Размещено на http://www.allbest.ru/

Искусственный интеллект и медицина: возможности и перспективы систем, основанных на знаниях

Б.А. Кобринский

Системы искусственного интеллекта в медицине требуют учета специфических особенностей предметной области: научные школы, нечеткость в представлении знаний, ассоциативное мышление врача, прецеденты в принятии решений, визуальное представление знаний и результатов.

Введение

Первый этап машинной диагностики основывался на методах теории распознавания образов и вызвал у врачей прилив надежд, сменившийся затем периодом равнодушия, а зачастую и отрицания. Основанием для этого послужило то, что распознавание патологических состояний автоматизированными системами осуществлялось при классифицировании только между парами заболеваний, а результаты оставались «черным ящиком», так как формальный характер объяснений полученного диагноза (прогноза) был недоступен содержательному анализу. Это создавало психологические сложности при внедрении компьютерных систем в практическое здравоохранение. Кроме того, многие методы распознавания не позволяли включать в обработку информацию номинального вида (классификационные признаки, например, сроки и характер дебюта заболевания) и имели ограничения на число используемых признаков, что даже получило наименование «проклятие многомерности».

Одна из основных причин трудностей компьютерной диагностики в медицине заключается в том, что многие болезни, как отмечает А.В. Виноградов [7], могут проявляться то одними, то другими признаками и, в то же время, одни и те же признаки встречаются при многих болезнях. Отсюда становится очевидной необходимость специальной тренировки врача в умении видеть за отдельными клиническими синдромами причины, их вызывающие. Из этого вытекает, что решающую роль в правильной постановке диагноза играет практический опыт врача, заключающийся, как показали исследования, в частности [26], в выработке некоторых оптимальных стереотипов мышления, связанных с профессиональной деятельностью, при одновременной способности мыслить и действовать не стандартно. По-видимому, знания и опыт врача (как и другого специалиста) имеют в значительной степени нестатистический характер, хотя и являются результатом синтеза опыта (клинических наблюдений) и знаний в своей проблемной области. Можно говорить о том, что, используя одни и те же понятия в разных ситуациях, врач производит их «настройку» с учетом конкретных условий. При этом следует иметь в виду, что одной из наиболее важных характеристик экспертного знания является, - как отмечает О. И. Ларичев [24], - его подсознательный характер, оно не вербализуемо в обычной ситуации изложения диагностического процесса. Поэтому для получения информации о мышлении во время дифференциальной диагностики был предложен метод извлечения знаний, получивший название «анализ протоколов мыслей вслух» [8].

Учитывая вышесказанное, становится понятно, почему медицина стала одной из первых дисциплин, где начали применяться интеллектуальные системы (ИС), т.е. основанные на работе не с данными о больных, а с собственно знаниями высоко профессиональных специалистов. В случае получения знаний непосредственно от эксперта (а не из литературных источников) их принято называть экспертными системами (ЭС). Гипотезы о заболеваниях в таких системах должны изменяться при поступлении новой информации, вступающей в противоречие с ранее выдвинутой гипотезой. Такой подход позволяет приблизиться в процессе машинной постановки диагноза к принципам врачебного мышления. Очень важна возможность рассмотрения в ЭС практически любого числа гипотез, не пропуская при этом такие ситуации, на которые обращает внимание в своей книге Р. Ригельман [42]:

а) часто встречающаяся болезнь с атипичными симптомами;

б) симптомы-миражи (появление которых связывают с патологией определенной системы органов или области тела, тогда как на самом деле они могут не иметь к ним никакого отношения) и болезни-хамелеоны (маскирующихся под другие);

в) напрасный «поиск зебр» (редких болезней) с самого начала диагностического процесса.

Использование ЭС в качестве консультативных систем, основанных на знаниях, особенно важно для начинающих врачей, не обогащенных личным опытом.

В обобщенном виде можно следующим образом сформулировать основные требования к медицинским консультативным ИС:

1. оценка достоверности и внутренней непротиворечивости полученных данных о пациенте;

2. анализ разнообразной информации, отражающей неформализованные знания специалистов;

3. интерпретация данных на основе медицинского знания, которым располагает система, и сведение огромного числа возможных ситуаций в пространстве признаков к небольшому числу типовых ситуаций, по которым формируются решения;

4. выдача рекомендаций по оптимальному плану дообследования пациента при недостаточно высокой уверенности в предлагаемом диагнозе;

5. прогноз естественного хода болезни на основе процедур экстраполяции в пространстве типовых ситуаций;

6. рекомендации по плану лечения в соответствии с гипотезой о диагнозе;

7. объяснение и обоснование предлагаемых решений, включая альтернативные.

1. Особенности медицинской предметной области

В другом соотношении, чем в древности, но и ныне медицина сочетает в себе науку и искусство, что обусловлено не только субъективными, но и объективными причинами, среди которых особое значение имеют неполнота знаний о причинах и механизмах развития заболеваний, многообразие симптоматики и индивидуальные особенности ее проявления у конкретных индивидуумов. Возникающий иногда у врача эффект озарения, хотя и связанный с опытом и знаниями, определяется интуицией и мощностью его ассоциативного мышления, а так называемая врачебная логика, учитывающая особенности связей признаков и болезней, позволяет выявлять атипичные варианты заболеваний и редкие нозологические формы. Из изложенного вытекает необходимость достаточно глубокого понимания особенностей данной предметной области когнитологом. При этом имеют место два взаимоисключающих варианта - трудности восприятия или недопонимание и эффект псевдопонимания. Последний достаточно хорошо известен инженерам по знаниям: на первом этапе взаимодействия с врачом-экспертом все понятно, на втором - возникают сомнения в правильности восприятия получаемой информации (как крайний вариант - ощущение непонимания), на третьем этапе - взаимопонимание на определенном уровне. В свою очередь проблемы с изложением своих представлений и обоснований принимаемых решений имеют место у врачей-экспертов. Для преодоления этого предлагались различные методы, среди которых можно отметить «диагностические игры» [8].

