автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Логический подход к разработке автоматизированной системы формирования послеоперационных заключений и анализа данных в новых медицинских технологиях

ВВЕДЕНИЕ.

1. Актуальность проблемы.

2. Цель и задачи исследования.

3. Научная новизна исследования.

4. Практическая значимость результатов исследования и их внедрение в практику.

5. Содержание работы.

ГЛАВА 1. Методы и системы приобретения и представления знаний.

1.1. Приобретение знаний.

1.1.1. Интервью.

1.1.2. Методы когнитивной психологии.

1.1.3. Диагностические игры.

1.2. Представление знаний.

1.2.1. Система Rhet [43].

1.2.2. Babylon.

1.2.3. FruleKit, Parmenides [70].

1.2.4. Frobs, Frolic [53].

1.2.5. Florid [56].

1.2.6. FramerD [59].

1.3. Постановка задач исследования.

Выводы к главе 1.

ГЛАВА 2. Построение модели знаний в системах принятия решений для новых медицинских технологий.

2.1. Модель представления знаний.

2.1.1. Виды семантических связей.

2.1.2. Типы сообщений. Формальное определение отношений.

2.1.3. Правила формирования сообщений.

2.2. Сетевая фреймовая модель представления объектов сети.

2.2.1. Фреймы.

2.2.2. Модель знаний.

2.2.3. Связанные процедуры (демоны).

2.2.4. Правила.

2.3. Формальное представление семантических свойств фреймовой модели.

2.3.1. Основные понятия модели знаний. Структурный уровень.

2.3.2. Ограничения семантической целостности.

2.3.3. Основные операции во фреймовых моделях.

2.4. Логическая модель ЛХЭ.

2.4.1. Пример формирования текстового фрагмента результатов ЛХЭ

Выводы к главе 2.

ГЛАВА 3. Связь базы данных и базы знаний в системе ЛХЭ.

3.1. Методы Data Mining в задаче выявления знаний из баз данных.

3.2. Методы выявления знаний.

3.3. Методы анализа данных.

3.4. Некоторые индуктивные алгоритмы и алгоритмы построения деревьев решений.

3.5. База знаний.

3.6. Формальный концептуальный анализ данных.

Выводы к главе 3.

ГЛАВА 4. Описание системы мониторинга лапароскопической холецистэктомии (СМ ЛХЭ).

4.1. Назначение.

4.2. Основные возможности.

4.2.1 Требования к аппаратному обеспечению.

4.3. Работа с СМ ЛХЭ.

4.3.1. Режимы запуска.

ВВЕДЕНИЕ

1. Актуальность проблемы

До настоящего времени сохраняются традиционные способы документирования результатов медицинских исследований. Острота вопроса о необходимости внедрения объективных автоматизированных способов документирования особенно проявляется в связи с внедрением новейших хирургических методов лечения, когда сложность самого процесса настолько велика, что послеоперационные описания неизбежно таят в себе неточности или вовсе ошибки. А это в свою очередь делает острыми проблемы правовые, методологические.

В связи с этим совершенно очевидна актуальность объективизации формирования послеоперационных заключений. Это возможно созданием интеллектуальных автоматизированных систем, которые дают возможность формирования заключения практически в режиме реального времени с процессом проведения хирургической операции. Создание таких средств автоматизации в значительной степени снимает остроту перечисленных проблем.

С другой стороны, разработка методов и средств описания модели конкретной области, в которой до настоящего времени преобладала эмпирика и статистика, с применением современных методов искусственного интеллекта, и использование построенных моделей для решения экспертных задач, интеллектуализация баз данных для этой предметной области делают актуальной тему диссертации и в научно-техническом плане.

2. Цель и задачи исследования

Целью настоящего исследования является: разработка теоретических положений, математического и программного обеспечения автоматизации процесса формирования текстов и анализа данных в медицинских технологиях на основе логического подхода и теории фреймов.

Для достижения этой цели нами поставлены следующие задачи:

1. разработать логическую модель представления знаний в системе мониторинга лапароскопической холецистэктомии (СМ ЛХЭ);

2. определить структуру СМ ЛХЭ;

3. разработать механизм логического вывода в СМ ЛХЭ;

4. разработать методику интеграции БЗ и БД в СМ ЛХЭ.

3. Научная новизна исследования

Разработан логический подход к формированию интегрированного заключения из фрагментов текста, не представляющих законченные фразы.

