Главная страница
Навигация по странице:

  • « Затверджено » на методичній нарадікафедри медичної інформатики .Завідувач кафедри ________________________« ___»

  • Методичні рекомендації

  • Тема заняття 10

  • Основні поняття про експертні системи.

  • Структура експертних систем.

  • Дані та знання.

  • Представлення знань

  • Імя слота Значення слота

  • Рекомендована література

  • Методичні рекомендації для самостійної роботи студентів при підготовці до практичного заняття Навчальна дисципліна



    Скачать 170.5 Kb.
    НазваниеМетодичні рекомендації для самостійної роботи студентів при підготовці до практичного заняття Навчальна дисципліна
    Анкорtema10.doc
    Дата17.05.2017
    Размер170.5 Kb.
    Формат файлаdoc
    Имя файлаtema10.doc
    ТипМетодичні рекомендації
    #9477


    Міністерство охорони здоровя України

    львівський Національний медичний університет

    Імені данила галицького

    « Затверджено »

    на методичній нараді

    кафедри медичної інформатики .

    Завідувач кафедри

    ________________________

    «___»_____________ 2011 р.

    Методичні рекомендації

    для самостійної роботи студентів

    при підготовці до практичного заняття


    Навчальна дисципліна

    Медична інформатика

    Модуль №2

    Медичні знання та прийняття рішень в медицині

    Змістовий модуль №3

    Медичні знання та прийняття рішень

    Тема заняття 10:

    Методи підтримки прийняття рішень. Стратегії отримання медичних знань

    Курс:

    ІІ

    Факультет:

    Медичний, стоматологічний


    Львів - 2011

    Основні поняття про експертні системи.
    В кінці 50-х років минулого століття появилась нова область інформатики – штучний інтелект. Вона займалась розробкою програм, які здатні розв'язувати так звані "людські" задачі. Розв’язання задач такого напрямку пов'язане з нетривіальними логічними висновками і пошук результатів, як правило, зводиться до перебору і аналізу великої кількості можливих варіантів. Саме до такого класу належить більшість медичних завдань.

    Метою досліджень в галузі штучного інтелекту є створення таких систем, які можуть використовувати велику кількість знань, отриманих від фахівців, і здатні вступати в діалог та пояснювати свою лінію міркувань. Це передбачає наявність великої за об’ємом і добре структурованої бази знань, чітке розмежування між різними рівнями знань, наявність зручних представлень для правил і прототипів.

    Одним з найбільш визначних практичних досягнень в області штучного інтелекту є розробка експертних систем. Експертна система (ЕС) – комп’ютерна програма, яка використовує знання спеціалістів про деяку конкретну вузьку спеціалізовану предметну область, і яка в межах цієї області здатна приймати рішення на рівні експерта–професіонала. При цьому створюються можливості використання інтегрованих знань багатьох експертів без їх безпосередньої участі у розв’язанні конкретної проблеми. Також говорять, що ЕС - це система, яка використовує базу знань для вирішення завдань (видачі рекомендацій) в деякій предметній галузі. Експертна система повинна також уміти певним чином пояснювати свою поведінку і свої рішення користувачу, так само, як це робить експерт-людина. Це особливо необхідно в областях, для яких характерна невизначеність, неточність інформації (наприклад, у медичній діагностиці). У цих випадках здатність до пояснення потрібна для того, щоб підвищити ступінь довіри користувача до системи, а також для того, щоб дати можливість користувачу знайти можливий дефект у міркуваннях системи. У зв'язку з цим в експертних системах повинна передбачатися дружня взаємодія з користувачем, що робить для користувача процес міркування системи "прозорим".

    Часто до експертних систем висувають додаткову вимогу - здатність мати справу з невизначеністю і неповнотою. Інформація про поставлену задачу може бути неповною чи ненадійною; відносини між об'єктами предметної області можуть бути наближеними. Наприклад, може не бути повної впевненості в наявності в пацієнта деякого симптому чи в тому, що дані, отримані при вимірі, точні; ліки можуть стати причиною ускладнення, хоча звичайно цього не відбувається. В усіх цих випадках необхідні міркування з використанням ймовірнісного підходу або використання методів нечіткої логіки.