При создании любой модели особое место занимает вопрос полноты знаний. В медицинских ЭС уровень «глубинных» знаний о механизмах возникновения и развития заболеваний послужил одним из оснований для различных подходов к формированию баз экспертных знаний. ИС включает знания двух типов [12]. Знания I рода - общезначимые факты, явления, закономерности - истины, признанные в данной предметной области и зафиксированные в справочниках, статьях, монографиях. Знания II рода - эмпирические правила, эвристики, интуитивные соображения и факты, которые, как правило, не публикуются, но дают возможность опытному эксперту эффективно принимать решения даже в условиях неполных и противоречивых исходных данных. Успех в реализации ИС, как правило, тем больше, чем выше удельный вес знаний I рода по отношению к знаниям II рода.

Рассмотрим некоторые специфические особенности медицинской предметной области. Во 1-х, полиморфность (разнообразие) клинических проявлений у больных с одним и тем же диагнозом, включая варианты и атипичные формы. Для преодоления этого эффекта в 60-е - начале 80-х годов использовались подходы, позволяющие учитывать минимальные различия в проявлениях, например, схема М.М.Бонгарда или структуризация данных [2, 4, 13, 25]. В ИС было предложено понятие «маски», представляющее собой логическое выражение, состоящее из всех теоретически возможных клинических проявлений синдрома, часто встречающихся, редко встречающихся и т.д., что позволяет осуществлять диагностику при стертой клинической картине или не полностью развившемся синдроме [44]. Во 2-х, недостаточность информации об этиологии и патогенезе ряда болезней (СПИД, психические, онкологические и другие). В 3-х, отсутствие достаточного собственного опыта наблюдения и дифференциальной диагностики редких (например, наследственных) болезней, что создает серьезные трудности для экспертов, которые вынуждены опираться на литературные источники. В 4-х, нечеткость терминов или понятий, переходы между которыми характеризуются размытыми границами, что вызывает различия в их описаниях и трактовке врачами. Примером первого может служить такой ряд, как «умственная отсталость - интеллектуальная недостаточность - задержка развития - отставание в развитии», которые не являются синонимами, а несут каждый свою смысловую нагрузку или таких понятий как I - II стадия. Примером второго могут быть переходы цветов (кожа серая, землистая, с землистым оттенком и т.п.). Определенную помощь здесь может оказать обращение к методам нечеткой логики, в особенности для формализации описаний второго типа. В 5-х, динамика изменений клинических признаков во времени - большие периоды, характеризующие возрастную динамику, и смена состояний в масштабе реального времени при неотложных состояниях. Последнее касается учета временных связей, что находится на стыке диагностических и прогностических систем, хотя, как представляется, должно находить свое место еще при диагностике, как это реализовано, например, в системе ДИН [44].

Особенности клинической медицины нашли отражение в постулате «Лечить нужно больного, а не болезнь», что выдвигает требование учета в базе знаний (БЗ) экспертной системы значительно более широкого круга вопросов, чем собственно патологические проявления группы исследуемых заболеваний. Только в этом случае возможна реальная «настройка» ЭС на конкретного пациента или построение «модели больного» (по М.Ю. Черняховской [55]), что и является залогом эффективной работы интеллектуальных систем.

2. Отражение медицинских знаний в интеллектуальных системах

Говоря об искусственном интеллекте, мы имеем в виду относительно ограниченные «разумные решения и логические рассуждения», осуществляемые с помощью специального программного средства, именуемого системой, основанной на знаниях. Обращаясь к понятию ЭС предполагают, что это ИС, использующие знания специалистов (экспертов) из сравнительно узкой предметной области (например, кардиологии, наркологии или групп болезней, объединяемых понятиями типа «острый живот», токсикомании) для решения задач распознавания ситуаций. Их особенностью является то, что они имитируют логику мышления специалиста, в данном случае врача-эксперта. Работа таких систем всегда осуществляется в интерактивном режиме, т.е. диалоге с пользователем, который предоставляет как исходную информацию, так и дополнительные сведения по конкретным вопросам, необходимость в которых возникает при решении конкретной задачи. ЭС, в отличие от систем, основанных на методах теории распознавания образов, находят более благожелательный прием у врачей. Это обусловлено тем, что решение, предлагаемое ЭС, сопровождается объяснением «компьютерной логики». Речь идет о консультировании врача, а не о «навязывании» ему полученного при помощи ЭВМ результата. Использование принципов искусственного интеллекта, логики врачебного мышления позволяет строить компьютерные системы для диагностики, прогноза и выбора лечебной тактики, которые могут отражать знания о патогенезе заболеваний, т.е. механизмах его развития. И при этом ЭС дают возможность осуществлять дифференциальную диагностику среди десятков и даже сотен нозологических единиц, что было совершенно невозможно для традиционных систем распознавания образов.

Познавательный цикл продуктивного мышления [49] для медицинской диагностики может быть представлен в следующем виде [18]: Анализ результатов осмотра - рассуждение и аргументация, включая аналогии - гипотеза или альтернативные гипотезы - верификация или фальсификация - пополнение данных и знаний - повторный цикл рассуждения и аргументации - коррекция гипотезы. Аргументационная логика врача-диагноста направлена, с одной стороны, на выявление признаков, подтверждающих предполагаемый им, предположительно наиболее вероятный диагноз («за»), а с другой стороны, на поиск альтернативных признаков, отрицающих другие заболевания («против»).

