Загрузка...
Учебная работа. Реферат: Понятие экспертных систем
1. Введение……………………………………………………………………………3
2. Применение экспертных систем в медицине…………………………………….4
2.1. Компьютерная диагностика . Развитие экспертных систем на базе продукта MYCIN…………..………………………………….………………4
2.2. Самообучающиеся умственные системы …………..………….10
2.3. Внедрение при разработке экспертных систем технологии Data Mining…………………………………………………………………………………………………15
3. Заключение……………………………………………………………………….22
4. Перечень применяемой литературы……………………………………………..23
1. Введение.
— это программка, которая ведет себя подобно профессионалу в некой прикладной области. Обычные сферы внедрения экспертных систем содержат в себе такие задачки, как мед то есть заключения о сущности болезни и состоянии пациента»>диагностика , интерпретация результатов измерений и предложение способов борьбы с разными болезнями. Экспертные системы должны решать задачки, требующие для собственного решения экспертных познаний в некой определенной области, потому они должны владеть этими познаниями. Их также именуют
,
. Но не всякую систему, основанную на познаниях, можно разглядывать как экспертную. Экспертная система обязана также уметь каким-то образом
свое эксперт-человек. Это в особенности нужно в медицине, для которой свойственна неопределенность, некорректность инфы.
[1]
В мед учреждениях все наиболее животрепещущим становится создание автоматических рабочих мест, наличие которых делает работу врача-специалиста наиболее продуктивной. Нереально представить для себя обследование сердечнососудистой системы без получения электрокардиограммы, ультразвукового исследования без получения отпечатка, биохимического исследования без бланка с данными анализа. В микроскопии до сего времени итог смотрелся как словесное описание изображения. Не было обычного и действенного метода документирования (получения жесткой копии), если не считать трудозатратный и непростой процесс микрофотографирования, проявления пленки и печати фото. Но на данный момент разработаны и предлагаются к использованию разные экспертные системы, некие из которых не требуют внедрения компа, что делает их наиболее экономными ординарными для использования даже без специальной подготовки.[2]
2. Применение экспертных систем в медицине.
2.1. Компьютерная диагностика . Развитие экспертных систем на базе продукта
MYCIN
.
За крайние 20 лет уровень внедрения компов в медицине очень возрос. Практическая медицина становится все наиболее и наиболее автоматической.
Сложные современные исследования в медицине не мыслимы без внедрения вычислительной техники. К таковым исследованиям можно отнести компьютерную томографию , томографию с внедрением явления ядерно-магнитного резонанса, ультрасонографию, исследования с применением изотопов. количество инфы, которое выходит при таковых исследовательских работах, так громадно, что без компа человек был бы неспособен ее воспринять и обработать.
Компьютерная томография , например, представляет собой способ рентгенографического исследования, позволяющий с помощью специальной технологии получать рентгенограммы людского тела по слоям и задерживать эти снимки в памяти компа опосля специальной обработки; она дает возможность установить локализацию патологического процесса, оценить результаты исцеления, в том числе лучевой для снятия либо устранения симптомов и проявлений работоспособности»>заболевания «>терапии , избрать подходы и размер оперативного вмешательства. Для данной нам цели употребляются особые аппараты с вращающейся рентгеновской трубкой, которая {перемещается} вокруг недвижного объекта, «построчно» обследуя все тело либо его часть. Потому что органы и ткани человека поглощают рентгеновское излучение в неравной степени, изображения их смотрятся в виде «штрихов» – установленного ЭВМ коэффициента поглощения для каждой точки сканируемого слоя.
Компьютерные томографы разрешают выделить слои от 2 до 10 мм при скорости сканирования 1-го слоя 2–5 секунд с мгновенным проигрыванием изображения в черно-белом либо цветном варианте.
В медицине обширно используются экспертные системы, основное предназначение которых – мед другими словами заключения о сути заболевания и состоянии пациента»>диагностика . Диагностические системы употребляются для установления связи меж нарушениями деятель организма и их вероятными причинами. Более известна экспертная диагностическая система MYCIN, которая создана для диагностики и наблюдения за болезнями крови . Ее 1-ая версия была разработана в Стэнфордском институте посреди 70-х годов. В истинное время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу познаний, по этому может применяться и в остальных областях медицины.[3]
Программка EMYCIN (1981) дозволяет применять архитектуру системы MYCIN в приложении к остальным областям медицины. На базе EMYCIN были разработаны экспертные системы как для медицины (к примеру, система PUFF для диагностики легочных болезней), так и для остальных областей познаний, к примеру программка структурного анализа SACON.
