Компоненты активных СППР: вероятностный модуль, экспертные системы, статистический модуль, нейросетевой модуль, вероятностный модуль, модуль, основанный на моделировании.
Статистический модуль основан на решении дискриминантных уравнений. (f(D) = a1x1 + a2x2+…+anxn), где а – коэффициент (их значения получены на основе статистических данных, характеризующих диагностическую значимость симптома), х – симптом (бинарная величина – 1-наличие, 0-отсутствие)
Пример: диагностика аппендицита и сальпенгита.
Симптомы: - жесткость мышц живота (AR)
- боль в правом левом квадранте (PRLQ)
- боль в нижней части живота (PLLQ)
Выбираем диагноз, при котором величина f наибольшая
f (апп) = 4AR + 10RRLQ – 10PLLQ
f (сальп) = 3AR + 5PRLQ + 5PLLQ
Вероятностный модуль.
В основу его положена формула Байеса
p (Di/s) = (P(s/Di)*P(Di) / (Ʃ (P(s/Dk)*P(Dk))
где Di – наличие заболевания
s – симптом
P(S/Di) – условная вероятность (ДЧ)
P(Di) – априорная вероятность (характеризует распространенность заболевания)
Пример N1. Известно, что в случае заболевания туберкулезом рентгеновское исследование позволяет поставить диагноз в 95% случаев (чувствительность метода = 95%). Если исследуемый здоров, то ложный диагноз туберкулеза ставится в 1% случаев (специфичность метода = 100 - 1 = 99%). Доля больных в популяции составляет 0.5%. Какова вероятность того, что обследованный пациент, которому поставили диагноз туберкулеза, действительно болен?
Решение: Пусть D1 – наличие заболевания; D2 – пациент здоров, А – событие, в нашем случае рентгеновское обследование, позволяющее установить точный диагноз.
Известны априорные вероятности того, что случайно выбранный пациент здоров p(D2) = 0,995 или страдает туберкулезом p(D1) =0.005, произошло событие - при рентгеновском обследовании поставлен диагноз туберкулеза, известны условные вероятности p(A/D1) =0.95 (чувствительность),p(A/D2) =0.01 (специфичность). Отсюда апостериорная вероятность того, что пациент болен:
p(D1/A) = p(A/D1)*p(D1) / (p(A/D2)*p(D2) + P(A/D1)*p(D1)) = 0.95*0.005 / (0.01*0.995 + 0.95*0.005) = 0.32
В лекции он говорил, вместо А (обследование)- S (симптом), надо было вычислять эту вероятность (D1/s) для каждого симптома, а потом смотреть, для какого она больше – значит ставят такой диагноз.(Дифференциальная диагностика – из нескольких выбираем 1). Что-то вроде этого.
Основные модули активной СППР (перечислить). Нейросетевой модуль. Определение нейросетей. Основные направления применения в медицине. Понятие нейрона, его основные компоненты. Слои нейронов. Процедура обучения.
Компоненты активных СППР: вероятностный модуль, экспертные системы, статистический модуль, нейросетевой модуль, модуль, основанный на моделировании.
Нейросетевой модуль и экспертная система относятся к интеллектуальным СППР
Нейросети – NN – компьютерная программа, основанная на использовании виртуальных нейронов, связи между которыми устанавливаются в ходе процедуры обучения. Нейроны формируются в слоях: входном, промежуточном и выходном.
Вход его регулируется, на промежут. этапе происходит саморегуляция системы и после выхода уже регулировать его невозможно.
Типичные задачи, решаемые с помощью NN
распознавание образов (изображения на дисплее КТ, МРТ, УЗИ)
Предсказание будущих исходов события (результат операции, тяжелой терапевтической проедуры)
Компоненты нейрона:
Блок объединения входных сигналов (компонента нейрона, которая собирает множество входных сигналов. суммирует и передает далее 1)
Блок функционального преобразования сигнала (выполняет математическую операцию, преобразующую данный сигнал)
Величина порогового сигнала опред-т минимальную величину сигнала, вырабатываемого блоком функц. преобразования, при которой сигнал поступает на вход нейрона.
Каждый нейрон 1 слоя связан с нейронами последующих слоев. Если суммарный сигнал (стимул) превосходит пороговую величину, то преобразованный. согласованный встроенной в блок функционального преобразования формуле, сигнал поступает на вход нейронов следующего слоя.
Пороговая величина задается в ходе процедуры обучения нейросети. При обучении тестовая информация поступает на входы нейросети, а значение выходов для данной сети задается. Нейросеть автоматически настраивается на получение правильной комбинации выходов при заданной входной информации. Такие тесты проводятся десятки и сотни раз, при сохранении всех.
Число исходных тестов называется эпохами (не меньше нескольких десятков)
Основные модули активной СППР (перечислить). Данные и знания (определение). Экспертные системы (ЭС), определение. Предметные области для экспертных систем. Обобщенная структура ЭС. Понятие о дедуктивном методе расследования. Логические модули. Инструментальные средства построения ЭС. Требования, предъявляемые к медицинским ЭС. Кто участвует в разработке ЭС? Какие базовые функции реализуются в ЭС? Примеры автоматизированных гибридных систем для поддержки принятия решений.
Модули СППР
-модуль математического моделирования
-статистический модуль
-вероятный модуль
-нейросетевой модуль
Данные – это полученные в результате наблюдения (исследования) числа или обнаруженные явления, обозначаемые символами или словами, которые фиксируются, передаются с помощью средства связи, могут обрабатываться с использованием вычислительной техники.