Все знания о болезнях разделяются на декларативные - для описания собственно заболевания (клиническая картина, дополнительные синдромы) и процедурные, указывающие на то, как использовать знания в процессе диагностики. Сложность создания ЭC заключается в адекватном описании ситуации при совместной работе врача и когнитолога, когда на пути от реальных объектов к ЭС находится цепочка моделей: знания предметной области - описательная модель - формальная модель - база знаний ЭС [53]. Значительные проблемы возникают не только вследствие объективных трудностей представления информации (в частности знаний о диагностическом процессе), но и в связи с наличием психологического барьера у эксперта.

Логика врачебного мышления в процессе диагностики зависит, в определенной степени, от представляемых больным фактов. В изложении болезни пациентом, как и в ее восприятии врачом, происходит деформация, объясняемая рефлексивными процессами пациента и врача. Еще более сложная ситуация имеет место в отношении психических болезней и токсикоманий, где степень искажений личных ощущений и их изложения особенно велика. В связи с этим в структуре процесса постановки диагноза можно выделить несколько этапов (актов), в той или иной степени характеризующих вклад рефлексии в принятие решения, т.е. выбор одной из гипотез или альтернатив [21]:

информация, поступающая от больного (жалобы, история жизни и настоящего заболевания), т.е. субъективные сведения (включая различные искажения - аггравацию или преуменьшение болезненных проявлений), характер представления которых определяется рефлексивной системой больного;

получение данных путем так называемого физикального обследования больного и их объективно-субъективная оценка врачом с учетом его рефлексии;

интуитивно-образные представления врача о наблюдаемом заболевании в случае преобладания у него правополушарных механизмов формирования гипотез, что в еще большей степени отражает рефлективную систему доктора;

диагностические гипотезы, сочетающие аргументационные, образные построения и рефлексию врача.

3. Принципы и особенности построения медицинских экспертных систем

Функциональная схема классической ЭС представлена на рис.1.

Рис. 1. Архитектура системы, основанной на знаниях

Блок представления знаний о предметной области содержит модели знаний и фактографические данные (симптомы и признаки, представляющие структуру, включающую имя данного, его свойства, значения, области нормальных и возможных значений). В этот же блок может входить и так называемый архив, содержащий персонифицированную информацию о больных, где специально выделяются случаи, когда был поставлен неправильный диагноз либо врачом, либо системой, что дает возможность анализировать в дальнейшем эти ситуации для извлечения скрытых в них знаний. Модели знаний выполняют функцию определения взаимоотношений между элементами данных, хранящихся в фактографической базе. В целях сокращения процедуры «просмотра» блока моделей знаний вводятся метазнания, т.е. управляющие знания, служащие для объяснения того, как использовать информацию блока представления знаний для обеспечения выбора наилучшей стратегии поиска решения. Механизм вывода является средством воспроизведения логики специалиста при принятии решения. Несмотря на наличие в ЭС сходных черт, вытекающих из единой концептуальной схемы их построения, создание каждой новой прикладной системы требует значительных усилий как со стороны экспертов, так и разработчиков программных продуктов, хотя в настоящее время все шире используются так называемые инструментальные средства («оболочки»).

Наиболее важным и, одновременно, самым трудоемким разделом при создании ЭС является этап концептуализации, предполагающий содержательный анализ предметной области (например, болезней, форм, стадий и т.д.), определение используемых понятий, их взаимосвязей и методов решения поставленных задач. При любом подходе - с участием когнитолога или специальной программы - главное так организовать диалог с врачом-экспертом, чтобы преобразовать в слова хотя бы часть того, что принято называть интуицией врача и что в первую очередь отличает специалиста высокой квалификации. От этого во многом зависит последующая результативность работы ЭС. Из всех компонентов ЭС, именно средства и технология описания предметной области до настоящего времени остаются наиболее уязвимыми в силу того, что этот процесс является менее всего технологизированным звеном этапа проектирования системы. С учетом этого, формируя системную надстройку над знаниями эксперта, используют игровые имитации при создании информационной базы.

Специфика работы с экспертом заключается в помощи ему при передаче знаний о принятии решений, которые основываются на сочетании глубокого и всестороннего теоретического изучения проблемы с опытом, накопленным в процессе практической деятельности, и тем, что принято называть врачебной интуицией. Концепция управляемого моделью знаний интерфейса для прямого приобретения знаний позволила сформулировать способ представления знаний в форме неоднородных семантических сетей [34], а инструментальное средство SIMER+MIR [33] позволило перейти к извлечению знаний у эксперта в процессе его непосредственного взаимодействия (в режиме диалога) с интеллектуальной компьютерной системой. С использованием системы автоматизированного выявления и переноса экспертизы, т.е. знаний экспертов предметной области, используемых для формирования заключений [32], был создан ряд ЭС в области травматологии и ортопедии. Предложен метод выявления экспертных знаний, с гарантией их полноты и непротиворечивости, с помощью инструментария STEPCLASS [52], предусматривающего оптимизацию получаемой совокупности правил и построение на их множестве дерева, обеспечивающего минимизацию числа вопросов и рациональный порядок их задания. Примером медицинской реализации ЭС с использованием этого подхода может служить ЭС ESBAD для дифференциальной диагностики бронхиальной астмы у детей [43].

Подход к извлечению медицинских знаний, связанный с анализом специальной литературы программными средствами, включает выявление каузальных отношений, представляющих собой синтаксические конструкции, компоненты которых соединены причинными и условными связями [30]. Во взаимодействии с интерактивным интерпретатором это позволяет определять характеристики элементов текста, эксплицитно в нем не содержащиеся [35], что открывает новые пути к созданию БЗ. Последующий анализ такой информации высококвалифицированным врачом-экспертом и привнесение его невербализованных знаний, которые в основном носят интуитивный характер, позволил бы не только ускорить разработку ЭС, но и привлечь к их созданию тех специалистов, которые отрицательно относятся к затратам своего времени на работу с инженером по знаниям. В этом случае появится возможность для пополнения БЗ новой информацией в полуавтоматическом режиме с последующей ее коррекцией врачом-экспертом. Еще один подход реализован в ТАИС (Терапевтическая Автоматизированная Информационная Система), где знания по каждой нозологической форме (полученные из литературных источников) вводятся независимыми разработчиками с помощью проблемно-ориентированных инструментальных средств и имплантируются в систему в виде отдельных блоков. Среда ТАИС обеспечивает их непротиворечивое сочетание [46].