Но Создатель системы EMYCIN Ван Мелле (Van Melle) одним из первых выделил, что оболочки экспертных систем никак не являются всепригодной архитектурой для решения заморочек. Разработанная им система EMYCIN нацелена на задачи диагностирования с большенными размерами данных, которые поддаются решению при помощи дедуктивного подхода в предположении, что место исследовательских категорий стационарно.
Но если речь идет непосредственно о оболочках, то уже на данный момент необходимо отметить, что большая часть коммерческих товаров этого типа подступает лишь для тех заморочек, в каких место поиска невелико. Как правило, в их применяется способ исчерпающего поиска с построением оборотной цепочки вывода и ограниченными способностями управления действием. Некие современные оболочки, к примеру М.4 (механизм построения цепочки оборотных рассуждений, взятый в EMYCIN, объединен с фреймоподобной структурой данных и доп средствами управления ходом рассуждений), как говорят их создатели, могут применяться для решения широкого круга задач, так как они поддерживают огромное количество функций представления познаний и управления, включая и моделирование прямой цепочки логического вывода, процедуры, передачу сообщений и т.п.
Простота языков представления познаний, используемых в большинстве оболочек, является, с одной стороны, достоинством, а с иной – недочетом такового рода систем.
Использованный в EMYCIN формализм порождающих правил затрудняет разделение различных видов познаний – эвристических, управляющих, познаний о ожидаемых значениях характеристик. Недостающая структурированность набора правил в EMYCIN также затрудняет и восприятие новейших познаний, так как добавление в базу познаний новейшего правила просит внесения конфигураций в разные составляющие системы. К примеру, необходимо заносить конфигурации в таблицы познаний, содержащие информацию о мед параметрах. Это одна из заморочек, решением которой гордятся создатели системы TEIRESIAS.
В программке TEIRESIAS можно выделить три уровня обобщения:
— познания о объектах данных, специальные для предметной области;
— познания о типах данных, специальные для способа представления познаний;
— познания, независящие от способа представления.
эксперт может применять программку TEIRESIAS для взаимодействия с экспертной системой, схожей MYCIN, и смотреть с ее помощью за тем, что делает экспертная система и почему. Так как на шаге разработки экспертной системы мы постоянно имеем дело с неполным набором правил, в каком к тому же содержится огромное количество ошибок, можно задать вопросец профессионалу: «Что вы понимаете такового, что еще не понимает программка?» Решая определенную делему, эксперт может сосредоточить внимание на правильности правил, вовлеченных в этот процесс, из тех, что ранее введены в систему, их редактировании по мере необходимости либо включении в систему новейших правил.
В составе TEIRESIAS имеются и средства, которые помогают оболочке EMYCIN смотреть за поведением экспертной системы в процессе внедрения набора имеющихся правил.
. Опосля выполнения всякого еще одного задания – консультации – система дает разъяснение, как она пришла к такому заключению. Распечатываются каждое правило, к которому система обращалась в процессе выполнения задания, и количественные характеристики, связанные с применением этого правила, в том числе и коэффициенты убежденности.
. В этом режиме эксперт может сопоставить результаты, приобретенные при прогоне отлаживаемой программки, с правильными плодами решения данной нам же задачки, хранящимися в специальной базе данных, и проанализировать имеющиеся отличия. Оболочка EMYCIN дозволяет профессионалу задавать системе вопросцы, почему она пришла к тому либо иному заключению и почему при всем этом не были получены известные правильные результаты.
. В этом режиме эксперт может просмотреть выводы, к которым приходила система при выполнении одних и тех же запросов из библиотеки типовых задач. Это помогает просмотреть эффект, который дают конфигурации, вносимые в набор правил в процессе наладки системы. В этом же режиме можно проанализировать, как отражаются конфигурации в наборе правил на производительности системы.
