РЕФЕРАТ по курсу «История технических наук» (отрасль науки ) на тему «Интеллектуальные и экспертные системы в медицине: история развития исследований» СОДЕРЖАНИЕ Введение………………………….……………………………………………………….……..3 1. Искусственный интеллект и его применения в медицине.………………………………5 1.1. Понятие искусственного интеллекта………………………………………....5 1.2. Экспертные системы как приложение искусственного интеллекта……....6 1.3. Медицинские знания и их отражение в экспертных системах……………..7 1.4. Методы представления знаний в экспертных системах……………………8 1.5. Классификация медицинских экспертных систем………………………….9 2. История развития медицинских экспертных систем……………………………………..9 2.1. Предпосылки возникновения искусственного интеллекта……………….10 2.1.1. Философия……………………………………………………………...10 2.1.2. Естественные науки……………………………………………………10 2.1.3. Технические науки……………………………………………………..11 2.2. Становление искусственного интеллекта…………………………………..11 2.3. История развития медицинских экспертных систем………………………13 2.4. Перспективы развития медицинских экспертных систем………………...18 3. Философские аспекты медицинских интеллектуальных систем……………………….20 Заключение…………………………………………………………………………...………...21 Список литературы…………………………………………………………………………….22 2 Введение Исследования в области искусственного интеллекта занимают важное место в системе информационных наук. С самого начала в рамках искусственного интеллекта рассматривались достаточно сложные задачи, которые являются предметом передовых научных исследований: создание систем, основанных на знаниях, доказательства теорем, машинный перевод, распознавание образов, планирование работы роботов, стратегии игр и многое другое. Применение методов искусственного интеллекта в медицине обычно связывают с возникновением экспертных систем в середине 70-х годов ХХ века как результата 30-летнего периода исследований. Основные соображения на этот счет высказал Э. Фейгенбаум на 5-й Объединенной конференции по искусственному интеллекту в 1977 году [1]. Суть их состояла в том, что специалисты достигают нужных результатов, накапливая знания и опыт; если интеллектуальные системы будут действовать подобным образом, то и они смогут достичь высоких результатов. Экспертные системы стали одним из самых успешных приложений искусственного интеллекта, так как в них достаточно неплохо в практическом смысле, решается классическая задача – программирование интеллекта. Экспертные системы (интеллектуальные системы, системы, основанные на знаниях) – одно из главных направлений искусственного интеллекта, которое достаточно успешно реализуется в современной медицине. Экспертные системы проводят консультирование, ставят диагнозы, назначают лечение, делают прогнозы. Практическое применение экспертных систем способствует повышению эффективности работы и квалификации специалистов. Причиной повышенного интереса к экспертным системам является возможность их применения для решения задач из самых различных медицинских дисциплин. Эти системы представляют собой программы, которые могут воспроизводить процесс решения проблемы врачом-экспертом. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы. В последние годы непрерывно возрастает значение интеллектуальных систем как составляющих различных медицинских технологий. Кроме того, использование современных информационных технологий становится критическим фактором развития большинства отраслей знания и областей практической деятельности, поэтому разработка и внедрение таких систем является одной из самых актуальных задач [2]. Экспертные системы в клинической медицине находят применение в следующих ситуациях: дифференциальная диагностика и выбор лечения в широком круге нозологических форм; анализ динамики патологического процесса (с учетом проводимой терапии); 3 оценка состояния в режиме «реального» времени (при неотложных состояниях); выявление прогностически неблагоприятных ситуаций; выбор лечебной тактики. Целью данного реферата является исследование истории развития интеллектуальных медицинских систем как основного приложения искусственного интеллекта, анализ исторических предпосылок их возникновения, обзор современного состояния экспертных систем медицинского назначения, а также анализ перспектив существующих в данной области. Основное внимание уделено развитию экспертных систем, как одного из самых успешных приложений искусственного интеллекта в медицине. 