автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуализация диагностики критических состояний больных с сердечной недостаточностью на основе консилиума алгоритмов

На правах рукописи

ПЛЕТНЕВ Анатолий Владимирович

?/

ИНТЕЛЛЕКТУАЛИЗАЦИЯ ДИАГНОСТИКИ КРИТИЧЕСКИХ СОСТОЯНИЙ БОЛЬНЫХ С СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТЬЮ НА ОСНОВЕ КОНСИЛИУМА АЛГОРИТМОВ

Специальность 05.13.01 - Системный анализ, управление

и обработка информации

АВТОРЕФЕРАТ

Диссертации на соискание ученой степени кандидата технических наук

Воронеж - 2005

Работа выполнена в Воронежском государственном техническом университете

Научный руководитель доктор технических наук, профессор

Федянин Виталий Иванович

Официальные оппоненты: доктор технических наук, профессор

Львович Игорь Яковлевич

кандидат технических наук, доцент Воронин Александр Иванович

Ведущая организация Воронежская государственная медицинская

академия

Защита состоится 23 декабря 2005 г. в часов в конференц-зале на заседании диссертационного совета Д 212.037.02 Воронежского государственного технического университета по адресу: 394026, г. Воронеж, Московский просп., 14.

С диссертацией можно ознакомиться в библиотеке Воронежского государственного технического университета.

Автореферат разослан « 23 » ноября 2005 г.

Ученый секретарь диссертационного совета

Федорков Е.Д.

<2004 - 9

гмг*

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы. Одной из основных задач, стоящих перед врачом, является диагностика заболевания. Для этого необходимо отнести больного к одному из нескольких классов - например "болен" и "здоров" - на основании данных о его текущем состоянии и истории болезни, т.е. решить задачу классификации. Построить систему, проводящую полную диагностику больного, достаточно сложно, поэтому, как правило, больного исследуют по определенному профилю, например на предмет наличия отклонений в сердечно-сосудистой системе. Соответственно, количество факторов, на основании которых такой диагноз может бьггь вынесен, существенно снижается, что позволяет повысить скорость и точность работы алгоритма.

Человеческий организм - высокоточный биологический механизм, который четко и, главное, довольно предсказуемо реагирует на различные факторы. Однако для того чтобы верно спрогнозировать развитие болезни и шансы больного на выздоровление, необходимо оценивать большое количество факторов. Аналитическая система в данном случае призвана помочь поставить верный диагноз, от которого кардинальным образом будет зависеть методика лечения. Не претендуя на роль опытного врача, безошибочно ставящего диагноз, подобная система может оказаться весьма действенным помощником для специалиста, который и будет выносить окончательное решение. Практика показывает, что подобное сотрудничество человека и аналитической системы может быть весьма продуктивно.

В настоящее время актуальным является направление интеллектуального анализа данных или Data Mining, главной задачей которого является обнаружение потенциально полезных зависимостей (знаний) в больших массивах данных. При исследовании данных средствами Data Mining используется большое число различных методов и их возможные комбинации. Наиболее важные и часто используемые методы: кластеризация; ассоциация; деревья решений; анализ с избирательным действием; сети уверенности; метод ближайших соседей; нейронные сети; нечеткая логика; генетические алгоритмы; регрессионные методы; эволюционное программирование.

Разные методы диагностики требуют, вообще говоря, разные наборы информационно-ценных признаков. Поэтому, если использовать для решения одной задачи множество алгоритмов, отличающихся как стратегией распознавания, так и набором информационно-ценных признаков, то результаты будут более надежными, чем решение, принимаемое одним алгоритмом.

Такое множество алгоритмов, пользуясь медицинской терминологией, естественно называть компьютерным консилиумом, или, иначе, - консилиумом диагностических алгоритмов.

Таким образом, актуальность темы диссертационного исследования определяется необходимостью повышения эффективности медицинской диагностики больных сердечной недостаточностью с применением интеллектуальных средств

поддержки принятия решений врача-диагноста.

Работа выполнена в рамках одного из основных научных направлений Воронежского государственного технического университета «Проблемно-ориентированные системы управления».

Цель работы и задачи исследования. Целью работы является разработка методов исследования, моделей и алгоритмов интеллектуальной и инструментальной поддержки дифференциальной диагностики заболеваний хронической сердечной недостаточности на основе консилиума диагностических алгоритмов. Исходя из цели, определены следующие задачи исследования: провести системный анализ современных технологий и методов диагностики больных с хронической сердечной недостаточностью;

разработать структуру подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных;

на основе анализа информации провести минимизацию признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания;

разработать модели диагностики больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей;

сформировать решающее правило, позволяющее оценивать состояние объекта диагностирования в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов);

разработать оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования»;

разработать программно-информационное обеспечение системы интеллектуальной поддержки врача-кардиолога при диагностике состояний больных с хронической сердечной недостаточностью.

Методы исследования. Для решения поставленных задач использовались методы системного анализа, методы теории вероятности и математической статистики, методы нейросетевого моделирования, теории оптимизации и принятия решений, в частности, методы многокритериального выбора, основные положения теории управления биосистемами. При разработке программно-информационных средств применялись методы объектно-ориентированного программирования, создания интеллектуальных информационных систем.

Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новгоной:

структура подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных, организации проведения консилиума алгоритмов диагностики, позволяющая сформировать базу знаний интеллектуальной медицинской системы, предназначенной для диагностики сердечной недостаточности;

метод минимизации признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания, основанный на поиске в многомерном пространстве потенциальных прогностических признаков множества статистически достоверных закономерностей, основанный на кластеризации признаков с учетом их информативности и взаимосвязи;

модели диагностики критических состояний больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей, позволяющие установить в явном виде зависимости между параметрами гомеостаза больных с сердечной недостаточностью и наличием у больного осложнений;

алгоритм оценки состояния объекта в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов), использующий априорные вероятности классов и условных вероятностях ошибок экспертов;

алгоритм оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования», характеризующийся возможностью формирования оценок ожидаемой вероятности ошибки и доверительного интервала для вероятности ошибки системы;

алгоритм многокритериального выбора методов медицинской диагностики по показателям эффективности, использующий метод свертывания векторного критерия, учитывающего относительную важность частных критериев оптимальности с помощью построения скалярной функции.

Практическая значимость работы. В результате проведенного исследования разработаны функциональная структура, математическое и программно-информационное обеспечение подсистемы интеллектуального анализа данных, распознавания и прогноза СППР «Консилиум», обеспечивающие эффективное решение задач дифференциальной диагностики состояний больных хронической сердечной недостаточностью.

В рамках предложенной структуры СППР «Консилиум» разработана методика построения решающих правил диагностики больных с сердечной недостаточностью, оценки их эффективности. Применение СППР «Консилиум» позволило сократить время, требуемое на вынесение диагноза, и снизить значения риска неверного диагностирования Своевременная же постановка диагноза приводит к снижению времени, требуемого на лечение, и повышает его эффективность.

Реализация и внедрение результатов работы. Интеллектуальная СППР «Консилиум» в виде комплекса технических средств и программно-информационного обеспечения внедрена в клиническую практику в Воронежской областной клинической больнице с ожидаемым годовым экономическим эффектом 153 тыс. руб. Кроме того, данная СППР используется в учебном процессе Воронежской государственной медицинской академии им. H.H. Бурденко,

на кафедре "Анестезиологии и реаниматологии" при подготовке врачей по специальности "Анестезиология и реаниматология".

Апробация работы. Научные результаты и положения диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: международной научно-практической конференции «Измерительные, информационные технологии и приборы в охране здоровья» (С-Петербург, 2003); Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах" (Воронеж, 2004, 2005); ежегодных научных конференциях профессорско-преподавательского состава Воронежского государственного технического университета.

Публикации. По теме диссертационной работы опубликовано 12 печатных

работ.

В работах, опубликованных в соавторстве, лично соискателю принадлежат: в [1, 4, 5] детальная проработка структуры системы обучения и распознавания на основе методов добычи данных, в [2, 66, 69] фрагменты моделей оценки качества распознавания и формирования консилиума алгоритмов, в [67, 71, 100] результаты формализации ситуаций выбора «коллективного» решения, в [3, 70] подход к решению многокритериальной задачи выбора методов медицинской диагностики, в [68] организация программно-информационных средств интеллектуальной системы.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, изложенных на 132 страницах списка литературы из 153 наименований, приложений, содержит 10 таблиц и 21 иллюстрацию.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, дана ее краткая характеристика, показаны основные пути решения сформулированных задач.

В первой главе рассматриваются параметры технических средств повышения эффективности интенсивной терапии. Приведен примерный алгоритм постановки диагноза хроническая сердечная недостаточность (ХСН). Дано обоснование необходимости использования различных диагностических методов при постановке диагноза ХСН.