В соответствии с экспертными знаниями предложена методика построения логического дерева решений. Каждый узел дерева ассоциирован с фрагментом текста, обосновывающим этот узел.

В целях построения базы знаний и интеграции ее с пассивной базой данных предложен метод формального концептуального анализа (ФКА), на основе которого решается проблема классификации данных и формирования правил вывода.

4. Практическая значимость результатов исследования и их внедрение в практику

На основе исследований, предпринятых в рамках настоящей работы, реализована программная система мониторинга лапароскопической холецистэктомии (СМ ЛХЭ), обеспечивающая один из разделов эндовидеохирургии сервисным инструментом, обладающим достоинствами высокотехнологичного средства обработки, хранения, анализа и передачи специальной информации, обучения, повышения и поддержания на современном уровне профессиональной квалификации врачей, оперирующих в технике эндовидеохирургии.

СМ ЛХЭ внедрена в РОНЦ им. Н.Н. Блохина, о чем свидетельствует соответствующий акт.

Основные результаты диссертационной работы докладывались на Международных научно-технических конференциях "Системные проблемы надежности, математического моделирования и информационных технологий" - Сочи, 1998, "Фундаментальные и прикладные проблемы информатики, приборостроения и экономики" - Сочи, 1998, 2001.

Публикации: по теме диссертации опубликовано 6 научных работ.

Объем и структура диссертации: диссертационная работа изложена на 130 страницах машинописи, состоит из введения, 4 глав, отражающих результаты исследований автора, заключения, библиографического указателя, включающего 74 источников, иллюстрирована 21 рисунками и 8 таблицами.

5. Содержание работы

В первой главе отмечены трудности, возникающие при формализации знаний в предметной области, связанной с медициной. Выполнен анализ систем приобретения знаний, основу которого составляет классификация методов, а в качестве примеров, иллюстрирующих принадлежность к определенному классу, использованы системы медицинской природы, рассмотрены способы представления знаний. Выбор адекватного представления знаний является стратегически важной задачей, определяющей жизнеспособность разрабатываемой системы. Отмечены факторы, от которых зависит выбор способа представления знаний для конкретной системы. На основе анализа работ, посвященных моделям и системам представления знаний, сделан вывод, что построение гибридных моделей представления знаний, есть наиболее очевидный и гибкий метод, при помощи которого можно объединять достоинства моделей различных классов и избегать присущих им недостатков. В конце первой главы дана постановка задачи исследования.

Во второй главе построена модель представления знаний в узко предметной области - ЛХЭ. С этой целью из анализа экспертных знаний формализованы и классифицированы семантические отношения, возможные в рассматриваемой предметной области. Показана роль сформулированных отношений в формировании послеоперационных заключений. Модель знаний в настоящей работе представлена неоднородной сетью фреймов. Сформулирована семантика отношений, возможных в сетевой фреймовой модели. В реальной модели, представляющей конкретную предметную область, основными являются отношения типа Isa, Partof, Ako, Inst. Казуальные Cous и коррелятивные Cor отношения могут быть смоделированы с помощью отношений, перечисленных выше. Для отношения Isa сформулированы и обоснованы доказательством свойства рефлексивности, транзитивности и антисимметричности. Такая детальная характеристика отношений необходима для достоверного построения сети фреймов, сформированной на базе определенных отношений. На сети фреймов сформировано множество правил, отображаемое при переходе от фреймового представления к продукционному во множество хорновских дизъюнктов. При таком подходе оказывается возможным применение классических методов дедуктивного вывода. Сформулировано формальное представление семантических свойств фреймовой модели и определены ограничения ее семантической целостности. Формализация фреймового представления модели знаний позволяет решить важные вопросы обоснования логического вывода и обобщить представление для различных областей знаний. На основе экспертных заключений построено логическое дерево решений СМ ЛХЭ, представляющее собой И/ИЛИ дерево.

Третья

глава посвящена вопросам связи базы данных и базы знаний в системе мониторинга ЛХЭ. Создаваемые в рамках разработанной системы документы, отражающие "историю" проведенной ЛХЭ являются источником создания специальной базы данных "ЛХЭ". Конкретизация в процессе диалога антецедентной части в продукциях становятся значениями атрибутов записей базы данных. С другой стороны, к моменту создания конкретного документа базы данных ЛХЭ сформирована ретроспективная база данных, содержащая значительно больший объем информации о пациенте, в том числе, возможно, и рекомендации к проведению ЛХЭ. Таким образом, часть этой информации, относящейся к компетенции хирургов-эндоскопистов-холецистологов, является ис

ходной для базы знаний ЛХЭ. Установление связи между этими базами - проблема узко профессиональной интеграции баз данных имеет чисто технический, а не идеологический интерес.

