Логический подход к разработке автоматизированной системы формирования послеоперационных заключений и анализа данных в новых медицинских технологиях

• Автор: Шевченко, Александр Николаевич
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Москва
• Количество страниц: 130 с. : ил

ОГЛАВЛЕНИЕ
ОГЛАВЛЕНИЕ
ВВЕДЕНИИ.

1. Актуальность проблемы

2. Цель и задачи исследования.

3. Научная новизна исследования.

4. Практическая значимость результатов исследования и их внедрение

в практику.

5. Содержание работы

ГЛАВА 1. Методы и системы приобретения и представления знаний.

1.1. Приобретение знаний.

1.1.1. Интервью
1Л .2. Методы когнитивной психологии.
1Л .3. Диагностические игры
1.2. Представление знаний
1.2.1. Система .
1.2.2. .
1.2.3. i, i .
1.2.4. , i
1.2.5. i .
1.2.6.
1.3. Постановка задач исследования.
Выводы к главе 1
ГЛАВА 2. Построение модели знаний в системах принятия решений для
новых медицинских технологий
2.1. Модель представления знаний.
2.1.1. Виды семантических связей.
2.1.2. Типы сообщений. Формальное определение отношений
2.1.3. Правила формирования сообщений
ОГЛАВЛЕНИЕ
2.2. Сетевая фреймовая модель представления объектов сети.
2.2.1. Фреймы
2.2.2. Модель знаний.
2.2.3. Связанные процедуры демоны
2.2.4. Правила.
2.3. Формальное представление семантических свойств фреймовой модели
2.3.1. Основные понятия модели знаний. Структурный уровень.
2.3.2. Ограничения семантической целостности.
2.3.3. Основные операции во фреймовых моделях
2.4. Логическая модель ЛХЭ
2.4.1. Пример формирования текстового фрагмента результатов ЛХЭ Выводы к главе 2
ГЛАВА 3. Связь базы данных и базы знаний в системе ЛХЭ
3.1. Методы ii в задаче выявления знаний из баз данных.
3.2. Методы выявления знаний
3.3. Методы анализа данных
3.4. Некоторые индуктивные алгоритмы и алгоритмы построения деревьев решений
3.5. База знаний
3.6. Формальный концептуальный анализ данных
Выводы к главе 3
ГЛАВА 4. Описание системы мониторинга лапароскопической холецистэктомии СМ ЛХЭ.
4.1. Назначение
4.2. Основные возможности
4.2.1 Требования к аппаратному обеспечению
4.3. Работа с СМ ЛХЭ.
4.3.1. Режимы запуска.
ОГЛАВЛЕНИЕ
4.3.2. Режим работы Администратор
4.3.3. Режим работы Пользователь.
4.4. Фреймовая сеть.
4.4.1. Реализация суперфрейма
4.4.2. Реализация фрейма Осмотр, пальпация живота.
4.5. Формирование протоколов.
4.5.1. Реализация текстового фрагмента.
4.5.2. Пример енерации текстового фрагмента
Выводы к главе 4
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ


Формализация фреймового представления модели знаний позволяет решить важные вопросы обоснования логического вывода и обобщить представление для различных областей знаний. На основе экспертных заключений построено логическое дерево решений СМ ЛХЭ, представляющее собой И/ИЛИ дерево. Третья глава посвящена вопросам связи базы данных и базы знаний в системе мониторинга ЛХЭ. Создаваемые в рамках разработанной системы документы, отражающие "историю" проведенной ЛХЭ являются источником создания специальной базы данных "ЛХЭ". Конкретизация в процессе диалога антецедентной части в продукциях становятся значениями атрибутов записей базы данных. С другой стороны, к моменту создания конкретного документа базы данных ЛХЭ сформирована ретроспективная база данных, содержащая значительно больший объем информации о пациенте, в том числе, возможно, и рекомендации к проведению ЛХЭ. ЛХЭ. Установление связи между этими базами - проблема узко профессиональной интеграции баз данных имеет чисто технический, а не идеологический интерес. Для решения задачи интеграции предложен метод формального концептуального анализа (ФКА) данных, на основе которого решается проблема классификации данных и, как результат классификации, формулируются правила на подмножествах классифицированных данных. На основе ФКА приведен пример построения концептуальной решетки концептов для анализа результатов выполнения ЛХЭ. Четвертая глава посвящена вопросам реализации разработанной программной системы. В заключении формулируются основные научные и практические результаты диссертационного исследования. ГЛАВА 1. Привлечение методов искусственного интеллекта (ИИ) к решению актуальных задач в новых медицинских технологиях сводится к созданию информационных систем, условно характеризуемых как экспертные. Под такое определение можно свести любые интеллектуальные информационные системы, в том числе и в медицине, способствующие извлечению знаний, принятию решений на основе обработки знаний, обучению, модификации знаний, интеллектуализации баз данных и т. Триединые задачи ИИ, определяющие его содержание, классификацию решаемых задач, - это приобретение знаний, представление знаний и обработка знаний. В конечном счете, эта триада должна способствовать активности знаний. Эта активность может быть отложенной или актуализированной, но важно, что ее целенаправленное использование представляет собой попытку в той или иной форме принятия решения. Таким образом, некое ситуативное состояние становится источником знаний для воздействия на это состояние с целью его изменения или перехода в другое. Вся группа специфических систем обладает общим свойством, которое оправдывает принадлежность их к системам ИИ, - это наличие в них элементов рассуждений, декларируемых в виде правил. Примером элементарного правила, в то же время универсального, является продукция "если. Оно может быть представлено различными формализмами по-разному, но возможность актуализации некоторого нового состояния или выполнения действия, приводящего к новой транзакции, связано с выполнением (эксплицитно или имплицитно) условий. Обобщенная экспертная система может быть представлена схемой, показанной на рис. Рис. Задача формирования базы знаний, отражающей предметную область, осложнена тем, что направленность профессиональной интеллектуальной активности эксперта не совпадает с его вербальными сообщениями. Иными словами, самые компетентные эксперты оказываются малокомпетентными при попытке описать те знания, которыми они пользуются при решении задач. Все это становится поводом к пессимистическим оценкам количества экспертных систем, создаваемых в различных областях. Что же касается качества экспертизы, то возможность модификации базы знаний внушает оптимизм, поскольку относительная неполнота в перспективе может быть в значительной степени разрешена. Трудности, возникающие при формализации знаний, как отмечалось, являются в тех объективных методах извлечения знаний, которые характеризуют предметную область, и носителем которой являются эксперты. Поэтому здесь рассмотрим методы приобретения знаний в соответствии с предлагаемой ниже классификацией.