4 1. Искусственный интеллект и его применения в медицине 1.1. Понятие искусственного интеллекта Термин «искусственный интеллект» (Аrtificial intelligence) впервые был предложен Джоном Маккарти в 1956 году на конференции по компьютерным наукам, проведенной в Дармутском колледже. Понятие «intelligence» означает «умение рассуждать разумно». К середине XX века в науке накопилось достаточное количество знаний в области естествознания и технических наук для того, чтобы человечество озадачилось вопросом создания «мыслящих» машин и обозначило сферы их практического применения. Этому способствовали достижения в области таких наук, как философия, математика, нейрофизиология, психология, лингвистика, кибернетика и др. Сегодня под искусственным интеллектом (ИИ) понимается направление в науке, задачи которого тесно связаны с разработкой методов моделирования отдельных функций человеческого интеллекта с помощью программно-аппаратных средств ЭВМ. Искусственный интеллект является одним из приоритетных направлений современной информатики, связанным с созданием следующей ступени ее развития – новых информационных технологий [3]. ИИ является междисциплинарной областью, которая требует знаний не только в области информатики, но и в других науках, таких как логика, лингвистика, психология, биология, философия, статистика и т.д. Перечислим основные области исследований, в которых реализуется ИИ сегодня: 1. Разработка систем, основанных на знаниях. Является одним из главных направлений ИИ. Основной целью создания таких систем является выявление, исследование и применение знаний специалистов для решения различных практических задач. Примеры практических разработок подобных систем обычно ассоциируются с экспертными системами. 2. Разработка систем общения на естественном языке и машинного перевода. В основе - классификация грамматических правил и приемов использования словаря. Но для перевода текста также необходимы алгоритмы анализа его смысла, создание которых пока является нерешенной задачей. 3. Разработка систем на основе обучения, самоорганизации и эволюции. Моделирование этих принципов связано с использованием законов функционирования, свойственных биологическим системам. Процесс обучения связан со способностью системы накапливать информацию и, в соответствии с ней, рационально корректировать свое поведение. 4. Распознавание образов. Является одним из самых ранних направлений ИИ. Оно связано с моделированием особенностей восприятия внешнего мира, узнавания объектов. В 5 основе лежит тот факт, что все объекты могут быть проклассифицированы по определенным признакам. 5. Игры и машинное творчество. Охватывает сочинение музыки, стихов, автоматизацию изобретения новых объектов, а также компьютерные игры. 6. Программное обеспечение систем ИИ. Инструментальные средства для разработки интеллектуальных систем включают специальные языки программирования, представления знаний, среды создания систем ИИ, а также оболочки экспертных систем. 7. Робототехника. Создание интеллектуальных роботов связано с объединением технологий ИИ и методов кибернетики, робототехники. 1.2. Экспертные системы как приложение искусственного интеллекта Из всех направлений ИИ в медицине наиболее успешно реализовались системы, основанные на знаниях или экспертные системы (ЭС). Экспертные системы представляют собой достаточно успешное приложение искусственного интеллекта, так как в них достаточно неплохо в практическом смысле, решается классическая задача ИИ – программирование интеллекта. ЭС были разработаны как научно-исследовательские инструментальные средства специального типа в 1960-х годах и рассматривались в качестве искусственного интеллекта специального типа, предназначенного для успешного решения сложных задач в узкой предметной области, такой как медицинская диагностика заболеваний [4]. ЭС получили широкое распространение в бизнесе, науке, технике, медицине, а также во многих других сферах, где существует четко определенная предметная область. Предметная область – это сфера деятельности человека, в рамках которой осуществляется интерпретация получаемой и обрабатываемой информации. Объектом изучения медицинских ЭС являются процессы моделирования интеллектуальной деятельности врача-эксперта. Предметом исследования ЭС можно считать интеллект человека, профессиональная интеллектуальная деятельность которого напрямую связана с какой-либо специализированной областью знаний, в нашем случае с медициной. При этом законы, по которым осуществляется интеллектуальная деятельность специалистаэксперта, являются заранее неизвестными и, следовательно, не могут быть обработаны с помощью алгоритмических методов. Область исследований, посвященная формализации способов представления знаний и их построению, называют «инженерией знаний». Этот термин введен Э. Фейгенбаумом и в его трактовке означает «привнесение принципов и средств из области искусственного интеллекта в 6 решение трудных прикладных проблем, требующих знаний экспертов». Иными словами, ЭС применяются для решения неформализованных проблем, к которым относятся задачи, обладающие одной или несколькими характеристиками из следующего списка [5]: - задачи не могут быть представлены в числовой форме; - исходные данные и знания о предметной области неоднозначны, неточны, противоречивы; - цели нельзя выразить с помощью четко определенной целевой функции; - не существует однозначного алгоритмического решения задачи. Профессор Э.