автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Программно-информационная поддержка процессов идентификации состояния органичной системы

На правах рукописи

СЫЧЕВ ОЛЕГ АЛЕКСАНДРОВИЧ

ПРОГРАММНО-ИНФОРМАЦИОННАЯ ПОДДЕРЖКА ПРОЦЕССОВ ИДЕНТИФИКАЦИИ СОСТОЯНИЯ ОРГАНИЧНОЙ СИСТЕМЫ (НА ПРИМЕРЕ РЕВМАТИЧЕСКИХ ЗАБОЛЕВАНИЙ)

Специальность:

05.13.01 - Системный анализ, управление и обработка информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Волгоград 2005

Работа выполнена на кафедре «Системы автоматизированного проектирования и поискового конструирования» Волгоградского государственного технического университета.

Ведущая организация - Федеральное государственное учреждение "Государственный научно-исследовательский институт информационных технологий и телекоммуникаций «Информика»".

Защита состоится^ сентября 2005 г. в 12~ на заседании диссертационного совета Д 212.028.04 при Волгоградском государственном техническом университете по адресу: 400131, г. Волгоград, проспект Ленина 28.

С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета.

Автореферат разослан^ августа 2005 г. Ученый секретарь

Научный руководитель:

доктор технических наук, профессор Дворянкин Александр Михайлович.

Официальные оппоненты:

доктор технических наук, профессор Наводнов Владимир Григорьевич, доктор технических наук, профессор Лукьянов Виктор Сергеевич.

диссертационного совета

Водопьянов В. И.

£<{ ($6э <9

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время существует ряд задач, в рамках которых требуется установить причину нарушения функционирования системы для ее дальнейшего устранения. Данная задача связана с идентификацией и распознаванием образов и широко распространена в технике, медицине, социальных науках и экономике. В часшости в медицине это задача диагностики заболевания пациента.

Проблема идентификации и распознавания образов в течение продолжительного времени привлекает внимание специалистов в области математики, кибернетики, системного анализа и искусственного интеллекта. Существенный вклад в становление и развитие данного направления внесли ученые Ф. Розенблатг, Р. Шэнк, А.Н. Колмогоров, Д. А. Поспелов, М. Бонгард, У. Маккаллок, А. Новиков, П. Грин и др.

Существующие на сегодняшний день подходы к автоматизации процесса идентификации состояния сложной системы на основании информации о поведении системы охватывают класс динамических систем, характеризуемых небольшим параметрическим множеством и, как правило, имеющих математическую модель. Большой вклад в развитие этой области внесли ученые А. А. Метешкин, Г. П. Шибанов, Е. Ю. Барзилович, С. М. Веисс, А. К. Куликовский и др. Однако имеются существенные различия между исходными данными, имеющимися в распоряжении исследователя технических и органичных систем.

При изучении технических систем, легко доступна информация о процессе функционирования системы, устройстве и функциональном назначении ее подсистем, а количество известных случаев нарушения функционирования системы обычно невелико. Поэтому методы идентификации состояний технических систем основаны главным образом на использовании математической модели системы.

Органичные системы, по определению В.Н. Спицнаделя, появляются в результате постепенно развития, усложнения и дифференциации более простых систем. Режимы функционирования и назначение подсистем в этом случае известны лишь приблизительно Сложно изучать функционирование подсис1ем органичной системы по ощельносш ввиду наличия большого количества обратных связей. В случае органичных систем имеется большой массив опытных данных, полученных в результате наблюдения за различными нарушениями их функционирования. Поэтому для решения задачи идентификации состояния органичной системы представляется целесообразным использовать подходы на основе вывода по прецедентам с учетом особенностей органичных систем.

Задача идентификации состояния органичной системы (например медицинской диагностики) является нетривиальной ввиду большого числа параметров, описывающих состояние систем^; косвенного характера большинства измеряемых параметров по отношению к причине нарушения функционирования системы; невозможности изучать функционирование подсистем по отдельности и других свойств органичных систем. Решение этой задачи требует привлечения квалифицированных специалистов, а также значительных затрат времени и материальных ресурсов. Автоматизация ее решения с помощью методов вывода но прецедентам позволит повысить качество идентификации состояния органичной системы за счет увеличения точности определения состояния системы, снижения затрачиваемого на это времени и уменьшения количества необходимых исследований (нередко дорогостоящих). В связи с этим в настоящее время актуальной является разрабоша моделей представления знаний и данных, развитие методов использования вывода по прецедентам, предназначенных для идентификации сосюяния органичных сисхем, и реализация их в виде программно-информационного комплекса поддержки процессов идентификации состояния органичных систем.

Цель работы состоит в повышении эффективности процесса идентификации состояния органичной системы на примере диагностики ревматических заболеваний и снижении затрат на проведение этого процесса.

Для достижения данной цели были поставлены и решены следующие задачи.

1. Исследовать процесс диагностики ревматических заболеваний и сделать обзор систем поддержки принятия решений и моделей представления знаний.

2. Разработать модель представления знаний для использования в задачах диагностики с помощью рассуждений по прецедентам на основе свойств знаний, используемых в процессе диагностики.

3. Разработть методы и алгоритмы диагностики на разработанной модели представления знаний.

4. Реализовать программно-информационный комплекс поддержки диагностики ревматических заболеваний и проверить эффективность разработанных методов и алгоритмов в ходе опытной эксплуатации комплекса.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, искусственного интеллекта, теории проектирования реляционных баз данных и аппарат теории решеток.

Научная новизна результатов, выносимых на защиту, заключается в следующем.

1. Модель представления знаний в задачах диагностики по прецедентам - исчисление отношений на элементах решетки, отличающееся от известных возможностью представления любой неполной информации об отношении включения, рассмотрением отношения включения в качестве полной атомной решетки с относительными дополнениями, наличием алгоритмов дедуктивного и индуктивного вывода на единой модели представления знаний, возможностью использования различных стратегий индуктивного вывода в зависимости от задачи.

2. Методы хранения и обработки приближенных отношений в задачах диагностики с помощью вывода по прецедентам, отличающиеся от известных двухпараметрическим представлением приближенных отношений, возможностью использования различных кривых спада уверенности, возможностью настройки границ приближенных отношений, простотой правдоподобного вывода для случая, когда один из элементов является атомарным.

3. Методика отображения знаний и данных предметной области на исчисление отношений, которая отличается от известных возможностью представления симптомов, заданных не только шкалами наименований, но и интервальными значениями; возможностью диагностирования по нескольким независимым шкалам, с определением не только вида заболеваний, но и его формы или активности; описанием близости значений симптомов для вывода по прецедентам с помощью различных метрик.

Практическая ценность полученных результатов.

1. На основании предложенных модели представления знаний, методики отображения знаний и данных предметной области и методов идентификации состояния органичной системы с помощью вывода по прецедентам разработаны структура базы знаний и алгоритмы этапов процесса диагностики.

2. Предложенные методика, методы и алгоритмы реализованы в виде программно-информационного комплекса поддержки диагностики ревматических заболеваний, который состоит из базы знаний, подсистемы работы со знаниями, подсистемы работы с данными о больных и подсистемы диагностики.

3. Программно-информационный комплекс поддержки диагностики ревматических заболеваний показал свою эффективность в ходе опытной эксплуатации в НИИ клинической и экспериментальной ревматологии при

решении задачи диагностики формы, активности и течения ревматоидного артрита по данным лабораторных исследований.

