Математический факультет
Кафедра администрирования информационных систем
МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ
Разработка экспертной системы быстрой диагностики состояния детей до одного года
Москва 2013
Аннотация
В данной диссертации рассматривается вопрос улучшения качества процесса постановки диагноза детям в возрасте до одного года за счет использования экспертной системы быстрой диагностики.
Структура данной выпускной квалификационной работы выглядит следующим образом.
Первый раздел отражает теоретические основы использования экспертных систем в медицине и определяет необходимость создания систем быстрой диагностики. Также в этом разделе содержится анализ существующих программных средств диагностики.
Второй раздел раскрывает теоретические аспекты вероятностного метода построения экспертных систем, описывает основы применения сетей Байеса при диагностики. Представлены формулы расчета вероятности возникновения заболевания на основе данных о имеющихся симптомах и оценки полученных результатов.
В третьем разделе описаны объекты автоматизации, структура и архитектура экспертной системы, представлена функциональная модель системы.
В четвертом разделе производиться моделирование компонентов экспертной системы. Описаны внешний, концептуальный и внутренний уровни архитектуры базы данных, определены права доступа пользователей, представлена информационно-логическая модель.
В пятом разделе представлено описание разработанной экспертной системы, проведен анализ полученных результатов диагностики заболеваний детей в возрасте до года.
Работа выполнена печатным способом на 64 страницах с использованием 31 источников, содержит 11 рисунков и 5 приложений.
Annotation
In this diploma work is considered the problem of improving the quality of the process of statement of the diagnosis for children aged about one year using an expert system of fast diagnostics.
The structure of this final qualification work is in the following way.
The first part of this final qualification work describes theoretical bases of using an expert systems in medicine and determinates the necessity to create the systems of fast diagnostics. This part also includes an analysis of the existing diagnostics software .
The second part throws a light on the theoretical aspects of the probabilistic method by creation an expert systems, describes the bases for the application of Bayesian networks by diagnostic. Also here are presented formulas for calculating the probability of emergence of a disease on a basis of data about available symptoms and the analysis of the received results.
The third part is about objects of automation, structure and architecture of expert system; and also this part presents a functional model of the system.
In the fourth section is made the modeling of components of expert system. Here are described external, conceptual and internal levels of architecture of a database and defined the access rights of users and also presented information-logical model.
In the fifth part is presented a description of the developed expert system and here is made the analysis of the received results of diagnostics diseases of children aged about one year.
This final qualification work is performed in the printing way on 64 pages with use of 31 sources and includes 11 drawings and 5 appendices.
Содержание
Введение........................................................................................................... 7
1 Основы использования экспертных систем................................................. 9
1.1 Применение экспертных систем в медицине............................................ 9
1.2 Обзор методов диагностики с помощью экспертных систем................ 13
2 Вероятностный метод диагностики заболеваний...................................... 16
2.1 Применение сетей Байеса при диагностике............................................ 16
2.2 Обучение сети Байеса.............................................................................. 19
2.3 Оценка результатов расчетов вероятностей болезней........................... 20
3 Описание объектов автоматизации............................................................ 23
3.1 Структура и функциональная модель.................................................... 23
3.2 Требования к экспертной системе........................................................... 26
3.2.1 Методологии и технологии проекта.................................................... 26
3.2.2 Структура и архитектура ЭС.............................................................. 28
4 Моделирование компонентов экспертной системы.................................. 31
4.1 Формирование функциональной составляющей................................... 31
4.2 Проектирование информационного обеспечения ЭС............................ 32
4.2.1 Внешний уровень архитектуры БД..................................................... 32
4.2.1.1 Формализованное описание предметной области........................... 32
4.2.1.2 Пользователи ЭС............................................................................... 34
4.2.2 Концептуальный уровень архитектуры БД........................................ 36
4.2.2.1 Информационно-логическая модель................................................ 36
4.2.3 Внутренний уровень архитектуры БД................................................ 39
5 Разработка экспертной системы................................................................ 40
5.1 Интерфейс приложения........................................................................... 40
5.2 Анализ результатов работы приложения.............................................. 44
Заключение.................................................................................................... 46
Список используемых источников............................................................... 47
Приложение А. Иерархия функций ЭС....................................................... 51
Приложение Б. Классы объектов предметной области............................... 53
Приложение В. Внутренний уровень архитектуры БД............................... 57
Приложение Г. SQL-скрипты объектов базы данных................................. 61
Приложение Д. Пример отчет о результатах диагностики......................... 64
Введение
В последнее время неуклонно возрастает значение информационного обеспечения различных медицинских технологий. Использование современных информационных технологий становится критическим фактором развития большинства отраслей знания и областей практической деятельности, поэтому разработка и внедрение информационных систем является одной из самых актуальных задач [11].
В настоящее время появляются новые информационные технологии и новые подходы к решению существующих проблем. В медицинских учреждениях часто возникает проблема точности постановки диагноза пациенту. Так же сейчас в Российских медицинских учреждениях стоит проблема нехватки квалифицированного персонала.