Фейгенбаум, один из основоположников технологии ЭС, определил понятие экспертной системы как «интеллектуальной компьютерной программы, в которой используются знания и процедуры логического вывода для работы с достаточно трудными задачами, требующими для своего решения значительного объема экспертных знаний человека» [4]. Таким образом, экспертная система – это компьютерная система, которая эмулирует способности эксперта к принятию решений. Термин «эмулирует» означает, что ЭС обязана действовать во всех отношениях как человек-эксперт. В ЭС для решения задач на уровне человека-эксперта широко используются специализированные знания. Термины «экспертная система» и «система, основанная на знаниях» часто используются как синонимы. Термином «эксперт» обозначается личность, обладающая экспертными знаниями в определенной области. В качестве знаний в ЭС могут использоваться и экспертные знания, и обычные общедоступные знания, которые могут быть получены из книг, журналов и других источников информации. Сам процесс получения знаний от человека-эксперта или из других источников информации и последующее представление знаний в ЭС называется инженерией знаний. Соответственно специалист, осуществляющий вышеуказанные процедуры (получение знаний от эксперта и их последующее представление) называется инженером по знаниям. 1.3. Медицинские знания и их отражение в экспертных системах Знания врачей чаще всего представляют собой синтез опыта и декларативных знаний в своей проблемной области. Можно сказать, что врач в конкретной ситуации сочетает необходимые знания с личным опытом. Также, в зависимости от опыта и квалификации, он может выявлять редкие и атипичные формы заболеваний, прогнозировать динамику процесса. Основанные на знаниях ЭС имитируют логику врачебного мышления, опираясь на базу знаний в отдельной предметной области медицины. База знаний содержит формализованную 7 информацию о диагностической и прогностической значимости наблюдаемых признаков, их связях и степени выраженности. Все знания о болезнях разделяются на декларативные – для описания собственно заболеваний и процедурные, указывающие на то, как использовать знания в процессе диагностики. Сложность создания ЭС заключается в адекватном представлении знаний из соответствующей предметной области. Наиболее важным и, одновременно, самым трудоемким разделом при создании ЭС является этап концептуализации, предполагающий содержательный анализ предметной области: определение используемых понятий, их взаимосвязей и методов решения поставленных задач. Важно организовать диалог с врачом-экспертом так, чтобы преобразовать в слова хотя бы часть того, что принято называть интуицией врача и что в первую очередь отличает специалиста высокой квалификации [6]. Мышление человека в процессе принятия решений использует также механизм ассоциаций, роль которых возрастает по мере приобретения знаний и накопления практического опыта. Мощность ассоциативного мышления возрастает с опытом врача, включая особенности связей, характерные для атипичных вариантов заболеваний и редких нозологических форм. 1.4. Методы представления знаний в экспертных системах Формальное представление знаний реализуется чаще всего с помощью одного из следующих трех механизмов: 1. Фреймы (в переводе с английского языка – остов, каркас, рамка). Фрейм имеет имя и состоит из набора позиций, которые содержат значения различных свойств, логические и семантические отношения, то есть декларативные и процедурные знания, упоминавшиеся выше. Заполняя во фреймах пустые позиции (слоты) соответствующими данными, их превращают в носителей конкретного знания. Чем больше слотов во фрейме, тем шире представление об описываемом объекте. 2. Семантические сети. Происхождение понятия семантические сети связано с отражением смысла выражений человеческого языка, в формальном виде они содержат узлы (представляющие собой понятия или концепты) и связи, определяющие отношения между ними. Семантическая сеть может использоваться самостоятельно или в сочетании с фреймовым формализмом, что обеспечивает решение проблемы наследования свойств элементов. 3. Продукции (или продукционная система) – это набор множества правил, включающий знания о времени их применения. Фреймово-продукционный формализм 8 представления знаний позволяет не производить полного перебора всех правил, а осуществлять целенаправленный поиск по сети фреймов. 