Рассматриваются возможности математического аппарата теории управления, а также методы добычи данных в медицинских исследованиях и их эффективность в задачах медицинской диагностики; приведены особенности построения медицинских диагностических интеллектуальных систем. Проанализированы методы разработки медицинских экспертных систем (ЭС) с использованием технологии «Data Mining». Рассмотрены перспективы развития интеллектуальных систем в медицине, определяющиеся рядом факторов, среди которых можно выделить вопросы извлечения и представления различных типов знаний специалистов, интеллектуализации интерфейса и блока объяснения, гибридных и динамических систем. На основании проведенного анализа определяются цель и задачи исследования.

4

Вторая глава посвящена рассмотрению математических моделей идентификации критических состояний больных с сердечной недостаточностью.

Одним из направлений разработки базы знаний для медицинской ЭС следует считать средства добычи данных - Data Mining. При этом главной задачей является решение задачи распознавания образов. Результатом распознавания является отнесение данного объекта из экзаменуемого множества к одному из классов обучающего множества. Схема процесса распознавания приведена на рис. 1.

Банк объектов

Обучаюшра множество Экзаменуемое множество

Ттгт

коррекция признаков

W

Преобразование признаков регистрация, оценка, сортировка, ссертка,разбиение на градации, построй ни» произаойнъис характеристик

И спояьэо в вмие решеиошз то

правила

(5

Г^эед в арите льный диагноз

С

Ж

Организация обучени я

с учителем

диагноза Ъшяш H^fl I

без учителя

Кластеризация

Направленное дообучение

Универсальное обучение

Построение решающего правила

Аналитич модели Эероятн методы Геометр ¡Добыча методы 1 денных

Положительна я

Форме льна я запись пра в ила

\ V /

Г Решающее правило ) Отрицательна я

Оценка решающего правила

Рис. 1. Структура подсистемы формирования диагностических правил

Блок 1 «Банк объектов» содержит обучающее и экзаменуемое множества. В обучающем множестве уже должны быть заданы классы. В основном классы могут быть заданы одним из трех вариантов: либо заданием эталона класса, либо правилом вывода, либо показом примеров.

Блок 2 «Преобразование признаков» относится к выбору признаков.

Блок 3 «Организация обучения». Обучение может происходить как с учителем (supervisor), так и без него. Правило отнесения каждого объекта к тому или

5

иному классу строится системой на основании предложенных ей примеров - материала обучения.

Блок 8 «Построение решающего правила» Один из наиболее важных этапов При решении ряда задач технической и медицинской диагностики встречаются ситуации, когда ставится вопрос не о том, принадлежит ли данный объект классу а о том, до какой степени он может быть отнесен к 5 В связи с этим развиваются методы нечеткой классификации, в основе которых лежит представление о классе как о размытом (нечетком) множестве объектов, для которых переход от непринадлежности к данному классу к принадлежности постепенен, а не скачкообразен.

Блок 11 «Оценка решающего правила». Процесс оформления полученного диагностического правила состоит из трех основных этапов.

Этап 1. Построение решающего правила. Роль пространства признаков играют показания нового диагностического прибора. Как обучающее множество выступает контингент пациентов с уже известными диагнозами (включая диагноз «норма»), которые поставлены уже апробированными методами.

Этап 2. Промежуточный контроль. На этом этапе диагнозы сопоставляются и оцениваются их расхождения.

Этап 3. Работа с решающим правилом, где в качестве экзаменуемого множества фигурируют пациенты с неизвестным диагнозом.

Блок 12 «Коррекция признаков». Недостаточно высокое значение качества классификации указывает на то, что решающее правило можно и нужно скорректировать, изменив веса признаков и конъюнкций. В тех случаях, когда использование блока «Коррекция признаков» не обеспечивает необходимый уровень согласования диагнозов, приходится возвращаться либо к блоку 1 «Банк объектов». Для формирования адекватного обучающего множества, либо к блоку 2 для поиска нового способа преобразования пространства признаков в модифицированное «условно-оптимальное» пространство.

Блок 13 «Использование решающего правила». Постановка диагноза сводится к подстановке параметров в уже готовый и однозначный алгоритм.

Блок 15 «Предварительный диагноз» в случае, когда результат распознавания особо ответственен, выполняется процедура подтверждения.

Из множества современных методов распознавания образов и добычи данных, допускающих их использование при разработке медицинских интеллектуальных систем, рассмотрим следующие: деревья решений и нейронные сети (НС). Алгоритм построения дерева решений основан на вычислении для каждого атрибута а1 теоретико-информационной Е -меры, основанной на энтропии. Е -мера вычисляется следующим образом. Для данного узла пусть: р - число положительных

примеров; П - число отрицательных примеров; р--

число положительных примеров со значением V атрибута , П^ - число отрицательных примеров со значением Уу- атрибута ¿2,. Тогда

у-1 Р + П

где

О, О,

если х = О, если у = О,

-log-

-log-

иначе.

.хн-у х + ,у х + у х+у Для построения дерева решений использовалась обучающая выборка. Формирование выборки было проведено по данным исследования 150 больных с сердечной недостаточностью.

| Дерево реавний [По результату!

I Если EKGSHZM^» OJj 0-—ВШШЛ Если 6ШКВР <-13

I ЕиивЕЮКМО <- 313

| Если DUTSD <-16.5

I Если NIREOIDX <- 0.5

L--—— EcmDUTTAS <-11.5то0

В--а— ЕслиРЦТТАЭ > 11.5

|-ЕсливЕЦЖМО <-0то0

I-ИШШШИ Ec/mBELOKMO > Ото 1

I Ec/wNIREOtDX> 0.5

I Если ВЧЩР <-5.5

]--ИИИЭ Если INDKETLE <- 37 то 1

__I йстINDKETLE > 37го0

В-—НН Если ВШК1Р > 15

I ЕслиАБЕ <- Б2£то 0 I ЕслиАвЕ >62^то1

|eotjDUTSD>1S.5to1 I ЕслиВЕШКМО > 319то1 |ЕслиБШК8Р>13то1 I EcmE KGSTIZM> 0_5то1

Рис. 2. Дерево решений по диагностике ИБС

В выборке содержатся базовые показатели больных (X) - систолическое артериальное давление, мм.рт.ст.; Х2 - центральное венозное давление, мм.рт.ст.; Х3 — частота сердечных сокращений, мин'1; Х4 - РН, мм.рт.ст.; Х5 - ВЕ, мм.рт.ст.; Х6 -Р02, мм.рт.ст.; Х7 - РС02, мм.рт.ст.; Х8 - 802, %; Х9 - гемоглобин, г/л; Х,0 - общий белок, г/л; Хц - содержание калия в сыворотке крови, ммоль/л; Х^ - содержание натрия в сыворотке крови, ммоль/л; Хц- аспартатаминотрансфераза, ммоль/л; Хы -аланинаминотрансфераза, ммоль/л; Хц - билирубин, ммоль/л; Х)6 - мочевина, ммоль/л; Х,7 - креатинин, ммоль/л; Х18 - почасовой диурез, ммоль/л; Х19 - осмоляр-ность крови; Х20 - осмолярность мочи) и заранее известные результаты диагностики.

Далее использовалась программа Decision Tree. После процедуры обучения получено следующее дерево, показанное на рис. 2. Построение моделей развития критических состояний больных с сердечной недостаточностью на основе метода деревьев решений позволило установить в явном виде зависимости между рядом параметров гомеостаза больных с сердечной недостаточностью и наличием у больного осложнений.

Обучение НС распознаванию образов реализуется в соответствии со следующим математическим приемом. На вход НС поступают значения признаков

JCj (й?) объекта распознавания (О из множества объектов-образов

Q . На выходе НС выдает значение функции jy(iy) — уС(Х] (¿у),...,Х^ (¿у)),

сопоставляющей каждому объекту (О еП номер к класса Qи , которому он относится.

Рассматриваемые НС содержат три скрытых слоя, которые в совокупности реализуют полином от элементарных скалярных функций ф^ j от любой из переменных Х\,...Хп Выходное значение НС формирует элемент, реализующий функцию выхода у = <j(z). Обучение НС сводится к задаче построения полинома от элементарных функций, для которого на некотором обучающем множестве входных значений переменных XjХп заданы промежутки, в которые попадают значения полинома.

С помощью программы Neural Analyzer была обучена НС, которая в дальнейшем может использоваться для прогнозирования развития заболевания у пациентов. На данной выборке удалось добиться достаточно высокой точности - лишь 4 примера из 150 были неверно распознаны алгоритмом (2,66%).

После того, как НС обучена, можно подавать на ее вход данные, которые не были использованы при обучении. По входным факторам система будет определять выходной, т.е. прогнозировать наличие заболевания с достаточно высокой точностью.

Апробация построенной модели была проведена на контрольной выборке, включающей статистику по 25 больным, не вошедшим в обучающую выборку. Обученная нейросетъ однозначно распознает все примеры из обучающей выборки и достаточно точно (средняя уверенность в диагнозе составляет более 93 %) выдает ответы на примеры из контрольной выборки.

В третьей главе рассмотрены процессы принятия решений в индивидуальном и коллективном режиме работы. Описана архитектура системы, в которой наряду с формированием коллективного решения обеспечивается уточнение вероятностных характеристик, фигурирующих в решающем правиле. Проведена оценка качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосова-

8

ния» Решена задача многокритериального выбора методов медицинской диагностики по показателям эффективности. На основе экспертного заключения проводится формирование множества альтернативных методов диагностики, определение набора показателей и критериев эффективности этих методов.