Главным способом формирования суждений в EMYCIN является построение оборотной цепочки вывода. При всем этом употребляется огромное количество правил мета- и объектного уровня. В итоге весьма трудно сформировывать исчерпающее и понятное для юзера пояснение. Те решения, которые принимаются на шаге программирования правил, а именно касающиеся порядка и количества выражений в антецедентной части, могут разительным образом воздействовать на путь поиска в пространстве решений в процессе функционирования системы.
Значимая часть экспертности систем — это познания о типовых вариантах, т.е. достаточно нередко встречающихся в предметной области. Специалисты просто распознают известные типовые случаи и способны без особенного труда систематизировать их в определениях безупречных прототипов даже при наличии определенных «помех» либо неполных данных. Они интуитивно различают пригодные случаю либо необыкновенные значения начальных данных и принимают адекватное решение о том, как поступить в предстоящем при решении задачи. Такие познания фактически нереально представить в экспертной системе, если воспользоваться лишь правилами в форме «условие-действие». Для этого будет нужно существенно наиболее непростой формализм, который сведет на нет одно из основных плюсов использования порождающих правил в качестве основного средства принятия решений.
Крайний недочет EMYCIN (по поводу использования оболочек) касается механизма обработки неопределенности. Такие оболочки, как М.1, уже содержат в себе определенный формальный механизм работы с неопределенностью, к примеру основанный на использовании коэффициентов убежденности. Но большая часть устройств такового рода не согласуются с выводами теории вероятностей и владеют качествами, которые с трудом поддаются анализу. естественно, определенному способу обработки неопределенности при решении определенной задачки в данной предметной области можно отдать прагматическое обоснование по отношению к схеме обработки коэффициентов убежденности в системе MYCIN. Но необоснованно распространять этот аппарат на остальные области внедрения, встроив его в оболочку.
По сопоставлению с первыми разработками современные оболочки наиболее гибкие, по последней мере, в том, что без особенного труда могут быть интегрированы в большая часть операционных сред, доступных на рынке программного обеспечения, и обустроены довольно развитыми средствами пользовательского интерфейса. Современные оболочки, применяемые в медицине, до этого всего, для диагностики, могут работать под управлением хоть какой из операционных систем, применяемых в индивидуальных компах, подключаться к базам данных, иметь средства для включения фрагментов программного кода на языках С, Visual BASIC и Visual C++. Оболочка поддерживает персональную настройку пользовательского интерфейса и возможность формирования пояснений при ответах на вопросец «почему» в том же стиле, что и система-прародитель MYCIN.[4]
2.2. Самообучающиеся умственные системы.
В крайнее время неприклонно растет значение информационного обеспечения разных мед технологий. Внедрение современных информационных технологий становится критичным фактором развития большинства отраслей познания и областей практической деятель, потому разработка и внедрение информационных систем является одной из самых животрепещущих задач.[5]
В почти всех лечебно-диагностических разработках способности современных компов фактически не употребляются, главными причинами недостаточно полного использования современных компьютерных технологий в медицине являются: слабо развитая техно база, недостающий уровень подготовки участников этих технологий в области современного аппаратного и программного обеспечения, нехорошая оснащенность спец пакетами прикладных программ и др. Огромное работы доктора. Доктор является исследователем, его работа носит творческий нрав, но он несет прямую ответственность за итог собственной деятель. Принимая решение о диагнозе либо заболевания), он опирается на познания и опыт – свои собственные и коллег, являющихся для него авторитетом, весьма принципиально при всем этом обоснование решения, в особенности если оно подсказывается со стороны.
Современные технические способности разрешают выйти на отменно новейший уровень представления течения время, на современном шаге развития медицины, информационные перегрузки добиваются пределов человечьих способностей. Возникает неувязка: приходится жертвовать полнотой анализа инфы, либо нужно обширнее применять разные способы компьютерной поддержки принятия решений. Мед экспертные системы разрешают доктору не только лишь проверить собственные диагностические догадки, да и обратиться к компу за консультацией в тяжелых исследовательских вариантах.