Данные, накапливаемые индивидуумом как результат опыта и зафиксированные в той или иной, представляют собой знания.
Знания предметной области по источникам можно разделить на фактические и эвристические. Фактические знания – хорошо известные в данной предметной области факты, описанные в специальной литературе. Эвристические знания основаны на собственном опыте специалиста-эксперта, пользоваться ими нужно осмотрительно, но именно они определяют эффективность ЭС.
Экспертная система – это программа для компьютера, оперирующая с формализованными знаниями врачей-специалистов и имитирующая логику человеческого мышления, основанную на знаниях и опыте экспертов с целью выработки рекомендаций или решения проблем. Одним из важных свойств ЭС является ее способность объяснить понятным для пользователя образом, как и почему принято то или иное решение. ЭС эффективны в специфических областях, таких как медицина, в которой существует много вариантов проявлений заболеваний и поэтому отсутствуют однозначные критерии диагностики и лечения, в связи с чем важен эмпирический опыт специалистов и качество принятия решений зависит от уровня экспертизы.
Пользователем ЭС обычно является специалист в той же предметной области, для которой разработана система, но его квалификация недостаточно высока по конкретному профилю патологии, в связи с чем он нуждается в поддержке принятия решений. Пользователями медицинских ЭС могут быть также врачи смежных специальностей, общей практики, ординаторы, интерны.
Как разработчики, так и пользователи предъявляют к медицинским ЭС ряд требований.
1. Система должна обеспечивать высокий уровень решения задач в своей предметной области.
2. «Поведение» ЭС (задаваемые врачу вопросы, рекомендации, логика работы и принятия решений) должно моделировать поведение грамотного врача.
3. Система должна объяснять полученные решения, используя конструкции, понятные врачу.
4. Созданные ЭС должны обеспечивать возможность модификации при обновлении медицинских знаний по данной предметной области.
В ЭС реализуются четыре базовые функции:
1. Приобретение (извлечение) знаний
2. Представление знаний
3. Управление процессом поиска решений
4. Разъяснение принятого решения
Экспертная система имеет структуру, состоящую из набора определенных блоков.
Наиболее важные области применения экспертных систем:
Диагностика неотложных и угрожающих состояний в условиях дефицита времени
Ограниченные возможности обследования
Скудная клиническая симптоматика
Быстрые темпы развития заболевания
В создании экспертных систем участвуют, как правило, врач-эксперт, математик и программист. Основная роль в разработке такой системы принадлежит эксперту-врачу.
У полностью оформленной экспертной системы присутствуют 4 основных компонента (блока):
База знаний
Машина вывода
Модуль извлечения знаний
Система объяснения принятых решений
Кроме того, хорошая экспертная система имеет блок для пополнения базы знаний – система с обучением.
Экспертные системы позволяют не только производить раннюю доклиническую диагностику, но также оценивать сопротивляемость организма и его предрасположенность к заболеваниям, в том числе онкологическим.
Примеры: MYCIN (предназначена для идентификации возбудителей инфекционных заболеваний), PUFF (диагностика легочных заболеваний с использованием результатов функциональных исследований), ONCOCIN (для химиотерапевтического лечения онкологических больных и наблюдения за ними), МОДИС (для диагностики различных форм артериальной гипертензии), ЭСТЕР (для диагностики лекарственных отравлений).
Модуль математического моделирования. Перечислить основные этапы построения и применения модели. Расчётный пример для фармако-кинетической модели (однокамерная) модель с выведение лекарства). Случаи разовой инъекции и инъекции через капельницу.
Моделирование – это метод, при котором производится замена изучения некоторого сложного объекта исследованием его модели.
Математические модели представляют собой системы математических выражений – формул, функций, уравнений, описывающих те или иные свойства изучаемого объекта, процесса. При создании математической модели используют физические закономерности, выявленные при экспериментальном изучении объекта моделирования. Математическая модель позволяет судить о поведении таких систем и в таких условиях, которые трудно создать в эксперименте, изучать работу исследуемой системы целиком.
Основные этапы математического моделирования:
1.Первичный сбор информации (исследование характеристик реального объекта).
2.Формулировка цели исследования, его основных задач.
3.Обоснование основных допущений (упрощение реального объекта, пренебрежение характеристиками, не существенными для цели исследования).
4.Изображение моделируемых процессов в виде определенной схемы (создание модели).
5.Формализация модели (составление уравнений, описывающих происходящие процессы).
6.Решение уравнений.
7.Анализ полученных уравнений.
8.Проверка адекватности модели реальному объекту. Указание границ применимости модели.
Т.о., модель как бы согласовывает реальный объект с целью исследования. Результатом моделирования является получение новых данных о протекании изучаемого процесса, его свойствах.
Для описания кинетики изменения концентрации введенного в организм лекарственного препарата предлагается фармакокинетическая модель.
Моделирование физиологических процессов и систем,основан на решении математических уравнений.
Решение диференц. Уравнений решениеанализпринятие решений
Пример:фарм –кинеетическая модель-класс модели,которая позволяет получить значение конц. Вещ-ва в организме человека.
Решает вопрос дозировки С(x,t)модель циркуляции крови-гемодинамика(3 круга кровообращения)
1)модуль математического моделирования физиологических процессов и систем.пример фарм-кинетическая модель.задача:описание концентрации лекарственного вещества во времени С(t,x),определяется деятельностью сердечно-сосудистой системы.