«ДИАГНОСТИКА ЗАБОЛЕВАНИЙ МОЧЕВЫДЕЛИТЕЛЬНОЙ СИСТЕМЫ С ИСПОЛЬЗОВАНИЕМ ЭКСПЕРНЫХ СИСТЕМ»

Введение. Развитие новых методов диагностики, а также расширение возможностей уже существующих методов было и остается актуальной задачей в медицине. Появление новейших диагностических и лечебных технологий требуют использования методов искусственного интеллекта для обработки и интерпретации данных с возможностью накопления, хранения и многократного использования медицинских данных [1]. Одним из наиболее эффективных средств в данной области являются экспертные системы. Они позволяют автоматизировать процесс принятия решения при освидетельствовании пациентов, повышая уровень квалификации пользователя до уровня опытных экспертов [3]. Поэтому необходимо, чтобы экспертные системы обладали возможностью гибкой постановки задач, были применимы ко всем областям биологии и медицины, обладали большой информационной емкостью и помехоустойчивостью, не нуждались в длительном времени для разработки [1]. Непрерывное развитие средств вычислительной техники расширяет потенциальные возможности подобных систем, в связи, с чем необходимо постоянно пополнять знания в данной области.

Экспертные системы в течение длительного времени применяются в медицине для диагностики заболеваний. Каждая система при этом обладает ограниченной областью применения, в связи с изначальной направленностью разработки. Применение этих экспертных систем в областях, для которых они изначально не были предназначены, затруднено и зачастую просто невозможно, в том числе потому, что они ограничены встроенными способами вывода [3]. Вследствие этого возникают потребности в разработке экспертных систем, которые являются узконаправленными и позволяют проводить диагностику заболеваний отдельных систем организма человека. В частности заболевания мочевыделительной системы.

Построение дерева решений. При использовании этого подхода в программе протоколируется последовательность вопросов, задаваемых врачом при решении диагностической проблемы. Такой протокол структурируется в виде дерева. Каждая вершина такого дерева представляет собой определенный вопрос, задаваемый больному, а ветвления, исходящие из вершины, соответствуют альтернативным ответам на вопрос и ведут, в свою очередь, к новым вопросам. Программа осуществляет переход от вопроса к вопросу до тех пор, пока не будет найдено решение или исчерпаны возможные переходы. Недостатком такого подхода можно считать следующее:
• при попытке построить подобные деревья для решения сложных диагностических задач количество вершин и ветвлений становится настолько большим, что анализ логического дерева оказывается крайне сложным;
• малейшие изменения, вносимые в логику программы, приводят к необходимости строить дерево заново и перепрограммировать всю задачу.

В то же время такой подход крайне удобен, так как позволяет представить в программе логику составления последовательности вопросов врачом при решении диагностической задачи в клинических условиях. Этот подход позволяет имитировать процесс принятия решения врачом при постановке диагноза. Статистическая обработка данных. Этот подход заключается в применении методов математической статистики. Он основывается на обработке больших массивов информации, собранных по заболеваниям, подлежащим машинной диагностике. Обработанная информация может использоваться различным образом. Часть медицинских экспертных систем базируется на использовании теории распознавания образов. При этом необходимо иметь некоторое множество конкретных историй болезней с известными диагнозами. Такие множества анализируются с целью определения статистически «типичной» для каждого заболевания картины – образа. Определяются те признаки заболевания, которые наиболее характерны для него, исходя из собранной информации, подвергнутой статистической обработке. «Типичные» картины заболеваний используются при анализе истории каждого конкретного пациента, для определения того, насколько «похож» рассматриваемый случай на «типичный». Оценивая «расстояние» между сравниваемыми картинами, программа формирует решение о диагнозе.