Теоретические и практические результаты диссертационной работы использовались в научно-исследовательской деятельности НИИ клинической и экспериментальной ревматологии РАМН.

Реализация и внедрение результатов. Программно-информационный комплекс поддержки диагностики ревматических заболеваний внедрен в НИИ клинической и экспериментальной ревматологии РАМН. Его применение позволяет уменьшить количество применяемых при диагностике ревматических заболеваний лабораторных исследований и сократить время диагностики.

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры «САПР и ПК» ВолгГТУ, а гакже на международных и всероссийских научных и научно-практических конференциях: «Информационные технологии в образовании, технике и медицине» (Волго1рад 2000, 2002, 2004), «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (Новочеркасск 2001, 2002), «Математические методы в технике и технологиях» ММТТ-2000 (Санкт-Петербург, 2000), V, VI, VII, VIII Региональных конференциях молодых исследователей Волгоградской области (Волпмрад, 2001 - 2004).

Публикации. По теме диссертации опубликовано 11 печатных работ, в то числе 1 публикация в изданиях центральной печати, 6 статей в сборниках научных трудов, 4 тезиса докладов различных конференций.

Личный вклад соискателя состоит в постановке задачи, разработке теоретических положений и апробации предложенных подходов на практических задачах.

Структура и содержание диссертационной работы. Диссертационная работа состоит из введения, четырех глав, заключения, 2-х приложений и

списка литературы. Общий объем диссертации 124 страницы, в том числе 18 рисунков, 15 таблиц, список литературы из 107 наименований.

Автор выражает глубокую благодарность д.м.н. Зборовской И. Л за оказанные консультации по вопросам диагностики ревматических заболеваний.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цели и задачи исследования, научная новизна, приводится перечень основных результатов, выносимых на защиту, и излагается краткое содержание I лав диссертации.

В первой главе выделен класс задач, подлежащих решению в рамках диссертации, формализован процесс идентификации состояния органичной системы на основании информации о ее измеряемых параметрах, сформулированы цель и задачи исследования.

Проводится обзор методов, использующихся при решении поставленной задачи. Рассмотрены методы осуществления диагностики, связанные с использованием эксплицитной модели предметной области, статистические, нейросегевые подходы, а также подходы, связанные с выводом по прецедентам. С учетом особенностей задачи идентификации состояния органичных систем наибольшего внимания заслуживает вывод по прецедентам, являющийся результатом обобщения работ Р. Шэнка по человеческой памяти и обладающий рядом преимуществ как в плане эффективности диагностики, так и в плане убеди I ельности выводов системы для конечного пользователя.

Проведен анализ моделей представления информации, используемых в задачах диагностики, с учетом их первоначального назначения и свойств. Результаты анализа показывают, что ни одна из рассмотренных моделей не удовлетворяет в полной мере задаче диагностики с использованием вывода по прецедентам, поэтому ставится вопрос о необходимости формализации задачи диагностики сложной системы, исследования природы знаний, ис-

пользуемых при диагностике и разработки на их основе новой модели представления знаний, ориентированной на задачи диагностики.

Поскольку симптомы и диагнозы можно рассматривать в общем виде как некоторые множества органичных систем, то основным видом отношения между ними, на основании которою ведется диагностика, будет отношение включения одних классов в другие.

Во второй главе рассматривается модель представления знаний, способы вывода на ней и методы отображения данных и знаний предметной области на нее.

Интуитивными свойствами отношения включения являются рефлексивность, антисимметричность и транзитивность, что позволяет рассматривать его как отношение частичного порядка. Кроме того, отношению включения обычно сопутствует возможность выполнения определенных базовых операций: нахождение объединения и пересечения двух классов, а также нахождение отрицания класса, причем множество классов должно быть замкнутым по отношению к этим операциям. Показывается, что необходимой и достаточной алгебраической системой для такого отношения является полная атомная решетка с относительными дополнениями.

Рассматриваются возможные неполные знания об отношениях между двумя ненулевыми элементами решегки через знания об атомарных элементах. На отношение двух классов влияют три типа атомарных элементов: входящие в оба из них, и входящие в каждый из них по отдельности. О каждом из этих типов элементов у нас могут быть сведения о том, что такие элементы существуют, что они отсутствуют, либо же их наличие неизвестно. Это дает 27 вариантов, часть из которых являе1ся запрещенными, так как в этом случае один из элементов решетки обращается в ноль. Оставшиеся 12 отношений перенумеровываются таким образом, чтобы они все представляли различные комбинации знаний о возможности одного из пяти базовых отно-

шений, представленных на рис. 1. Дается интерпретация всех 12 отношений в рамках теории решеток.

Рис 1 Баювые о I ношения исчисления

Рассматриваются методы дедуктивного и индуктивного вывода на исчислении отношений Дедуктивный вывод рат а 2 сводится к установлению отношения между элементами А и С с помощью известных отношений между А и В, и между В и С. Приводятся таблицы для осуществления дедуктивного вывода ранга 2.

При осуществлении индуктивного вывода задается множество элементов-симптомов А|...Ат„ при этом необходимо найти такую их комбинацию С, с использованием операций объединения, пересечения или отрицания, которая бы с наибольшей достоверностью позволяла находить отношения типа 0100, 1000 или 0001 с заранее заданным элементом-диагнозом В. Для этого используется большое количество данных о базовых элементах х,.. ,хп, в виде отношений их с элементами А|...Ат и В Рассматривается метод индуктивного вывода, состоящий из формирования результата в виде функции алгебры логики в СДНФ (переменными являются А!...Ат) и последующей минимизации полученной формулы. Описываются три различные стратегии отбора дизъюнктов, в зависимости от цели и условий диагностики- минимальная стратегия предназначена для случаев, когда наибольшую опасность представляет ошибочная постановка диагноза верным (например ввиду тяжелых побочных последствий лечения); максимальная стратегия предназначена для случаев, при которых наибольшую опасность несет пропущенный диагноз; оптимальная стратегия дает наибольшую точность диагностики в среднем.

Вводятся параметры отношения а, Ь и с, показывающие количество атомарных элементов, входящих в оба элемента, элементы А и В соответственно. Они связаны между собой объемом выборки, поэтому для описания приближенного отношения необходимо два независимых параметра. Для описания отношений вводятся относительные параметры приближенного отношения х и у, изменяющиеся от 0 до 1:

а а

х = —-, у =-

а + Ь а+с

Определяются области квадрата с вершинами (0;0) и (1;1). соответствующие различным базовым отношениям. На нем вводятся функции ^ и {2, показывающие степень уверенности во вхождении атомарного элемента в элемент В при условии вхождения или отсутствия вхождения (1У) этого атомарного элемента в элемент А. Задаются формулы для описания этих функций с линейными и квадратичными кривыми спада уверенности.

Вводятся понятия типа симптома и типа диагноза как шкалы, задающей возможные значения какого-либо параметра. Тип симптома может быть представлен шкалой наименований с линейным порядком (дискретный тип симптома) или отрезком числовой оси (непрерывный тип симптома), тип диагноза задается шкалой наименований. Конкретный симптом или диагноз является подмножеством элементов шкалы наименований (для дискретных типов) или интервалом числовой оси (для непрерывных типов). Элементами исчисления отношения являются органичные системы, симптомы и диагнозы.

На типах симптомов задаются метрики, характеризующие степень близости друг к другу по симптому органичных систем с разньми его значениями. В работе предложено 5 различных метрик: линейная, квадратичная, линейная с «отсутствием» в начале, ломаная и пороговая. Возможно использование других метрик.