Проблемы принятия решения стоят особенно остро на уровне систем, где задачи управления слабоструктурированы и слабоформализованы, где имеется неоднозначность, противоречивость и неполнота начальных данных и знаний об объектах и процессах. К такому классу систем можно отнести системы медицинской диагностики.

Проблема, вытекающая из анализа работы ЛПР в режиме коллективной работы, связана с возможностью создания коллективной базы знаний. Это несколько другая база знаний, чем рассматриваемая для индивидуальной работы ЛПР. Для ее генерации необходимы отбор части знаний каждого ЛПР, связанных с обсуждением данной проблемы, создание технологии интеграции этих частей и проведение работы по отбору решений, прогнозированию и выбору управляющего воздействия на базе интегральной (коллективной) базы знаний. Сама постановка этой задачи определяет сложность подходов к ее решению. Разработана структура системы, совмещающая коллективное решающее правило с возможностью его периодической коррекции (рис. 3).

Рис. 3. Технология принятия решения в режиме коллективной работы экспертов Д ля минимизации средней вероятности ошибки коллективного решения

И = на множестве © возможных комбинаций частных решений для

каждой фиксированной комбинации 5 е © принимаем окончательное решение в пользу того из классов, который имеет наибольшую апостериорную вероятность:

Д5) = агётахр(Гт/Б), (1)

1 <.т<М

где

P(VJP(S/Vm) P(S)

По определению условная вероятность I У\) есть не 4X0 иное, как

вероятность того, что в ситуации, когда имеет место класс Vm , эксперты, номера которых принадлежат множеству Iт, приняли правильные решения, а остальные

ошиблись. Поскольку мы предполагаем, что решения экспертов независимы, то по формуле произведения вероятностей

Piß IVm) = №- PWj ! >Vm)1П P(AJ Ю

На основании условия (1) с учетом (2) заключаем, что в ситуации S Е 0 окончательное (коллективное) решение следует принимать согласно правилу

D(S) = argmaxP(Vm)П[l ~ P{AJ / Vm)]ПP{AJ /Vm). (3)

1 SmSM Je,m JtIm

На основе предложенного подхода может быть реализована система поддержки принятия коллективных решений, структура которой показана на рис. 4.

Рис. 4. Структура системы для формирования коллективного решения

Рациональный выбор диагностических методов и определение оптимальной последовательности (алгоритма) их использования во многом определяются конкретной клинической ситуацией, но не исключает общеизвестный принцип использования различных диагностических методов. Рациональный выбор метода диагностики кардиозаболеваний осуществляется по критериям качества и эффективности, к которым относятся: точность, чувствительность, специфичность, прогностическая вероятность положительных и отрицательных результатов исследования, стоимость метода и его безопасность для пациента, и некоторые другие.

Предлагается следующая схема процесса решения многоцелевых задач (рис. 5), ориентированная на рациональный выбор метода медицинской диагностики. Для ее реализации проводится формирование множества альтернативных методов диагностики, определение набора показателей и критериев эффективности этих методов. Определение набора критериев оценки методов медицинской диагностики выполняется как на основе требований нормативных документов по стандартизации в здравоохранении, так и потребностей врача-диагноста, учитывающих особенности конкретного пациента.

По оценкам экспертов и результатам априорного ранжирования формируется базовый набор показателей, с помощью которых оцениваются методы медицинской визуализации.

При решении данной задачи используется метод свертывания векторного критерия, учитывающего относительную важность частных критериев оптимальности с помощью построения скалярной функции. Рассмотрим функцию ^ с аддитивным критерием оптимальности:

где 2 ={£),,..., } - вектор частных критериев; ¡2, - нормированная функция ах (Я.), ... ; Qm - нормированная

(х).

Здесь М? = {м>

1 > ■

,} -

весо-

функция С1п

вые коэффициенты относительной важности частных кри-. м>. = 1. В результате задача сводит-

териев, причем ^Г™

ся к решению однокритериальной задачи оптимизации:

Рис. 5. Схема процесса принятия решения по рациональному выбору метода диагностики

Г (>»>,Яор1) = тах(и'Д ). (4)

4 ' Я.7еЛ •//

Решение задачи (4) может бьггь получено путем алгоритмизации одного из методов параметрической оптимизации.

В четвертой главе диссертационной работы приводится описание системы поддержки принятия решений «Консилиум», построенной по объектно-ориентированной технологии с применением принципов модульности, открытости, оптимизации, управляемости и адекватности и предназначенной для работы на 1ВМ-совместимых компьютерах.

Структурно выделяются следующие функциональные блоки СППР «Консилиум» (рис. 6):

блок управления прибором (включение; выбор режима; задание временных параметров работы прибора; регистрация измеренных значений отклика);

блок нижнего уровня интерфейса (визуальное решение программы, общая организация окон и меню);

блок поддержки карты описания (файловые операции, модификация); блок ведения базы данных (описание структуры, файловые операции, проверка корректности и т.п.);

блок ввода/редактирования данных (внесение данных об анамнезе пациента с учетом исследуемой у него группы органов);

блок просмотра содержимого БД (формирование списка пациентов); блок поиска (поиск в БД по заданным критериям);

блок интерфейса диагностической процедуры (удобный для пользователя способ управления процессом ввода и визуализации на мониторе компьютера в реальном масштабе времени регистрируемых данных);

счетный блок (автоматизированная обработка первичных данных, расчет производных характеристик);

блок диагностики (поиск информативных сочетаний производных характеристик за то или иное состояние органа);

блок представления результатов диагностики (представление в наглядной форме протокола голосования по диагностируемым состояниям с возможностью повторного визуального просмотра данных, распечатки протокола приема пациента и т.п.);

блок экспорта данных для анализа в других программах. Компьютерная реализация процесса построения решающих правил состоит из нескольких этапов.

Этап 1. Формирование проблемно-ориентированного банка объектов. Банк строится на основе унифицированного документа описания объекта (например, карты больного), в который включаются все необходимые, с точки зрения исследователя, признаки для решения задачи классификации.

Этап 2. Преобразование исходных данных. Этап включает предварительный анализ данных и его визуализацию, построение производных характеристик, разбиение непрерывных признаков на градации и т.д.

Этап 3. Формирование материала обучения, то есть перечисление симптомов, задание объектов, составляющих материал обучения (принадлежащих классам А и В), а также контрольных объектов.

Этап 4. Работа собственно алгоритма формирования решающих правил на материале обучения: универсальное обучение, поиск оптимального набора параметров для построения решающего набора и формирование решающего правила.

Этап 5. Оценка решающего правила, то есть тестирование его на объектах, диагноз которых известен экзаменаторам, но неизвестен системе.

Решающее правило, полученное по окончании процесса обучения, фиксируется и в дальнейшем применяется к экзаменуемым объектам, то есть во втором режиме работы, который соответствует левой (логической) части схемы и служит для практического использования. Выявленные закономерности могут быть использованы для диагностики конкретных объектов либо непосредственно самой системой «Консилиум», либо интегрированы в прикладные пользовательские системы.

Рис. 6. Функциональная схема СППР «Консилиум»

Разработанные функциональная и логическая схемы определяют структуру программно-информационного обеспечения системы поддержки принятия решений «Консилиум».

Все программные модули реализованы с помощью инструментальных средств Borland Delphi 6.0 и СУБД Microsoft Access в операционной среде Windows ХР.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Разработана структура подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных. Она позволяет сформировать базу знаний интеллектуальной медицинской системы, предназначенной для диагностики сердечной недостаточности. Данная структура использует ряд методов распознавания образов и добычи данных для эффективного наполнения базы знаний, формирования диагностических правил и организации проведения консилиума алгоритмов диагностики.

2. Решена задача минимизации признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания. Предложен подход к селекции признаков, основанный на поиске в многомерном пространстве потенциальных прогностических признаков множества статистически достоверных закономерностей, основанный на кластеризации признаков с учетом их информативности и взаимосвязи.

3. Построены модели диагностики критических состояний больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей. Указанные модели позволяют установить в явном виде зависимости между рядом параметров гомеостаза больных с сердечной недостаточностью и наличием у больного осложнений.

4. Рассмотрены процессы принятия решений ЛПР в индивидуальном и коллективном режиме работы. Дан анализ особенностей этих режимов и описаны новые информационные технологии их реализации. Рассмотрены проблемы формирования коллективной базы знаний для принятия решения группой ЛПР, сформулировано понятие информационной свертки.

5. Предложено решающее правило, позволяющее оценивать состояние объекта в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов). Для использования правила достаточно иметь информацию об априорных вероятностях классов и условных вероятностях ошибок экспертов. Описана архитектура системы, в которой наряду с формированием коллективного решения обеспечивается уточнение вероятностных характеристик, фигурирующих в решающем правиле.

6. Проведена оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования». Это достигается путем формирования оценок ожидаемой вероятности ошибки и доверительного интервала для вероятности ошибки системы, на основе чего и производится выбор «наилучшего» правила.