1.5. Классификация медицинских экспертных систем На сегодняшний день общепринятой классификацией медицинских ЭС не существует, также как не существует классификации экспертных систем вообще. Чаще всего ЭС дифференцируют по областям применения. Также и ЭС медицинского назначения целесообразно классифицировать по выполняемым ими функциям. В зависимости от выполняемых функций все ЭС, применяющиеся в медицинской отрасли можно разбить на несколько больших групп [7]: 1.ЭС в диагностике заболеваний. Диагностические системы такого вида имеют общие характеристики: в них выводадиагностических используются решений при алгоритмы искусственного неопределенности информации интеллекта о для выявленных симптомах. База медицинских знаний наполняется врачами-специалистами из различных областей медицины. 2. ЭС для мониторинга состояния здоровья пациента. Такие системы предоставляют возможность в режиме реального времени оценить состояние больного и своевременно сообщать о возникших проблемах. Они разделяются на внутри- и внебольничные. 3. ЭС по планированию лечения. Такие системы проводят подбор лекарственных средств с учетом индивидуальных особенностей пациента, и определяют тактику ведения больного в рамках принятых стандартов оказания медицинской помощи. 4. ЭС для прогнозирования развития заболеваний. Прогностические системы позволят определить риски развития опасных заболеваний, риски развития осложнений, а также оценят эффективность назначенных лекарственных средств. Обращение к экспертной системе наиболее актуально в онкологической практике. 5. ЭС для распознавания образов и сигналов. Существуют ЭС расшифровки показателей ЭКГ, ЭЭГ, РЭГ, которые включены в программное обеспечение медицинской аппаратуры. 2. История развития медицинских экспертных систем История развития медицинских ЭС напрямую связана с возникновением и развитием самого искусственного интеллекта. Первая экспертная система DENDRAL была создана в 1965 году и была предназначена для биомедицинских исследований. Уже тогда стало понятно, что моделирование рассуждений и знаний врачей является классической неформализованной 9 задачей, так как клинические ситуации в большинстве случаев представлены большим объемом многомерных, запутанных, а порой и противоречивых клинических данных. Нужно отметить, прогресс в области медицинских ЭС связан и с прогрессом в самой медицине, так как за последние десятилетия медицина накопила немалый пласт новых знаний, которые позволяют ей выйти на качественно новый уровень. 2.1. Предпосылки возникновения искусственного интеллекта 2.1.1. Философия. Философская традиция искусственного разума берет начало в «Физике» Аристотеля, осмыслившего различие материи и формы. По своей сути это различие является философским базисом идей символьного исчисления или абстракции данных [8]. Кроме того, Аристотель считается создателем формальной логики, абстрактные законы которой можно рассматривать как конкретные методы мышления. Еще в XIII веке философ Р. Луллий пытался создать свой логический метод и общую классификацию понятий, а на их основе механическую машину для решения различных задач. В XVII-XVIII веках были достигнуты немалые успехи в эпистемиологии. Произошло формирование механистического материализма, основную роль в котором сыграли труды Р. Декарта "Рассуждение о методе" (1637) и Т. Гоббса "Человеческая природа" (1640). Декарт сформулировал механистическую теорию, предположив, что животное - это некий сложный механизм. Именно идея дуализма разума и физического мира лежит в основе наследия Декарта, в том числе включая открытие аналитической геометрии [9]. Заключение о том, что ментальные процессы существуют сами по себе, подчиняются своим законом и могут изучать сами себя и сегодня являются основной концепцией в эпистемиологии [8]. Английский философ Т. Гоббс для изучения психики человека пытался применить систему доказательств, разработанных в геометрии и механике. Он утверждал, что мышление есть «мысленное рассуждение», то есть мышление состоит из операций. Кроме этого, рациональное мышление следует методическим правилам - подобно тому, как «подсчёт ведётся в соответствии с точными правилами цифрового вычисления». 2.1.2 Естественные науки Философы сформулировали наиболее важные идеи ИИ, но для преобразования его в формальную науку потребовалось достичь определенного уровня математической формализации в трех фундаментальных областях: логика, вычисления и вероятность [10]. В 1703 году немецкий математик В. Лейбниц создал современную двоичную систему счисления. Он сделал чертёж вычислительной машины, работавшей на основе его математики, 10 но технологические возможности его времени не позволили создать такую машину. В 1854 году английский математик Д.