    Інтерес користувачів до ЕС зумовлений тим, що вони орієнтовані на вирішення широкого кола задач у неформалізованих галузях, які до недавнього часу вважались малодоступними для обчислювальної техніки; за допомогою ЕС спеціалісти, які не знають програмування, можуть самостійно розробляти потрібні їм застосування; у процесі рішення практичних задач ЕС досягають результатів, які не поступаються, а інколи і перевищують можливості людей-експертів.

    ЕС можуть видавати рекомендації, проводити аналіз, виконувати класифікацію, надавати консультації і ставити діагноз. Вони орієнтовані на вирішення задач, що звичайно вимагають консультації людини-фахівця і є досить складними для традиційного моделювання. На відміну від машинних програм, що використовують процедурний аналіз, ЕС вирішують задачі у вузькій предметній області (конкретній області експертизи) на основі дедуктивних міркувань. Експертні системи моделюють не стільки фізичну природу (або іншу) певної області, скільки механізм мислення людини стосовно рішення задач у цій проблемній області. Такі системи часто виявляються здатними знайти рішення неструктурованах і погано визначених задач.

    Першими розробленими ЕС були саме медичні експертні системи.
    Структура експертних систем.

    Типова експертна система складається з таких компонентів (рис1):

    • база даних;

    • база знань;

    • підсистема логічного виведення;

    • підсистеми пояснення;

    • підсистеми набуття знань;

    • діалогового процесора.

    Основу будь-якої ЕС становлять база знань (БЗ), яка містить у собі знання про предметну галузь та способи розв’язання задач, а також підсистема логічного виведення.

    База даних (БД) або робоча пам'ять призначена для зберігання вхідних і проміжних даних.

    База знань призначена для зберігання довготермінових даних, що описують предметну область і правил, які визначають перетворення даних у цій предметній області.

    Підсистема розв'язування (логічного виведення) на основі вхідних даних з робочої пам’яті і знань з БЗ формує таку послідовність правил, яка приводить до рішення цієї задачі.


    Рис.1. Типова структура експертної системи.
    Підсистема набуття знань автоматизує процес поповнення ЕС знаннями (виконується експертом-користувачем).

    Підсистема пояснення пояснює, яким чином система отримала рішення задачі (або чому його не отримала), і які знання вона при цьому використала. Це полегшує експерту тестування системи і збільшує довіру користувача до отриманих результатів.

    Діалоговий процесор призначений для організації "дружнього" інтерфейсу зі всіма категоріями користувачів, як у ході рішення задачі, так і при набутті знань і поясненні роботи системи.

    Система функціонує в циклічному режимі: вибір (запит) вхідних даних, спостереження, інтерпретація результатів, засвоєння нової інформації, висування за допомогою правил тимчасових гіпотез і після цього вибір наступної сукупності даних (рис. 2). Такий процес продовжується доти, доки не надійде інформація, яка достатня для кінцевого висновку.




    Основні режими роботи експертних систем



    У роботі ЕС можна виділити два основних режими: режим набуття знань і режим рішення задачі (режим консультації або режим використання ).

    У режимі набуття знань спілкування з ЕС здійснює експерт за допомогою інженера знань (професіонала, що працює з експертами в пошуку знань (фактів і евристик), які вони обробляють.).

    Використовуючи підсистему набуття знань, експерт описує проблемну область у вигляді сукупності фактів і правил. Іншими словами, "наповняє" ЕС знаннями, що дозволяють їй самостійно вирішувати задачі з проблемної області.

    Відзначимо, що цьому режимові при традиційному підході до програмування відповідають етапи: алгоритмізації, програмування і налагодження, виконувані програмістом. Таким чином, на відміну від традиційного підходу у випадку ЕС розробку програм здійснює не програміст, а експерт, що не володіє програмуванням.

    У режимі консультацій спілкування з ЕС здійснює кінцевий користувач, якого цікавить результат або спосіб його одержання. Необхідно відзначити, що в залежності від призначення ЕС користувач може:

    • не бути фахівцем у даній предметній області, і в цьому випадку він звертається до ЕС за результатом, якого не вміє одержати сам;

    • бути фахівцем, і в цьому випадку він звертається до ЕС з метою прискорення одержання результату, покладаючи на ЕС рутинну роботу.