Одним из средств повышения эффективности диагностики является автоматизация и интеллектуализация обработки данных с использованием информационных технологий как средства, позволяющего принять во внимание значительное количество диагностических признаков. При данном подходе минимизируются ошибки, связанные с субъективными факторами, такими, как усталость врача, недооценка значимости отдельных симптомов и т.д.
Создание информационных систем, автоматизирующих различные стороны деятельности медицинского персонала, является одним из способов решения изложенных проблем.
Системы поддержки принятия решений могут помочь врачам при диагностике заболеваний поставить более точный диагноз. Такие системы так же очень полезны, когда, например, на месте нет узкого специалиста, но есть специалист смежной области и при помощи экспертной системы (ЭС) он сможет диагностировать заболевание и назначить предварительные процедуры и лекарственные препараты во избежание ухудшения состояния пациента.
Таким образом целью работы является повышение качества диагностики заболеваний детей в возрасте до одного года.
Для достижения поставленной цели решаются следующие задачи:
— построение модель предметной области;
— проектирование экспертной системы;
— реализация экспертной системы для проведения быстрой диагностики состояния детей в возрасте до одного года.
1 Использование экспертных систем в медицине
1.1 Применение экспертных систем при диагностики заболеваний
В последнее время неуклонно возрастает значение информационного обеспечения различных медицинских технологий. Использование современных информационных технологий становится критическим фактором развития большинства отраслей знания и областей практической деятельности, поэтому разработка и внедрение информационных систем является одной из самых актуальных задач [10,11].
В медицинских учреждениях большинство персональных компьютеров применяется лишь для обработки текстовой документации, хранения и обработки баз данных, ведения статистики и выполнения финансовых расчетов. Отдельная, специализированная часть машин используется совместно с различными диагностическими и лечебными приборами [11].
Во многих лечебно-диагностических технологиях возможности современных компьютеров практически не используются. Прежде всего это диагностика, назначение лечебных мероприятий, прогнозирование течения заболеваний и их исходов. Основными причинами недостаточно полного использования современных компьютерных технологий в медицине являются слабо развитая техническая база, недостаточный уровень подготовки участников этих технологий в области современного аппаратного и программного обеспечения, плохая оснащенность специализированными пакетами прикладных программ и др. Большое значение имеет психологический аспект применения компьютерных приложений. Это серьезная причина, связанная с особенностями работы врача. Врач является исследователем, его работа носит творческий характер, однако он несет прямую ответственность за результат своей деятельности. Принимая решение о диагнозе или лечении, он опирается на знания и опыт — свои собственные и коллег. Очень важно при этом обоснование решения, особенно если оно подсказывается со стороны [22].
Современные технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а именно визуально, на основе соответствующих математических моделей, пространственно смоделировать типовое развитие патологического процесса при конкретном заболевании. Уже сейчас, на современном этапе развития медицины, информационные нагрузки достигают пределов человеческих возможностей. Возникает дилемма: либо приходится жертвовать полнотой анализа информации, либо необходимо шире использовать различные методы компьютерной поддержки принятия решений [11]. Медицинские экспертные системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к компьютеру за консультацией в трудных диагностических случаях.
Область исследований, посвященная формализации способов представления знаний и построению экспертных систем (ЭС), называют «инженерией знаний». Этот термин введен Е. Фейгенбаумом и в его трактовке означает «привнесение принципов и средств из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Иными словами, экспертные системы применяются для решения неформализованных проблем, к которым относятся задачи, обладающие одной или несколькими характеристиками из следующего списка [8]:
— задачи не могут быть представлены в числовой форме;
— исходные данные и знания о предметной области неоднозначны, неточны, противоречивы;
— цели нельзя выразить с помощью четко определенной целевой функции;
— не существует однозначного алгоритмического решения задачи.
Все вышеперечисленные свойства являются типичными для медицинских задач, так как в большинстве случаев они представлены большим объемом многомерных, запутанных, а порой и противоречивых клинических данных. ЭС позволяют решать задачи диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения и др.
Экспертная система — это программное средство, использующее экспертные знания для обеспечения высокоэффективного решения неформализованных задач в узкой предметной области. Основу ЭС составляет база знаний (БЗ) о предметной области, которая накапливается в процессе построения и эксплуатации ЭС.
В работе ЭС можно выделить два основных режима: режим приобретения знаний и режим решения задачи (режим консультации или режим использования). В режиме приобретения знаний общение с ЭС осуществляет эксперт.
Используя компонент приобретения знаний, эксперт описывает проблемную область в виде совокупности фактов и правил. Другими словами, наполняет ЭС знаниями, которые позволяют ей самостоятельно решать задачи из проблемной области. Для медицинских экспертных систем такими знаниями являются описания симптомов, диагнозов, обследований.
Отметим, что этому режиму при традиционном подходе к программированию соответствуют этапы: алгоритмизации, программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного подхода в случае ЭС разработку программ осуществляет не программист, а эксперт, не владеющий программированием.