Не требует объяснений факт использования при создании ЭС информации из ранее созданных баз данных (БД). Аккумулированные в них сведения не только о классических проявлениях заболеваний, но и об атипичных вариантах, что особенно важно, могли бы существенно способствовать повышению качества наполнения БЗ. Ограничением для этого являлась трудность преобразования данных, однако в последнее время предложен способ решения этой проблемы. Механизм интерактивного установления соответствия полей БД с событиями и свойствами БЗ и механизм конвертирования баз данных во внутреннее представление системы позволяют использовать их для приобретения знаний из примеров [35]. Не менее важно использование результатов, полученных ранее с помощью методов распознавания образов. На это обращали внимание У.Б.Томпсон с соавторами [82], использовавшие эту процедуру в ЭС GALEN, и В.С.Переверзев-Орлов [36], реализующий этот подход в так называемой партнерской системе, которая обеспечивает сбор информации не для узкой задачи, а для существенной части профессиональной области, в связи с чем она должна содержать достаточно полный словарь и накапливать БД .

3.1 Образное мышление в искусственном интеллекте

Большинство ныне созданных ИС основаны на использовании логической компоненты человеческого мышления. В то же время, определенную роль в принятии решений играет образная компонента, в особенности выраженная у «правополушарных» людей. Знания, в обязательном плане включающие отношения между объектами, могут быть представлены «мысленными образами» явлений внешнего мира, сформировавшимися в прошлом на основе фактов (но не являющимися их простым отражением). Исходя из этого, представляется возможным использование в БЗ относительно устойчивых сочетаний признаков, воспринимаемых как единый образ, для подтверждения гипотез. На интуитивном восприятии таких относительно устойчивых симптомокомплексов, реже единичных признаков, основана моментальная диагностика у отдельных врачей. Распознавание и сравнение образов происходит не по принципу тождества (совпадения признаков), а по принципу сходства: для отнесения к категории важно сходство существенных признаков. Как отмечает Д.А.Поспелов [37], обе функциональные системы мозга - логико-символическая и образная - всегда работают во взаимосвязи, осуществляя взаимообмен информацией. А субъективные индивидуальные знания возможно сохраняются в виде ссылки на процедуру, реализованную в форме обученной нейронной сети, что позволяет совмещать символические представления и знания, представленные в непрерывной или квазинепрерывной форме [38].

Многочисленные нерешенные проблемы на этом пути позволяют пока говорить только о рассмотрении различных подходов к отражению образного мышления эксперта в ИС [19, 23, 40, 45, 51].

При интерпретации субъективных суждений о правдоподобности и истинности фактов, об интенсивности отношений между элементами семиотической системы (степени сходства, предпочтения) возникают множества нечетких представлений, в том числе и образного характера [20]. Обращаясь к принципу ассоциативности мышления, следует понимать, что активируемый на основе ассоциативных отношений образ способен подвергаться «искажениям» (трансформироваться), приобретая отсутствующие в исходном изображении детали. Можно говорить о стимуляции образов под действием «внутренних» факторов, ассоциированных с внешними воздействиями. Понятию ассоциативности предлагается сопоставить обратимость источника и объекта в псевдооптических нейронных сетях [23], в результате чего процессы узнавания и классификации могут реализовываться на основе понятия интерферирующего нейрона.

3.2 Отражение ассоциативного мышления в интеллектуальных системах

Ассоциативное устройство памяти человека выдвигает проблему учета и анализа ассоциативных знаний, которые должны находить свое отражение в виде прямых и опосредованных связей в системах искусственного интеллекта [17]. Выделяют следующие ассоциации: 1) по смежности в пространстве и во времени, 2) по сходству и 3) по контрасту. Соответствие этому имеет место в медицинских знаниях, где встречаются структурные связи, представляющие собой ассоциации по смежности в пространстве, и каузальные (причинно-следственные), представляющие ассоциации по смежности во времени. (Решение вопроса о наличии или отсутствии зависимостей причинно-следственного типа между некоторыми сущностями возможно на основе порождения гипотез с помощью ДСМ-системы правдоподобных рассуждений [48]). Ассоциация по сходству соответствует понятию толерантности. Альтернативные связи, обусловленные наличием признаков-отрицаний, соответствуют ассоциациям по контрасту и позволяют исключать определенные состояния в связи с наличием не характерных для них симптомов. Все четыре типа вышеназванных ассоциативных связей нашли отражение в БЗ ИС ДИАГЕН [15], математическая модель которой использует продукции, дополненные коэффициентами доверия, а над пространством симптомов введены отношения, с использованием которых в процессе диагностики происходит уточнение и переоценка признаков введенного пользователем симптомокомплекса.

Большой класс структурных, ассоциативных и причинных связей между объектами оказалось возможным описать с помощью неоднородных семантических сетей, что явилось основой для построения моделей знаний [34]. Ассоциативные знания могут касаться причинно-следственных отношений не только между признаками, но и между состояниями - синдромами или болезнями (синдромы-предшественники и синдромы-потомки) - по смежности в прошедшем и будущем, соответственно, а также по смежности в пространстве для обозначения одновременно отмечаемых у больного состояний, что в более или менее полной форме учитывается в ЭС (например, [44]). На основе каузальных отношений строится как ретро-, так и проспективное изучение (анализ анамнеза, прогноз осложнений). Отношения во времени следует строить с учетом временной/псевдовременной логики. Фоновые и/или сопутствующие заболевания и состояния, пришедшие из прошлого или возникшие в настоящем и оказывающие влияние на характер течения основного заболевания, представляют из себя ассоциации по смежности в пространстве. Они дают возможность учитывать, с какими болезнями/синдромами совместим текущий синдром. Ассоциации по сходству соответствуют дифференцируемым синдромам, а ассоциации по контрасту - синдромам-конкурентам, наличие одного из которых отвергает наличие другого.