Область исследовательских работ, посвященная формализации методов представления познаний и построению экспертных систем (ЭС), именуют «инженерией познаний». Этот термин введен Э. Фейгенбаумом [6]
и в его трактовке значит «привнесение принципов и средств из области искусственного ума в решение тяжелых прикладных заморочек, требующих познаний профессионалов». Другими словами, экспертные системы используются для решения неформализованных заморочек, к которым относятся задачки, владеющие одной либо несколькими чертами из последующего перечня:
— задачки не могут быть представлены в числовой форме;
— начальные данные и познания о предметной области разноплановы, неточны, противоречивы;
— цели недозволено выразить при помощи верно определенной мотивированной функции;
— не существует конкретного алгоритмического решения задачки.
Все перечисленные выше характеристики являются обычными для мед задач, потому что почти всегда они представлены огромным объемом многомерных, запутанных, а иногда и противоречивых клинических данных. ЭС разрешают решать задачки диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и стратегии исцеления и др.
Посреди экспертных мед систем особенное пространство занимают так именуемые самообучающиеся умственные системы (СИС). Они основаны на способах автоматической систематизации ситуаций из настоящей практики либо на способах обучения в примерах. Более броский пример СИС — искусственные нейронные сети.
Искусственные нейронные сети, они же коннекционистские либо связевые системы представляют собой устройства, использующие большущее число простых условных рефлексов, именуемых по имени канадского физиолога синапсами Хебба. Таковой синапс, как базу вероятных устройств памяти и поведения, Д. Хебб обрисовал на теоретическом уровне в 1949 году, т.е. в 1-ые годы опосля рождения кибернетики. Уже на данный момент искусственные нейронные сети используются для решения весьма почти всех задач обработки изображений, управления роботами и непрерывными производствами, для осознания и синтеза речи, для диагностики болезней людей и технических проблем в машинках и устройствах, для пророчества курсов валют и результатов скачек.
Сущность всех подходов нейроинформатики: разработка способов сотворения (синтеза) нейронных схем, решающих те либо другие задачки. Нейрон при всем этом смотрится как устройство весьма обычное: нечто вроде усилителя с огромным числом входов и одним выходом. Различие меж подходами и способами — в деталях представлений о работе нейрона, и, естественно, в представлениях о работе связей. В отличие от цифровых микропроцессорных систем, представляющих из себя сложные композиции процессорных и запоминающих блоков, нейропроцессоры содержат память, распределенную в связях меж весьма ординарными микропроцессорами. Тем основная перегрузка на выполнение определенных функций микропроцессорами ложится на архитектуру системы, детали которой в свою очередь определяются межнейронными связями.[7]
Искусственные нейронные сети (ИНС) представляют собой нелинейную систему, позволяющую систематизировать данные еще лучше, чем обычно применяемые линейные способы. В приложении к мед диагностике ИНС дают возможность существенно повысить специфика способа, не снижая его чувствительность.
ИНС — это структура для обработки когнитивной инфы, основанная на моделировании функций мозга . Базу каждой ИНС составляют относительно обыкновенные, почти всегда однотипные элементы (ячейки), имитирующие работу нейронов мозга . Любой нейрон характеризуется своим текущим состоянием по аналогии с нервными клеточками мозга, которые могут быть возбуждены либо заторможены. Искусственный нейрон владеет группой синапсов — однонаправленных входных связей, соединенных с выходами остальных нейронов, также имеет аксон — выходную связь данного нейрона, с которой сигнал (возбуждения либо торможения) поступает на синапсы последующих нейронов (рис. 1).
Рис. 1. Схематическое строение искусственной нейронной сети.
Для ИНС характерен принцип параллельной обработки сигналов, что достигается методом объединения огромного числа нейронов в так именуемые слои и соединения нейронов разных слоев. На теоретическом уровне количество слоев и количество нейронов в любом слое быть может произвольным, но практически оно ограничено ресурсами компа. В общем случае, чем труднее ИНС, тем масштабнее задачки, подчиненные ей. Крепкость синаптических связей модифицируется в процессе извлечения познаний из обучающего набора данных (режим обучения), а потом употребляется при получении результата на новейших данных (режим выполнения).