В режиме консультаций общение с ЭС осуществляет конечный пользователь, которого интересует результат и способ его получения. Необходимо отметить, что в зависимости от назначения ЭС пользователь может:
— не быть специалистом в данной предметной области, и в этом случае он обращается к ЭС за результатом, который не умеет получить сам;
— быть специалистом, и в этом случае он обращается к ЭС с целью ускорения получения результата, возлагая на ЭС рутинную работу.
Следует отметить, что в отличие от традиционных программ ЭС при решении задачи не только исполняют предписанную алгоритмом последовательность операций, но и сама предварительно формирует её.
Среди экспертных медицинских систем особое место занимают самообучающиеся интеллектуальные системы. Они основаны на методах автоматической классификации ситуаций из реальной практики или на методах обучения на примерах.
Самообучающаяся ЭС (СЭС) — система, способная сама проводить формализацию знаний с помощью заложенных в нее правил формализации, разработанных на основе вероятностных оценок соответствия определенных условий-характеристик ожидаемым событиям-исходам.
В общем случае СЭС может представлять собой лишь некоторую программную оболочку, содержащую правила формализации. При этом она может быть настроена экспертом на любую предметную область. На начальной стадии обучения системы эксперт сам должен контролировать правильность ее работы и корректировать выдаваемые ответы. При дальнейшем обучении система накапливает опыт в виде совершенствующейся базы знаний, постепенно уменьшается необходимость помощи эксперта и система переходит в режим самостоятельной работы.
Проверка уровня обученности системы предполагает подсчет процентного соотношения правильных и ошибочных ответов для фиксированного числа последних запусков системы с разнообразными наборами исходных данных. При достаточно близком к 100% количестве правильных ответов считается, что процесс обучения системы может быть завершен и система может далее функционировать в режиме обычной ЭС.
1.2 Обзор методов диагностики с помощью экспертных систем
Экспертные системы используются во многих областях медицины. Большинство из них созданы зарубежными исследователями и основаны на использовании искусственных нейронных сетей (ИНС). Использование ИНС в медицине приводит к высокому качеству диагностики. Так, например, система прогнозирования риска развития желчнокаменной болезни у людей с избыточной массой тела [28]. Нейронная сеть была обучена алгоритмом обратного распространения на основе данных 117 пациентов с ожирением и продемонстрировала лучшую прогнозирующую ценность по сравнению с моделью логистической регрессии, обученной на той же базе данных. Также система способствовала выявлению наиболее важных факторов риска желчнокаменной болезни.
В неврологии [29] применили нейронную сеть для прогнозирования эпилептических приступов на основе анализа электроэнцефалограмм. Прогностическая точность метода составила 98 %.
В трансплантологии [30] применяются экспертные системы для прогнозировании отсроченного снижения креатинина сыворотки крови у детей после трансплантации почки. Для выявления корреляции между входными переменными и искомым результатом у пациентов, подлежащих трансплантации почки, была создана искусственная нейронная сеть, обученная на 107 клинических примерах. Точность обученной нейронной сети составляла 87%.
Общим качеством для всех приведенных примеров является отсутствие универсальной технологии создания нейронной сети. Для каждой задачи разрабатывается архитектура нейронной сети, алгоритмы ее обучения и взаимодействия с компонентами экспертной системы. Это приводит к тому, что система имеет узкоспециализированную направленность.
Исправить эту проблему можно применяя другую модель построения экспертной системы. Так, например, медицинская экспертная система дифференциальной диагностики, представленная компанией Убертек, основана на использовании правил вывода. В операционной памяти системы хранятся симптомы, диагнозы, применимые правила вывода и рассуждения, относящиеся к очередному сеансу работы врача с экспертной системой [18]. Каждый симптом и диагноз может иметь свой коэффициент уверенности. Для начала работы врач заносит все имеющиеся или исключенные симптомы и диагнозы в операционную память. Затем происходит процесс логического вывода, изменяющий состав операционной памяти. Вывод результатов консультации представляет собой обновленные списки симптомов, диагнозов, активированные правила логического вывода и сделанные каждым из них изменения в операционной памяти. Основная функция экспертной системы заключается в выдаче врачу-терапевту списка достоверных с точки зрения системы диагнозов.
Система диагностики Diagnos.ru представляет собой искусственный интеллект на базе нечеткой логики. Она является самой крупной в мире по количеству групп диагностируемых болезней и категорий пациентов. В настоящее время система определяет более 240 заболеваний и более 600 нозологических единиц [27]. Но точность определения диагноза для систем, использующих правила вывода невелика. Например, Diagnos.ru в среднем точно диагностирует 70% случаев.
Для корректной работы описанных выше экспертных систем необходимо ввести все имеющиеся у пациента симптомы. При диагностике детских заболеваний такая система не применима, так как ребенок в возрасте до одного года не может в полной мере описать свое состояние, не представляется возможным перечислить и охарактеризовать все имеющиеся у него симптомы. Таким образом, задача диагностики характеризуется неполнотой входных данных.
Этот недостаток можно устранить, используя при построении экспертной системы вероятностную модель [31]. Так, например, система диагностики желтух, основанная на использовании сети Байеса, была обучена на 613 историях болезней с использованием 19 диагностических признаков и имеет точность диагностики около 93% [9,21].