Учет разнообразных взаимосвязей способствует повышению эффективности диагностических систем, так как позволяет активизировать дополнительные врачебные знания, в частности интуитивные представления при включении ассоциативных механизмов.

3.3 Коммуникабельность экспертных систем

Для пользователя медицинской ЭС особое значение имеет проблема коммуникабельности, которая определяется в первую очередь его участием в процессе принятия решения системой. Оно может быть реализовано различными средствами: а) возможность выразить свою уверенность в отношении выраженности проявлений заболевания в конкретном случае; б) доступность выбора режима диагностики среди альтернативных вариантов; в) возможность модифицировать представление о патологическом процессе; г) управление степенью жесткости отбора диагнозов в дифференциальный ряд [16]. Такие подходы обеспечивают учет психологии пользователя ЭС.

Для врача важно соучастие в постановке диагноза или выборе лечебной тактики, независимо от того, участвует ли он в консилиуме или принимает решение в диалоге с ЭС. Существуют различные подходы к решению этой проблемы, ориентированные, так или иначе, или на отражение мнения врача о роли признаков, характеризующих состояние больного, или/и на объяснение процесса принятия решения системой. В качестве примеров первого подхода можно назвать механизм корректировки коэффициентов или «весов» признаков в системе ДИАГЕН [16], при котором врач фиксирует свое мнение о предполагаемой диагностической значимости симптомов, и коэффициенты уверенности врача в степени выраженности введенного им признака в системе ДИН [44].

Другой аспект коммуникабельности ЭС определяется формой изложения объяснения предлагаемого решения. В наименьшей степени врача удовлетворяет трассировка или протокол принятия решения в системе, учитывая их крайний формализм. В какой-то степени ситуация улучшается при моделировании объяснения в рамках индуктивной логической теории. Решением вопроса являются более сложные способы изложения принимаемых решений (типа «рассуждений»). В этом смысле представляется оправданной точка зрения В.С.Переверзева-Орлова [36], что разумное человеческое рассуждение вовсе не служит поиску решения задачи, а выполняет лишь роль объяснения интуитивно найденного решения. Следует иметь в виду, что механицизм в принятии решения в медицине приводит к так называемому эффекту «фельдшеризма», что неприемлемо для думающего доктора и заставляет его отказываться от использования автоматизированных систем, в том числе и экспертных.

В зависимости от профессиональной квалификации пользователя необходимы различные варианты рекомендаций по выбору стратегии управления (формально оптимальной), т.е. формирование упорядоченной шкалы предпочтений, как, например, в системе ДИАНА [53].

Существенный аспект проблемы - ситуация, в которой врач обращается к ИС (в плане экстренности принятия решения). Исходя из этого, должна быть возможность выбора одного из вариантов пользовательского интерфейса, обеспечивающего навязанный или жесткий диалог в случае угрожающих жизни состояний (как, например, в системе ДИН [44]), при котором порядок вопросов определяется ЭС, или свободный диалог без учета временного ограничения, в котором ввод необходимых данных определяет врач-пользователь. Кроме того, желательно существование режима работы, позволяющего идти не только от признаков, но и от предполагаемого диагноза для его последующего подтверждения в инициируемом системой кратком диалоге.

Таким образом, могут быть принципиально разные варианты выбора стратегии пользователем, что определяется его потребностями, квалификацией, привычками и, наконец, ограничениями, обусловленными срочностью принятия решения, а все это, в свою очередь, предъявляет определенные требования к разработке ЭС.

3.4 Научные медицинские школы и интеллектуальные системы

Перспективы более широкого использования интеллектуальных систем определяются также учетом особенностей различных медицинских научных школ. Первое, что можно было бы предположить - это достижение консенсуса между специалистами на этапе представления знаний путем выбора одного из вариантов, но эту проблему не удалось решить за всю предшествующую историю медицины в отношении многих вопросов. Второе - это интеграция знаний различных специалистов в процессе построения БЗ, но осуществить это крайне сложно вследствие наличия противоречивости в знаниях разных школ. Третье - это организация параллельного существования в БЗ двух и более вариантов одновременно, с выдвижением соответствующих гипотез, их сравнительным анализом и выбором наиболее вероятной или выдачей обеих (или более) гипотез с соответствующими объяснениями. Таким примером учета взглядов, проповедуемых различными научными школами, может служить ЭС ABEL [81] для диагностики и лечения нарушений равновесия кислот и оснований в организме, в которой осуществляется выдача альтернативных объяснений. Близок к этому механизм, реализованный в [59] для выбора не одной, а нескольких схем выбора решения.

Представляется возможным реализовать процесс выбора гипотезы и в режиме диалога с пользователем, что даст ему возможность выбрать вариант в рамках его «научных» предпочтений или «комфортной» для него научной школы. С этих позиций построена экспертная система PHEO-ATTENDING, оценивающая действия врача при назначении дополнительного обследования больному с феохромоцитомой, которая включает использование знаний, отражающих позиции двух конкурирующих медицинских школ [76].

Особый случай выдачи различных объяснений - это использование ЭС в учебном процессе, в особенности при повышении квалификации, где важны различные взгляды и максимальная полнота информации, что было реализовано, в определенной степени, в режиме запроса пользователя еще, например, в системах MYCIN [80] и МОДИС [3].

медицинский экспертный интеллектуальный

3.5 Визуализация информации в интеллектуальных системах

Визуализация знаний в БЗ и визуальное представление получаемых результатов, в том числе промежуточных, может повысить эффективность ЭС, так как известно, что «лучше один раз увидеть» и это было продемонстрировано еще при работе с системами многомерной классификации (например, [14]).

