGRADUATE MEDICAL EDUCATION, CENTRAL CLINICAL HOSPITAL № ';
2Rozikhodjaeva Dildora Aborovna- Assistant of Department of Information Technologies TASHKENT UNIVERSITY OF INFORMATION TECHNOLOGIES NAMED M. AL-KHOREZMI, TASHKENT, REPUBLIC OF UZBEKISTAN
Abstract: the article contains information on various models of decision making in the diagnosis of diseases. Various types of decision-making models are considered. A comparative analysis of these models with the rationale for selecting the most suitable one for solving the private medical problems was carried out. The article reveals the gist of intellectual decision-making systems intended for diagnosing of diseases, their advantage in comparison with the person-expert and also describes features of developing of such systems and methods of modeling decisions using specialized algorithms.
Keywords: models, neural networks, decision-making, diagnostics, information technologies.
УДК 004.942
Нередко при принятии медицинских решений допускаются ошибки, которые, в большинстве случаев происходят из-за неточности или неполноты исходной информации, ограниченности временных ресурсов или сложности изучаемого объекта. В задачах медицинской диагностики пациенты рассматриваются как объекты. Признаки характеризуют результаты обследований, симптомы заболевания и используемые методы лечения. Данные признаки можно поделить на несколько групп. К первой группе относятся бинарные признаки (пол, наличие или отсутствие головной боли, слабости, тошноты и т.д.). В качестве порядкового признака можно выделить тяжесть состояния (удовлетворительное, средней тяжести, тяжёлое, крайне тяжёлое). К количественным признакам относят возраст, артериальное давление, пульс,
уровень гемоглобина в крови, дозировка препарата, и т.д. Признаковое описание пациента представляет собой формализованную историю болезни. Накопив достаточное количество прецедентов, можно решать такие задачи, как классификация заболеваний (дифференциальная диагностика), определение наиболее целесообразного способа лечения, прогнозирование длительности и исхода заболевания, оценка риска осложнений, поиск наиболее характерных для данного заболевания совокупности симптомов [3]. Преимущество таких систем состоит в их способности провести быстрый анализ и обобщить большое число случаев, не уступая в этом специалисту-эксперту.
Стремительное развитие информационных технологий, способных накапливать, обрабатывать и передавать на расстояния большие объемы цифровой информации, позволяет сегодня анализировать массивы данных и строить сложные математические модели для принятия решений. Для решения подобных задач создаются специализированные информационные системы для поддержки принятия решений (СППР), основное предназначение которых состоит в формализации слабоструктурированных и неструктурированных задач планирования, прогнозирования и управления [1].
Интеллектуальная система принятия решений базируется на знаниях, с помощью которых она позволяет предположить о возможных решениях, выдает рекомендации для уточнения решения, а также принимает решения, уровень компетентности которых не ниже, чем уровень человека - эксперта. Одной из задач такой системы является принятие совокупности формальных и эвристических знаний от специалистов высокого уровня, использование этих знаний другими специалистами данной предметной области или смежных профессий, а также обеспечение консультаций, направленных на повышение уровня принимаемых решений. Разработка автоматизированных средств прогнозирования, ранней и дифференциальной диагностики болезней, основанных на использовании комплексных методов анализа, обеспечивающих поддержку принятия решений в условиях нечетко выраженных границ классов, является актуальной задачей [2].
Существуют различные подходы, применяемые в автоматизации диагностики при решении медицинских задач, наиболее распространенные из которых приведены в таблице 1.
Проведенный анализ позволяет сделать вывод о том, что модели на основе нейронных сетей и машины опорных векторов являются наиболее подходящими для диагностики заболеваний. Данные модели гарантируют высокую точность результата, хотя и не демонстрируют пути его получения. Потребность в большом количестве тренировочных данных, приведенная в качестве недостатка моделей в целом, увеличит вероятность нахождения подходящего решения в изучаемой области. Однако следует отметить, что нейронная сеть требует меньшего размера обучающей выборки (в среднем несколько тысяч примеров) в сравнении с машиной опорных векторов (несколько сотен тысяч примеров). Имеющаяся в нейронных сетях возможность регулировки выходного сигнала с помощью эксперта и переобучение сети помогают избежать дальнейших диагностических ошибок. В связи с этим, для изучаемой области наиболее приемлемым является определение значимости каждого параметра медицинского исследования, что возможно осуществить путём построения искусственной нейронной сети.
Название Краткое описание Преимущества Недостатки
Наивный байесовский классифика-тор Простой вероятностный классификатор, основанный на применении Теоремы Байеса со строгими (наивными) предположениями о независимости. Метод основан на поиске наиболее подходящего класса для заданных параметров. Возможность диагностики большого числа заболеваний, простота реализации, низкая стоимость вычислений для обучения Слишком упрощенная (наивная)система диагностики заболеваний
Анализ решений В клинической медицине анализ включает определение наилучшего действия на основе изучения альтернатив и вывод цепочки подходящих решений. Использование вероятностного подхода для плохо определенных медицинских знаний. Отсутствие механизма коррекции выходных значений
На основе правил Передача входных параметров от одного правила к другому, пока не будет найдено решение. Наличие четкого объяснения решений подсистемы, простота реализации Сложность контроля за счет увеличения количества правил
Эвристические Принятие решений по принципу «первое найденное решение -правильное» Быстрый алгоритм получения решений Не дает гарантию нахождения решения, относительно высокая вероятность ошибки
Теория нечетких множеств Выявление степени принадлежности объекта к определенному классу Относительно высокая точность результатов Высокие требования к стоимости вычислений
Искусственная нейронная сеть Математическая модель, стимулирующая биологическую нейронную сеть, которая обучается на примерах, определяя конкретные веса каждого параметра. Возможность диагностики большого количества заболеваний, большая популярность, возможность переобучения сети Отсутствие подсистемы объяснения решений (черный ящик), потребность в большом количестве обучающих примеров
Байесовские сети Разновидность наивного Байесовского классификатора, который ищет решение основываясь на зависимостях между возможными решениями и множеством параметров Высокая точность диагностики Сложность сети, плохая оптимизация алгоритмов аппроксимации для вывода
Машина опорных векторов Модель обучения с учителем, которая по обучающей выборке выявляет границы допустимых значений для параметров для каждого решения Возможность работать с очень сложными и неочевидными данными, высокой точности диагностики Отсутствие подсистемы объяснения решений (черный ящик), невозможность калибровки вероятности определенного класса
Список литературы / References
1. Халафян А.А. Анализ и синтез медицинских систем поддержки принятия решений на основе технологий статистического моделирования: автореф. дис. ... д-р. тех. наук: 05.13.01. Краснодар, 2010.
2. Грахов А.А. Автоматизированная система прогнозирования, ранней и дифференциальной диагностики ишемической болезни сердца на основе нечетких сетевых моделей: автореф. дис. ... канд. тех. наук: 05.13.01. Курск, 2008.
3. Математические методы обучения по прецедентам (теория обучения машин) // К.В. Воронцов. [Электронный ресурс]. Режим доступа: http://www.ccas.ru/voron (дата обращения: 30.03.2017).