Более принципиальным различием ИНС от других способов прогнозирования является возможность конструирования экспертных систем самим врачом-специалистом, который может передать нейронной сети собственный личный опыт и опыт собственных коллег либо учить сеть на настоящих данных, приобретенных методом наблюдений. Нейронные сети способны принимать решения, основываясь на выявляемых ими укрытых закономерностях в многомерных данных. Положительное отличительное свойство ИНС заключается в том, что они не программируются, т.е. не употребляют никаких правил вывода для постановки , а учатся созодать это на примерах. В ряде всевозможных случаев ИНС могут показывать изумительные характеристики, присущие мозгу человека, в том числе искать закономерности в запутанных данных. Нейронные сети отыскали применение в почти всех областях, где они употребляются для решения бессчетных прикладных задач: в медицине, астронавтике, автомобилестроении, банковском и военном деле, страховании, робототехнике, при передаче данных и др. Другое, не наименее принципиальное, свойство нейронной сети состоит в возможности к обучению и обобщению приобретенных познаний. Сеть владеет чертами так именуемого искусственного ума. Натренированная на ограниченном огромном количестве обучающих выборок, она обобщает скопленную информацию и производит ожидаемую реакцию применительно к данным, не обрабатывавшимся в процессе обучения. Схематично процесс внедрения обученной ИНС в медицине показан на рис. 2.
Рис. 2. Схема внедрения обученной искусственной нейронной сети
в медицине.
Невзирая на количество уже узнаваемых практических приложений искусственных нейронных сетей, способности их предстоящего использования для обработки сигналов не исчерпаны, и можно представить, что ИНС в течение почти всех лет будут одним из главных инструментов поддержки принятия решений в критериях отсутствия близких к реальности моделей.[8]
2.3. Внедрение при разработке экспертных систем технологии
Data
Mining
.
Примером иной многообещающей технологии обработки и обобщения огромных размеров инфы для решения задач диагностирования, систематизации и прогнозирования является так именуемая разработка анализа и добычи данных Data Mining. способы и инструментальные средства анализа и добычи данных представляют собой предстоящее развитие таковых узнаваемых статистических инструментов разведочного анализа, как способ основных и способ независящих компонент, факторный анализ, множественная регрессия, редуцирование места признаков с внедрением способа многомерного шкалирования, кластерного анализа и определения образов и др. Программно реализованные и снабженные комфортным пользовательским интерфейсом, также поддержанные гибкими методами визуализации многомерных данных, средства Data Mining разрешают проводить надлежащие исследования даже начинающему юзеру. В арсенал способов кластерного анализа и определения образов систем Data Mining обычно входят способ опорных векторов (Support Vector Machine, либо SVM), способ деревьев решений (decision trees), способ «наиблежайшего соседа» в пространстве признаков, байесовская систематизация и др. Посреди обозначенной группы способов систематизации и определения более увлекательным и гибким представляется способ опорных векторов (МОВ).
МОВ – это способ начальной систематизации, который решает данную задачку методом построения гиперплоскостей в многомерном пространстве, разделяющих группы наблюдений, принадлежащих к различным классам. На рис. 3 проиллюстрирована основная мысль МОВ. В левой части схемы представлены начальные объекты, которые дальше преобразуются (передвигаются, сдвигаются) в пространстве признаков с помощью специального класса математических функций, именуемых ядрами. Этот процесс перемещения именуют еще преобразованием, либо перегруппировкой объектов. Новейший набор перевоплощенных объектов (в правой части схемы) уже линейно разделим. Таковым образом, заместо построения сложной кривой (как показано в левой части схемы) требуется только провести лучшую прямую, которая поделит объекты различных типов. Потом способ ищет объекты, находящиеся на границах меж 2-мя классами, которые именуются опорными векторами, и употребляет их для принятия решений о принадлежности к тому либо иному классу новейших объектов, предъявляемых для определения.
Рис. 3. Основная мысль способа опорных векторов.