В медицине, в частности в неврологии и нейрохирургии, традиционно принято представлять определенную информацию, связанную с топической диагностикой процесса, в схематической форме, что необходимо для идентификации места локализации очага поражения. Классическим вариантом реализации этого можно считать систему NEUROLOGIST-I [85], формирующую схематическое изображение среза мозга с указанием локализации очага поражения в ЦНС - нарушении проводящих путей, для чего осуществляется анализ данных о пациенте (жалобы и результаты обследования). Эта ЭС использует знания физиологии, преобразованные в виде аналого-геометрической модели, где поперечные сечения нервного тракта аппроксимируются многоугольниками, представленными наборами вершин.

Дополнительные возможности предоставили мультимедийные технологии, обеспечивающие синтез текстовых, визуальных и звуковых данных (в том числе видеофрагментов), что дало возможность перейти к полноценной имитации различных заболеваний в обучающих и консультирующих ИС.

Принципиально новые возможности в отношении визуализации открыла когнитивная графика. Д.А.Поспелов предложил выделить три аспекта использования методов когнитивной графики:

образ - решение: образ наталкивает на решение задачи или понимание ситуации;

решение - образ: решение, полученное с помощью компьютерной системы, отображается в виде некоторого образа;

образ - задача: визуализация образа, из которого пользователь может формулировать задачу.

Когнитивная компьютерная графика апеллирует к правому полушарию человека и представляет собой эффективный технический инструмент для прямого воздействия на процесс интуитивного образного мышления исследователя [56]. В этом плане следует иметь в виду, что графический образ - это особый тип коммуникатов, т.е. средств передачи знаний (информации) о процессах и объектах [6]. Осуществляются попытки разработки интерфейсов, использующих одновременно естественный язык и графику для передачи определенного содержания, в связи с чем представляет интерес разработка семантических моделей для интерпретации графических выражений. Эти модели должны содержать различные перцептуальные характеристики, связанные с изображаемым объектом [39]. Использование визуальных формализмов как элементов интерфейса пользователя соответствует переходу от сценарного к объектному представлению интерфейсов на основе ролевых и метафреймов, расширяющихся семантических сетей, семантических компонентов объектной библиотеки и т.д. Что касается того, что врачи и пациенты могут неоднозначно трактовать жалобы и другие клинические показатели, то для преодоления нечеткости предлагаются механизмы адекватного визуального представления знаний и пояснений - применение графового прототипа при проектировании и наполнении БЗ. При этом экспертам обеспечено наглядное отображение правил для определения противоречивости отдельных фрагментов применяемых моделей, а пациентам - развитые видеоформы с объяснениями [9].

4. Многообразие подходов к построению медицинских интеллектуальных систем

В настоящее время создано значительное количество медицинских ЭС. Рассмотрим кратко некоторые из них, чтобы составить представление об использовании различных подходов к их реализации при учете особенностей предметной области.

Одна из первых медицинских ЭС MYCIN [66], обеспечивающая поддержку решений при выборе антибактериальной терапии, показала при проверке на «компетентность», что машинный диагноз оказался идентичным с мнением экспертов-инфекционистов в 76,7% случаев при тестовых испытаниях и в 90,9% случаев совпал с рекомендациями большинства экспертов [86]. Эта система основана на продукциях (продукционное правило, как известно, включает описания определенной ситуации и действия, которые выполняются при ее обнаружении, цепочка таких правил напоминает силлогизм).

В плане диагностики внутренних болезней наибольшие возможности предоставляет ЭС INTERNIST-I/CADUCEUS [75], реализованная на основе семантической сети фактов и заболеваний (семантическая сеть может использоваться самостоятельно или, чаще, в сочетании с фреймовым формализмом представления знаний, что обеспечивает решение проблемы наследования свойств элементов). Ее БЗ содержит информацию о более, чем 500 терапевтических заболеваний, описываемых более чем 3500 признаками. Система опирается в своих решениях на набор профилей заболеваний, содержащих факты, встречающиеся при каждом из них. Понятие «свойство» в этой ЭС отображает данные, получаемые в процессе лечения, характеризует их клиническую значимость и сложность получения, отражает взаимосвязь данных. Так называемые «ударные свойства» (типа табу) указывают на физиологическую невозможность или очень малую вероятность некоторых заболеваний при определенных патологических проявлениях. В системе введена мера важности объяснения данных для определенного диагноза и «стоимость» их регистрации у больного. Включающая 530 болезней ЭС MEDICS [64] не только выдает список наиболее вероятных диагнозов, но и указывает для каждого из них сравнительные характеристики признаков пациента с «эталонными» для каждого из заболеваний.