Рассматривается два варианта вывода по прецедентам на исчислении отношений: вывод на основе единичных симптомов и вывод на основе полного симптома органичной системы.

При выводе на основе единичных симптомов исследуется связь между симптомом, представляющим собой окрестность значения симптома у дан ной органичной системы и различными диагнозами. Результирующая степень уверенности в наличии диагноза в этом случае:

р, у!)

J

где р, - уверенность в наличии ¡-того диагноза, 1 - номер диагноза,) -номер симптома.

Вывод с учетом полного симптома органичной системы выполняется в два этапа: построение исследовательской выборки и исследование полученной выборки. При построении выборки из всего перечня органичных систем-прецедентов отбирают определенное количество систем, значения симптомов которых максимально близки к значению симптомов диагностируемой органичной системы. Отбор может проводится по суммарной мере отклонения симптомов одной органичной системы от другой, либо же по количеству симптомов, у которых мера отклонения от симптома диагностируемой органичной системы превышает предел От,„. На втором этапе исследуются связи между составленным набором прецедентов и различными диагнозами, для каждой из которых вычисляются а, Ь и с и находится значение характеризующее уверенность в наличии данного диагноза.

Рассматривается также метод нахождения еще не установленных у диагностируемой органичной системы типов симптомов, наиболее информативных в данной ситуации, в случае если типы симшомов, по которым значения уже установлены, не дают достаточной точности диагностики.

В третьей главе описана структура данных комплекса и алгоритмы диагностики с помощью вывода по прецедентам.

Диагностика проводится в 4 этапа.

Этап 1. Диагностика на основании единичных симптомов и их групп

Этап 2. Формирование набора прецедентов для диагностируемой органичной системы.

Этап 3. Исследование сформированной выборки.

Этап 4. Определение исследований, наиболее эффективных для дальнейшего уточнения диагноза.

Для выбранного типа симптома или группы типов симптомов формируется исследуемый симптом А, состоящий из тех значений типов симптомов, степень удаленности которых (в соответствии с введенной на данном типе

Для всех предполагаемых диагнозов рассчитываются параметры а,Ь,с и <1 (как указано в разделе о приближенных отношениях главы 2) по обучающей выборке системы. Результирующая уверенность в наличии диагноза, вычисленная на этапе 1, равна:

где 1 - номер диагноза, ] - номер тина симптома, - количество шпов симптомов, значения которых определены у диагностируемой органичной системы.

Если наблюдается значительный разброс частоты встречаемости диагнозов в обучающей выборке при отсутствии симптомов, явно свойственных только определенным диагнозам, то в качестве второго аргумента функции ^ может быть взято значение

симптома метрикой) не превосходит параметр О,

шш-

N.

Оно представляет собой отношение частоты наличия у органичной системы диагноза при наличии данного симптома к безусловной частоте наличия у органичной системы диагноза, приведенное к области определения функции ^

При построении набора прецедентов основной задачей является нахождение заданного количества органичных систем с симптомами, максимально приближенными к симптомам диагностируемой системы.

Используются две стратегии подбора органичных систем-прецедентов: по количеству отличающихся симптомов и по суммарной мере отклонения. В первом случае отбираются системы, для которых количество симптомов, для которых верно условие Я(£0,6',) > /)„„, меньше некоторой величины. Здесь 80, Я, - значения симптома у диагностируемой и сравниваемой систем. Если у сравниваемой органичной системы значение какого-то типа симптома не определено, то в качестве меры удаления берется вероятность попадания в окрестность значения симптома. Для ускорения выбора отбор органичных систем, отличающихся более, чем на к симптомов прекращается, когда количество отобранных систем с к+1 и более отличающимися симптомами превосходит желаемый объем выборки. Если найдено достаточное количество органичных систем, которые не отличаются ни одним симптомом, то 1 алгоритм досрочно завершает свою работу.

При отборе по суммарной мере отклонения отбираются те органичные ,

системы, для которых выполняется условие ^ : ) < Отах . Здесь 8о, 8! -

значения симптома у диагностируемой и сравниваемой систем, 1 - номер типа симптома, Отах - максимально допустимая мера отклонения прецедента от диагностируемой системы. Применяется та же стратегия ускорения выбора, что и при отборе по количеству отличающихся симптомов, для чего интервал [0,0тах] делится на I равных отрезков.

Полученная выборка составляет набор органичных систем с полным симптомом, соответствующих симптому диагностируемой системы, у всех

остальных систем-прецедентов симптом считается отсутствующим. Вычисление уверенности в наличии диагноза при этом осуществляется так же, как и на этапе 1.

Если точность диагностики неудовлетворительна, то для продолжения процесса диагностики необходимо провести дополнительные исследования. На этом этапе вычисляется коэффициент информативности для еще не определенных у диагностируемой органичной системы типов симптомов, который показывает, насколько определение значения этого типа симптома у диагностируемой системы может способствовать уточнению диагноза с учетом уже известных симптомов Для этого используется составленная на этапе 2 выборка, но теперь она анализируется относительно неизвестных у диагностируемой системы типов симптомов.

Коэффициент информативности типа симптома складывается из коэффициентов информативности этого гипа симптома в отношении всех возможных диагнозов. Информативность симптома в отношении диагноза определяется по наиболее подходящим симптомам, формирующим базовые отношения типа 1000, 0100 и 0001 (свойства базового отношения 1100 автоматически учитываются при обработке отношений 1000 и 0100, а отношение 0010 диагностической ценности не представляет). Учитываются значения функций уверенности для данного симптома и частота попадания органичных систем в этот симптом, так как точный симптом, в который попадает очень мало органичных систем, является практически неприменимым.

Например для отношения типа 1000 коэффициент информативности К2 будет равен:

К2 -- тах{(Я,/2(— ) + 1г(Ь + ¿)) \ а > Ь}

а+Ь а+с

где X.] и Х.2 - весовые коэффициенты, показывающие относительную важность точности диагностики и степени применимости интервала соответственно. При вычислении коэффициента максимум находится по всем возможным

комбинациям значений в случае дискретных типов симптомов, или по интервалам для непрерывных типов симптомов Если максимум находится по интервалам, то шкала разбивается на небольшие интервалы, приблизительно равные между собой по количеству попадающих в интервал органичных систем, для большей точности вычисления показателей а,Ь,с и d

Показано, что при линейном спаде функции f2 достаточно отобрать интервалы, удовлетворяющие критерию:

а ^ уд-Л,)

а + с Л,

где t количество органичных систем с данным диагнозом.

При квадратичном спаде функции f2 процесс оптимизации более сложен, так как условие на каждом шаге (добавлении очередного интервала) изменяется и становится все более строгим. В этом случае используются методы обхода дерева. При этом на i+1-м шаге можно добавлять отрезки, удовлетворяющие критерию:

а(2Ь, - а) у2 а + с Л,

где t - количество органичных систем с данным диагнозом, Ь, - параметр b для отрезка, сформированного на шаге i.

Четвертая глава посвящена вопросам реализации программно-информационного комплекса поддержки диагностики ревматических заболеваний и проверке эффективности его работы.

Программно-информационный комплекс поддержки диагностики ревматических заболеваний реализован с помощью технологии объектно-ориентированного и способен функционировать в операционных системах Windows 98/2000/ХР. Он состоит из четырех частей: базы знаний, подсистемы работы со знаниями, подсистемы работы с данными о больных и подсистемы диагностики.