Буль опубликовал работу, описывающую алгебраические системы применительно к логике, которая известна как алгебра логики. Его логическое исчисление сыграло важную роль в разработке современных цифровых электронных схем. В 1937 году американский инженер К. Шеннон представил к защите диссертацию «Символический анализ релейных и переключательных схем в MIT», в которой булева алгебра и двоичная арифметика были использованы применительно к электронным реле и переключателям. На этой работе по существу основана вся современная цифровая техника. В 1948 году вышла в свет книга профессора Н. Винера «Кибернетика, или управление и связь в животном и машине». Винеру и его сотруднику Д. Бигелоу принадлежит разработка принципа "обратной связи", который заключается в использовании информации, поступающей из окружающего мира, для изменения поведения машины. Он доказывал, что именно благодаря обратной связи все живое приспосабливается к окружающей среде и добивается своих целей. 2.1.2. Технические науки В 1623 г. В. Шикард построил первую механическую цифровую вычислительную машину, за которой последовали машины Б. Паскаля и Лейбница. Англичанин Ч. Бэббидж, желая механизировать вычисления, наиболее близко подошел к созданию компьютера в современном представлении. В 1834 г. он пришел к идее создания «Аналитической машины», которая имела много общего с современными компьютерами. Предусматривалось наличие в машине «склада» и «мельницы» (в современных компьютерах - память и процессор). Но реализовать создание машины Бэббидж не смог, так как она была слишком сложной для техники того времени. Реально работающие конструкции появились лишь в середине XX века. Основные принципы архитектуры ЭВМ были обобщены в 1946 г. в классической статье А.Беркса, Г. Голдстейна и Дж. Неймана «Предварительное рассмотрение логической конструкции электронного вычислительного устройства». В ней четко и логично обосновывалась структура ЭВМ. Вышеперечисленные достижения привели к последовательному созданию пяти поколений ЭВМ и суперкомпьютеров с максимальной производительностью. 2.2. Становление искусственного интеллекта С конца 40-х годов ХХ века все большее число ученых устремилось к единой цели: создание компьютеров, действующих таким образом, чтобы по результатам работы их нельзя было бы отличить от человеческого разума. 11 Терпеливо осваивая эту идею, ученые обнаружили, что вступили в схватку с очень сложными проблемами, выходящими за пределы традиционной информатики. Многие исследователи пришли к выводу, что самая трудная проблема, стоящая перед современной наукой - познание процессов функционирования человеческого разума, а не просто имитация его работы. В самом деле, ученым трудно прийти к единой точке зрения даже относительно самого предмета их исследований - интеллекта. Тем не менее, многие исследователи ИИ склонны принимать тест машинного интеллекта, предложенный в начале 50-х годов выдающимся английским математиком и специалистом по вычислительной технике Аланом Тьюрингом. Компьютер можно считать разумным - утверждал Тьюринг - если он способен заставить нас поверить, что мы имеем дело не с машиной, а с человеком. Исследования в области искусственного интеллекта прошли три этапа: - первый этап (1950-60-е гг.) – время становления исследовательских программ искусственного интеллекта, формирования круга задач, относящихся к данному научному направлению, создания методов и инструментов решения этих задач (языки программирования Лисп (Lisp), Пролог (Prolog) и др.). - второй этап (1960-70-е гг.) связан с приобретением ИИ статуса «классической» научнотехнической дисциплины, проведением первых международных конференций, началом издания журналов, чтением соответствующих курсов в университетах. - третий этап (1980-90-е гг.) связан с практическим (коммерческим) использованием достижений искусственного интеллекта В начале 50-х годов ХХ века первые программисты увлекались тем, что составляли программы для сочинения музыки, решения головоломок и игр. Самыми первыми интеллектуальными задачами, которые стали решаться при помощи ЭВМ, были логические игры (шашки, шахматы). Начало исследований в области ИИ связывают с работами А. Ньюэлла, Г. Саймона и Дж. Шоу, результатами работ которых явились такие программы, как Logic-Theoretic для доказательства теорем, и General Problem Solver (Универсальный Решатель Задач). Они впервые продемонстрировали, что значительная часть человеческого познания может быть реализована в виде продукционных правил IF-THEN (если-то). Кроме этого Ньюэлл и