Примеры использования экспертных систем в медицине недозволено именовать единичными, они используются в почти всех областях здравоохранения. Броско, что подавляющее большая часть таковых работ выполнено забугорными исследователями и в главном они касаются способностей использования ИНС в разных клинических ситуациях. Так, к примеру, в области хирургии научные сотрудники P.L. Liew et al. на базе ИНС сделали систему прогнозирования риска развития желчнокаменной заболевания у людей с лишней массой тела. Создатели ретроспективно исследовали антропоморфометрические, анамнестические, клинические и лабораторные данные 117 пациентов с ожирением, прооперированных за период с февраля 1999 по октябрь 2005 г. Была построена ИНС, обученная методом оборотного распространения. Использовались 30 входных переменных, включая клинические данные (пол, возраст, индекс массы тела, сопутствующие заболевания ), лабораторные характеристики и результаты гистологического исследования. Прогнозирующую Ценность ИНС ассоциировали с моделью логистической регрессии, обученной на той же базе данных. ИНС показала наилучшую прогнозирующую Ценность и наиболее низкую ошибку, чем модель логистической регрессии. Более принципиальные причины риска желчнокаменной работоспособности»>заболевания, по данным обеих методик, — завышенное диастолическое артериальное давление, преморбидный фон, нарушение метаболизма глюкозы и увеличение уровня человека и животных).
В эндоскопии A. Das et al. употребляли нейросетевые технологии для сортировки нездоровых с неварикозными кровотечениями из верхних отделов желудочно-кишечного тракта. Была изучена эффективность ИНС, обученной по клиническим и лабораторным данным 387 пациентов с изучаемой патологией, верификация — по данным 200 пациентов с проведением ROC-анализа. На выходе сети имелись две результирующие переменные: наличие либо отсутствие признаков продолжающегося кровотечения и Потребность в целебной эндоскопии. Чувствительность нейронной сети составила > 80 %, прогнозирующая Ценность – 92—96 %.
В онкоурологии P. Bassi et al. предсказывали 5-летнюю выживаемость пациентов, перенесших конструктивную цист-эктомию по поводу рака мочевого пузыря. Для этого были разработаны и сравнены ИНС и модель логистической регрессии (МЛР). Выявлено, что единственными статистически достоверными предсказателями 5-летней выживаемости оказались стадия неоплазма»> — патологический процесс и наличие либо отсутствие прорастания в примыкающие органы. чувствительность и специфика МЛР составили 68,4% и 82,8%, ИНС – 62,7% и 86,1% соответственно. Положительная прогнозирующая Ценность МЛР — 78,6%, ИНС – 76,2%, отрицательная прогнозирующая Ценность – 73,9% и 76,5% соответственно. Индекс диагностической точности МЛР – 75,9%, ИНС – 76,4%. Таковым образом, прогностическая Ценность ИНС оказалась сравнимой с МЛР, но нейросеть показала определенные достоинства: ИНС базируется на комфортном в работе, понятном программном обеспечении, позволяющем выявлять нелинейные связи меж переменными, потому она наиболее предпочтительна для использования в прогнозировании.
С. Stephan et al. применили ИНС для автоматического анализа биоптата предстательной железы. методика основывалась на выявлении общего простат-специфического антигена (ПСА) и определении процента вольного ПСА. чувствительность составила 95%, специфика – 34%. При дополнении нейросети моделью логистической регрессии специфика возросла до 95%.
F. K. Chun et al. употребляли ИНС для выявления группы риска рака предстательной железы в сопоставлении с МЛР. ИНС также показала наиболее четкие прогностические способности.
В трансплантологии G. Santori et al. применили нейросетевые технологии в прогнозировании отсроченного понижения креатинина сыворотки крови у малышей опосля трансплантации почки. Для выявления корреляции меж входными переменными и разыскиваемым результатом у пациентов, подлежащих трансплантации почки, была сотворена искусственная нейронная сеть, обученная на 107 клинических примерах. Были отобраны более принципиальные переменные, коррелирующие с результатом: креатинин сыворотки крови в денек пересадки, диурез за 1-ые 24 часа, эффективность гемодиализа, пол реципиента, пол донора, масса тела в 1-ый денек опосля пересадки, возраст. Модель была откалибрована 2-ой подборкой пациентов (
= 41). Точность нейронной сети в обучающей, калибровочной и проверочной подборках составила 89 %; 77% и 87% соответственно. Сравнительный логистический анализ показал общую точность 79%. Чувствительность и специфика ИНС составили 87%, тогда как способ логистической регрессии показал худшие результаты — 37% и 94% соответственно.