Для решения задачи интеграции предложен метод формального концептуального анализа (ФКА) данных, на основе которого решается проблема классификации данных и, как результат классификации, формулируются правила на подмножествах классифицированных данных.

На основе ФКА приведен пример построения концептуальной решетки концептов для анализа результатов выполнения ЛХЭ.

Четвертая глава посвящена вопросам реализации разработанной программной системы.

В заключении формулируются основные научные и практические результаты диссертационного исследования.

Выводы к главе 4

1. В соответствии с экспертными требованиями разработана автоматизированная система формирования пост операционных заключений. Система обладает удобным графическим интерфейсом и позволяет в режиме "реального времени" осуществлять независимый мониторинг проведения ЛХЭ.

ЗАКЛЮЧЕНИЕ 124 достоверного построения сети фреймов, сформированной на базе определенных отношений.

6. Сформулировано формальное представление семантических свойств фреймовой модели и определены ограничения ее семантической целостности. Формализация фреймового представления модели знаний позволяет решить важные вопросы обоснования логического вывода и обобщить представление для различных областей знаний.

7. На основе экспертных заключений построено логическое дерево решений СМ ЛХЭ, представляющее собой И/ИЛИ дерево.

8. Предложен метод формального концептуального анализа (ФКА) данных, на основе которого решается проблема классификации данных и, как результат классификации, формулируются правила на подмножествах классифицированных данных.

9. На основе ФКА приведен пример построения концептуальной решетки концептов для анализа результативности выполнения ЛХЭ.

10. На основе разработанных методов построена автоматизированная система формирования послеоперационных заключений. Система обладает удобным графическим интерфейсом и позволяет в режиме "реального времени" осуществлять независимый мониторинг проведения ЛХЭ.

1. Александровская М.А., Гельфанд И.М., и др. Новый подход к проблеме отбора информации и формализации описания больного для решения медицинских задач на ЭВМ. Препринт /ИПМ. - М.: 1979, №144, с. 34.

2. Ашинянц Р.А. Логические методы в автоматизации обучения. М.: МГА-ПИ, 1996.

3. Ашинянц Р.А. Логические методы в искусственном интеллекте. М.: МГАПИ, 2001, с. 223.

4. Ашинянц Р.А. Логический язык программирования ПРОЛОГ. М.: МГАПИ, 2001, с.302.

5. Ашинянц Р.А., Богданов К.С. Представление знаний и логический вывод в сети фреймов. /Тр. 7-1 национальной конференции по ИИ "КИИ'2000". -М.: Наука, 2000, с. 150.

6. Ашинянц Р.А., Боршевников А.Н., Шевченко А.Н. Нечеткая логика в медицинских исследованиях. // Информатика машиностроение. М.: "Вираж-Центр", 1999. -36-38.

7. Ашинянц Р.А., Нечипай A.M., Шевченко А.Н. Модифицируемые рассуждения в задачах медицинской диагностики. /Материалы НТИ "Системные проблемы надежности, математического моделирования и информационных технологий" М.: НИИ "Автоэлектроника", 1998. -51-53.

8. Ашинянц Р.А., Нечипай A.M., Шевченко А.Н. Формирование тактики медицинских исследований. /Материалы международной научной конференции "Фундаментальные и прикладные проблемы информатики, приборостроения и экономики. Сочи-98" М.: МГАПИ, 1998. -29-31.

9. Ашинянц Р.А., Шевченко А.Н. //Тр. 4-й Международной НТК "Фундаментальные и прикладные проблемы информатики, приборостроения и экономики. Сочи-2001" М.: МГАПИ, 2001, с. 150.

10. Биркгоф Г. Теория решеток. -М.: Наука, 1984.

11. Богданов К.С., Куприйчук А.Д. Фреймово сетевая модель представления знаний системы FRAMIX. //"Новые информационные технологии", Тр. 6-1 международной студенческой школы-семинара. - М.: МГИЭМ, 1998.

12. Вагин В.Н. Дедукция и обобщение в системах принятия решений. М.: Наука, 1988, с. 384.

13. Вагин В.Н., Федотов А.А., Фомина М.В. Методы извлечения и обобщения информации в больших базах данных. //Изв. РАН. Теория и системы управления, №5, 1999.