7. Решена задача многокритериального выбора методов медицинской диагностики по показателям эффективности. На основе экспертного заключения проводится формирование множества альтернативных методов диагностики, определение набора показателей и критериев эффективности этих методов. При решении данной задачи используется метод свертывания векторного критерия, учитывающего относительную важность частных критериев оптимальности с помощью построения скалярной функции

8. Разработаны функциональная и логическая схемы системы интеллектуального анализа данных, распознавания и прогноза, предназначенной для решения круга задач, связанных с построением решающих правил классификации на основе методов добычи данных. Указанные функциональная и логическая схемы СППР определяют структуру программно-информационного обеспечения системы поддержки принятия решений «Консилиум».

9. Разработано программно-информационное обеспечение СППР «Консилиум», предназначенное для анализа медицинских данных с помощью различных статистических и интеллектуальных методов, таких как деревья решений, нейронные сети, байесовские сети доверия и генетические алгоритмы, формирования и выдачи обоснованных заключений при диагностике больных с сердечной недостаточностью на основе консилиума алгоритмов.

10. Предложена методика построения решающих правил диагностики в интеллектуальной системе «Консилиум», сформирована база знаний системы поддержки принятия решений врача-диагноста, ориентированной на диагностику состояния больных с сердечной недостаточностью. Данная СППР «Консилиум» в виде комплекса технических средств и программно-информационного обеспечения внедрена в учебный процесс и клиническую практику. Ожидаемый годовой экономический эффект - 153 тыс. руб.

Основные результаты диссертации опубликованы в следующих работах:

1. Андрюнькина Е.В., Плетнев A.B., Федянин В.И. Анализ зависимостей показателей критических состояний больных с сердечной недостаточностью // Системы жизнеобеспечения и управления в ЧС: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2004. Ч. 1.С. 8-9

2. Андрюнькина Е.В., Плетнев A.B., Федянин В.И. Обоснование логической модели выбора интенсивной терапии больных с сердечной недостаточностью // Вестник Воронеж, гос. техн. ун-та. Сер. Системы и средства безопасности в чрезвычайных ситуациях.2004.Вып.10.1 С.96-97.

3. Андрюнькина Е.В., Плетнев A.B., Федянина Я.В. Многокритериальные модели оценки эффективности лечебных мероприятий // Вестник Воронеж, гос. техн. ун-та. Сер. Системы и средства безопасности в чрезвычайных ситуациях. 2004.Вып.10.1 С.102-103.

4. Андрюнькина Е.В., Плетнев A.B., Федянина Я.В. Обзор методов добычи данных в медицинских исследованиях и анализ их эффективности в задачах медицинской диагностики // Системы жизнеобеспечения и управления в ЧС: Межвуз. сб. науч. тр. Воронеж :ВГТУ,2004. Ч. П.С. 84-87.

15

5. Андрюнькина Е.В., Плетнев A.B., Федянина Я.В. Рационализация диагностики состояний больных с сердечной недостаточностью // Системы жизнеобеспечения и управления в ЧС: Межвуз. сб. науч. тр Воронеж: ВГТУ, 2004. Ч. I.C.167-169.

6. Плетнев A.B. Построение модели диагностики критических состояний больных с сердечной недостаточностью на основе методов деревьев решений // Системы жизнеобеспечения и управления в ЧС: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2004.Ч.П. С. 87-89.

7. Плетнев A.B. Прогнозирование состояния больных с сердечной недостаточностью // Системы жизнеобеспечения и управления в ЧС: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2004. Ч.И. С. 145- 147.

8. Плетнев A.B. Разработка структуры подсистемы формирования диагностических правил на основе методов распознавания и добычи данных // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж: 2005. С. 15-16

9. Плетнев A.B. Формирование комплексных показателей функционирования телемедицинских и телерадиологических систем // Высокие технологии в технике, медицине, экономике и образовании: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2002. С. 36-38.

10. Плетнев A.B., Усов Ю.И., Федянин В.И. Функциональные требования к телемедицинским системам в задаче их рационального построения // Высокие технологии в технике, медицине, экономике и образовании: Межвуз. сб. науч.тр. Воронеж: ВГТУ, 2002. С. 84-87.

11. Плетнев A.B., Федянина Я.В. Разработка системы поддержки принятия решения группой независимых экспертов // Высокие технологии в технике, медицине, экономике и образовании: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2005. С.44 -48.

12. Шаева Т.В., Бельчинский В.В., Плетнев A.B. Метрологическое обеспечение импедансометрических исследований наполнения полых органов // Измерительные, информационные технологии и приборы в охране

здоровья: Труды Междунар. науч.-практ. конф. СПб., 2003. С. 127-128.

г.

Подписано в печать 18.11.2005. Формат 60x84/16. Бумага для множительных^ Усл.печ.л. 1,0. Тираж 90 экз. Заказ №

ю^^&ратов

Воронежский государственный технический университет 394026, Воронеж, Московский просп., 14

í

f

-j ■u

9

I

»23670

РНБ Русский фонд

2006-4 23629

ВВЕДЕНИЕ

ГЛАВА 1. СОВРЕМЕННЫЕ МЕТОДЫ ДИАГНОСТИКИ СОСТОЯНИЯ БОЛЬНЫХ С ХРОНИЧЕСКОЙ СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТЬЮ И НАПРАВЛЕНИЯ ПО ПОВЫШЕНИЮ ЭФФЕКТИВНОСТИ СРЕДСТВ ДИАГНОСТИРОВАНИЯ

1Л. Хроническая сердечная недостаточность: определение, значимые симптомы, средства инструментальной и лабораторной диагностики и алгоритм постановки диагноза

1.2. Особенности построения медицинских диагностических интеллектуальных систем

1.3. Анализ методов разработки медицинских экспертных систем с использованием технологии «Data Mining»

1.4. Цель и задачи исследования

ГЛАВА 2. ФОРМИРОВАНИЕ ДИАГНОСТИЧЕСКИХ МОДЕЛЕЙ РАСПОЗНАВАНИЯ СОСТОЯНИЯ БОЛЬНЫХ С СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТЬЮ НА ОСНОВЕ ТЕХНОЛОГИИ ДОБЫЧИ ДАННЫХ

2.1. Разработка структуры подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных

2.2. Минимизация признакового пространства показателей состояния больных с хронической сердечной недостаточностью

2.3. Выявление скрытых закономерностей в статистических данных о состоянии больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей

2.4. Выводы второй главы

ГЛАВА 3. РАЗРАБОТКА СРЕДСТВ ПОДДЕРЖКИ КОЛЛЕКТИВНОГО РЕШЕНИЯ И ОЦЕНКА КАЧЕСТВА РАСПОЗНАЮЩЕЙ СИСТЕМЫ, МНОГОКРИТЕРИАЛЬНОГО ВЫБОРА МЕТОДОВ ДИАГНОСТИКИ

3.1. Разработка обучаемой системы поддержки коллективного решения группой независимых экспертов

3.2. Определение качества распознающей системы на множестве решающих правил по обучающей выборке

3.3. Рациональный выбор метода диагностики больных с сердечной недостаточностью по векторному критерию качества

3.4. Выводы третьей главы

ГЛАВА 4. РАЗРАБОТКА И РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОДДЕРЖКИ ВРАЧА-ДИАГНОСТА НА ОСНОВЕ КОНСИЛИУМА ДИАГНОСТИЧЕСКИХ АЛГОРИТМОВ

4.1. Разработка функциональной и логической схем системы поддержки принятия решений врача-диагноста «Консилиум»

4.2. Разработка программно-информационного обеспечения подсистемы интеллектуального анализа данных, распознавания и прогноза CI 11 LP «Консилиум»

4.3. Методика построения решающих правил диагностики больных с сердечной недостаточностью в интеллектуальной

СППР «Консилиум»

Актуальность темы. Одной из основных задач, стоящих перед врачом, является диагностика заболевания. Для этого необходимо отнести больного к одному из нескольких классов - например, "болен" и "здоров" - на основании данных о его текущем состоянии и истории болезни, т.е. решить задачу классификации. Построить систему, проводящую полную диагностику больного, достаточно сложно, поэтому, как правило, больного исследуют по определенному профилю, например, на предмет наличия отклонений в сердечно-сосудистой системе. Соответственно, количество факторов, на основании которых такой диагноз может быть вынесен, существенно снижается, что позволяет повысить скорость и точность работы алгоритма.

Человеческий организм - высокоточный биологический механизм, который четко и, главное, довольно предсказуемо реагирует на различные факторы. Однако для того, чтобы верно спрогнозировать развитие болезни и шансы больного на выздоровление, необходимо оценивать большое количество факторов. Аналитическая система в данном случае призвана помочь поставить верный диагноз, от которого кардинальным образом будет зависеть методика лечения. Не претендуя на роль опытного врача, безошибочно ставящего диагноз, подобная система может оказаться весьма действенным помощником для специалиста, который и будет выносить окончательное решение. Практика показывает, что подобное сотрудничество человека и аналитической системы может быть весьма продуктивно.

