WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 |   ...   | 2 | 3 ||

4. Отображать и сохранять для дальнейшего анализа границы классов решений.

5. Представлять границы классов решений в виде правил.

6. Производить проверку границ классов решений и решающих правил путем предъявления их эксперту.

7. Строить разбиения классов решений на слои альтернатив различной степени сложности и сохранять их для дальнейшего использования в обучающей системе.

Рис. 5. Альтернатива, предъявленная эксперту для классификации в системе КЛАРА.

Задача диагностики заболевания рассматривается как задача порядковой классификации в многомерном пространстве, представляющем собой декартово произведения шкал диагностических признаков. Диагностика заболевания строится на клинических и инструментальных признаках, каждый из которых имеет от 2 до различных значений. Каждый элемент пространства может быть отнесен к одному классу решений. Для задачи диагности расслаивающей аневризмы аорты: «РАА», «не РАА»; для задачи диагностики острого инфаркта миокарда: «ОИМ», «Для ОИМ требуется дообследование» и «не ОИМ». С помощью системы КЛАРА эксперт построил полные классификации за сеанса работы по 3 часа с небольшими перерывами, ответив менее чем на 600 вопросов системы при общей суммарной размерности пространства свыше 10000 альтернатив. В первые два сеанса решались упрощенные задачи.

На основе проведенного анализа границ классов решений с помощью предложенного алгоритма был сформулирован набор решающих правил, с высокой точностью аппроксимирующих решения эксперта, и на их базе были построены решающие правила для диагностики рассматриваемых заболеваний. Эти правила были положены в основу обучающих систем, предназначенных для обучения начинающих врачей навыкам диагностики острого инфаркта миокарда и расслаивающей аневризмы аорты.

Функции обучающей системы ОСДИМ включают:

1. Обучение декларативным знаниям о данной предметной области.

2. Обучение процедуральным знаниям (практическим навыкам диагностики).

3. Ведение протокола обучения процедуральным знаниям.

Обучение процедуральным знаниям предполагает предварительное изучение декларативных знаний, то есть постановки рассматриваемой задачи диагностики, предлагаемых шагов ее решения, используемых диагностических признаков, их характерных значений для рассматриваемых заболеваний. Система обучения декларативным знаниям представляет собой электронный вариант краткого учебного пособия, после прочтения которого обучаемому предлагается решить ряд задач для проверки усвоенного материала.

Переход к обучению процедуральным знаниям, т.е. искусству диагностики, возможен только после овладения необходимым объемом декларативных знаний. До перехода ко второму этапу обучения пользователь предварительно экзаменуется на задачах максимальной сложности для определения уровня его начальной подготовки.

Обучение процедуральным знаниям начинается с наиболее простых задач. При правильных ответах обучаемого сложность задач постепенно увеличивается до максимальной. Каждая задача представляет собой развернутое описание гипотетического пациента, которому соответствует некоторая альтернатива в пространстве состояний задачи классификации.

Вместе с текстовыми фрагментами расшифровки ЭКГ изображаются и их графики. При неправильных ответах обучаемому немедленно предоставляются объяснения и комментарии, поясняющие выводы эксперта при решении аналогичных задач. Предоставляемые объяснения не могут непосредственно использоваться как решающие правила при решении предъявленной задачи, но способствуют развитию клинического мышления у пользователей обучающей системы.

После прохождения курса обучения пользователь еще раз сдаёт экзамен на той же выборке задач максимальной сложности, в результате чего делается вывод об эффективности обучения.

Эксперименты по обучению диагностике проходили на базе Учебно– научного центра по внедрению передовых медицинских технологий при ГКБ им. С.П. Боткина. В них принимали участие клинические ординаторы Российской государственной медицинской академии постдипломного образования и молодые врачи ГКБ им. С.П. Боткина, всего более человек. Курс обучения состоял из двух сеансов по 4 часа. За это время каждый из испытуемых решал в среднем около 500 задач. Если на предварительном тесте процент правильных ответов в среднем совпадал с показателями случайного выбора, то после окончания курса обучения испытуемые демонстрировали на контрольном тесте 90-100% совпадений с ответами эксперта. При этом они не могли словесно сформулировать полную систему решающих правил, которые бы описывали все их решения, т.е. сформированный навык диагностики был подсознательным.

Некоторые испытуемые проходили повторный тест через неделю и показатели снижались не более чем на 5%, что говорит о закреплении навыка.