14. Вудс У.А. Основные проблемы представления знаний. //ТИИЭР. т.74, №10, с.32-46.

15. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. -СПб, М.: Питер, 2000, с. 384.

16. Гельфанд И.М. Обзор некоторых задач медицинской диагностики и прогнозирования. //Вопросы кибернетики -М.:, 1983, с. 3-23.

17. Забежайло М.И. Data Mining & knowledge discovery in database: предметная область, методы и инструменты // Сб. трудов КИИ-98, Пугцино, 1998.

18. Загоровский И.М., Королев А.И., Сазонова Л.И. Использование технологии Data Mining для создания системы прогнозирования лавинной опасности. //Труды 7-й национальной конференции по ИИ "КИИ'200". М.: Наука, 2000.

19. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд. Института математики СОР АН, 1999.

20. Клещев А.С., Самсонов В.В. Макрорепро язык спецификации компиляции базы знаний в базы правил. - Препринт /Институт автоматики и процессов управления ДО РАН. - Владивосток, 1992. - 32.

21. Курейчик В.М. Генетические алгоритмы. Таганрог: ТРТУ, 1998.

22. Ларичев О.И., Мечитов А.И., и др. Выявление экспертных знаний. М.: Наука, 1989, с. 128 .

23. Моргоев В.К. Метод структурирования и извлечения экспертных знаний: имитация консультаций. -М.: ВНИИСИ, 1988, с. 44-57.

24. Нечипай A.M., Давыдов М.И., Архипов В.В. и др. /Информационная программная система АРМ "ЭНДОСКОПИЯ": новое решение. //В кн.: "I съезд онкологов стран СНГ 3-6 декабря 1996 г. Москва. Материалы съезда.1. Ч. I".-с. 240-241.

25. Нечипай A.M., Кригер А.Г., ЕМЕЛЬЯНОВ С.И. /Современный взгляд на роль протокола лапароскопического вмешательства и пути его качественного улучшения. //Эндоск. хирургия.- №3.- т.4.- с. 37-39.

26. Осипов Г.С. О формировании модели для плохо структурированной предметной области. // Изв. АН СССР. Техн. кибернетика, 1987, №5, с. 198-200.

27. Осипов Г.С. Приобретение знаний интеллектуальными системами. М.: Наука, 1997, с. 112.

28. Плесневич Г.С, Цешинский А.А. Компиляция знаний для бинарной модели данных //Труды 7-й национальной конференции по ИИ "КИИ"2000". М.: Наука, 2000.

29. Плесневич Г.С. Логика моделей "классы бинарные отношения" //Изв. РАН Теория и системы управления. №5, 1977.

30. Поспелов Д.А. Ситуационное управление. Теория и практика. М.: Наука, 1986.

31. Пяткович Ф.А. /Автоматизированное рабочее место врача-гастроэнтеролога //В кн.: Всесоюзная конференция «Методы исследования и лечения, аппаратные системы и ЭВМ в гастроэнтерологии», 9-10 окт. 1991, Железноводск-Ессентуки.- 1991.- с321-322.

32. Скорняков Л.А. Элементы теории структур. М.: Наука, 1982, с. 160.

33. Собер Дж. Линейный регрессионный анализ. М.: Мир, 1980.

34. Уэно X, Кояма Т. и др. Представление и использование знаний. М.: Мир, 1989, с. 220.

35. Хомутов К.Г. Способ формализации протокола лапароскопической холе-цистэктомии. Диссертация на соискание ученой степени кандидата медицинских наук. М.: 2000.

36. Allen J.F., Miller B.W. The Rhet system. The University of Rochester Сотр. Science Department / Rochester, NY, 14627, 1991.

37. Bennet J.S. A Knowledge-Based System for Acquiring the conceptual Structure of Diagnostic Expert System //Journal of Automated Reasoning/ 1985, № 1, p. 49-74.

38. Boose J.H. Knowledge Acquisition Program for Expert System on Personal

39. Construct Psychology. //Int. Journal of Man-Machine Studies. 1985, v. 23, p. 495-525.

40. Caines B.R., Show M.L. Cognitive and Logical foundation of Knowledge Acquisition // Proceeding of 50th Banff Knowledge Acquisition for Knowledge based System Workshop/-Banff, Canada, 1984, p. 82-101.

41. Cerny A., Kelerman J. An approcsimation of an abstract frames-like data type. //2nd Meeting on Artificial Intelligence, Repino, Oct/ 12-19 1980.

