CC BY
19
УДК 004.8
62
С. Б. Румовская, С. В. Листопад А. Е. Колодин, В. И. Данишевский
«ВИРТУАЛЬНЫЙ КОНСИЛИУМ».
ЧАСТЬ 2: СИНТЕЗ МЕТОДА РЕШЕНИЯ НЕОДНОРОДНОЙ ЗАДАЧИ ДИАГНОСТИКИ
Усложняющиеся задачи диагностики неизбежно приводят к ошибкам при принятии решений и увеличению сложности и трудоемкости средств автоматизированного решения в неоднородных проблемных средах. Причем процессы выявления и понимания неоднородной задачи диагностики и синтеза метода ее решения не формализованы, исследованы недостаточно. В работе представлены результаты разработки алгоритма синтеза метода решения неоднородной задачи диагностики, который в рамках концепции гибридных интеллектуальных систем строит интегрированную модель, релевантную диагностической ситуации, над гетерогенным модельным полем - множество разнородных моделей, отображающих теоретические, профессиональные знания и опыт экспертов консилиума.
Complicating diagnostic tasks inevitably lead to the mistakes during decision-making and to the increasing complexity and workload of the features for automated decision in heterogeneous problem environment. Researches in this field are focused on formalization and exploration of the processes of finding, identifying of the heterogeneous diagnostic task and the synthesis of the method for its solving. This paper presents the results of the development of the algorithm for the synthesis of the method for solving of the heterogeneous diagnostic task, which establishes the integrated model under the approach of hybrid intelligent systems. Such model is relevant to diagnostic situation and combines the set of heterogeneous models of the theoretical, professional knowledge and the experience.
Ключевые слова: сложная неоднородная задача диагностики, виртуальный консилиум, синтез метода решения неоднородной задачи диагностики, интегрированная модель медицинского консилиума.
Keywords: complex heterogeneous diagnostic task, virtual council, the synthesis of the method for solving of the heterogeneous diagnostic task, integrated model of the virtual council.
Введение
Исследование и моделирование коллективного решения сложных неоднородных задач, в частности диагностических, в условиях растущего объема входной информации, ее разнородности, неполноты, неточности и неопределенности остаются одним из важнейших научных направлений.
© Румовская Б., Листопад C.B., Колодин А.Е., Данишевский В.И., 2018
Вестник Балтийского федерального университета им. И. Канта.
Сер.: Физико-математические и технические науки. 2018. № 4. С. 62 — 71.
В работе [1] были рассмотрены концептуальная модель и особенности неоднородных задач в медицине и предложен подход к их решению в рамках технологии гибридных интеллектуальных систем (ГиИС) [2], основополагающая составляющая которых — гетерогенное модельное поле (ГМП). Результаты разработки ГМП также представлены в [1] и описаны в терминах аксиоматической теории ролевых концептуальных моделей [2].
В данной работе представлены результаты разработки алгоритма, позволяющего ГиИС динамически формировать интегрированную модель для решения возникающей неоднородной задачи диагностики (НЗД), в частности артериальной гипертензии (АГ), в зависимости от новой диагностической ситуации.
63
Гетерогенное модельное поле виртуального консилиума и модели вычислений его элементов
ГМП — основополагающая составляющая гибридных интеллектуальных систем [2]. Оно содержит модели, релевантные подзадачам из декомпозиции Р" НЗД, и моделирует многообразие и относительность профессиональных экспертных знаний, имеющихся в распоряжении лица, принимающего решение (ЛПР), для организации консилиума. Из такого разнообразия ЛПР делает выбор о включении экспертов в состав консилиума и обеспечивает дополнительность и сотрудничество знаний в ходе коллективных рассуждений над задачей диагностики.