Среди наиболее известных способов представления знаний упомянем продукционный. При данном подходе реализуется четкое разделение между данными, операциями и управлением. Можно выделить некую глобальную базу данных (не следует ее путать с базой данных в традиционном понимании), над которой выполняются некоторые действия, описываемые совокупностью правил продукции. Управление этим процессом происходит в соответствии с некоторой глобальной стратегией управления. Глобальная база данных – это структура данных, анализируемая и преобразуемая системой ИИ. Вид базы зависит от решаемой задачи и может быть простым (как, например, списочная структура) или сложным. Правила продукции состоят из двух частей: условие (левая часть) и действие (правая часть). Условие устанавливает применимость правила к базе данных. Действие заключается в изменении информации в глобальной базе данных. Система управления выбирает, какое из нескольких применимых правил должно быть использовано, а также определяет момент прекращения дальнейших действий путем проверки терминальных условий на базе данных. Поиск решения осуществляется на основе двух основных подходов. Метод «от данных к цели» заключается в последовательном изменении базы данных всеми правилами, которые могут быть применены, и в поиске после изменения новых применимых правил. Поиск заканчивается при наличии утверждения, являющегося решением, или при выполнении условия прекращения поиска. Метод «от цели к данным» сводится к проверке некоторых утверждений, которые могут выступать в качестве наиболее вероятных решений. При этом проводится поиск правых частей правил с целью обнаружения искомого отверждения и проверка левых частей соответствующих правил на базе данных – при подтверждении либо гипотеза считается истинной, либо левая часть рассматривается в качестве новой гипотезы.

Цели и задачи. Заболевания мочевыделительной системы чрезвычайно широко распространены и представляют серьезную проблему для здравоохранения во всем мире. Причин, вызывающих заболевания мочевыделительной системы, очень много. Наиболее распространенные причины: инфекционные заболевания, алкоголь и курение, неочищенная вода, недоброкачественные продукты и острая пища, переохлаждение организма.

Задача разрабатываемой экспертной системы медицинской диагностики состоит в определении возможных диагнозов больного на основе знаний о заболеваниях мочевыделительной системы и данных его обследования, к которым относят результаты анализа мочи, крови, УЗИ почек и мочевого пузыря.

Данная экспертная система основана на концептуализации предметной области, явное представление которой называют онтологией. Приведем общее формальное описание модели онтологии медицинской диагностики [5].

Рисунок 1 - Структура экспертной системы
(анимация: объем = 16Кб; размер - 585x371 px; бесконечное число циклов повторения)

Процессы, протекающие в организме пациента, можно условно разделить на внешние (наблюдаемые) и внутренние, которые являются предметом диагностики. Наблюдаемые процессы будут называться признаками, а внутренние - заболеваниями. Признаки имеют значения, которые получаются в результате наблюдения этих признаков, причем значения признаков могут меняться с течением времени. Значения признаков являются качественными (скалярными). Признаки являются подклассом класса наблюдений. Другим подклассом класса наблюдений являются анатомо-физиологические особенности организма пациента. Последние также имеют скалярные значения; в данной работе считается, что эти значения не могут меняться во времени. Последним подклассом наблюдений являются события, произошедшие с пациентом, которые также имеют скалярные значения.

Общая модель онтологии является основой экспертной системы, которая и будет обрабатывать входные данные.

Метод решения задачи. Этап обработки входной информации осуществляется непосредственно врачом. Результатом его работы становятся данные пациента, внесенные в базу данных, которая разработана в среде Microsoft Access. Врач вносит данные с помощью экранной формы.

Система организации работы находится на клиентском уровне, поэтому требует постоянного участия врача во введении и корректировки внесенных и редактировать данных, в свою очередь позволяет не допускать ошибок во входных данных.

В результате работы ЭС получим диагноз, то есть конкретный вид заболевания, если оно, конечно, было обнаружено, в противном случае врачу предлагается назначить пациенту дополнительные обследования.

Выходным диагнозом может быть:

а) Пиелонефрит;

б) Мочекаменная болезнь;

в) Гидронефроз;

г) Почечная недостаточность и др.