Задача диагностики развития критических состояний больных с сердечной недостаточностью относится к задачам классификации.

В настоящее время актуальным является направление интеллектуального анализа данных или Data Mining, главной задачей которого является обнаружение потенциально полезных зависимостей (знаний) в больших массивах данных. При исследовании данных средствами Data Mining используется большое число различных методов и их возможные комбинации. Наиболее важные и часто используемые методы: кластеризация; ассоциация; деревья решений; анализ с избирательным действием; сети уверенности; метод ближайших соседей; нейронные сети; нечеткая логика; генетические алгоритмы; регрессионные методы; эволюционное программирование.

Разные методы диагностики требуют, вообще говоря, разные наборы информационно-ценных признаков. Поэтому, если использовать для решения одной задачи множество алгоритмов, отличающихся как стратегией распознавания, так и набором информационно-ценных признаков, то результаты будут более надежными, чем решение, принимаемое одним алгоритмом.

Такое множество алгоритмов, пользуясь медицинской терминологией, естественно называть компьютерным консилиумом, или, иначе, — консилиумом диагностических алгоритмов.

Таким образом, актуальность темы диссертационного исследования определяется необходимостью повышения эффективности медицинской диагностики больных сердечной недостаточностью с применением интеллектуальных средств поддержки принятия решений врача-диагноста.

Целью работы является разработка методов исследования, моделей и алгоритмов интеллектуальной и инструментальной поддержки дифференциальной диагностики заболеваний хронической сердечной недостаточности на основе консилиума диагностических алгоритмов.

Исходя из цели, определены следующие задачи исследования: провести системный анализ современных технологий и методов диагностики больных с хронической сердечной недостаточностью; разработать структуру подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных; на основе анализа информации провести минимизацию признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания; разработать модели диагностики больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей; сформировать решающее правило, позволяющее оценивать состояние объекта диагностирования в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов); разработать оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования»; разработать программно-информационное обеспечение системы интеллектуальной поддержки врача-кардиолога при диагностике состояний больных с хронической сердечной недостаточностью.

Методы исследования. Для решения поставленных задач использовались методы системного анализа, методы теории вероятности и математической статистики, методы нейросетевого моделирования, теории оптимизации и принятия решений, в частности, методы многокритериального выбора, основные положения теории управления биосистемами. При разработке программно-информационных средств применялись методы объектно-ориентированного программирования, создания интеллектуальных информационных систем.

Научная новизна. В диссертации получены следующие основные результаты характеризующиеся научной новизной: структура подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных, организации проведения консилиума алгоритмов диагностики, позволяющая сформировать базу знаний интеллектуальной медицинской системы, предназначенной для диагностики сердечной недостаточности; метод минимизации признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания, основанный на поиске в многомерном пространстве потенциальных прогностических признаков множества статистически достоверных закономерностей, основанный на кластеризации признаков с учетом их информативности и взаимосвязи; модели диагностики критических состояний больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей, позволяющие установить в явном виде зависимости между параметрами гомео-стаза больных с сердечной недостаточностью и наличием у больного осложнений; алгоритм оценки состояние объекта в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов), использующий априорные вероятности классов и условных вероятностях ошибок экспертов; алгоритм оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования», характеризующийся возможностью формирования оценок ожидаемой вероятности ошибки и доверительного интервала для вероятности ошибки системы; алгоритм многокритериального выбора методов медицинской диагностики по показателям эффективности, использующий метод свертывания векторного критерия, учитывающего относительную важность частных критериев оптимальности с помощью построения скалярной функции.

Практическая ценность работы. В результате проведенного исследования разработаны функциональная структура, математическое и программно-информационное обеспечение подсистемы интеллектуального анализа данных, распознавания и прогноза СППР «Консилиум», обеспечивающие эффективное решение задач дифференциальной диагностики состояний больных хронической сердечной недостаточностью.

В рамках предложенной структуры СППР «Консилиум» разработана методика построения решающих правил диагностики больных с сердечной недостаточностью, оценки их эффективности. Применение СППР «Консилиум» позволило сократить время, требуемое на вынесение диагноза, и снизить значения риска неверного диагностирования. Своевременная же постановка диагноза приводит к снижению времени, требуемого на лечение, и повышает его эффективность.

Реализация и внедрение результатов работы. Интеллектуальная СППР «Консилиум» в виде комплекса технических средств и программно-информационного обеспечения внедрена в клиническую практику в Воронежской областной клинической больнице с ожидаемым годовым экономическим эффектом 153 тыс. руб. Кроме того, данная СППР используется в учебном процессе Воронежской государственной медицинской академии им. Бурденко на кафедре "Анестезиологии и реаниматологии", при подготовке врачей по специальности "Анестезиологии и реаниматологии".

Апробация работы. Научные результаты и положения диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах" (Воронеж, 2003, 2004); международной научно-практической конференции «Измерительные, информационные технологии и приборы в охране здоровья» (С-Петербург, 2003); ежегодных научных конференциях профессорско-преподавательского состава Воронежского государственного технического университета.

Публикации. По теме диссертационной работы опубликовано 14 печатных работ.

В работах, опубликованных в соавторстве, лично соискателю принадлежит: в [1, 4, 5, 68] детальная проработка структуры системы обучения и распознавания на основе методов добычи данных, в [2, 66, 69, 70] фрагменты моделей оценки качества распознавания и формирования консилиума алгоритмов, в [71, 68, 67, 66, 100] результаты формализации ситуаций выбора «коллективного» решения, в [2, 3, 66, 69, 70] подход к решению многокритериальной задачи выбора методов медицинской диагностики, в [68] организация программно-информационных средств интеллектуальной системы.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, изложенных на 132 страницах машинописного текста, спи

4.4. Выводы четвертой главы

1. Разработаны функциональная и логическая схемы системы интеллектуального анализа данных, распознавания и прогноза, предназначенной для решения круга задач, связанных с построением решающих правил классификации на основе методов добычи данных. Указанные функциональная и логическая схемы СППР определяют структуру программно-информационного обеспечения системы поддержки принятия решений «Консилиум».

2. Разработано программно-информационное обеспечение СППР «Консилиум», предназначенное для анализа медицинских данных с помощью различных статистических и интеллектуальных методов, таких как деревья решений, нейронные сети, байесовские сети доверия и генетические алгоритмы, формирования и выдачи обоснованных заключений при диагностике больных с сердечной недостаточностью на основе консилиума алгоритмов.

3. Предложена методика построения решающих правил диагностики в интеллектуальной системе «Консилиум», сформирована база знаний системы поддержки принятия решений врача-диагноста, ориентированной на диагностику состояния больных с сердечной недостаточностью. Данная СППР «Консилиум» в виде комплекса технических средств и программно-информационного обеспечения внедрена в учебный процесс и клиническую практику.

ЗАКЛЮЧЕНИЕ

1. Разработана структура подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных. Она позволяет сформировать базу знаний интеллектуальной медицинской системы, предназначенной для диагностики сердечной недостаточности. Данная структура использует ряд методов распознавания образов и добычи данных для эффективного наполнения базы знаний, формирования диагностических правил и организации проведения консилиума алгоритмов диагностики.

2. Решена задача минимизации признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания. Предложен подход к селекции признаков, основанный на поиске в многомерном пространстве потенциальных прогностических признаков множества статистически достоверных закономерностей, основанный на кластеризации признаков с учетом их информативности и взаимосвязи.

3. Построены модели диагностики критических состояний больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей. Указанные модели позволяют установить в явном виде зависимости между рядом параметров гомеостаза больных с сердечной недостаточностью и наличием у больного осложнений.

4. Рассмотрены процессы принятия решений ЛПР в индивидуальном и коллективном режиме работы. Дан анализ особенностей этих режимов и описаны новые информационные технологии их реализации. Рассмотрены проблемы формирования коллективной базы знаний для принятия решения группой ЛПР, сформулировано понятие информационной свертки.

5. Предложено решающее правило, позволяющее оценивать состояние объекта в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов). Для использования правила достаточно иметь информацию об априорных вероятностях классов и условных вероятностях ошибок экспертов. Описана архитектура системы, в которой наряду с формированием коллективного решения обеспечивается уточнение вероятностных характеристик, фигурирующих в решающем правиле.

6. Проведена оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования». Это достигается путем формирования оценок ожидаемой вероятности ошибки и доверительного интервала для вероятности ошибки системы, на основе чего и производится выбор «наилучшего» правила.

7. Решена задача многокритериального выбора методов медицинской диагностики по показателям эффективности. На основе экспертного заключения проводится формирование множества альтернативных методов диагностики, определение набора показателей и критериев эффективности этих методов. При решении данной задачи используется метод свертывания векторного критерия, учитывающего относительную важность частных критериев оптимальности с помощью построения скалярной функции.

8. Разработаны функциональная и логическая схемы системы интеллектуального анализа данных, распознавания и прогноза, предназначенной для решения круга задач, связанных с построением решающих правил классификации на основе методов добычи данных. Указанные функциональная и логическая схемы СППР определяют структуру программно-информационного обеспечения системы поддержки принятия решений «Консилиум».