Декомпозиция неоднородной задачи диагностики артериальной гипертензии (НЗДАГ) Р"
{Р РЭКГ ' РсМАД ' РППС1 ' '' ' ' РППС, ' РдАГг ' ' " ' РДАГ, ' РССС }
содержит множество функциональных и технологических диагностических подзадач. Здесь рьРЭКГ — диагностическая подзадача «Распознавание и интерпретация электрокардиограммы»; р"МАд — диагностическая подзадача «Анализ суточного мониторирования артериального давления»; рППС — подмножество из девяти технологических подзадач «Построение информативного набора признаков при диагностике заболеваний из областей 1 — 9»; рДАГ — подмножество из девяти функциональных подзадач «Диагностика критериев оценки сердечнососудистого риска и вторичной АГ у пациента»; р"СС — диагностическая подзадача «Оценка степени и стадии АГ, степени риска сердечнососудистых заболеваний».
В [1] установлено соответствие множества подзадач из декомпозиции неоднородной задачи диагностики АГ множеству моделей ГМП. Для моделей из ГМП были определены [1] следующие настроечные параметры.
1. Для моделей нечетких систем (НС) МНСДАГ1—9 и МНСССС для «Диагностики критериев оценки сердечно-сосудистого риска и вторичной АГ у пациента» и «Оценки степени и стадии артериальной гипер-
тензии, степени риска сердечно-сосудистых заболеваний» соответственно — алгоритм рассуждений Такаги — Сугено, пространства входов и выходов, функции принадлежности и размеры баз знаний.
2. Для модульных моделей искусственных нейронных сетей (ИНС) МИНСРЭКГ и МИНССМАД для «Распознавания и интерпретации электрокардиограммы» и «Анализа СМАД» соответственно — архитектура модулей, алгоритм обучения обратного распространения ошибки, логистическая функция активации, число нейронов входного, скрытого и выходного слоев.
3. Для двух альтернативных моделей продукционных экспертных _ систем (ЭС) МЭССС и МЭСМАД для «Оценки степени и стадии АГ, сте-
64 пени риска сердечно-сосудистых заболеваний» и «Анализа СМАД» соответственно — базы знаний и базы фактов, механизмы рассуждения и разрешения конфликтов.
4. Для моделей классических генетических алгоритмов (ГА) МГАППС1—9 технологических подзадач «Построение информативного набора признаков при диагностике заболеваний 1—,» — размеры популяций и индивидуумов, метод селекции, число итераций и функции приспособленности.
Таким образом, гетерогенное модельное поле состоит из 23 моделей для 21 подзадачи из декомпозиции НЗДАГ. При решении 10 подзадач определения состояния здоровья пациента нечеткими системами знания кардиолога применяются наряду со знаниями других врачей (терапевта, сосудистого хирурга, эндокринолога, невролога и нефролога). Распределение знаний экспертов по моделям представлено на рисунке 1.
Ниже приведены модели вычислений функциональных и технологических элементов гетерогенного модельного поля.
1. Модель искусственных нейронных сетей:
шойп = <рт"тс", X, У, теГ'^, Г>,
где рт"гс" — архитектура ИНС; X, У — множества его входов и выходов;
N — множество моделей нейронов ИНС; тезеЛШ — обучающая и тестирующая последовательности; 1п = {1п 1,1п 2} — интерпретаторы обучения
__^ г- тп1 v тп2
и нейровычислений соответственно, работающие по схеме 1 ^ 1 . 2. Модель продукционных экспертных систем:
шойе =<КВ, РБ, КБ, Iе >,
где КБ — база знаний как совокупность символьных правил-продукций; РБ — база фактов как совокупность связанных или не связанных друг с другом символьных выражений, задающих декларативную, фактографическую информацию, необходимую и достаточную для решения задачи; КБ — база выводов, формируемая интерпретатором Iе в ходе работы, содержащая информацию о причинах изменений в КБ и комментарии, внесенные экспертом в КБ для объяснений, причем КБ с КБ; Iе = = {Iе1, Iе2, Iе3, Iе4} — стратегия управления (или интерпретатор), включающая интерпретаторы выбора из КБ подмножества КБ" с КБ ак-
тивных правил, сопоставления с образцом для правил из КБ", разрешения конфликтов правил, вытолнения правила, работающие соответственно по схеме
f-1
Iе1 _^ ^2 _^ цвЗ _^ цв4
65
Рис. 1. Взаимодействие модели ЛПР (кардиолога) и моделей, содержащих знания экспертов в консилиуме, с распределением знаний по моделям Обозначения: ■ ■ ■ _ — соответствие «знания эксперта-модель»;----> — отношения «эксперт — эксперт» и «эксперт — ЛПР».