    Добре побудована ЕС має можливість самонавчатися на розв'язуваних задачах, поповнюючи автоматично свою БЗ результатами отриманих висновків і рішень.
    Дані та знання.
    Характерним для ЕС є використання знань експертів. Важливим є питання про співвідношення понять дані та знання. Загалом між цими поняттями немає чітких меж, проте це – різні поняття.

    Знання відбивають наші уявлення про предметну галузь і відображають систему понять, відношень та зв'язків між ними. Разом з тим дані — це ізольовані факти, відношення між якими і з зовнішнім світом в них самих не фіксовані, а знання —- це елементи інформації, що пов'язані між собою і з зовнішнім світом. Інакше кажучи, дані — це сукупність фактів без інструкції, як їх можна використати для розв'язання конкретної задачі. В той же час знання містять у собі крім даних, ще й інформацію про їх взаємозв'язки, які дають змогу цю задачу розв'язати. Однак, база знань часто містить у собі інформацію не про всі відношення між поняттями, що знаходяться в ній, а лише про ті, які є суттєвими для розв'язання конкретної задачі (наприклад, діагностування).

    У загальному випадку можна відзначити такі особливості знань, які відрізняють їх від даних:

    • інтерпретованість – дані розміщуються у пам'яті комп’ютера і їх безпосередня інтерпретація неможлива; ці дані інтерпретує лише програма, яка з ними працює. Проте знання можуть інтерпретуватись. Для того щоб система могла “знати”, що являє собою та чи інша інформаційна одиниця, що зберігається в її пам'яті, необхідно забезпечити ці одиниці пояснювальними описами. Ці описи передбачають присвоєння даній одиниці знань системи імен. Система включає індивідуальне ім'я даної інформаційної одиниці плюс послідовність імен тих множин чи класів, до яких ця одиниця входить.

    • структурованістьнаявність класифікуючих зв'язків: родовидові, елемент – клас, клас – підклас, тип – підтип, ситуація –під ситуація, що відбивають характер взаємозв'язку між певними одиницями.

    • зв’язаність – у БЗ між інформаційними одиницями встановлюються зв'язки різного типу, що характеризують відносини між об'єктами, явищами і т.п. Наприклад, зв'язки типу «причина — наслідок», «бути справедливим для», «сприяти» і т.п. Зв'язки дозволяють будувати процедури аналізу знань на сумісність, несуперечність і т.п., що важко реалізувати при збереженні традиційних масивів даних.

    • активність – поділ інформаційних одиниць, прийнятий у традиційному програмуванні, на дані і програми (команди) привело до того, що дані вважаються пасивними, а команди - активними. У системах, заснованих на знаннях, знання можуть ініціювати дії. Поява в інформаційній базі нових фактів, установлення нових зв'язків може стати джерелом активності системи. Знання, що представлені у інтелектуальній системі - це деяка модель, формалізоване представлення предметної області.

    Знання містять у собі дані про об'єкти, відношення і процеси. Об'єкти це структури символьних даних, відношення – списки властивостей, процеси втілюються у машинних програмах.

    Знання можна поділити на два типи. До першого типу знань, який іноді називають предметними або декларативними, належать факти, що характеризують предметну галузь — класи об'єктів і взаємозв'язки між ними. Предметне знання — це сукупність відомостей про якісні та кількісні характеристики конкретних об'єктів. Як правило, цей тип знань не містить у собі інформацію про те, як можуть бути використані ці описи.

    До другого типу знань належать процедурні знання. Вони включають у себе інформацію щодо процедур обробки інформації, точніше — відносно методів логічного виводу. Ці знання задають послідовність дій, які мають бути виконані, і послідовність цілей, які мають при цьому бути досягненні. Логічний вивід — це процедура, яка дає можливість продукувати нові відношення між об'єктами, що раніше у явному виглядібули невідомі. Отже, треба наголосити, що це тільки такі відношення, які можуть бути виведені, виходячи з існуючих у ЕС знань. Ніякої іншої інформації продукувати ЕС неспроможна.
    Представлення знань


    1. Однією з найбільш важливих проблем, характерних для систем, заснованих на знаннях, є проблема представлення знань. Це пояснюється тим, що форма представлення знань впливає на характеристики і властивості системи. Центральним питанням побудови систем, заснованих на знаннях, є вибір форми (моделі, мови, методу) представлення знань

    Існує багато способів представлення знань в сучасних експертних системах. Найчастіше використовується такі методи представлення знань: семантичні мережі, фрейми, логічні та продукційні моделі.