9. Разработано программно-информационное обеспечение СППР «Консилиум», предназначенное для анализа медицинских данных с помощью различных статистических и интеллектуальных методов, таких как деревья решений, нейронные сети, байесовские сети доверия и генетические алгоритмы, формирования и выдачи обоснованных заключений при диагностике больных с сердечной недостаточностью на основе консилиума алгоритмов.

10. Предложена методика построения решающих правил диагностики в интеллектуальной системе «Консилиум», сформирована база знаний системы поддержки принятия решений врача-диагноста, ориентированной на диагностику состояния больных с сердечной недостаточностью. Данная СППР «Консилиум» в виде комплекса технических средств и программно-информационного обеспечения внедрена в учебный процесс и клиническую практику. Ожидаемый годовой экономический эффект - 153 тыс.руб.

1. Андрюнькина Е.В., Плетнев А.В., Федянин В.И. Анализ зависимостей показателей критических состояний больных с сердечной недостаточностью // Системы жизнеобеспечения и управления в ЧС: межвуз. сб., Ч. 1. Воронеж.: ВГТУ, 2004.

2. Андрюнькина Е.В., Плетнев А.В., Федянин В.И. Обоснование логической модели выбора интенсивной терапии больных с сердечной недостаточностью // Вестник ВГТУ, серия «Системы и средства безопасности в чрезвычайных ситуациях», Воронеж, 2004. С.96.

3. Андрюнькина Е.В., Плетнев А.В., Федянина Я.В. Многокритериальные модели оценки эффективности лечебных мероприятий. Вестник ВГТУ, серия «Системы и средства безопасности в чрезвычайных ситуациях», С. 102.

4. Андрюнькина Е.В., Плетнев А.В., Федянина Я.В. Обзор методов добычи данных в медицинских исследованиях и анализ их эффективности в задачах медицинской диагностики. Межвуз. сб. «Системы жизнеобеспечения и управления в ЧС», ч. 1.

5. Андрюнькина Е.В., Плетнев А.В., Федянина Я.В. Рационализация диагностики состояний больных с сердечной недостаточностью. Межвуз. сб. «Системы жизнеобеспечения и управления в ЧС», ч. 1.

6. Асанов А.А., Ларичев О.И., Нарыжный Е.В., Страхов С.И. Экспертная система для диагностики лекарственных отравлений // Седьмая нац. конф. по искусств, интеллекту с междунар. уч. (КИИ'2000): Тр.конф. Т.2. М.: Изд-во Физ-мат. лит. 2000. С.708-716.

7. Барабаш Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. 224 с.

8. Бериков В.Б. Априорные оценки качества распознавания при ограниченном объеме обучающей выборки. ЖВМиМФ, 2003, том 43 ,№ 9, С. 1448-1456.

9. Бериков В.Б. Об устойчивости алгоритмов распознавания в дискретной постановке // Искусственный интеллект. 2000. Т. 2. С. 5-8.

10. Бонгард М.М. Проблема узнавания. М.: Наука. 1967, С.

11. Бохуа Н.К., Геловани В.А., Ковригин О.В., Смольянинов Н.Д. Экспертная система диагностики различных форм артериальной гипертензии // Изв. АН СССР. Техн. кибернетика. 1982. №6. С. 183-190.

12. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука. 1983, С.

13. Бураковский В.И., Бокерия Л.А., Газизова Д.Ш., Лшцук В.А. и др. Компьютерная технология интенсивного лечения: контроль, анализ, диагностика, лечение, обучение. М.: НЦ ССХ РАМН. 1995.

14. Валькман Ю.Р. Графическая метафора основа когнитивной графики // Нац. конф. с междунар. участием «Искусственный интеллект-94» (КИИ-94). T.I. Рыбинск. 1994. С.195-199.

15. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. М.: Наука. 1974, С.

16. Варфоломеев В.И., Воробьев С.Н. Принятие управленческих решений: Учеб. пособие для вузов, М.: КУДИЦ-ОБРАЗ, 2001. 288 с.

17. Васильев В.И. Распознающие системы (справочник). К.: Наукова думка. 1983. 422 с.

18. Вентцель Е.С. Теория вероятностей. М.: Наука, 1969. 576 с.

19. Викторов В.А. О развитии медико-технической науки // "Вестник РАМН" N5,2001 г., С. 3-7.

20. Виноградов А.В. Дифференциальный диагноз внутренних болезней: справочное руководство для врачей. М.: Медицина. 1987, с.

21. Власов В.В. Эффективность диагностических исследований. М.: Медицина, 1988. 256 с.

22. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А, Очерки о совместной работе математиков и врачей. М.: Наука. 1989.

23. Глушков В.М. Введение в АСУ. Киев: Техника, 1974. 554 с.

24. Глушков В.М. Основы безбумажной информатики. М.: Наука, 1987. 552 с.

25. Гречко В.О., Долгополов И.Н., Ковнеристов А.Г. и др. Представление знаний в системе массового медицинского диагностирования // VI Меж-дунар. конф. «Знания-Диалог-Решение» (KDS-97): Сб. науч. тр. Т.2. Ялта. 1997. С.478-485.

26. Дюк В.А. Компьютерная психодиагностика. СПб: «Братство», 1994.364 с.

27. Дюк В.А. Обработка данных на ПК в примерах. СПб: "Питер", 1997. 240 с.

28. Дюк В.А., Самойленко А.П. Data Mining: учебный курс СПб: «Питер», 2001. 368 с.

29. Ездаков A.JL, Покатаева Е.Н. Компьютерная медицинская диагностика как опыт автоматизации работ в слабоформализованной предметной области // Компьютерная хроника. 1994. № 8-9. С. 13-30.

30. Журавлев Ю.И. Об алгебраическом подходе для решения задач распознавания или классификации. Проблемы кибернетики. М.: Наука, 1978. Вып. 33. С. 5-68.

31. Зарубина Т.В., Гаспарян С.А. Управление состоянием больных перитонитом с использованием новых информационных технологий. М.: 1999.

32. Ивашко В.Г., Финн В.К. Экспертные системы и некоторые проблемы их интеллектуализации // Семантика и информатика. М.: ВИНИТИ. 1986. №27.

33. Кобринский Б.А. Значение визуализации данных при компьютерной обработке в медицине // Вестник АМН СССР. 1988. №8. С.92-97.

34. Кобринский Б.А. К вопросу о формальном отражении образного мышления и интуиции специалиста в слабо структурированной предметной области // Новости искусственного интеллекта. 1998. №3. С.64-76.

35. Кобринский Б.А. К проблеме машинного распознавания наследственных болезней // Специализированная помощь детям с наследственной патологией: Сб. тр. Моск. НИИ пед. и дет. хир. Вып.16. М.: 1981. С.147-153.

36. Кобринский Б.А. Нечеткая логика в анализе образных представлений в медицинских системах искусственного интеллекта // Междунар. конф. по мягким вычислениям и измерениям: Сб. докл. Т.1. СПб.: 1998. С.233-235.

37. Кобринский Б.А. Рассуждения и аргументация в диагностическом процессе // 3-я Междунар. конф. «Информационные ресурсы. Интеграция. Технологии»: Матер, конф.: Вторая часть. М.: 1997. С.4-6.

38. Кобринский Б.А. Рефлексия и нечеткие представления в медицинских системах искусственного интеллекта // Рефлексивное управление. Тез. междунар. симпоз. М.: Изд-во «Ин-т психологии РАН». 2000. С. 85-86.

39. Кобринский Б.А., Кудрявцев A.M., Фельдман А.Е. РС-ориентированная информационно-диагностическая система по наследственной патологии у детей // Компьютерная хроника. 1994. № 8-9. С.31-37.

40. Кобринский Б.А., Таперова Л.Н., Фельдман А.Е., Веприцкая О.В. К вопросу о коммуникабельности медицинских экспертных систем / Эволюционная информатика и моделирование: Сб. науч. тр. по матер, междунар. конф. М.: ГосИФТП. 1994. С. 100-116.

41. Кобринский Б.А., Фельдман А.Е. Анализ и учет ассоциативных знаний в медицинских экспертных системах // Новости искусственного интеллекта. 1995. № 3. С.90-96.

42. Кузнецов О.П. Образное мышление и быстрые процессы // Новости искусственного интеллекта. 1998. №2. С. 117-130.

43. Ларичев О.И. Наука и искусство принятия решений. М: Наука, 1979. 200 с.

44. Ларичев О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных Странах: Учебник. М.: Логос. 2000.

45. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. Вербальный анализ решений. М.: Наука. 1996. 208 с.

46. Лбов Г.С, Старцева Н.Г. Логические решающие функции и вопросы статистической устойчивости решений // Новосибирск: Изд-во Ин-та математики. 1999.

47. Левит В.Е., Переверзев-Орлов B.C. Структура и поле данных при распознавании образов. М.: Наука. 1984.

48. Лукашевич И.П., Мачинская Р.И., Фишман М.Н. Структурная организация медицинской информации «ЭЭГ-ЭКСПЕРТ» // Математические методы в технике и технологиях (ММТТ-2000): Сб. тр. 13-й Междунар. науч. конф. Т.4. Секции 5, 7. СПб.: 2000. С. 154-157.

