Нечеткая логика в анализе образных представлений в медицинских системах искусственного интеллекта

Размещено на http://www.allbest.ru/

Нечеткая логика в анализе образных представлений в медицинских системах искусственного интеллекта

Б.А.Кобринский

Московский НИИ педиатрии и детской хирургии

Image-bearing ideas of expert in the poor structural subject area (medicine) are a component of an expert decision' mechanism. As image as its estimation by physician have a fuzzy nature. Data interpretation realizes using linguistic quantities. The hybrid image-and-linguistic-and-logic artificial intelligent systems construction need at guarantee the work with fuzzy image ideas and the definition of a scale for estimations of reflection of experts verbal descriptions about properties of images. We consider a possibility of use soft computing methodology by these positions.

образный лингвистический словесный изображение

На сегодня не вызывает особых сомнений, что образное мышление специалиста играет значительную роль в формировании первичных гипотез в слабо структурированных областях знания, каковой с полным правом следует считать медицину. Интуитивно-образные представления врача помогают ему на начальном или последующих этапах принятия решения, дополняя систему рассуждений, построенных, в основном, на аргументации. При этом мысленные образы [5] не только являются пусковыми механизмами для логических рассуждений, но и встраиваются в общую последовательность рассмотрения различных гипотез диагностического, терапевтического и прогностического плана.

Нечеткие логико-лингвистические (лингвологические) модели [10], к которым относятся и постулируемые нами [5] образно-понятийные (интуитивно-образно-логические) системы искусственного интеллекта, реализуются, как правило, с использованием композиционных правил - алгоритмов нечеткого вывода. При нечеткой интерпретации субъективных суждений о правдоподобности, истинности фактов и правил экспертной системы, об интенсивности отношений между элементами семиотической системы (степени сходства, предпочтения) возникают множества нечетких объектов [11, 3]. Информация такого рода может являться либо компонентой базы знаний интеллектуальной системы, либо характеризовать множество фактов, поступающих на вход системы [2]. В рассматриваемом нами случае на вход системы могут поступать нечеткие понятийные сведения и образные представления различной степени “размытости”, а в базе знаний храниться серии нечетких описаний отдельных структурных единиц и целостных образов. Например, нечеткое множество ГРУБЫЕ ЧЕРТЫ ЛИЦА, определенное на интервале чисел [0, 10], включающее возможные упорядоченные характеристики черт лица, и нечеткое множество ГРУБЫЕ ЧЕРТЫ ЛИЦА, определенное на заданном множестве болезней с именами СИНДРОМ ДЮРАНДА, СИНДРОМ МАРОТО-ЛАМИ, СИНДРОМ СЛАЯ и др. Нельзя не отметить, что это аналогично примеру, приведенному Л.Заде [4] в отношении оценки степени принадлежности к классу прекрасных женщин, которое невозможно однозначно формализовать, что приводит к определению функции совместимости не на множестве математически точно определенных объектов, а на множестве обозначенных некими символами впечатлений. При этом следует иметь в виду, что в медицине есть и более сложные образы, чем ЧЕРТЫ ЛИЦА. А для врачей характерна довольно широкая шкала нечетких вербальных определений к высказываемым ими соображениям, которые условно можно было бы объединить понятием “мне кажется”, включающим следующие варианты: 1) скорее всего или весьма (очень) вероятно, 2) нельзя исключить, 3) можно заподозрить, 4) противоречивые или спорные сведения, 5) сомнительно, но не исключено или мало вероятно, 6) крайне мало вероятно. Наряду с этими оценками существуют два крайних (четких) варианта: а) факт не вызывает сомнений (абсолютно достоверно) и б) вне сомнений данный вариант (диагноза, лечения) исключается (абсолютно недостоверно). Это соответствует мнению Л.А.Заде [14], что нечеткость и вероятность моделируют разные типы неопределенности и взаимодополняют друг друга. Как предполагается [13], мера нечеткости нечеткого множества могла бы служить и мерой неопределенности, возникающей при принятии решения о том, к какому из классов отнести объекты анализируемого множества. Что касается описанной нами шкалы, то она аналогична 7-разрядной, предложенной П.Б.Шошиным в [12], где рассматривается использование размытых (нечетких) чисел как средства описания имплицитных субъективных оценок свойств субъектов.

Представленные оценки демонстрируют, что в зависимости от характера анализируемой информации возможны переходные варианты от почти абсолютной уверенности в своем решении, характеризующей крайне высокую степень определенности, до максимально выраженного сомнения (крайне низкая степень определенности). Это обусловлено тем, что рассматриваемая информация включает: субъективные сведения (полученные от больного), данные объективного наблюдения, занимающие промежуточное положение образные представления и субъективные суждения, обусловленные рефлексией высказывающего соображения лица. Таким образом, условие выдвижения гипотезы, в том числе на основе "образа", должно сопровождаться указанием о степени уверенности врача его соответствию (принадлежности) определенной ситуации. Эта уверенность, в свою очередь, складывается, с одной стороны, из полноты наблюдаемых проявлений в смысле степени их совпадения с мысленным образом и, с другой стороны, из учета однозначности соответствия конкретного образа определенной ситуации (например, состоянию больного). Последнему может быть поставлена в соответствие генеративная связь [9], один компонент которой обозначает в данном случае образ, принадлежащий некоторой совокупности (определенной болезни), обозначаемой вторым компонентом.