Саймон предложили модель решения задач, которая представляет собой фундамент современных экспертных систем и состоит из долговременной памяти (правил), кратковременной памяти (рабочей памяти) и когнитивного процессора (машины логического вывода). До середины 1960-х годов основные разработки ИИ концентрировались на создании систем, которые почти не опирались на знания в конкретной проблемной области, а опирались на методы рассуждений. Но быстро стало ясно, что такие системы не могут выйти за начальный уровень компетентности и имитировать работу человека-эксперта. Поэтому в 1970-х годах 12 широкое распространение получают экспертные системы, основанные на знаниях. Именно знания в проблемной области позволили системам ИИ достигать рассуждений на уровне человека эксперта. Одной из первых интеллектуальных задач, также имеющей огромное прикладное значение, является задача обучения распознавания образов и ситуаций. В 1957 г. американский физиолог Ф. Розенблатт предложил модель зрительного восприятия и распознавания — перцептрон. В 1958 году создан язык искусственного интеллекта LISP. В начале 1980-х годов ИИ становится индустрией - первая успешно действующая коммерческая экспертная система появилась в американской компании DEC. Эта программа помогала составлять конфигурации для выполнения заказов на новые компьютерные системы. Также, начиная с середины 80-х годов прошлого века, происходит окончательное становление ИИ, как науки. С точки зрения методологии, ИИ наконец-то твердо перешел на научные методы. Теперь, для того чтобы быть принятыми, гипотезы должны подвергаться проверке в строгих практических экспериментах, а значимость результатов должна подтверждаться данными статистического анализа. Уровень теоретических исследований по ИИ в России не уступает мировому. В то же время проведение прикладных исследований, внедрение их результатов в коммерческие разработки происходит гораздо медленнее, чем за рубежом. Началом становления этого научного направления в нашей стране следует считать 1954 г., когда в МГУ начал свою работу семинар «Автоматы и мышление» под руководством академика Ляпунова А.А. Впоследствии стали активно развиваться направления, связанные с представлением и обработкой знаний, моделированием рассуждений, распознаванием образов, обработкой естественного языка [11]. Развитие ИИ в современной России связано с образованием в 1988 г. Ассоциации искусственного интеллекта, объединившей научные школы, исследователей по различным направлениям ИИ. Под ее эгидой проводятся различные исследования, организуются семинары для специалистов, устраиваются конференции, издается научный журнал. 2.3. История развития медицинских экспертных систем Самые ранние попытки формализации медицинских решений связаны с применением статистических методов для интерпретации рентгенографических изображений в 1960–х годах XX века. По мере развития цифровых технологий компьютеры стали применяться для решения задач медицинской диагностики и лечения. В 1960-е годы основным методом для осуществления медицинских решений все еще оставался статистический анализ данных, 13 появлялись эвристические подходы для решения задач распознавания образов. Но все эти подходы объединял один общий недостаток - они хорошо справлялись с решением узкого круга задач с четко определенными исходными данными и методами решения, но плохо работали на практике, так как решения, основанные строго на математической статистике и теории вероятности, далеко не всегда могут объяснить решения, принимаемые на практике врачом-специалистом. Альтернативой формальным статистическим методам для решения медицинских задач стало появление методов, основанных на знаниях. К тому времени стало очевидно, что ключом к созданию интеллектуальных систем, способных функционировать на уровне человекаэксперта, являются знания в конкретной предметной области. Подход, основанный на знаниях, был принят на вооружение в 1970-х годах и с тех пор создано множество успешно действующих экспертных систем, основанных на знаниях. В начале 1970-х годов, несколько групп ученых, включающих специалистов, как в области ИИ, так и в области биомедицины, предложили ряд альтернативных подходов в области представления знаний и методов логического вывода, которые характеризуют [12]: - более гибкое и качественное представление неопределенностей, чем при вероятностном подходе. - представление большого количества медицинских знаний, которые обосновывают диагностическое, прогностическое или терапевтическое решение. - разработка описательного компонента медицинских знаний, к которым могут быть применены некоторые общие решения проблем или стратегия логического вывода. Эти исследования по использованию