В мед радиологии F. Dоhler et al. употребляли нейронную сеть для систематизации изображений МРТ с целью автоматического обнаружения гиппокампального склероза. ИНС была обучена на 144 примерах изображений и позволяла систематизировать конфигурации в ткани мозга относительно наличия склеротических конфигураций. E.E. Gassman et al. сделали ИНС для автоматической идентификации костных структур и оценили надежность данной нам методики по сопоставлению с классическими. чувствительность и специфика методики составили 87% и 82%. Не считая того, сегментацию структур кости ИНС выполнила в 10 раз резвее.
В неврологии A.T. Tzallas et al. применили нейросеть для прогнозирования эпилептических приступов на базе анализа электроэнцефалограмм. Прогностическая точность способа составила 98 – 100 %.
Разработанная нами нейросетевая модель создана для прогнозирования вероятности развития инфицированного панкреонекроза на основании данных, приобретенных при поступлении хворого в стационар и в течение первых 48 часов госпитализации: точность результатов — 90%, специфика – 96%. Используя эту модель, мы получили возможность уже на ранешних сроках работоспособности»>сеть дозволила выделить 12 более информативных характеристик для прогнозирования в ранешние сроки иной поликлиники);
2) возраст хворого;
3) индекс массы тела;
4) температура тела хворого;
5) частота сердечных сокращений;
6) частота дыхательных движений;
7) количество лейкоцитов крови ;
8) вздутие животика, определяемое в течение 24 часов от начала брюшной полости, определяемые в 1-ые 24 часа от начала крови ;
11) глюкоза крови ;
12) отсутствие улучшения общего состояния хворого в течение 24 часов всеохватывающей интенсивной для снятия либо устранения симптомов и проявлений работоспособности»>заболевания «>терапии (пациент «не отвечает» на проводимое снятие либо устранение симптомов и проявлений того либо другого работоспособности»>заболевания «>исцеление, рост количества баллов по шкале SAPS II).
Общей чертой, объединяющей все приведенные выше примеры, является отсутствие единой всепригодной технологии сотворения нейросетевых моделей. В публикуемых разработках употребляются самые различные архитектуры и методы функционирования экспертных систем. Это приводит к тому, что практически для каждой задачки разрабатывается своя собственная архитектура, а часто – некий неповторимый метод либо неповторимая модификация уже имеющегося метода. Исходя из убеждений практического внедрения такие экспертные системы практически не различаются от обычных программ принятия решений. Наиболее того, предложены способы автоматического преобразования обычных экспертных систем в нейросетевые. Их разработка просит роли профессионалов по нейроинформатике, а способности конструирования юзером фактически отсутствуют. Это делает такие системы дорогими и не весьма комфортными для практического внедрения, потому в публикациях создатели в главном ассоциируют свойство работы нейросетевых алгоритмов и обычных систем, работающих по правилам вывода.
Таковым образом можно создать последующие выводы:
1. Мед нейроинформатика как наука находится пока на стадии скопления фактического материала.
2. Нейронные сети владеют чертами так именуемого искусственного ума. Натренированные на ограниченном огромном количестве обучающих выборок, они обобщают скопленную информацию и вырабатывают ожидаемую реакцию применительно к новеньким данным, не применяемым в процессе обучения. Невзирая на существенное количество уже узнаваемых практических приложений, способности предстоящего использования подходов, основанных на способах искусственного ума, их эффективность совсем не исследованы.
3. Современные технические способности разрешают выйти на отменно новейший уровень представления течения работоспособности»>системы разрешают доктору не только лишь проверить собственные диагностические догадки, да и обратиться к компу за консультацией в тяжелых исследовательских вариантах.[9]
3. Заключение.
на данный момент количество экспертных систем исчисляется тыщами и десятками тыщ. В развитых забугорных странах сотки компаний занимаются их разработкой и внедрением в разные сферы жизни. Имеются и удачные пробы построения ЭС в СНГ , призванная регулировать отношения сотрудничества между государствами, ранее входившими в состав СССР). В истинное время ведутся разработки без помощи других обучаемых экспертных систем. Еще можно упомянуть то, что 5-ое поколение ЭВМ (наши ПК относятся к четвертому), возникшее в 90-х годах, базируется стопроцентно на экспертных системах.
Сравнивая положение вещей в разработке ЭС в 70-х и 90-х годах, экспертные системы на данный момент являются прогрессирующим направлением в искусственном уме, которое навряд ли в наиблежайшее время уменьшит скорость собственного развития.