3. Модель нечетких систем Такаги — Сугено:
той/ =( X, У, КБ, Рц, РТ5, МБТЩ, Iе),
где X, У — пространства входных лингвистических переменных и выходных детерминированных переменных диагностической подзадачи; Рц — множество функций принадлежности пространства входов; РТБ — множество функциональных зависимостей в качестве посылок и заключений в системе Такаги — Сугено; МЕТ°е — метод дефазифика-ции; I? ={If а, I?2, I?3, I?4} — интерпретаторы фазификации, агреги-
66 рования (правило типа «минимум»), активизации (берутся все четкие значения всех выходных переменных) и дефазификации (выполняется
усреднение) работающие соответственно по схеме
р1 ^ р2 ^ р3 ^ р4.
4. Модель генетических алгоритмов:
шой, =<{I,,..., ^}, N, ^, Iя>,
где {I 1,..., | — популяция индивидуумов; N — число итераций; — функция приспособленности, причем :{!1,.., ^} ^ ^ [0; 1]; интерпретатор
I, =!1, IЯ2, IЯ3, IЯ4, ^5, 1,6, 1,7 |
включает интерпретаторы инициализации популяции, кодирования, оценки и турнирной селекции индивидуумов, формирования родительской популяции, рекомбинации бинарных кодов, проверки условия окончания работы ГА и отображения наилучшего за N итераций индивидуума-решения, работающие соответственно по схеме
Iя1 .
Синтез метода решения неоднородной задачи диагностики над гетерогенным модельным полем
Алгоритм синтеза метода решения неоднородной задачи диагностики (рис. 2) инициализирует функциональную структуру гибридной интеллектуальной системы для решения НЗД.
Ниже представлена входная информация алгоритма (рис. 1) на примере задачи диагностики артериальной гипертензии.
1. Декомпозиция рв = (Рк,К3) в виде сети — это ориентированный граф без петель и таблица гибридных стратегий (ТГС, см. табл.), которые задают взаимно однозначные соответствия (р^,р^) КП |, где
г, ] — порядковые номера подзадач из декомпозиции неоднородной задачи диагностики; Ккп4 — отношение интеграции элементов, решающих подзадачи ф и ф, знания которых участвуют в интеграции типа к (йор — дополнения; ирт — управления, препроцессии).
67
Рис. 2. Алгоритм синтеза метода решения неоднородной задачи диагностики
2. Множество отношений Я4 целей О1 и исходных данных Бн однородных задач из декомпозиции Рь, а также целей О и исходных данных Б неоднородной задачи рБ .
68
x^sm
3. Множества интерпретаторов IMOD моделей гетерогенного модельного поля {Iе, Ig, If, In}, межмодельных интерфейсов
{ СМАД ССС q ДАГ1_9 ССС Q ППС1_, ДАГ1_9 q РЭКГ ДАГ1 Q}
и гетерогенное модельное поле
MOD = {modn РЭКГ , modn СМАД , mode СМАД , modg ППС1 , — , m0dg ППС, , m0df ДАГ1 , — , m0df ДАГ, , m0de ССС , modf ССС } .
4. Принадлежность подзадач из декомпозиции Ph неоднородной задачи диагностики некоторым подмножествам, определяющим последовательность решения подзадач, задается посредством индекса In:
(V).