В случае вербальной оценки образной ситуации, речь должна идти об определении функции совместимости не на множестве математически точно определенных объектов, а на множестве обозначенных некими символами впечатлений [2]. Для обработки такого рода суждений предлагается числовая шкала свойств, в основе которых лежат не объективно-измеримые (числовые) значения, а оценка свойств наблюдаемого явления экспертом. Наиболее целесообразным представляется измерение ее в порядковой шкале [8, 7]. При такой интерпретации субъективных суждений в виде множества нечетких объектов будет более естественно брать некоторое линейно упорядоченное множество, отличное от интервала [0, 1], например, множество лингвистических оценок [2], в рассматриваемом случае объединенных вышеприведенным условным понятием “мне кажется”.

Мысленные образы, как псевдовизуальные, так и псевдовербальные, всегда представляют собой целостное явление, которое состоит из нерасчленимых (или крайне трудно расчленимых) единиц, соответствующих отдельным признакам или понятиям. В этой связи представляется целесообразным вновь обратить внимание на ранее анализировавшиеся ассоциативные отношения признаков, в различной степени неявно учитываемые врачами и, возможно, являющиеся составной частью интуитивных представлений, своего рода мысленных образов. Такая попытка учета ассоциирующих признаков была осуществлена нами [6] в интеллектуальной системе для диагностики наследственных болезней. В базе знаний, над пространством симптомов были введены отношения, определяющие их основные свойства (популяционно-частотные, причинные, фенотипические и другие) и построены функция близости (описывающая, по-существу, отношение принадлежности симптома некоторому множеству признаков) и графы - структурный, причинно-следственный и фенотипического (клинического) сходства, что и позволило включать в рассмотрение близкие понятия при построении диагностической последовательности. В процессе формирования базы знаний причинно-следственный граф дополняется графом фенотипического сходства до единого "результирующего" графа, путем замыкания которого получаем граф парных связей со своими соответствиями.

С учетом отмеченного выше о процессе рассуждений врача в процессе принятия решения, несомненно интересным является построение модели нечеткой экспертной системы, позволяющей менять логику в системе вывода на любой ветви и на любом шаге вывода [1], что, как представляется, могло бы позволить обрабатывать как образные, так и понятийные нечеткие представления в любой последовательности.

При построении модели нечеткой интеллектуальной системы, включающей, наряду с логическими, образные представления о проявлениях болезни, потребуется учитывать как нечеткость самих образов, так и возможную нечеткость в оценке их отнесения к определенному классу, а также, не исключено, и периодическое (в процессе аргументации) уменьшение (или, наоборот, увеличение) неопределенности образа по отношению к рассматриваемой гипотезе. И если обработка нечетких представлений о качественных признаках является уже привычной, то в отношении образных представлений эксперта потребуется серьезная совместная работа специалистов в конкретной предметной области со специалистами в области мягких вычислений.

Литература

[1] (Аверкин А.Н.) Averkin A.N. Expert oriented fuzzy logics acquisition in soft computing systems // Тр. Междунар. семинара “Мягкие вычисления-96”. Казанский гос. технологич. ун-т. - 1996. - С.15-19.

[2] Батыршин И.З. Методы представления и обработки нечеткой информации в интеллектуальных системах // Новости искусств. интеллекта. - 1996. - №2. - С.9-65.

[3] Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. - М.: Радио и связь. - 1990. -288с.

[4] Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. - М.: Мир. - 1976. - 165с.

[5] Кобринский Б.А. Отражение образного мышления в системах искусственного интеллекта // VI Межд.конф. "Знание-Диалог-Решение" KDS-97: Сб. науч.тр.. - Ялта. - 1997. - Т.I.- С.29-36.

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

[7] Ларичев О.И. Наука и искусство принятия решений. - М.: Наука. - 1979. 200с.

[8] Миркин Б.Г. Проблема группового выбора. - М.: Наука. - 1974 - 256с.

[9] Осипов Г.С. Концептуальные элементы модели мира // Компьютер. хроника. - 1994. - №8-9. - С.3-11.

[10] Поспелов Д.А. Логико-лингвистические модели в системах управления. - М.: Энергоатомиздат. - 1981. - 232с.

[11] Поспелов Д.А. Ситуационное управление: теория и практика. - М.: наука. - 1986. - 288с.

[12] Шошин П.Б. Размытые числа как средство описания субъективных величин // Статистические методы анализа экспертных оценок. - М.: Наука. - 1977. - С.234-250.

[13] Capocelli R., De Luca A. Fussy sets and decision theory // Information and control. - 1973. - Vol.23. - N3. - P.446-473.

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

Размещено на Allbest.ru