Одной из первых в СССР была экспертная система МОДИС [3], ориентированная на диагностику формы артериальной гипертензии и выдачу дополнительных рекомендаций. Она основана на фреймово-продукционном формализме представления знаний, что позволило не производить полного перебора всех правил, а осуществлять целенаправленный поиск по сети фреймов. Принципиально другой подход использован в ЭС для диагностики лекарственных отравлений ЭСТЕР [1], которая работает с 19 группами распространенных препаратов. При 63 диагностических признаках и в среднем 3-х значениях на шкале каждого из них общее количество таких комбинаций равно 3⁶³. Необходимо отнести эти комбинации (клинические ситуации) к различным классам в соответствии с препаратом, послужившим причиной отравления. Для каждого класса решений в системе указаны наиболее типичные значения диагностических признаков. Таблицы запрещенных значений для пар «диагностический признак - класс решений» позволяют ускорить процесс диагностики. Для классов решений со сходными сочетаниями диагностических признаков были построены дополнительные БЗ. Соответствующие оптимальные деревья решений позволяют сделать вывод в сложных случаях, когда возможно отравление более чем одним препаратом или когда различные препараты дают сходную клиническую картину. В подобных ситуациях ЭСТЕР дает один из ответов следующего вида: «Отравление препаратом А более вероятно, чем отравление препаратом В», «Возможно отравление препаратами А и В». Модуль выдвижения гипотез исследует описание состояния пациента с целью выявить типичные признаки отравления тем или иным препаратом. Если конкурируют несколько гипотез, то он выбирает ту из них, которая подкреплена наибольшим количеством типичных значений признаков. Модуль «Лечение» способен выдать рекомендации с учетом тяжести отравления, степени поражения различных систем организма. При назначении метода лечения и дозировок антидотов ЭСТЕР позволяет учитывать возраст и вес пациента, его историю болезни. В университете Майами для прогнозирования нежелательных эффектов взаимодействия лекарственных препаратов при их совместном назначении была создана ЭС, учитывающая индивидуальные характеристики пациентов (систематическое потребление алкоголя, наркотиков, анальгетиков, антибиотиков). Ее БЗ содержит 1300 правил логического вывода для установления факта взаимодействия медикаментов [73].

Консультирующая и обучающая ЭС HEADMED по психическим заболеваниям и клинической психофармакологии, созданная в Калифорнийском университете с использованием «оболочки» EMYCIN [71], содержит знания о дифференциальной диагностике аффективных расстройств, шизофрении и органических психозах, а также сведения о неврозах, расстройствах поведения и наркологии. Кроме того, эта система включает Миннесотскую анкету личности MMPI. Для интерпретации ответов на вопросы этой анкеты существует также и отдельная ЭС MEXYS. БЗ системы состоит из 100 правил. Ответы преобразуются в 10 диагностических шкал и 3 шкалы оценки достоверных данных [61].

ЭС симптомально-синдромальной диагностики психических расстройств у детей и подростков, включающая 300 синдромов и 1200 симптомов, создана в ДПБ-6 г. Москвы совместно с кафедрой психиатрии и медицинской психологии РГМУ [22]. Формирование БЗ осуществляется непосредственно врачами-психиатрами с использованием простого языка, представляющего собой обычный текст с небольшим числом структурных разделителей. Ввод знаний включает 2 этапа: 1) описание понятий проблемной области - симптомов и синдромов (возможен ввод поясняющего текста, определение синонимов и групп понятий); 2) введение отношений между понятиями, к которым относятся: а) порядок вывода целей (синдромов), б) взаимоисключающие цели (синдромы) - данное отношение позволяет не рассматривать ряд синдромов (считать их ложными) при доказательстве определенного синдрома (совместно с порядком вывода целей позволяет отвергать более общие синдромы при доказательстве более частных - дифференцированных); в) взаимоисключающие факты (симптомы) - данное отношение позволяет считать ряд фактов ложными при установлении определенного факта; г) значение фактов по умолчанию - данное отношение позволяет устанавливать истинность/ложность фактов, если они явно не введены врачом (в отсутствие вопроса), что выводит механизм доказательства за пределы классической логики, в частности, позволяет подавить свойство монотонности; д) вычисляемые факты - данное отношение позволяет устанавливать истинность/ложность фактов по значению определенных полей «Истории болезни», относящихся к конкретному больному; е) отношение между фактами (симптомы) и целями (синдромы) - данное отношение является основным и состоит из 2 блоков, первый из которых описывает, какие симптомы (группы симптомов) доказывают синдром, а второй указывает какие симптомы (группы симптомов) обуславливают выбор синдрома для доказательства (формализм описания данного отношения взят из МКБ-10 и позволяет описывать отношения «истинно, если не менее N из M» - требуется наличие по крайней мере N симптомов из указанного набора, состоящего из M симптомов).

ЭС BLUE BOX [77] для диагностирования типа депрессии, оценки степени ее тяжести и выработки терапевтической тактики использует информацию о наблюдаемых у пациентов симптомах, перенесенных ими заболеваниях, предыдущих обращениях за психиатрической помощью, получаемом лечении и психических заболеваниях у родственников. План лечебных мероприятий включает рекомендации о госпитализации и лекарственных препаратах. Эта ЭС основана на продукционных правилах и реализована с использованием «оболочки» EMYCIN.

Система ЭЭГ-ЭКСПЕРТ является БЗ в области электроэнцефалографии. Она может быть использована: для оценки функционального состояния мозга и его отдельных структур у детей и взрослых. Особенности представления ЭЭГ-информации в виде структурных блоков, связанных с определенными системами мозга, обеспечивают эффективное сопоставление с данными неврологического обследования и нейропсихологического тестирования при дифференциальной диагностике [27].

ЭС для локализации нарушений нервной системы использует БЗ типа семантического дерева, которое состоит из 3-х поддеревьев: нейроанатомическая структура, сосудистая система, симптомы. Семантическая сеть отражает связи между деревьями [72]. ЭС SYSTEM D ориентирована на диагностику головокружений, в том числе при наличии нескольких причин их возникновения у пациента. Система «побуждает» врача ввести факты (например, принимаемые медикаменты) и проявления (например, ощущение подступающего обморока) и предлагает диагноз, включая оценку относительных вероятностей конкурирующих гипотез. Знания в системе включают информацию как о конкретных случаях, так и о дифференциальной диагностике этого состояния. В системе использована основанная на фреймах схема представления знаний и механизм последовательного порождения и проверки гипотез [79]. Дополнительные исследования, позволяющие максимально повысить вероятность нозологической идентификации инфантильных спазмов при дифференциальной диагностике, указываются в системе ВЕСТ-СИНДРОМ, использующей технологию виртуальных статистик [28, 29].