На рисунке 2 введены обозначения El = {Ej j, где j = 1, NTP — множество матриц «модель — модель», строки которых соответствуют моделям диагностической подзадачи pX, а столбцы — моделям подзадачи phy; Nm — количество подзадач в декомпозиции неоднородной диагностической задачи.
Данный алгоритм моделирует принятие решений медицинским консилиумом, коллективом экспертов-врачей узкой специализации, знающих детали решения задачи лучше ЛПР (например, врач-кардиолог) и помогающих ЛПР в выработке окончательного решения, диагноза.
На выходе алгоритма синтеза метода решения неоднородной задачи диагностики формируется множество Lsm:
{(modqx x,mod,„ y,x y^qxqyef,gj.
Это множество, формализующее функциональную структуру ГиИС. Здесь n, е, f, g указывают на то, что модель разработана по методологии искусственных нейронных сетей, экспертных систем, нечетких систем или генетических алгоритмов соответственно.
Таблица гибридных стратегий задачи НЗДАГ, T"
Подзадачи НЗДАГ Ph рссс
ph НЗДАГ Модели подзадач modf дагг_, mode сСС modf сСС
ph modg ппс1_9 R£ (ППС 1,, ДАГ 1_9) (7) — —
рсмад modn смад — С {СМАД, ССС) (3) с (СМАД, ССС) (4)
mode смад — — С (СМАД, ССС) (6)
Окончание табл.
Подзадачи НЗДАГ rh гссс
ph рдаг1_, modf дагг_, — Rdo (ДАГ^9, ССС)(6) —
Ррэкг modn рэкг rdJ (РЭКГ, ДАГ 1) (4) — —
Обозначения: (3), (4), (6), (7) — экспертные оценки потенциальных возможностей ди-гибридов по шкале от 1 — «бесполезен» до 10 — «наиболее полезен» (табл. 8.6 в [2] о гибридных возможностях классов базисных методов).
69
Также определены интерфейсы для обмена информацией ху ), где x, y — подзадачи из декомпозиции неоднородной диагностической задачи pD .
В Lsm однородные задачи заменяются на модели, в том числе выбранные в соответствии с областями релевантности.
Результатом работы алгоритма синтеза метода решения применительно к неоднородной задаче диагностики артериальной гипертензии является формальное описание ГиИС «Виртуальный консилиум для
т „m
диагностики артериальной гипертензии» Ls : ¡(mod mod СМАД СССС) ¡(mod mod ПЩ ДАГ')
\\lnuun СМАД' Ue ССС' b}'\[muUg ППС^^ии/ ДАГ/
{(m°df ДАГ/ mode ССС, ДА' ССС С)} (modn РЭКГ, modf ДАГ^ ^ ^ С) ,
(modn РЭКГ , modf ДАГ6 , РЭКГ ДАГб С), (modn РЭКГ , modf ДАГ3 , ^ ^ С) ,
((odf даг2,modf даг4, ДАГ2 ДАГ4)),(modf даг2,modf даг7, ДАГ2 ДАГ7с)
(mod mod ДАГ6 ДАГ1)) (mod mod ДАГ" ДАГз)) ymUUf ДАГ6/11Ш 4f ДАГг> ^J,ynUUf ДАГ6/1'Ш 4f ДАГ3' ^J'
(mod mod ДАГб ДАГ5)) (mod mod ДАГ6 ДАГ7С)
yrriUUf ДАГ6/11Ш 4f ДАГ5! <-,J,yriUUf ДАГ6/1'Ш 4f ДАГ7 ' S) /
(mod mod ДАГ4 даг3 )) ( d mod ДАГ1 ДАГ3 ))
yrnuUf даг4 /и4f ДАГ3г <-,j,yriuUf ДАГ^ггшUf ДАГ3/ Ч>)/
(modf даг3 , modf ^ ДАГз ДАГ7))}.
Таким образом, определен алгоритм синтеза метода решения неоднородной задачи диагностики, его вход и выход, которые будут положены в основу синтеза функциональной структуры ГиИС на ЭВМ.