    Семантичні мережі є однією з найбільш поширених форм представлення знань. Вони були запропоновані в 60-і роки минулого сторіччя як відображення уявлень про понятійний апарат людини. Значну роль у їхньому поширенні відіграли великі можливості семантичних мереж щодо відображення довільної структури понять предметної області та наявність розроблених математичних методів вирішення задач на графах.

    У загальному випадку семантичну мережу може бути зображено у вигляді графу

    G=(X, R),

    де X={xi}, — множина вершин графу,

    R={}, — множина дуг.

    Вершини графу відповідають поняттям предметної області, а дуги — відношенням між ними (рис. 3).



    Рис. 3. Структура семантичної мережі
    Як додаткові характеристики графу, залежно від реалізації, можуть бути введені типи вершин, дуг, імена і вагові коефіцієнти відношень тощо.

    Характерна особливість семантичних мереж – обов’язкова присутність трьох типів відносин (рис.4):

    • клас, до якого належить певне поняття;

    • властивості, що виділяють це поняття серед інших понять певного класу;

    • приклад певного поняття.




    Рис.4. Базові відношення семантичних мереж
    Для побудови мережі, яка описує структуру події, спочатку потрібно виділити саму дію, яка, як правило, описується дієсловом і є "епіцентром" семантичної мережі. Потім виділяються інші поняття даної події, основними з яких є такі:

    • агент (діюча особа);

    • умова (логічна залежність між двома подіями);

    • інструмент (предмет, явище або пристрій, що виконує дію);

    • місце (де проходить подія);

    • об'єкт (предмет, на який скерована дія);

    • мета (для чого виконується дія);

    • адресат (особа, яка використовує результати дії");

    • якість (якісне або кількісне обмеження обсягу дії)

    1. На рис.5 наведено семантичну мережу події, яку можна описати фразою “Для отримання заліку студент Петренко написав на “відмінно” гелевою ручкою контрольну роботу в аудиторії 15”.

    Рис.5. Приклад семантичної мережі, що описує подію




    Основними перевагами семантичних мереж є універсальність і можливість відображення теоретично необмеженої кількості понять і відношень предметної області. Cемантичні мережі придатні для масштабування, в них ефективно реалізується пояснення рішень, а експорт-імпорт знань є можливим практично в будь-які інші типи моделей представлення знань.

    Недоліки семантичних мереж — висока обчислювальна складність реалізації процедур пошуку і логічного виводу для складних ієрархічних багаторівневих семантичних мереж
    Продукційні моделі представлення знань були вперше запропоновані Е. Постом у 70-і роки. Асоціативні зв'язки між поняттями предметної області та відповідними реакціями виражаються у вигляді правил-продукцій виду «якщо — то», що адекватно відображують процеси логічного виводув розумі людини. Бази знань продукційного типу є сукупністю незалежних правил-продукцій та понять предметної області.

    У загальному вигляді продукцію зображають у вигляді:

    R=< I, Q, P, А=>В, N >,

    де I — ім'я продукції;

    Q— сфера застосування продукції (метазнання системи);

    P— умова застосування ядра продукції;

    - ядро продукції,

    А — умова продукції;

    B — наслідок продукції;

    N— послідовність дій після застосування продукції.

    Ядро продукції найчастіше має вигляд «якщо А то В». У базах знань інтелектуальних систем умова продукції A виступає як деяке речення-зразок, логічний вираз, за яким здійснюється пошук у базі знань. Наслідок продукції B виступає як дія, процедура, яка виконується при успішному завершенні пошуку. При цьому В може бути і вказівкою на одержання нової інформації.