49. Лукашевич И.П., Сыркин А.Л. Проблема получения и передачи медицинских знаний // Компьютерная хроника. 1994. №8-9. С.39-43.

50. Макаров И.М. Теория выбора и принятия решений. М.: Наука, 1987.350 с.

51. Макеев С.П., Шахнов И.Ф. Упорядочение альтернатив на основе расплывчатых оценок: Сообщения по прикладной математике. М.: ВЦАН СССР, 1989. 42 с.

52. Марьянчик Б.В. Метод виртуальных статистик и его применение в партнерских системах для компьютерной диагностики // Компьютерная хроника. 1996. №5. С.65-74.

53. Марьянчик Б.В., Ермаков А.Ю., Кобринский Б.А., Темин П.А. Экспертная диагностическая система для инфантильных спазмов // Информатизация здравоохранения России: Всеросс. сб. науч. тр. 4.3,4. М.: 1996. С.244-249.

54. Миркин Б.Г. Проблема группового выбора. М.: Наука, 1974. 256 с.

55. Михайлов М.Н., Харольская Н.А. Извлечение экспертных знаний из научного текста в полуавтоматическом режиме / Тр. III конф. по искусственному интеллекту-92. Тверь. 1992.

56. Мулен Э. Кооперативное принятие решений: аксиомы и модели. М: Мир, 1991.464 с.

57. Нильсон Н.Д. Принципы искусственного интеллекта. М.: Мир. 1985

58. Осипов Г.С., Назаренко Г., Малаховский Д., Комаров С. SIMER: система для исследования понятийной структуры предметной области / Сб. тр. первого междунар. семинара: Проблемы и применение искусственного интеллекта. София: Техника. 1987.

59. Осипов Г.С. Инструментарий для экспертных систем. Технология SIMER+MIR// Программные продукты и системы. 1990. №3. С.23-32.

60. Осипов Г.С. Информационные технологии, основанные на знаниях // Новости искусственного интеллекта. 1993. №1. С. 1-41.

61. Осипов Г.С. Построение моделей предметных областей. 4.1. Неоднородные семантические сети // Известия АН СССР. Техн. кибернетика. 1990. №5. С.32-45.

62. Отраслевой стандарт "Протоколы ведения больных. Общие положения" № 91500.09.0001-1999.

63. Переверзев-Орлов B.C. Советчик специалиста. Опыт разработки партнерской системы. М.: Наука. 1990.

64. Плетнев А.В. Построение модели диагностики критических состояний больных с сердечной недостаточностью на основе методов деревьев решений Межвуз. сборник «Системы жизнеобеспечения и управления в ЧС», часть 2, С.

65. Плетнев А.В. Прогнозирование состояния больных с сердечной недостаточностью. Межвуз. сборник «Системы жизнеобеспечения и управления в ЧС», ч. 2, С. 145.

66. Плетнев А.В. Разработка структуры подсистемы формирования диагностических правил на основе методов распознавания и добычи данных // Тез. докл. конф. «Интеллектуальные информационные системы». Воронеж, 2005. С

67. Плетнев А.В. Формирование комплексных показателей функционирования телемедицинских и телерадиологических систем //

68. Плетнев А.В., Усов Ю.И., Федянин В.И. Функциональные требования к телемедицинским системам в задаче их рационального построения // Межвуз. сб. «Высокие технологии в технике, медицине, экономике и образовании», Воронеж, ВГТУ. 2002. С. 84-87.

69. Плетнев А.В., Федянина Я.В. Разработка системы поддержки принятия решения группой независимых экспертов // Межвуз. сб. «Высокие технологии в технике, медицине, экономике и образовании», Воронеж, ВГТУ. 2005. С.

70. Поспелов Д.А. Метафора, образ и символ в познании мира // Новости искусственного интеллекта. 1998. №1.

71. Поспелов Д.А. Моделирование рассуждений. М.: Радио и связь.1989.

72. Поспелов Д.А. Прикладная семиотика и искусственный интеллект // Программные продукты и системы. 1996. №3. С. 10-13.

73. Поспелов Д.А. Ситуационное управление: Теория и практика. М.: Наука, 1988. 288 с.

74. Поспелов Д.А., Литвинцева Л.В. Как совместить левое и правое? // Новости искусственного интеллекта. 1996. №2. С.66-71.

75. Р. Дуда, П. Харт Распознавание образов и анализ сцен. М.: Мир. 1976,511 с.

76. Растригин Jl.А., Эренштейн Р.Х. Коллектив алгоритмов для обобщения алгоритмов решения задач. Известия АН СССР. Техническая кибернетики, 1978, №2, с.116-119.

77. Рахманова З.Б., Байдун В.В. Инструментарий ЛЕДИ и его приложения / КИИ-94: Нац. конф. с междунар. участием «Искусственный интеллект-94». Т.Н. Рыбинск. 1994. С.366-372.

78. Ригельман Р. Как избежать врачебных ошибок. Книга практикующего врача. М.: Практика. 1994.

79. Скурихин В.И., Морозов А.А. Проблемы создания и функционирования комплексных автоматизированных систем управления // Управляющие системы и машины. 1987. № 3. С. 124.

80. Соколова Л.В., Фуремс Е.М. Экспертная система диагностики бронхиальной астмы у детей // Компьютерная хроника. 2000. №1. С. 103-118.

81. Справочник-словарь терминов АСУ / Под ред. Ю.Э. Антипова, А.А. Морозова. М.:Радио и слово, 1990. 127 с.

82. Таперова Л.Н., Веприцкая О.В. Автоматизированное рабочее место детского врача-реаниматолога // Компьютерная хроника. 1994. №3-4. С.49-60.

83. Тарасов В.Б. Моделирование психических образов: как совместить дискретное и непрерывное? // Новости искусственного интеллекта. 1998. №3. С.86-100.

84. Уотерман Д. Построение экспертных систем. М.: Мир, 1987. 240 с.

85. Уотерман Д. Руководство по экспертным системам. М.: Мир, 1987.230 с.

86. Файнзильберг JI.C. Байесова схема принятия коллективных решений в условиях противоречий // Проблемы управления и информатики. 2002. № 3. С. 112-122.

87. Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта. М.: Наука. 1991. С.157-177.

88. Финн В.К. Об интеллектуальных системах автоматизированной поддержки научных исследований // НТИ. Сер.2. 1996. №5-6. С. 1-2.

89. Финн В.К. Об обобщенном ДСМ-методе автоматического порождения гипотез // Семиотика и информатика. 1989. Вып.29. С.93-123.

90. Финн В.К. Правдоподобные выводы и правдоподобные рассуждения // Итоги науки и техники. Теория вероятностей. Математическая статистика. Теоретическая кибернетика. М.: ВИНИТИ. 1988. Т.28. С.3-84.

91. Фоминых И.Б. Интеграция логических и образных методов отражения информации в системах // Новости искусственного интеллекта. 1998. №3. С.76-85.

92. Фуремс Е.М., Гнеденко Л.С. STEPCLASS система извлечения экспертных знаний и проведения экспертизы для решения диагностических задач // НТИ. Сер. 2. 1996. № 9. С. 16-20.

93. Хай Г.А. Как избежать потерь смысла на пути от содержательного знания к автоматизированной экспертной системе // Вопросы применения экспертных систем. Минск: 1988. С.53-61.

94. Черняховская М.Ю. Представление знаний в экспертных системах медицинской диагностики. Владивосток: Институт автоматики и процессов управления ДВНЦ АН СССР. 1983.

95. Чирков А.В. Когнитивная графика. Истоки и развитие // Науч. сессия МИФИ-2000: Сб. науч. тр. Т.З. М.: 2000. С.77-78.

96. Шаров С.А. О математических моделях когнитивных механизмов //В сб. «Обработка текста и когнитивные технологии» / Под ред. В.Д. Соловьева. Пущино. 1999. С.222-232.

97. ЭВМ пятого поколения: концепция, проблемы, перспективы / Под ред. Мото-Ока. М.: Финансы и статистика, 1984. 260 с.

98. Энциклопедия кибернетики. Киев: Главная редакция УСЭ, 1974. Т.1. 640 с.

99. Янковская А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики // Компьютерная хроника. 1994. № 8-9. С.61-83.

100. Янковская А.Е., Гедике А.И. Построение прикладных интеллектуальных систем на базе системы ЭКСАПРАС // Тез. докл. III конф. по ИИ. Т. 2. Тверь: НИИ "Центрпрограммсистем" 1992. С. 82-85.

101. Adlassnig К.Р., Scheithauer W., Grabner G. СADIAG-2/PANCREAS: an artificial intelligence system based on fuzzy set theory to diagnose pancreatic diseases // 3rd Int. Conf. Syst. Sci. Health Care, Munich, July, 1984. Berlin. 1984. P.396-399.

102. Azar F.S. Multiattribute Decision-Making: Use of three scoring methods to compare the perfomance of imaging techniques for breast cancer detection. // Technical Report MS-BE-00-01, MS-CIS-00-10. Dept. of BioEngineering. U. ofPenn. 2000. P. 1-24.