На рисунке 1 показано взаимодействие всех 12 функциональных моделей гетерогенного модельного поля подзадач из декомпозиции НЗДАГ, а также отношения «эксперт — эксперт» и «эксперт — ЛПР» между моделями, по которым передаются промежуточные оценки вплоть до формирования ЛПР заключительного диагноза.
70
Помимо того, на рисунке 1 показаны реальные участники консилиума, знания которых применены в моделях, и отображено распределение знаний экспертов-врачей по соответствующим моделям. Знания кардиолога использовались как для формирования заключительного диагноза, так и для решения частных подзадач. Нечеткие модели подзадач ДАГу ДАГз, ДЛГ5, ДАГ6, ДАГ7, ДАГд соединяют знания нескольких экспертов аддитивно.
Одинаковой штриховкой на рисунке 1 отмечены блоки — модели диагностических подзадач, решаемых посредством одной и той же методологии (нечетких систем — ДАГ1—д и ССС или искусственных нейронных сетей — РЭКГ и СМАД).
Заключение
В работе сделан шаг в сторону формализации и исследования процесса синтеза метода решения сложных задач: определены алгоритм выбора стратегии решения неоднородной задачи диагностики, его вход и выход.
Результат работы алгоритма — описание функциональной структуры ГиИС автоматизированной диагностики (на примере артериальной гипертензии) для дальнейшего построения ее модели в определенном декомпозицией порядке.
Были специфицированы относительность знаний и отношения дополнительности на множестве функциональных моделей гетерогенного модельного поля в соответствии с полученным описанием функциональной структуры ГиИС виртуального консилиума и отношениями декомпозиции неоднородной задачи диагностики артериальной ги-пертензии.
Работа выполнена при поддержке гранта РФФИ № 16-07-00272 А.
Список литературы
1. Румовская С. Б., Кириков И. А., Колодин А. Е., Данишевский В. И. «Виртуальный консилиум». Ч. 1: Модели гетерогенного модельного поля // Вестник Балтийского федерального университета им. И. Канта. Сер.: Физико-математические и технические науки. 2017. № 4. С. 67—79.
2. Колесников А. В. Гибридные интеллектуальные системы. Теория и технология разработки. СПб., 2001.
Об авторах
София Борисовна Румовская — канд. техн. наук, науч. сотр., Калининградский филиал Федерального исследовательского центра «Информатика и управление» (ФИЦ ИУ РАН); ассист., Балтийский федеральный университет им. И. Канта, Россия.
Е-шаП: sophiyabr@gmail.com
Сергей Викторович Листопад — канд. техн. наук, ст. науч. сотр., Калининградский филиал Федерального исследовательского центра «Информатика и управление» (ФИЦ ИУ РАН), Россия.
Е-таП: ser-list-post@ya.ru
Александр Евгеньевич Колодин — асп., Балтийский федеральный университет им. И. Канта, Россия.
Е-таП: Alex_kolodin@mail.ru
Владислав Игоревич Данишевский — асп., Балтийский федеральный университет им. И. Канта, Россия.
E-mail: danishevskii.v.i@mail.ru
The authors
Dr Sophiya B. Rumovskaya, Research Fellow, Kaliningrad Branch of the Federal Research Center «Computer Science and Control» of the Russian Academy of Sciences; Assistant, I. Kant Baltic Federal University, Russia.
E-mail: sophiyabr@gmail.com
Dr Sergei V. Listopad, Senior Research Fellow, Kaliningrad Branch of the Federal Research Center «Computer Science and Control» of the Russian Academy of Sciences, Russia.
E-mail: ser-list-post@ya.ru
Aleksandr E. Kolodin, PhD Student, I. Kant Baltic Federal University, Russia.
E-mail: Alex kolodin@mail.ru
71
Vladislav I. Danishevskii, PhD Student, I. Kant Baltic Federal University, Russia. E-mail: danishevskii.v.i@mail.ru