42. Christopher Westphal, Teresa Blaxton. Data Mining Solutions: Methods and Tools for Solving Real-World Problems Wiley, John & Sons, Incorporated,1998.

43. Clark P., Niblett T. The CN2 induction algorithm //Machine Learning Journal, №4, 1988.

44. Cohen W. Machine Learning //Proc. of the Twelfth Int. Conf, 1991.

45. D. Pyle. Data Preparation for Data Mining Morgan Kaufmann Publishers,1999.

46. Davis R. TEIRESIAS: Application of meta-level knowledge // Knowledge-Based System in Artificial Intelligence/ N.Y.: McGrow-Hill, 1982.

47. Eric Muehle Frobs. University of Utah, Salt Lake City, 1988

48. Eshelman L. MOLE. A Knowledge Acquisition Tool That Buries Certainty Factors // Int. Journal of Man-Machine Studies. -1987, v. 26, № 1, p. 563-577.

49. Everitt B. Cluster analysis. London: Heinemann, 1981.

50. Frohn J. & all. Florid. Institute fur Informatik, Universitat Freiburg, Germany, 1997.

51. Getting Started with Enterprise Miner Software, Release 4.1. SAS Publishing, 2000

52. Goldberg D.E. Algorithms in search, optimization and machine learning. Addison-Wesley Company, Inc. 1989. p. 412.

53. Haase K. FramerD: Representing knowledge in large. //IBM System Journal, vol. 35, №3,4, 1996.

54. Hayes P.J. The logic of frames. In: Frame Conception and Text Understanding. D. Metzing (ed), N.Y. 1979.

55. Jiawei Han, Micheline Kamber. Data Mining: Concepts and Techniques Morgan Kaufmann Publishers, 2000.

56. Kasabov N.K. Foundation of neural networks, fuzzy systems and knowledge engineering. MIT Press, Cambridge, Massachusetts, 1996.

57. Kelly G.A. The psychology of personal Constructs. N.Y.: Norton, 1955.

58. Michael J. A. Berry and Gordon S. Linoff. Data Mining Techniques: For Marketing, Sales, and Customer Support Wiley, John & Sons, Incorporated, 1997.

59. Michalski R. Bratko I. Rubet M. Machine Learning and Data Mining, Methods and Applications. N.-Y.: John Willey & Sons, 1998.

60. Murthy S.K., Kasif S., Salzberg S. A System for Induction of Oblique Decision Trees. //J. of Artificial Intelligence Research, №8, 1994.

61. Musen M.A., Faagan L.M. and all. Use of Domain Model to Drive an Interac1. СПИСОК ЛИТЕРАТУРЫ 129tive Knowledge-Editing Tool. //Int. Journal of Man-Machine Studies. -1987, v. 26, № l,p. 105-121.

62. Osipov G.S., Kurshev Y.P. and all. Expert system tools for badly structured fields //Artificial Intelligence and Information Control System of Robots-87. -NothHolland: Elsevir, 1987. p. 393-397.

63. Quinlan J.R. Induction of Decision Trees //Machine Learning Journal, №1, 1986.

64. Shell P., Carbonell J. Frulekit: Frame-based production system. //Carnegie Mellon University, 1993.

65. Shell P., Carbonell J. Parmenides: a class-based frame system. //Carnegie Mellon University, 1990.

66. Show M.L., Woodword J.B. Validation of Knowledge Support System //Proceeding of 2-nd Knowledge Acquisition for Knowledge-Based Systems Workshop. Banff, Canada, 1988.

67. Wille R. Finite distributive lattices as concept lattices. //Atti. Inc. Logica @ Matematica (Siena). V.80, №2, 1985.1. АКТо внедрении результатов научно-исследовательской работы

68. Логический подход к разработке автоматизированной системы формирования послеоперационных заключений и анализа данных в новых медицинских технологиях»

69. Конкретные результаты внедрения состоят в следующем:

70. Создаваемый системой формализованный протокол ЛХЭ отражает все диагностические находки и всю полноту технического хода вмешательства.

71. Сформированная в системе база текстовых сообщений, соответствующих реальному ходу ЛХЭ, может быть использована для обучения ЛХЭ в виртуальном режиме, что обеспечивает должную методичность вмешательства в последующей работе врача.

72. Система позволяет организовать учет использованных во время операции ЛХЭ расходных материалов и разовых инструментов.

73. Испытания показали, что применение системы позволяет значительно повысить точность и1