База знаний реализует типовые методы хранения и проверки целостности данных и знаний, используемых в процессе диагностики. Для хранения информации при этом используется реляционная база данных, доступ к которой осуществляется с помощью технологии ODBC

Подсистема работы со знаниями представляет эксперту и инженеру по знаниям интерфейс для создания, просмотра и редактирования модели предметной области, а также настройки параметров комплекса. Модель предметной области состоит из следующих компонент: источники получения информации о значении симптомов, типы симптомов, дискретные симптомы, типы диагнозов и диагнозы. Предусмотрена возможность поиска источников, типов симптомов и типов диагнозов по наименованию. Параметры комплекса определяют формы спада кривых функций f) и f2, границы отношений, приближенных к базовым отношениям исчисления, объем выборки прецедентов и другие параметры, используемые на различных этапах процесса диагностики.

Подсистема работы с данными о больных предназначена для взаимодействия с конечным пользователем комплекса врачом-ревматологом и реализует служебные функции ввода, просмотра и редактирования информации о диагностируемых больных. Для облегчения работы врача все данные о больном были сведены в один диалог. Пространство диалога разбито на следующие зоны: зона личных данных о больном, зона данных о госпитализации больного, зона данных о симптомах больного, зона данных о диагнозах больного. Каждая зона имеет независимые элементы управления для навигации, а зоны личных данных и данных о госпитализации также содержат элементы управления для добавления и удаления элементов.

Подсистема диагностики предназначена для выполнения главной функции комплекса - поддержки диат ностики больных с помощью четырехэтапного процесса. Алюритмы этапов диагностики описаны в главе

3. Возможные последовательности выполнения этих этапов в ходе работы системы в виде диаграммы состояний в нотации Г. Буча представлены на рис. 2.

[Тонкость диагностик

Рис 2 Диаграмма состояний процесса диагностики Проведена опытная эксплуатация разработанного комплекса на примере решения задачи диагностики формы, активности и течения ревматоидного артрита по данным лабораторных исследований. Для сохранения качества

I

проверки и возможности обобщения ее результатов на более широкий класс задач использовалась выборка из 103 больных ревматоидным артритом с указанием 18 типов симптомов. В обучающую выборку были включены 78 '

больных, 25 больных составляли контрольную выборку. Оценка эффективности работы комплекса проводилась с помощью коэффициента достоверности, представляющего отношение числа правильно определенных диагнозов к общему числу больных контрольной выборки. Наибольшую точность - 84% - комплекс показал при диагностике активности заболевания, наименьшую - 76% - при диагностике его формы.

Опытная эксплуатация программно-информационного комплекса показала, что при сохранении удовлетворительной для ревматологии

точности диагностики активности, течения и формы ревматоидного артрита использование разработанного комплекса позволяет уменьшить количество проводимых лабораторных и рентгенологических исследований в среднем на 3 анализа для больного по сравнению с использовавшимися ранее методиками и, соответственно, сокращается время нахождения больного в стационаре на время, необходимое для их выполнения. Ожидаемый экономический эффект от внедрения комплекса в ревматологическом отделении областной больницы составляет около 765000 рублей в юд.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

На основе исследования процессов идентификации состояния органичной системы, анализа известных моделей представления знаний и методов вывода разработаны: модель представления знаний для использования в задачах идентификации состояния органичной системы с помощью вывода по прецедентам - исчисление отношений; методы и алгоритмы поддержки процессов идентификации состояния органичной системы; программно-информационный комплекс поддержки диагностики ревматических заболеваний, который показал свою эффективность в опытной эксплуатации.

1. Предложена модель представления знаний - исчисление отношений, позволяющая представлять в точной и приближенной форме информацию о классах, связанных отношением включения и методы индуктивного и дедуктивного вывода на этой модели.

2. Разработана методика отображения на исчисление отношений данных и знаний предметной области, позволяющая отображать различные виды симптомов, представленные шкалами наименований и отрезками оси действительных чисел, и осуществляв процесс идентификации состояния органичной системы по нескольким различным типам диа1 нозов.

3. Предложены методы диагностики с помощью вывода по прецедентам с представлением знаний на исчислении отношений: метод диагностики на

основании единичных симшомов и их групп и метод диагностики на основании полного симптома; а также метод определения исследований, наиболее информативных для продолжения диагностики в текущей диагностической ситуации.

4. Разработаны алгоритмы диагностики на основании единичных симптомов и их групп, формирования набора прецедентов для диа! ностируемой органичной системы, диагностики на основании полного симптома и определения исследований, наиболее информативных для дальнейшего уточнения диагноза.

5. Предложенные методика, методы и алгоритмы реализованы в виде программно-информационного комплекса поддержки диагностики ревматических заболеваний, который состоит из базы знаний, подсистемы работы со знаниями, подсистемы работы с данными о больных и подсистемы диагностики. Комплекс показал свою эффективность в опытной эксплуатации в НИИ клинической и экспериментальной ревматологии РАМН.

В целом полученные результаты позволяют повысить эффективность идентификации состояния органичных систем, сократить время диагностики и снизить затраты на ее проведение.

Основные результаты диссертации изложены в следующих работах.

1. Сычев O.A. Модель представления знаний и ее применение в диагностике ревматологических заболеваний [Текст] / Сычев O.A., Дворянкин A.M. // Информационные технологии в образовании, технике и медицине: Сб. научн. тр. междун. н.-тех. конф., Волгоград, 19-21.09.2000 /ВолгГТУ и др.. - Волгоград, 2000. - Ч. 2. - С. 201-203.

2. Сычев O.A. Модель представления знаний с помощью жер-гоновых отношений множеств [Текст] / Сычев O.A., Дворянкин A.M. // Математические методы в технике и технологиях - ММТТ-2000: Сб. трудов

Межд. научн. конф. В 7-и т. Т. 6. Секции 11,12,13 /Санкт-Петербургский гос. технол. ин-т. (техн. ун-т). - Санкт-Петербург, 200. С. 175-176.

3. Сычев O.A. Исчисление отношений множеств [Текст] / Сычев O.A., Дворянкин A.M. // Методы и алгоритмы прикладной математики в технике, медицине и экономике: Мат. междунар. научн.-практ. конф., Новочеркасск ,8.02. 2001 / ЮРГТУ(НПИ) - Новочеркасск, 2001 - 4.5. -С. 32-34.

4. Сычев O.A. Применение исчисления отношений к диагностике ревматоидного артрита [Текст] / Сычев O.A., Дворянкин A.M. // VI Региональная конференция молодых исследователей Волгоградской области, г Волгоград, 13-16.11.2001 : Тезисы докладов /ВолгГТУ и др. - Волгоград, 2002.-С. 147-149.

5. Сычев O.A. Особенности использования новых информационных технологий в диагностике ревматических заболеваний [Текст] / Сычев O.A., Дворянкин A.M., Гонтарь И.П. и др. // Актуальные проблемы современной ревматологии: Сборник научных работ / Волгогр. медицинская академия и др. - Волгоград, 2002. - Вып. XX . - С. 37-38.

6. Сычев O.A. Структура и методы представления знаний экспертной системы диагностики ревматических заболеваний [Текст] / Сычев O.A., Дворянкин A.M. // Информационные технологии в образовании, технике и медицине: Сб. научн. тр. междунар. научн.-техн. конф., 2426.09.2002 /ВолгГТУ и др. - Волгоград, 2002. - Ч. 2. - С. 67-71.