ЭС MDX действует как сообщество консультантов разных специальностей, которые «вызывают» друг друга для решения вопросов, требующих их знаний и опыта. Их «сотрудничество» осуществляется с использованием доски объявлений. Знания в системе состоят из диагностических эвристик и иерархической глубокой модели понятийной структуры печеночного синдрома, известного как холестаз. Формальная модель, представленная в виде правил из фреймов, позволяет осуществлять не только диагностику холестаза, но и анализ его этиологии на основании жалоб пациента, анамнеза болезни и клинических данных [63]. ЭС RADEX (Radiology Expert) в качестве консультанта по радиологии осуществляет анализ рентгенограмм и выдает информацию об анатомических дефектах или физиологических отклонениях от нормы. Знания представлены в виде фреймов, содержащих описания, значения по умолчанию, взаимоотношения и присоединенные процедуры для получения изображений при сканировании или ультразвуковом исследования печени в разных вариантах - печень в целом и желчный пузырь, доля печени или желчный проток, опухоль печени или сужение желчного протока [62]. Система SPE идентифицирует причины патологических процессов (например, цирроза печени), интерпретируя электрофоретические картины сывороточных белков по сигналам сканирующего денситометра [83]. Эта ЭС основана на правилах с прямой цепочкой рассуждений, построенных на знаниях о том, как показания прибора и данные о состоянии пациента связаны с описаниями заболеваний. В ЭС CADIAG-2/PANCREAS, общая форма структуры БЗ которой представлена в виде If (условия) Then (выводы) With (частота наблюдений, оценка уверенности выводов), генерируются гипотезы о диагнозе заболевания, планируются дальнейшие исследования и указываются наблюдаемые у больного симптомы, которые не удается объяснить в рамках предлагаемого диагноза [60].

В ЭС «ЛЕДИ-Z», для диагностики патологии почек (в частности, нарушений гомеостаза), основой модели является сеть фреймов, связанных между собой ассоциативными отношениями [41]. Ситуационное управление сочетается в этой системе с использованием ряда качественных оценок. Для приведения оценки истинности, полученной суммированием ценностей фактов, к нормированному значению предложено воспользоваться понятием «абсолютной ценности», которое представляет сумму значений ценностей признаков, отражающих наиболее специфический патологический процесс из минимального количества признаков с максимальными значениями ценностей, заведомо голосующий за наличие гомеостатического сдвига. ЭС ДИН [44] для идентификации 84 неотложных состояний в детском возрасте, реализована с использованием фреймово-продукционного формализма. Ее БЗ содержит более 1000 диагностических критериев и заключений о динамике развития неотложного состояния. Эта ЭС позволяет осуществлять диагностику по неполному списку диагностических критериев, т.е. при стертой клинической картине, не полностью развившемся синдроме и при ограничениях на проведение специальных исследований, обусловленных тяжестью состояния или недостатком аппаратуры. Важно, что диагностический поиск проводится по так называемой «маске» в двух противоположных направлениях: с одной стороны, по проявлениям, зафиксированным в «маске» для определенного варианта болезни, но отсутствующим у конкретного больного, а с другой - по проявлениям, отмеченным у больного при отсутствии их в «маске». В первом случае, если пользователя не устраивает надежность полученного диагноза, он может попытаться уточнить отсутствующие данные и получить на основании их рассмотрения системой более надежный вывод. Во втором, по «лишним» для данного синдрома симптомам, не исключена вероятность обнаружения других синдромов (болезней), в описании которых эти данные играют известную роль. По желанию, наряду с ведущим диагнозом, врач может получить весь список рассмотренных ЭС ДИН гипотетических состояний с оценкой их правдоподобия. Аналогичным образом, во французской системе [69], для подтверждения установленного ЭС диагноза врачу сообщается перечень использованных при этом фактов (с указанием соответствующих весов).

Видный канадский терапевт Уильям Ослер определял медицину как науку неопределенности и искусство вероятности, чему можно поставить в соответствие мнение Л.А.Заде [84], что нечеткость и вероятность моделируют разные типы неопределенности и взаимодополняют друг друга. Отсюда следует целесообразность применения в медицинских ЭС мягких вычислений. Аппарат теории нечетких множеств для интерпретации приблизительных сведений о больном использован в системе SPHINX [67, 74]. Она предназначена для конструирования основанных на продукциях ЭС. Построенная на ее основе система для диагностики заболеваний печени, содержащая порядка 400 продукций, позволяет поставить в 80% случаев правильный диагноз, в 20% - неоднозначный. Эта ЭС включает оценку тяжести нарушений отдельных функций печени (биосинтеза, холестаза, цитолиза, реактивности). Врач-пользователь имеет возможность влиять на процессы управления системой путем модификации промежуточных результатов. В ЭС MUM для управления неопределенностью, содержащейся в медицинском диагнозе, численная оценка степени уверенности в диагнозе среди конкурирующих гипотез производится на каждой стадии логического вывода [65]. Другой подход к обработке «нечеткости» в оценках состояния пациентов предложен в ЭС РЕДИС-1 [10] для первичной диагностики заболеваний в ходе профилактических осмотров населения с использованием метода рефлексодиагностики (по методике Накатани). Эвристический алгоритм позволяет осуществлять количественный пересчет на основе сопоставления качественной дискретной шкале (невозможно - возможно - вероятно - весьма вероятно - определенно) 100-балльной количественной шкалы с последующим подсчетом подтверждающих/ослабляющих факторов с учетом их значимости. Предложен подход к обработке интервалов неопределенности содержащихся в примерах знаний, заключающийся в проверке экспертных оценок на соответствие байесовской логике, их корректировки и вычислении виртуальных статистик, т.е. чисел, получаемых при обработке знаний и характеризующих встречаемости признаков [28]. Реализованные с использованием такого подхода системы [29], характеризуются множественностью описания «симптоматических портретов синдромов» и «синдромных портретов заболеваний» [54], что обеспечивает уверенное распознавание нехарактерно протекающих заболеваний.