    С
    истеми обробки знань, які використовують продукційні правила, отримали назву продукційних систем. До складу продукційної системи входять база правил, база даних та інтерпретатор правил (рис.6). База правил - це область пам'яті, яка містить базу знань - сукупність знань, які представлені в формі правил вигляду "якщо-то"; база даних - це область пам'яті, яка містить фактичні дані (факти), що описують дані, які вводяться, і стан системи. Бази даних у різних системах мають різну форму, однак усі вони можуть бути описані як група даних, які містять ім'я даних, атрибути і значення атрибутів. Інтерпретатор є механізмом виведення, тобто тим компонентом системи, який формулює висновок, використовуючи базу правилі базу даних .

    Рис. 6. Схема продукційної системи
    Розглянемо приклад представлення знань в експертній системі MYCIN, яка призначена для роботи в області діагностики і лікування зараження крові та медичних інфекцій.

    "ЯКЩО: 1) ЗАБАРВЛЕННЯ ОРГАНІЗМУ Є ГРАМНЕГАТИВНИМ, І

    2) форма мікроорганізму - паличка, І

    3) ОРГАНІЗМ Є АЕРОБНИЙ

    ТО: Є ОСНОВИ ДУМАТИ (0.8), ЩО ЦЕЙ МІКРООРГАНІЗМ належить до класу enterobacteriaceae ".
    Це правило говорить про те, що якщо організм має форму палички, плямисте забарвлення і активно розвивається в середовищі, насиченому киснем, то з великою ймовірністю він належить до класу enterobacteriaceae. Число 0,8 називається фактором впевненості, що виражає міру впевненості у правильності здійсненого висновку.

    Часто продукційні правила мають декілька умов у посиланні. Однак висновок повинен бути єдиним (якщо висновків декілька, тоді знання логічно розділяють і доводять до вигляду правила з одним "ТО").

    Правила в базі знань служать для представлення евристичних знань, тобто неформальних правил міркування, що виробляються експертом їй основі досвіду його діяльності.

    Співставлення частин “якщо“ (правил з фактами) може утворити так званий ланцюжок виводу. Правила забезпечують природній спосіб опису процесів, що керуються складним і швидкозмінним середовищем. З допомогою правил можна визначити, як експертна система буде реагувати на зміну даних і при цьому не потрібно заздалегідь вказувати блок-схему управління обробкою даних

    Продукційні моделі характеризуються такими перевагами: простота аналізу окремих продукцій, простота поповнювання бази знань, простота реалізації бази знань та висока ефективність механізмів логічного виводу для невеликих обсягів знань.

    Недоліками продукційних моделей є: складність оцінки цілісного обсягу знань за окремими правилами, низька ефективність вирішення різнотипних задач; обмежена здатність продукційних систем до навчання; низька ефективність процедур обробки знань у разі необхідності вирішення складних задач.
    Фреймові моделі знань були запропоновані у 70-і роки минулого сторіччя як окремий випадок семантичних мереж для відображення стереотипних ситуацій предметної області. Фреймові моделі у порівнянні із семантичними мережами дають більш формалізований і в той же час досить гнучкий «механізм» представлення знань. У рамках фреймових моделей вдалося значною мірою об'єднати декларативні знання про об'єкти і процедурні знання про методи витягу і перетворення інформації для досягнення заданих цілей.

    Термін ”фрейм” (від англійської : frame — рамка) асоціюється з уявленням людиною про предмети, об’єкти, стереотипні ситуації, яке завжди обрамлено (обмежено) певними характеристиками та властивостями об’єкта чи ситуації. Кожному об’єкту (ситуації) ставиться у відповідність формальна конструкція – “фрейм”, а кожній характеристиці, властивості об’єкта — одне поле (слот) фрейма.

    Формально фрейм можна подати такою структурою:

    f [< v1, g1>, < v2, g2> …, ] ,

    де f — ім’я фрейму; пара [< vi, gi>] — i й слот, vi — ім’я слота, gi — його значення.

    Фрейми інколи поділяють на дві групи – фрейми - образи і рольові фрейми. В рольових фреймах в якості імен слотів виступають запитання, відповіді на які є значеннями слотів. Наприклад,

    фрейм-образ: «лікарські засоби[<аспірин, 5 упак.>, <парацетамол, 10 упак.>, …,<…>],

    фрейм-сценарій: «перевести[<що? аспірин>, <звідки? Львів>,<куди? Янів>… <…>]».