7. Сычев O.A. Методы проведения и совершенствования диагностики ревматических заболеваний с использованием исчисления отношений. [Текст] / Сычев O.A., Дворянкин A.M. // Методы и алгоритмы прикладной математики в технике, медицине и экономике: Мат. II междунар. научн.-практ. конф., Новочеркасск, 18.01.02 / ЮРГТУ (НПИ). - Новочеркасск, 2022. - Ч. 2. - С. 27-29.

8. Сычев O.A. Система автоматизированной диагностики и совершенствования диагностики в области ревматологии [Текст] / Сычев OA., Дворянкин A.M. // VIII Региональная конференция молодых исследователей Волгоградской области, г. Волгоград, 11-14.11.2003.: Тезисы докладов / ВолгГТУ и др. - Волгоград, 2004. - С. 199-201.

9. Сычев O.A. Представление знаний на основе исчисления отношений включения [Текст] // Информационно-измерительные и управляющие системы: Журнал. - 2004. - Т. 2., №3. - С. 23-31. - Библиогр. : с. 31.

10. Сычев O.A. Формализация данных медицинской карты ревматологического отделения с помощью исчисления отношений для автоматизации диагностики и научных исследований [Текст] / Сычев O.A., Дворянкин A.M. // Информационные технологии в образовании, технике и медицине: Матер, междунар. конф., Волгоград, 18-22.10.2004. / ВолгГТУ и др. - Волгоград, 2004. - Т.З. - С. 193-198.

11. Сычев O.A. Осуществление индуктивного вывода на исчислении отношений множеств [Текст] / Сычев O.A., Дворянкин A.M. // Изв. ВолгГТУ. Сер. Концептуальное проектирование в образовании, технике и технологии: Межвуз. сб. научн. статей /ВолгГТУ. - Волгоград, 2004. - Вып. 1, №5. -С.29-32.

Подписано в печать 08. .2005 г. Заказ № 5Е7 ■ Тираж 100 экз. Печ. л 1,0 Формат 60 х 84 1/16. Бумага офсетная. Печать офсетная.

Типография РПК «Политехник» Волгоградско! о государственного технического университета.

400131, г. Волгоград, ул. Советская, 35

НИ 5 О 9 4

РНБ Русский фонд

2006-4 12198

Перечень сокращений, условных обозначений, символов и терминов.

ВВЕДЕНИЕ.

ГЛАВА 1. СОВРЕМЕННЫЕ ПОДХОДЫ К АВТОМАТИЗАЦИИ ПРОЦЕССА ИДЕНТИФИКАЦИИ СОСТОЯНИЯ ОРГАНИЧНОЙ СИСТЕМЫ.

1.1. Задача идентификации состояния органичной системы.

1.2. Ревматология как предметная область с точки зрения процесса идентификации состояния органичной системы.

1.3. Существующие автоматизированные средства поддержки диагностики в ревматологии.

1.4. Модели представления знаний, используемые для решения задачи идентификации состояния органичной системы.

1.5. Цель и задачи исследования.

ГЛАВА 2. МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ ДЛЯ ЗАДАЧ ИДЕНТИФИКАЦИИ СОСТОЯНИЯ ОРГАНИЧНОЙ СИСТЕМЫ С ВЫВОДОМ ПО ПРЕЦЕДЕНТАМ.

2.1. Исчисление отношений.

2.2. Методы дедуктивного и индуктивного вывода на исчислении отношений.

2.3. Представление приближенных зависимостей в исчислении отношений. Правдоподобный вывод.

2.4. Представление данных и знаний предметной области на исчислении отношений.

2.5. Вывод по прецедентам в исчислении отношений.

Актуальность темы. В настоящее время существует ряд задач, в рамках которых требуется установить причину нарушения функционирования системы для ее дальнейшего устранения. Данная задача связана с идентификацией и распознаванием образов и широко распространена в технике, медицине, социальных науках и экономике. В частности в медицине это задача диагностики заболевания пациента.

Проблема идентификации и распознавания образов в течение продолжительного времени привлекает внимание специалистов в области математики, кибернетики, системного анализа и искусственного интеллекта. Существенный вклад в становление и развитие данного направления внесли ученые Ф. Розенблатт, Р. Шэнк, А.Н. Колмогоров, Д.А. Поспелов, М. Бонгард, У. Маккаллок, А. Новиков, П. Грин и др.

Существующие на сегодняшний день подходы к автоматизации процесса идентификации состояния сложной системы на основании информации о поведении системы охватывают класс динамических систем, характеризуемых небольшим параметрическим множеством и, как правило, имеющих математическую модель. Большой вклад в развитие этой области внесли ученые А. А. Метешкин, Г. П. Шибанов, Е. Ю. Барзилович, С. М. Веисс, А. К. Куликовский и др. Однако имеются существенные различия между исходными данными, имеющимися в распоряжении исследователя технических и органичных систем.

При изучении технических систем, легко доступна информация о процессе функционирования системы, устройстве и функциональном назначении ее подсистем, а количество известных случаев нарушения функционирования системы обычно невелико. Поэтому методы идентификации состояний технических систем основаны главным образом на использовании математической модели системы.

Органичные системы, по определению В.Н. Спицнаделя, появляются в результате постепенно развития, усложнения и дифференциации более простых систем. Режимы функционирования и назначение подсистем в этом случае известны лишь приблизительно. Сложно изучать функционирование подсистем органичной системы по отдельности ввиду наличия большого количества обратных связей. В случае органичных систем имеется большой массив опытных данных, полученных в результате наблюдения за различными нарушениями их функционирования. Поэтому для решения задачи идентификации состояния органичной системы представляется целесообразным использовать подходы на основе вывода по прецедентам с учетом особенностей органичных систем.

Задача идентификации состояния органичной системы (например медицинской диагностики) является нетривиальной ввиду большого числа параметров, описывающих состояние системы; косвенного характера большинства измеряемых параметров по отношению к причине нарушения функционирования системы; невозможности изучать функционирование подсистем по отдельности и других свойств органичных систем. Решение этой задачи требует привлечения квалифицированных специалистов, а также значительных затрат времени и материальных ресурсов. Автоматизация ее решения с помощью методов вывода по прецедентам позволит повысить качество идентификации состояния органичной системы за счет увеличения точности определения состояния системы, снижения затрачиваемого на это времени и уменьшения количества необходимых исследований (нередко дорогостоящих). В связи с этим в настоящее время актуальной является разработка моделей представления знаний и данных, развитие методов использования вывода по прецедентам, предназначенных для идентификации состояния органичных систем, и реализация их в виде программно-информационного комплекса поддержки процессов идентификации состояния органичных систем.

Цель работы состоит в повышении эффективности процесса идентификации состояния органичной системы на примере диагностики ревматических заболеваний и снижении затрат на проведение этого процесса.

Для достижения данной цели были поставлены и решены следующие задачи.

1. Исследовать процесс диагностики ревматических заболеваний и сделать обзор систем поддержки принятия решений и моделей представления знаний.

2. Разработать модель представления знаний для использования в задачах диагностики с помощью рассуждений по прецедентам на основе свойств знаний, используемых в процессе диагностики.

3. Разработать методы и алгоритмы диагностики на разработанной модели представления знаний.

4. Реализовать программно-информационный комплекс поддержки диагностики ревматических заболеваний и проверить эффективность разработанных методов и алгоритмов в ходе опытной эксплуатации комплекса.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, искусственного интеллекта, теории проектирования реляционных баз данных и аппарат теории решеток.