В заключении изложены основные результаты и выводы по диссертационной работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ 1. Проведен анализ современных ИОС, основанных на экспертных знаниях, показавший, что наиболее значимыми характеристиками ИОС как средства передачи экспертных знаний являются качество базы знаний и ее соответствие психологическим аспектам принятия решений. Имеются существенные трудности в построении баз знаний для ИОС в слабоструктурируемых областях знаний, удовлетворяющих указанным требованиям.

2. В рамках подхода вербального анализа решений разработан новый метод классификации КЛАРА для построения полных и непротиворечивых баз экспертных знаний для слабоструктурируемых областей знаний, который имеет широкую область применимости.

3. Показано, что алгоритм КЛАРА превосходит по эффективности и не уступает по вычислительной сложности алгоритмам порядковой классификации КЛАНШ, ОРКЛАСС, немного отстаёт по эффективности от алгоритма ЦИКЛ, но способен решать значительно более широкий круг задач, включая эффективную применимость к случаям разреженных пространств альтернатив для классификации, а также работу с частично упорядоченными шкалами критериев.

4. Введено понятие зоны неустойчивых экспертных знаний в задачах порядковой экспертной классификации и проведены эксперименты по исследованию возможности выявления этой зоны.

5. Разработан алгоритм поиска формальных решающих правил, описывающих порядковую классификацию многокритериальных объектов.

6. Предложена общая методика построения экспертных баз знаний с повышенными требованиями к достоверности знаний, пригодных для построения на их основе интеллектуальных обучающих систем.

7. С помощью системы КЛАРА построены полные и непротиворечивые базы знаний для задач диагностики острого инфаркта миокарда и расслаивающей аневризмы аорты.

8. На основе построенных баз знаний созданы интеллектуальные обучающие системы ОСДИМ и РАА, которые используются в Учебно-научном центре по внедрению передовых медицинских технологий ГКБ им. С. П. Боткина, г. Москва, и ГКБ №33 им. А.А.

Остроумова, г. Москва, для повышения квалификации молодых врачей.

В приложении приведены вспомогательный алгоритм нумерации вершин графа доминирования альтернатив с оценкой его вычислительной трудоемкости, таблицы эффективности метода решения упрощенных задач, данные численного моделирования алгоритма КЛАРА, структура рассматриваемых задач.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ 1. Кочин Д.Ю. Метод классификации заданного множества многокритериальных альтернатив. // Методы поддержки принятия решений. Сборник трудов Института системного анализа РАН. — М.: Эдиториал УРСС, 2001. — С. 4-18.

2. Kochin D.Yu., Larichev O.I., Kortnev A.V. Decision support system for classification of a finite set of multicriteria alternatives. // Journal of Decision Support Systems, 2002, 33, — С. 13-21.

3. Кочин Д.Ю., Асанов А.А. Метод выявления решающих правил в задачах экспертной классификации. // Искусственный интеллект, 2002, №2. — С. 20-31.

4. Кочин Д.Ю., Асанов А.А. Выявление подсознательных экспертных решающих правил в задачах многокритериальной классификации. // Восьмая национальная конференция по искусственному интеллекту с международным участием (КИИ’2002). Труды конференции. Том 1. – М.: Физматлит, 2002. — С. 534-544.

5. Кочин Д.Ю., Подлипский О.К. Системы неявного обучения экспертным знаниям. // Искусственный интеллект, 2004, №2. — С.

305-309.

6. Кочин Д.Ю., Подлипский О.К. Построение баз экспертных знаний. // Моделировние процессов управления, Сборник научных трудов. — М.: Московский физико-технический институт, 2004.— С. 116-123.

7. Кочин Д.Ю., Подлипский О.К. О границах классов решений в задачах экспертной классификации. // Некоторые проблемы фундаментальной и прикладной математики. — М.: Московский физико-технический институт, 2004.— С.103-118.

8. Kochin D., Ustinovichius L., Sliesoraitiene V., Implicit Learning System for Teaching the Art of Acute Cardiac Infarction Diagnosis. // 10th Conference on Artificial Intelligence in Medicine (AIME 05). S. Miksch et al., (Eds.): LNAI 3581, 2005.— С. 395-399.

9. Кочин Д.Ю. Построение систем неявного обучения экспертным знаниям. // Труды I-ой международной конференции «Системный анализ и информационные технологии» (SAIT-2005). В 2 т. Т. 1.— М.: КомКнига, 2005.— С. 263-267.

10. Кочин Д.Ю. Система неявного обучения диагностике острого инфаркта миокарда. // Методы поддержки принятия решений.

Сборник трудов Института системного анализа РАН. Т.12 — М.:

Едиториал УРСС, 2005. — С. 26-42.

Pages:     | 1 |   ...   | 2 | 3 ||






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»