Процесс создания ЭС является итерационным, поэтому на первых порах необходимо максимально ограничивать число входных величин, используя лишь наиболее значимые. Если гипотеза о достоверности экспертной оценки не подтверждена, тогда необходимо использовать дополнительные входные величины. Такой подход гарантирует отсутствие избыточной информации в базе данных, что повышает надежность функционирования ЭС. Количество уровней по каждой входной величине зависит от коэффициента значимости этой величины и от величины погрешности лабораторного оборудования. Следует помнить, что количество входных величин и их уровней постоянно увеличиваются, в связи с совершенствованием лабораторного оборудования и увеличения базы данных, что способствует повышению достоверности экспертной оценки.

Естественным методом решения такой задачи является перебор всех возможных значений выходных данных (отдельных заболеваний). Для каждого заболевания выполняется решение прямой задачи – построение всех возможных вариантов развития причинно-следственных связей (на основе информации из базы знаний, сформированной экспертами, значений анатомо-физиологических особенностей пациента и значений, произошедших с ним событий) и поиск среди них такого, которому соответствуют все наблюдаемые значения признаков пациента.

Результатом решения задачи будет одно из двух:

• либо сообщение о том, что пациент здоров, с указанием причин наблюдаемых значений признака;

• либо несколько взаимоисключающих диагнозов, каждый из которых представляет собой одно заболевание, которым болен пациент, вместе с указанием причин значений признаков.

Проведенный анализ литературных источников показал, что наиболее эффективным алгоритмом решения задачи диагностики заболеваний является алгоритм, использующий нечеткие термы [5].

Алгоритм решения данной задачи является весьма нетривиальным. Основная работа заключается в правильной организации базы знаний.

База знаний представляется в виде:

(1)

где - нечеткий терм, которым оценивается значение входа ; выход у оценивается нечетким термом , m – количество термов, используемых для лингвистической оценки выходных данных.

Логический вывод основывается на известном алгоритме вывода в экспертных системах, формализованное обобщение которого представляется следующим образом.

1. Пусть - функция принадлежности входа {} нечеткому терму , то есть , где - совокупность пар элементов подмножества;

2. -функция принадлежности выхода у нечеткому терму ;

; (2)

3. степень принадлежности входа {} нечеткому терму из базы знаний определяется следующей системой нечетких логических уравнений:

; . (3)

4. нечеткое подмножество , соответствующее входу {}, определяется как

, (4)

где - операция объединения нечетких подмножеств;

5. четкое значение выхода – y, соответствующее входу {} определяется методом медианы:

, (5)

где G – мощность нечеткого подмножества.

Сам алгоритм разбит на несколько подзадач, одна из которых является главной (управляющей):

1. Проверить для каждого наблюдавшегося признака выполнение необходимого условия.

2. Если для какого-то из наблюдавшихся признаков не выполнено необходимое условие, то данные о пациенте считать некорректными и завершить работу.

3. Проверить гипотезу о том, что пациент здоров.

4. Если гипотеза о том, что пациент здоров, подтвердилась,

4.1. то считать результатом диагноз, в котором отсутствуют заболевания, а также его объяснение (полученные причины наблюдаемых значений признаков);

4.2. иначе перебрать все заболевания из базы знаний и для каждого:

4.2.1. проверить выполнение необходимого условия для этого заболевания;

4.2.2. если необходимое условие выполнено, то проверить гипотезу о том, что пациент болен этим заболеванием, начавшимся в момент начала наблюдений, и в случае её подтверждения добавить это заболевание вместе с его объяснением (полученными причинами наблюдаемых значений признаков) к множеству решений;

5. Завершить работу, выдав полученные результаты (диагноз и причины значений признака).

Рассмотрим на примере:

У пациента следующий анализ крови:

Общевоспалительные изменения: лейкоцитоз, ускорение СОЭ, сдвиг лейкоцитарной формулы влево, при выраженном воспалении — анемия.

1. Проверяем для признака общий анализ крови, выполнение необходимого условия: количество форменных элементов.