В нашем современном обществе неструктурированные и слабоструктурированные задачки управления и контроля сложных действий и объектов не считая медицины нередко встречаются в таковых областях, как авиация, энергетика, машиностроение, микроэлектроника и др. Потому возникновение экспертных систем, позволяющих стремительно и отлично решать подобные задачи, считается огромным научным достижением.
Если на рубеже 60-х и 70-х годов прошедшего века количество ЭС можно было перечесть по пальцам, в 1987 году в согласовании с переписью их было 1000, то сейчас никто подсчетами не занимается. Число экспертных систем вырастает по экспоненте, совершенствуются способы и методы вывода решений, возрастает количество фактов и правил в базах познаний. Беря во внимание рост их умственных возможностей, можно представить, что в скором будущем ЭС отыщут свое применение даже в судопроизводстве и политике.[10]
4. Перечень применяемой литературы:
1. Братко И. Программирование на языке Пролог для искусственного ума: пер. с англ. / И. Братко – М.: мир, 1990. 560 С.
2. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин — Новосибирск: Наука. Сибирское предприятие ран, 1998. 296с.
3. Жариков О.Г., Литвин А.А., Ковалев В.А. Экспертные системы в медицине / О.Г. Жариков, А.А. Литвин, В.А. Ковалёв // Мед анонсы. – 2008. – №10. – 50 С.
4. Горячо В.И., Цыбин А.К., Малахова И.В. ЭВМ в медицине / В.И Горячо, А.К. Цыбин, И.В. Малахова // Вопросцы организации и информатизации здравоохранения. – 2006. – № 4. – 78 С.
5. Информационный портал Z – Cub Применение ЭВМ в медицине / Режим доступа: HTTP://www.zcub.ru, 2008 г.
6. Красильников В. Эволюция экспертных систем. История и перспективы / В. Красильников // Software. – 2005. — №40. – 65 С.
7. Официальный веб-сайт компании «Экомед +» Экспертные системы / Режим доступа: HTTP://www.ecomedplus.ru, 2004 г.
8. Официальный веб-сайт Эдварда Фейгенбаума в Стенфорде / Режим доступа: HTTP://ksl-web.stanford.edu/people/eaf , 2009 г.
9. веб-сайт института МГСУ кафедра «САПР в строительстве» / Режим доступа: HTTP://sapr.mgsu.ru, 2006 г.
[1]
Братко И. Программирование на языке Пролог для искусственного ума: пер. с англ. / И. Братко – М.: мир, 1990. С. 378-380.
[2]
Официальный веб-сайт компании «Экомед +» Экспертные системы / Режим доступа: http://www.ecomedplus.ru, 2004 г.
[3]
Информационный портал Z – Cub Применение ЭВМ в медицине / Режим доступа: HTTP://www.zcub.ru, 2008 г.
[4]
веб-сайт института МГСУ кафедра «САПР в строительстве» / Режим доступа: HTTP://sapr.mgsu.ru, 2006 г.
[5]
Горячо В.И., Цыбин А.К., Малахова И.В. ЭВМ в медицине / В.И Горячо, А.К. Цыбин, И.В. Малахова // Вопросцы организации и информатизации здравоохранения. – 2006. – № 4. – С. 3 – 7.
[6]
Официальный веб-сайт Эдварда Фейгенбаума в Стенфорде / Режим доступа: HTTP://ksl-web.stanford.edu/people/eaf , 2009 г.
[7]
Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин — Новосибирск: Наука. Сибирское предприятие ран, 1998. С. 1-2.
[8]
Жариков О.Г., Литвин А.А., Ковалев В.А. Экспертные системы в медицине / О.Г. Жариков, А.А. Литвин, В.А. Ковалёв // Мед анонсы. – 2008. – №10. – С. 15-18.
[9]
Жариков О.Г., Литвин А.А., Ковалев В.А. Экспертные системы в медицине / О.Г. Жариков, А.А. Литвин, В.А. Ковалёв Мед анонсы. – 2008. – №10. – С. 15-18.
[10]
Красильников В. Эволюция экспертных систем. История и перспективы / В. Красильников // Software. – 2005. — №40. – С. 20-25.
]]>