Научная новизна результатов, выносимых на защиту, заключается в следующем.

1. Модель представления знаний в задачах диагностики по прецедентам - исчисление отношений на элементах решетки, отличающееся от известных возможностью представления любой неполной информации об отношении включения, рассмотрением отношения включения в качестве полной атомной решетки с относительными дополнениями, наличием алгоритмов дедуктивного и индуктивного вывода на единой модели представления знаний, возможностью использования различных стратегий индуктивного вывода в зависимости от задачи.

2. Методы хранения и обработки приближенных отношений в задачах диагностики с помощью вывода по прецедентам, отличающиеся от известных двухпараметрическим представлением приближенных отношений, возможностью использования различных кривых спада уверенности, возможностью настройки границ приближенных отношений, простотой правдоподобного вывода для случая, когда один из элементов является атомарным.

3. Методика отображения знаний и данных предметной области на исчисление отношений, которая отличается от известных возможностью представления симптомов, заданных не только шкалами наименований, но и интервальными значениями; возможностью диагностирования по нескольким независимым шкалам, с определением не только вида заболеваний, но и его формы или активности; описанием близости значений симптомов для вывода по прецедентам с помощью различных метрик.

Практическая ценность полученных результатов.

1. На основании предложенных модели представления знаний, методики отображения знаний и данных предметной области и методов идентификации состояния органичной системы с помощью вывода по прецедентам разработаны структура базы знаний и алгоритмы этапов процесса диагностики.

2. Предложенные методика, методы и алгоритмы реализованы в виде программно-информационного комплекса поддержки диагностики ревматических заболеваний, который состоит из базы знаний, подсистемы работы со знаниями, подсистемы работы с данными о больных и подсистемы диагностики.

3. Программно-информационный комплекс поддержки диагностики ревматических заболеваний показал свою эффективность в ходе опытной эксплуатации в НИИ клинической и экспериментальной ревматологии при решении задачи диагностики формы, активности и течения ревматоидного артрита по данным лабораторных исследований.

Теоретические и практические результаты диссертационной работы использовались в научно-исследовательской деятельности НИИ клинической и экспериментальной ревматологии РАМН.

Реализация и внедрение результатов. Программно-информационный комплекс поддержки диагностики ревматических заболеваний внедрен в НИИ клинической и экспериментальной ревматологии РАМН. Его применение позволяет уменьшить количество применяемых при диагностике ревматических заболеваний лабораторных исследований и сократить время диагностики.

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры «САПР и ПК» ВолгГТУ, а также на международных и всероссийских научных и научно-практических конференциях: «Информационные технологии в образовании, технике и медицине» (Волгоград 2000, 2002, 2004), «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (Новочеркасск 2001, 2002), «Математические методы в технике и технологиях» ММТТ-2000 (Санкт-Петербург, 2000), V, VI, VII, VIII Региональных конференциях молодых исследователей Волгоградской области (Волгоград, 2001 - 2004).

Публикации. По теме диссертации опубликовано 11 печатных работ, в то числе 1 публикация в изданиях центральной печати, 6 статей в сборниках научных трудов, 4 тезиса докладов различных конференций.

Личный вклад соискателя состоит в постановке задачи, разработке теоретических положений и апробации предложенных подходов на практических задачах.

Структура и содержание диссертационной работы. Диссертационная работа состоит из введения, четырех глав, заключения, 2-х приложений и

4. 4. Основные результаты и выводы

С помощью моделей и алгоритмов, предложенных в главе 3, спроектирован и разработан программно-информационный комплекс поддержки диагностики ревматических заболеваний «Эсмадра». Комплекс состоит из четырех частей: базы знаний, подсистемы работы со знаниями, подсистемы работы с данными о больных и подсистемы диагностики. Главной функцией комплекса является поддержка диагностики ревматических заболеваний.

Комплекс внедрен в НИИ Клинической и Экспериментальной Ревматологии РАМН. Опытная эксплуатация комплекса показала, что его использование позволяет увеличить эффективность процесса диагностики ревматических заболеваний за счет уменьшения количества лабораторных исследований, необходимых для диагностики, в среднем на 3-5 исследований для одного больного при сохранении прежнего качества диагностики, что позволяет уменьшить затраты на проведение исследований и время пребывания больного в стационаре во время диагностики. Ожидаемый экономический эффект от внедрения комплекса в ревматологическом отделении больницы регионального уровня составляет приблизительно 765000 рублей в год.

ЗАКЛЮЧЕНИЕ

На основе исследования процессов идентификации состояния органичной системы, анализа известных моделей представления знаний и методов вывода разработаны: модель представления знаний для использования в задачах идентификации состояния органичной системы с помощью вывода по прецедентам - исчисление отношений; методы и алгоритмы поддержки процессов идентификации состояния органичной системы; программно-информационный комплекс поддержки диагностики ревматических заболеваний, который показал свою эффективность в опытной эксплуатации.

1. Предложена модель представления знаний - исчисление отношений, позволяющая представлять в точной и приближенной форме информацию о классах, связанных отношением включения и методы индуктивного и дедуктивного вывода на этой модели.

2. Разработана методика отображения на исчисление отношений данных и знаний предметной области, позволяющая отображать различные виды симптомов, представленные шкалами наименований и отрезками оси действительных чисел, и осуществлять процесс идентификации состояния органичной системы по нескольким различным типам диагнозов.

3. Предложены методы диагностики с помощью вывода по прецедентам с представлением знаний на исчислении отношений: метод диагностики на основании единичных симптомов и их групп и метод диагностики на основании полного симптома; а также метод определения исследований, наиболее информативных для продолжения диагностики в текущей диагностической ситуации.

4. Разработаны алгоритмы диагностики на основании единичных симптомов и их групп, формирования набора прецедентов для диагностируемой органичной системы, диагностики на основании полного симптома и определения исследований, наиболее информативных для дальнейшего уточнения диагноза.

5. Предложенные методика, методы и алгоритмы реализованы в виде программно-информационного комплекса поддержки диагностики ревматических заболеваний, который состоит из базы знаний, подсистемы работы со знаниями, подсистемы работы с данными о больных и подсистемы диагностики. Комплекс показал свою эффективность в опытной эксплуатации в НИИ клинической и экспериментальной ревматологии РАМН.

В целом полученные результаты позволяют повысить эффективность идентификации состояния органичных систем, сократить время диагностики и снизить затраты на ее проведение.

1. Ан Р. Н., Бордюжа А. В., Ленкина Н. В. Особенности развития и лечения болезни Рейтера у лиц молодого возраста // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 8 .

2. Багирова Г. Г., Сизова Л. В. Использование опросников для оценки качества жизни больных остеоартрозом // Актуальные проблемы современной ревматологии. 2001. - Вып. 19. - С. 140-142 .

3. Балабанова Р. М., Насонова М. А. К вопросу о совершенствовании рабочей классификации ревматоидного артрита // Научно-практическая ревматология. 2001. - №5. - С. 91-95 .

4. Бедина С. А., Левкина М. В., Мартемьянов В. Ф. Диагностическое значение определения ферментов пуринового метаболизма при ревматоидном артрите // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 14 .

5. Бедина С. А., Левкина М. В., Мартемьянов В. Ф. Энзимная диагностика клинических форм ревматоидного артрита // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 15 .

6. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++: Пер с англ.-2-е изд.- М.: Издательство Бином, СПб.: Невский диалект, 2000.-560 с.