103. Bagui S.C., Pal N.R. A multistage generalization of the rank nearest neighbor classification rule// Pattern Recognition Letters, 1995. V. 16.- No. 6.- P. 601-614.

104. Berikov, V.B. A priori estimates of recognition quality for discrete features. Pattern Recognition and Image Analysis, Vol. 12, N 3,235-242. 2002.

105. Berikov, V.B. An approach to the evaluation of the performance of a discrete classifier. Pattern Recognition Letters. Vol. 23 (1-3), 227-233. 2002.

106. Bozinovski S., Jankovski L., Naumova M. MEXYS: an expert system for psychiatric diagnosis based on the MMPI // Proc. MELECON'85. Mediterranen Electrotechn. Conf., Madrid, Oct.1985. Vol.1. Amsterdam. 1985. P.243-246.

107. Breiman, L., Friedman, J., Olshen, R. and Stone, С Classification and Regression Trees. Wadsworth International, California. 1984.

108. Bronzino J.D. The Biomedical Engineering Handbook. Second Edition, IEEE Press, 2000.

109. Chandrasekaran В., Mittal S., Smith J.W. MDX and related medical decision-making systems // Proc. IJCAI-81. 1981. P.1055.

110. Chandrasekaran В., Mittal S., Smith J.W. RADEX towards a computer-based radiology consultant // Pattern Recognition in Practice / E.S.Gelsema and L.N.Kanal (eds.). North-Holland Publ. Co. 1980. P.463-477.

111. Chang L.Ch., Tou J.T. Medics a medical knowledge system // IEEE Trans. Syst., Man and Cybern. 1984. Vol.14. N.5. P.746-750.

112. Chatfield C. Model Selection, Data Mining and Model Uncertainty. // Proceedings of the 18th International Workshop on Statistical Modelling. 2003, Leuven. Belgium, p.79-84

113. Cho S.B.,Kim J.H. Multiple network fusion using fuzzy logic// IEEE Transactions on Neural Networks. 1995. V. 6. No. 2. P. 497-501.

114. Cohen P., Day D., Delisio J. et al. Management of uncertainty inхЦmedicine // 6 Annu. Int. Phoenix Conf. Comput. and Common, Scottsdale, Ariz., Conf. Proc. Washington. 1987. P.501-506.

115. Davis R., Buchanan B.G., Shortliffe E.H. Production rules as representation for a knowledge-based consultation program // Artif. Intell. 1977. Vol.8. N.l.P.l5-45.

116. Fieschi М., Joubert М., Fieschi D. et al. SPHINX: A production rules expert system for medical consultations // MED INFO'83: Proc. 4th World Conf. Med. Inf. Pt.l. Amsterdam. 1983. P.503-506.

117. Fries J.F. Time-oriented patient records and a computer databank // J. Amer. Med. Ass. 1972. Vol.222. P. 1536-1542.

118. Ganascia J.C. Explanation facilities for diagnosis systems // Cybernetics and Syst. Res. Amsterdam e.a. 1984. Vol.2. P.805-810.

119. Gercone N., McCalla G. Artificial intelligence. Underlying assumptions and basic objectives // J. Amer. Soc. for Inform. Science. 1984. Vol.35. N.5. P.280-290.

120. Hashem S., Schmeiser B. Improving model accuracy using optimal linear combinations of trained neural networks// IEEE Transactions on Neural Networks, 1995. V.6. No. 3. P. 792-794.

121. Heiser J.F., Brooks R.E., Ballard G.P. Progress report: A computerized psychopharmacology advisor // Proc. Eleventh Colloquium Intern. Neuro-Psychopharmacol. Vienna, Austria. 1978.

122. Hertzberg-Todd M., Tremblay G.F., Lam Ch.F. Computer-assisted localization of nervous system injuries // Comput. and Biomed. Res. 1987. Vol.20. N.5. P.489-496.

123. Ho Т.К., Hull J.J., Srihari S.N. Decision combination in multiple classifier systems/ЯЕЕЕ Transactions on Pattern Analysis and Machine Intelligence, 1994.- V.I6.-N0. 1, 1994, P. 66-75.

124. Jackson A.M. Prognosis of Intravesical Baccilus Calmette -Guerrin Therapy for Superficial Bladder Cancer by Immunological Urinary Measurements: Statistically Weighted Syndromes Analysis // Journal of Urology. 1998. vl59, pp. 1054-1063.

125. Kimura F., Shridhar M Handwritten numerical recognition based on multiple algorithms// Pattern Recognition, 1991.- V. 24.- No. 10.- P. 969-983.

126. Kinney E.L. Expert system detection of drug interactions: Results in consecutive inpatients//Comput. and Biomed. Res. 1986. Vol. 19. N.5. P.462-467.

127. Lesmo L., Marzuoli M., Molino G., Torasso P. An expert system for the evaluation of liver functional assessment // J. Med. Syst. 1984. Vol.8. N.l-2. P.87

128. Masarie F.E., Miller R.A., Myers J.D. INTERNIST-I properties: Representing common sense and good medical practice in a computerized medical knowledge base // Comput. and Biomed. Res. 1985. Vol.18. N.5. P.458-479.

129. Miller P.L., Blumenfruchi S.J., Black H.R. An expert system which critiques patient workup: modelling conflicting expertise // Comput. and Biomed. Res. 1984 Vol.17. N.6. P.554-569.

130. Mulsant В., Servan-Schreiber D. Knowledge engineering: A daily ^ activity on a hospital ward // Comput. and Biomed. Res. 1984. Vol. 17. P. 71-91.

131. On combining classifiers / J. Kittler, M. Hatef, R.P.W. Duin, J. Matas// IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. № 20. P. 226-239.

132. Politakis P., Weiss S.M. Using empirical analysis to refine expert system knowledge bases // Artif. Intell. 1984. Vol.22. N.I. P.23-48.

133. Pranke J., Mandler E. A Comparison of Two Approaches for Combining the Votes of Cooperating Classifiers//Proceedings 11-th IAPR International Conference on Pattern Recognition, 1992. V: 2. P. 611-614.

134. Reggia J.A., Nau D.S., Wang P.Y. Diagnostic expert systems based ona set covering model // Intern. J. Man Machine Stud. 1983. Vol.19. P.437-460.

135. Ryazanov V.V. Recognition Algorithms Based on Local Optimality Criteria // Pattern Recognition and Image Analysis. 1994. Vol.4. №.2. P.98-109.

136. SchwanH.P. Biomedical Engineering. A 20th Century Interscience. Journal of International Federation for Medical & Biological Engineers. Vol. 37, 1999.

137. Senko O.V. The Method of Dependencies Description with the Help of Optimal Multistage Partitioning // Proceedings of the Conference CSIT, Yerevan,

138. Armenia, 2001, pp. 167-169.

139. Senko О.V., Kuznetsova A.V., Echin A. The method of data analysis dased on partitioning. // Proceedings in Comput. Statistics. Short Commun. and Posters. COMPSTAT. 2000, p. 259-260.

140. Shortliffe E.H. Computer-based medical consultations: MYCIN. Elsevier North Holland Inc. 1976.

141. Szolovits P., Pauker S.G. Categorial and probabilistic reasoning in medical diagnosis // Artif. Intell. 1978. Vol.11. N.l-2. P.l 15-144.

142. T. Niblett, I. Bratko. Learning decision rules in noisy domains. Expert Systems 86 Conf., Brighton, 15-18 Dec. 1986 In Developments in Expert Systems (ed. M. Bramer) Cambridge Univ. Press, 1986.

143. Thompson W.B., Johnson P.E., Moen J.B. Recognition-based diagnostic reasoning / Proc. 8th Int. Joint Conf. Artif. Intell. Karlsruhe, 1983. Vol.1. LosAltos, Calif. 1983. P.236-238.

144. Weiss S.M., Kulikowski C.A. Developing microprocessor based expert models for instrument interpretation // Proc. IJCAI-81. 1981. P.853-855.

145. Woods K.S., Bowyer K., Kergelmeyer W.P. Combination of multiple classifiers using local accuracy estimates// Proc. of the IEEE Computer Vision and Pattern Recognition Conf. (CVPR'96), San Francisco, Ca, USA. 1996. P. 391-396.

146. Xiang Z., Srihari S.N., Shapiro S.C., Chulkow J.G. Analogical and propositional representations of structure in neurological diagnosis // Proc. of the First Conf. On Artif. Intell.Appl. IEEE Comput. Soc. 1984.

147. Xu L., Krzyzak A., Suen C.Y. Methods of combining multiple classifiers and their applications to handwriting recognition// IEEE Trans. SMC,1992. V. 22. No. 3. P. 418-435.

148. Yu V.L., Buchanan B.G., Shortliffe E.H. et al. Evaluating the perfomance of the computer-based consultant // Comput. Biomed. 1979. V.9. N.l. P.95-102.

149. Zadeh L.A. Discussion: Probability theory and fuzzy logic are complementary rather than competitive // Technometrics. 1995. Vol.37. N.3. P.271-276.