    Слот може містити як декларативну, так і процедурну інформацію. Іншими словами, значенням слота може бути число, математичний вираз, текст, програма тощо. Слотом може бути набір слотів більш низького рівня. Значеннями слотів можуть бути також імена інших фреймів, що забезпечує зв’язок між фреймами.

    Слот може містити не тільки конкретне значення, але й ім'я процедури, що дозволяє обчислити його за заданим алгоритмом, а також одну або декілька продукцій (евристик), за допомогою яких це значення можна знайти. У слот може входити не одне, а декілька значень. Іноді слот містить компонент, що називається фасетом і задає діапазон або перелік можливих значень. Фасет указує також граничні значення заповнювача слота.

    Специфічною функцією у фреймах є демон. Демон задає процедуру, яка автоматично запускається, коли в його слот підставляється деяке значення або коли проводиться звірення значень.

    Отже, з кожним слотом може бути зв'язана різноманітна інформація:

    • процедура;

    • способи отримання інформації про слот;

    • значення, що приймаються за замовчуванням;

    • правила логічного виведення.

    Якщо, слоти фрейма не містять конкретних значень, то фрейм називають прототипом, еталоном, формуляром, фреймом-інтенсіоналом або просто фреймом. Фрейми з конкретними значеннями слотів називають фреймами-екземплярами, фреймами-прикладами, фреймами-примірниками.

    У табл. 1 наведено приклад фрейму-екземпляра "Студент".

    Таблиця 1

    Ім'я слота

    Значення слота

    Прізвище

    Петренко

    Ім'я

    Максим

    По батькові

    Васильович

    Вищий навчальний заклад

    Львівський національний медичний університет імені Данила Галицького

    Факультет

    медичний

    Спеціальність

    лікарська справа

    Курс

    четвертий

    Група

    16

    Середній рейтинг

    186


    Сукупність фреймів можна зобразити у вигляді графу. Вершини графа відповідають фреймам-екземплярам, а дуги - зв'язкам між ними.

    Унаслідок сіткової організації та типізації вершин і зв'язків фреймові моделі претендують на компроміс між універсальністю і ефективністю логічного виводу. Проте, відсутність формальної семантики ускладнює логічну інтерпретацію і порівняння властивостей різних фреймових моделей. Крім того, внаслідок типізації вершин висуваються обмеження щодо поповнення бази новими типами знань.
    На сучасному етапі робіт в області ЕС нерідко використовується змішана форма представлення знань, оскільки велика кількість розв'язуваних задач вимагає різного представлення знань. Такі ЕС називаються гібридними..

    Джерелами знань для конкретної ЕС можуть бути підручники, довідники, матеріали конкретних досліджень у цій предметній області тощо. Самі розробники також можуть мати теоретичні знання і практичний досвід у даній області. Але класичним джерелом знань є експерт - професіонал у цій предметній області. Таким чином придбання знань вимагає врахування людського чинника. Для успішного вирішення цієї проблеми необхідні спільні зусилля математиків, програмістів, психологів.
    Завдання:


    1. Навести приклади бази знань, використовуючи різні моделі представлення знань.

    2. В мережі Інтернет знайти приклади медичних експертних систем.

    3. В текстовому редакторі описати призначення, модель представлення знань, типи задач, які вирішує кожна зі знайдених експертних систем.



    Рекомендована література:


    1. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. – М.: Радио и связь, 1992. – 200 с.

    2. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб.: Питер, 2001. - 384 с.

    3. Бакан Г.М. Вступ до теорії експертних систем та баз знань – К.:ВПЦ «Київський університет», 2005.-90с.

    4. Джексон П. Введение в экспертные системы : Пер. с англ.: Уч. пособие. – М.: Издательский дом «Вильямс», 2001. – 624 с.

    5. Готра О.З., Вуйцік В., Григор'єв В.В. Експертні системи – Львів: Ліга-Прес, 2006. – 290с



    написать администратору сайта