7. Вендров А. М. Проектирование программного обеспечения экономических информационных систем. М.: Финансы и статистика, 2000. 352 с.

8. Вест С. Дж. Секреты ревматологии / Пер. с англ. М. - СПб.: «Издательство БИНОМ». - «Невский диалект», 1999. - 768 с.

9. Вирт Н. Алгоритмы + структуры данных = программы. М.: Мир, 1985.- 193 е.

10. Выявление экспертных знаний (процедуры и реализации) / О.И.

11. Ларичев, А.И. Мечитов, Е.М. Мошкович, Е.М. Фуремс. М.: Наука, 1989.- 128 с.

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

13. Гаськов А. П., Валивач М. Н. Информация об экспертной системе медицинской диагностики «Консилиум» / Internet http://www.eksi.kz/consilium/librar/esmdshort.htm

14. Гонтарь И. П., Петрова Н. В., Зборовская И. А. Определение ферментативно-активного, иммуноактивного церуплазмина и антител к нему у больных ревматоидным артритом // Актуальные проблемы современной ревматологии. 2001. - Вып. 19. - С. 51

15. Горбань А.Н. Обучение нейронных сетей М.: СП ПараГраф, 1990-210 с.

16. Гэри М., Джонсон Д. С. Вычислительные машины и труднорешаемые задачи. М.: Мир, 1982. - 148 с.

17. Дворянкин А. М., Сычев О.А. Исчисление отношений множеств // Методы и алгоритмы прикладной математики в технике, медицине и экономике: Мат. междунар. научн.-практ. конф., Новочеркасск, 8.02. 2001 /ЮРГТУ (НПИ). Новочеркасск, 2001. - Ч. 5. - С. 32-34.

18. Дворянкин А. М. и др. Искусственный интеллект. Моделирование рассуждений и формальные системы: Учеб. пособие // А. М. Дворянкин, М. Б. Сипливая, И. Г. Жукова Волгоград: Волгоград, гос. техн. ун-т, 2003.— 140 с.

19. Дворянкин A.M., Сычев О.А. Формализация данных медицинской карты ревматологического отделения с помощью исчисления отношений для автоматизации диагностики и научных исследований // Информационные технологии в образовании, технике и медицине:

20. Матер, междунар. конф., Волгоград, 18-22.10.2004. / ВолгГТУ и др. -Волгоград, 2004. Т.З. - С. 193-198.

21. Диагностическое значение определения ферментов в клетках крови при системной красной волчанке. / А. В. Рвачев, Т. В. Сердюкова, Т. А. Панкратова и др. // Актуальные проблемы современной ревматологии. -1999.-Вып. 17.-С. 79.

22. Дормидонтов Е. Н., Коршунов Н. И., Фризен Б. Н. Ревматоидный артрит. -М.: Медицина, 1981. 175 с.

23. Дрейпер Н., Смит Г. Прикладной регрессионный анализ: В 2-х кн. Кн. 1/ Пер с англ. 2-е изд., перераб. и доп. - М.:Финансы и статистика, 1986.-366с

24. Дробышева А. Э., Еров Н. К. Некоторые клинические аспекты диагностики реактивных артритов // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 35

25. Еров Н. К. Спорные вопросы диагностики ревматоидного артрита с системными проявлениями // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 38

26. Зайцева Т. В. Болевой синдром, психологическая реакция на болезнь и качество жизни больных ревматоидным артритом // Актуальные проблемы современной ревматологии. 2001. - Вып. 19. - С. 74-75

27. Зайцева Т. В. Качество жизни как интегральный показатель здоровья у больных ревматоидным артритом // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 42

28. Игнатьев В. М., Шевченко В. П. Многокритериальный подход к оценке объекта // Развивающиеся интеллектуальные системы автоматизированного проектирования и управления. Материалы межд. научн.-практич. конф. Новочеркасск.: УПЦ «Набла», 2001. - С. 50-52

29. Ионкина Т. Г., Золотарева Н. М., Степанова О. В. Сравнительная характеристика иммунологических показателей у больныхревматоидным артритом и реактивным артритом // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 52.

30. Искусственный интеллект. Модели и методы: Справочник./ Под ред. Д.А.Поспелова. М.: Радио и связь, 1990. - 304 с.

31. Калверт Ч. Программирование в Windows 95. Освой самостоятельно/ Пер. с англ. Д.А. Зарецкого, И.В. Муравьева;Под ред. Д.Зарецкого.-М.: Бином, 1996.-1008с.

32. Клинические рекомендации и алгоритмы. Ревматология. / Под общей редакцией Е. Л. Насонова. М.: ООО «ВолгаМедиа», 2004. - 112 с.

33. Клинические рекомендации. Ревматология. / Под. ред. Е. Л. Насонова. -М.:ГЭОТАР-Медиа, 2005. 288 с.

34. Кобринский Б.А. Искусственный интеллект и медицина: возможности и перспективы систем, основанных на знаниях //Новости искусственного интеллекта №4, 2001. Internet http://www.raai.org/library/library.shtml

35. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука, 1968. 720 с.

36. Коршунов Ю.М. Математические основы кибернетики: Учеб. пособие для вузов 3-е изд., перераб. и доп.- М.: Энергоатомиздат, 1987.-496 с.

37. Лейнекер Р. Энциклопедия Visual С++.-СП6: Издательство «Питер», 1999.-1152 с.

38. Липченко В. Я., Самусев Р. П. Атлас анатомии человека: Классическая учебная литература. 3-е изд., перераб. и доп. - М.: «Альянс-В», 1998. - 320 с.

39. Мазуров В. И., Лила А. М. Ревматоидный артрит (клиника, диагностика, лечение). СПб.: «Мед Масс Медиа», 2000. - 96с.

40. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина.-М.:ДИАЛОГ-МИФИ, 2002.-496 с.

41. Мозговая Е. Э., Хортиева С. С., Некрасова С. П. Клиническая значимость определения активности фумаратгидратазы при системной склеродермии // Актуальные проблемы современной ревматологии. 1999. -Вып. 17. - С. 70

42. Насонов Е. Л., Балабанова Р. М. Лечение ревматоидного артрита препаратами золота. (Пособие для врачей). М.: ИД Медпрактика-М, 2002.-24 с.

43. Насонова В. А., Астапенко М. Г. Клиническая ревматология М.: Медицина. - 1989. - 586 с.

44. Нейроинформатика / Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296с.

45. Никитин М. В., Зборовский А. Б., Гонтарь И. П. Новые аспекты иммунодиагностики остеоартроза // Актуальные проблемы современной ревматологии. 2001. - Вып. 19. - С. 134-135

46. Нильсон Н. Принципы искусственного интеллекта.— М.: Радио и Связь, 1985.

47. Окороков А. Н. Диагностика болезней внутренних органов: Т. 2. Диагностика ревматических и системных заболеваний соединительной ткани. Диагностика эндокринных заболеваний. М.: Медицинская литература., 2001. - 576с.

48. Осипов Г.С. Искусственный интеллект: состояние исследований и взгляд в будущее //Новости искусственного интеллекта №1, 2001 / Internet http://www.raai. org/library/library. shtml

49. Основы научных исследований: Учеб. для техн. вузов/ В.И. Крутов, И.М. Грушко, В.В. Попов и др.; Под ред. В.И. Крутова, В.В. Попова-М.: Высш. шк., 1989.- 400 с.

50. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986. - 284 с.