2. Если для данного признака не выполнено необходимое условие (вводимые данные должны быть не меньше минимального порога и не больше максимального порога), то данные о пациенте считать некорректными и завершить работу.

3. Проверить гипотезу о том, что пациент здоров.

4. Если гипотеза о том, что пациент здоров, подтвердилась,

4.1. то выводим результат, что пациент здоров;

4.2. иначе перебираем все заболевания из базы знаний и для каждого:

4.2.1. проверяем выполнение необходимого условия (сдвиг лейкоцитарной формулы влево) для этого заболевания;

4.2.2. данное условие выполняется для заболевания пиелонефрит. Проверяем гипотезу о том, что пациент болен данным заболеванием и в случае её подтверждения добавляем это заболевание вместе с его объяснением (полученными причинами наблюдаемых значений признаков) к множеству решений;

5. Завершить работу, выдав результат:

Заболевание: пиелонефрит.

Признаки: лейкоцитоз, ускорение СОЭ, сдвиг лейкоцитарной формулы влево, при выраженном воспалении — анемия.

Данный пример с использованием общей схемы алгоритма с одним признаком является очень обобщенным. Однако он наглядно показывает работу экспертной системы.

Выводы.

В данной статье выбран и описан оптимальный алгоритм для экспертной системы диагностики заболеваний мочевыделительной системы, который удовлетворяет следующим требованиям [5]:

1) Обеспечивает необходимую точность постановки диагноза.

2) Позволяет анализировать симптомы и взаимосвязь между ними на протяжении длительного периода.

Выполнено описание базы данных и приведена экранная форма работы с БД. Описана база знаний и формализованное обобщение логического вывода информации.

Основная подпрограмма алгоритма наглядно показана в работе с примерным диагнозом по данным анализа крови.

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Статические и динамические экспертные системы: Учебное пособие / Э.В. Попов, И.Б. Фоминых, Е.Б.Кисель, М.Д. Шапот. — М. :Финансы и статистика, 1996. — 320 с.

2. Автоматизированное проектирование информационно-управляющих систем. Проектирование экспертных систем на основе системного моделирования / Г. Г. Куликов, А.Н. Набатов, А.В. Речкалов и др.; Уфимск. гос. авиац. техн. ун-т. — Уфа, 1999. — 223 с.

3. Куликов Г. Г., Брейкин Т.В., Арьков В.Ю. Интеллектуальные информационные системы: Учебное пособие. — Уфа: УГАТУ, 1999. — 129 с.

4. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике. — М., 1998. — 174 с.

5. Клещёв А.С., Москаленко Ф.М., Черняховская М.Ю. Модель онтологии предметной области «медицинская диагностика». Часть 2. Формальное описание причинно-следственных связей, причин значений признаков и причин заболеваний // НТИ. Сер. 2. – 2006. – № 2. – С. 19-30.

6. Черняховская М.Ю., Негода В.И., Москаленко Ф.М. Формальное представление знаний о конъюнктивитах. – Владивосток: ИАПУ ДВО РАН, 2008. – 55 с.

7. Клещев А.С., Шалфеева Е.А. Определение структурных свойств онтологий // Изв. РАН. Теория и системы управления. – 2008. – № 2. – С. 69-78.

8. Клещев А.С., Орлов В.А. Компьютерные банки знаний. Многоцелевой банк знаний // Информационные технологии. – 2006. – № 2. – С. 2-8.

9. Список банков знаний Многоцелевого банка знаний. – [Электронный ресурс]: http://mpkbank2.dvo.ru/mpkbank/index.php?page=banks.

10. Москаленко Ф.М. "Экспертная система медицинской диагностики, основанная на реальной онтологии медицины, для многопроцессорной ЭВМ" // Труды II между- народной конференции «Параллельные вычисления и задачи управления» PACO’2004 памяти Е.Г.Сухова. М.: Институт проблем управления им. В.А. Трапез- никова РАН, 2004. С.999–1084.