51. Построение экспертных систем: Пер. с англ./ Под ред. Ф. Хейса-Рота, Д. Уотермана, Д. Лената- М.: Мир, 1987-441 с.

52. Ревматические болезни. / Под. ред. В. А. Насоновой, Н. В. Бунчука. М.: Медицина, 1997. 325 с.

53. Системные болезни соединительной ткани / И. М. Ганджа, В. М. Сахарчук, JI. М. Свирид. — Киев.: Выща школа. Головное издательство, 1988.-270 с.

54. Скорняков Л. А. Элементы теории структур. М.: Наука, 1970. - 158 с.

55. Славин М. Б. Методы системного анализа в медицинских исследованиях.-М.: Медицина, 1989.-304 с.

56. Сложность вычислений и алгоритмов / под ред. В.А. Козмидиади, А.Н. Маслова, Н.В. Петри-М.: Мир, 1974.

57. Спицнадель В. Н. Основы системного анализа: Учеб. пособие.— СПб.: «Изд. дом «Бизнес-пресса», 2000.— 326 с.

58. Статистические методы в имитационном моделировании / Пер. с англ. Ю.П. Адлера, К.Д. Аргуновой, В.Н. Варыгина, A.M. Талалая; Под ред. и с предисл. Ю.П. Адлера и В.Н. Варыгина Вып. 1- М.: Статистика, 1978.-221 с.

59. Сычев О. А. Представление знаний на основе исчисления отношений включения // Информационно-измерительные и управляющие системы: Журнал. 2004. - Т. 2., №3. - С. 23-31.

60. Технология системного моделирования/ Е.Ф. Аврамчук, А.А. Вавилов, С.В. Емельянов и др.; Под общ. ред. С.В. Емельянова и др.- М.: Машиностроение; Берлин: Техник, 1988.-520 с.

61. Токарева 3. А. Сравнительная характеристика стероидно-белкового взаимодействия у больных ревматизмом и ревматоидным артритом // Актуальные проблемы современной ревматологии. 2001. -Вып. 19.-С. 98

62. Трисветова Е. Л. Клинические маски системной склеродермии // Актуальные проблемы современной ревматологии. 1999.1. Вып. 17.-С. 102

63. Трисветова Е. JI. Предикторы остеоартроза // Актуальные проблемы современной ревматологии. 1999. — Вып. 17. - С. 101

64. Уотерман Д. Руководство по экспертным системам/ Пер. с англ. М.: Мир, 1989. - 388 с.

65. Фоломеева О.М., Амирджанова В. Н. К вопросу о совершенствовании рабочей классификации ревматоидного артрита: определение функциональной способности пациента // Научно-практическая ревматология. 2001. - №5. - С. 96-97

66. Фролов А.Б. Модели и методы технической диагностики.-М.: Знание, 1990.-47 с.

67. Цикритзис Д., Лоховски Ф. Модели данных / Пер. с англ.- М.: Финансы и статистика, 1985 344 с.

68. Шакулашвили Н. А., Гегещидзе Д. Т. Диагностические критерии некоторых заболеваний околосуставных мягких тканей для массовых эпидемиологических исследований // Актуальные проблемы современной ревматологии. 2001. - Вып. 19. - С. 177

69. Шень А. Программирование: теоремы и задачи. М.: МЦНМО, 1995. -263 с.84.

70. Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches // AlCom Artificial Intelligence Communications, IOS Press, Vol. 7,1994 , pp. 39-59.

71. AIAI Technology: Case-based reasoning // Internet http://www.aiai.ed.ac.uk/technology/casebasedreasoning.htm

72. American College of Rheumatology Subcommittee on Rheumatoid Arthritis Guidelines. Guidelines for the Management of Rheumatoid Arthritis. 2002 Update // Arthritis Rheum. 2002. - Vol. 46. - P. 328-346.

73. Amett F.C. Edworthly S. M., Bloch D. A. et. al. American Rheumatism Association 1087. Revised criteria for the classification of rheumatoido atrthritius // Arthritius Rheumatoido 1988. - vol 31, - p. 315-324.

74. B. Lopez, E. Plaza, Case-based planning for medical diagnosis, In: J. Komorowski, Z. W. Ras (Eds.) Methodologies for Intelligent Systems: 7th International Symposium, ISMIS '93, Springer Verlag, 1993. p. 96-105

75. Brown, В., Lewis, L. A case-based reasoning solution to the problem of redundant resolutions of non-conformances in large scale manufacturing. In: R. Smith, C. Scott (eds.): Innovative Applications for Artificial Intelligence 3. MIT Press, 1991.

76. Carbonell, J. Derivational analogy; A theory of reconstructive problem solving and expertise acquisition. In R.S. Michalski, J.G. Carbonell, T.M. Mitchell (eds.): Machine Learning An Artificial Intelligence Approach, Vol.II, 1986, pp. 371-392.

77. David Leake. Case-Based Reasoning: Experiences, Lessons and Future Directions, AAAI Press/MIT Press, 2000. 420 p.

78. Davis R. Consultation, Knowledge Acquisition and Instruction: A Case Study / Internet http://www.medg.lcs.mit.edu/ftp/psz/AIM82/ch3.html

79. Guvenir A., Demiroz G., liter N. Learning Differential Diagnosis of Erythemato-Squamous Diseases using Voting Future Intervals / Internethttp://cs.bilkent.edu.tr

80. Guvenir H. A. Detection of Abnormal ECG Recordings using Feature Intervals / Internet http://cs.bilkent.edu.tr

81. Klippel J., Dieppe P. Rheumatology. St Louis: Mosby-Year Book, 1998

82. Kolodner, J. An introduction to case-based reasoning. Artificial Intelligence Review 6(1), 1992, pp. 3-34.

83. Kulikowski A. C., Weiss S. M. Representation of Expert Knowledge for Consultation: The CASNET and EXPERT projects / Internet http://www.medg.lcs.mit.edu/ftp/psz/AIM82/ch2.html

84. Lee D. M., Weinblatt M. E. Rheumatoid Arthritis // Lancet. 2001. - Vol 358.-P. 903-911.

85. Pople H. Heuristic Methods for Imposing Structure on Ill-Structured Problems: The Structuring of Medical Diagnostics / Internet http://www.medg.lcs.mit.edu/ftp/psz/AIM82/ch5.html

86. Reinhardt B. Generating Case Oriented Intelligent Tutoring Systems / Internet http://ki.informatik.uni-wuerzburg.de/forschung/publikationen/ lehrstuhl/Reinhardt-AAAI-97/aaai-workshop.html

87. Riesbeck, C. An interface for case-based knowledge acquisition. In Kolodner, J., ed., Proceedings of the DARPA Case-Based Reasoning Workshop, 1988. 312-326.

88. Schewe S., Reinhardt В., Betz C. Experiences with a Knowledge-Based Tutoring System for Student Education in Rheumatology / Internet http://ki.informatik.uni-wuerzburg.de/forschung/publikationen/lehrstuhl/ Reinhardt-XPS-99/XPS-99 .html

89. Simoudis, E., and Miller, J. The application of CBR to help desk applications. In Bareiss, R., ed., Proceedings of the DARPA Case-Based Reasoning Workshop, 1991. P. 25-36.

90. Slovits P. Artificial Intelligence and Medicine / Internet http://www.medg.lcs.mit.edu/ftp/psz/AIM82/ch 1 .html

91. Slovits P., Long W. The Development of Clinical Expertise in the Computer / Internet http://www.medg.lcs.mit.edu/ftp/psz/AIM82/ch4.html125