методов ИИ в медицине привели к появлению нескольких экспериментальных экспертных систем (DENDRAL, INTERNIST, MYCIN, CASNET, EXPERT, ONCOCIN), предназначенных, в основном, для автоматизации процессов медицинской диагностики. Первой медицинской экспертной системой стала программа DENDRAL (1965 г.). Она предназначена для восстановления структурных формул химических соединений на основе информации, полученной методом спектрального анализа. Программа набирается опыта в процессе собственного функционирования. Экспертами в нее было заложено несколько тысяч элементарных фактов, представленных в виде отдельных правил (масленникова). Рассматриваемая система явилась одной из первых экспертных систем, и результаты ее работы были поразительны. Система поставлялась потребителям вместе со спектрометром. Важным этапом разработки приложений ИИ для медицины была экспертная система для медицинской диагностики MYCIN (1976). Ее появление можно считать важным этапом в истории экспертных систем по нескольким причинам [4]: 14 - именно эта система продемонстрировала, что искусственный интеллект может успешно применяться для медицинской диагностики - MYCIN оказалась хорошей экспериментальной площадкой для проверки новых концепций, таких как средства объяснения, автоматическое приобретение знаний и интеллектуальное обучение - система MYCIN оказалась первой системой, в которой программное обеспечение представлено отдельно от данных. Такой подход стал чрезвычайно важным этапом в развитии технологии ЭС, так как он означал, что наиболее существенная часть системы может быть использована повторно. Та часть системы MYCIN, которая относится к логическому выводу и объяснению (командный интерпретатор) может быть дополнена знаниями о новой системе. Командный интерпретатор, полученный путем удаления медицинских знаний из системы MYCIN, получил название ЕMYCIN (сокращенно от Essential, или Empty MYCIN – основная часть MYCIN, или пустая MYCIN). ЕMYCIN стала прототипом для ряда других медицинских экспертных систем [13]: - система PUFF (1980 г.) - диагностирует наличие и степень тяжести заболевания легких у пациента, интерпретируя измерения параметров дыхания, выполненные в лаборатории функций легких. Интерпретируемые данные включают результаты проб (например, общую емкость легких, остаточный объем) и историю болезни. Решения системы основаны на знаниях о результатах проб, наблюдаемых при различных нарушениях. PUFF - это основанная на правилах система с обратной цепочкой рассуждений, реализованная на языке EMYCIN. - CLOT (1981 г.)- помогает врачам оценивать свидетельства нарушений в системе свертывания крови. Она диагностирует причины кровоточивости, определяя, какая из двух подсистем гемостаза может оказаться дефектной. Основной целью реализации системы CLOT было изучение средств и методов приобретения знаний; поэтому медицинская компетентность системы не была усовершенствована и полностью протестирована. CLOT — это основанная на правилах система с обратной цепочкой рассуждений, реализованная на языке EMYCIN, в которой использованы предоставляемые последним механизмы приобретения знаний, коэффициенты уверенности и средства объяснения. - HEAMED (1978 г.) - дает консультации по вопросам клинической психофармакологии, диагностируя ряд психических нарушений и рекомендуя соответствующую лекарственную терапию. Система задумана как обучающее устройство и консультант-помощник. HEADMED использует приблизительно 120 клинических параметров, чтобы выработать свои рекомендации по диагностике и лечению (например, доза лекарства и продолжительность, лечения). Система содержит знания о дифференциальной диагностике серьезных аффективных расстройств, шизофрении и общей категории органических психозов. 15 - HEART IMAGE INTERPRETER (1985 г.) - помогает осуществлять диагностическую интерпретацию характера движений сердца. Система анализирует двумерные картины распределения интенсивности, являющиеся изображениями сердца, получаемые инъекцией радиоактивного изотопа вену. Сцинтилляционная камера создает серию изображений, которую система должна проанализировать. Знания системы включают структурные особенности сердца, фазы движения сердечного цикла и правила, связывающие медицинские факты с диагнозами. С конца ХХ века в медицине начинают активно применяться искусственные нейронные сети (ИНС). В 1990 году В. Бакст из Калифорнийского университета использовал нейронную сеть - многослойный персептрон - для распознавания инфаркта миокарда. Его целью было создание инструмента, способного помочь врачам, которые не в силах справиться с потоком данных, характеризующих состояние поступившего больного. Другой целью может быть совершенствование обнаружении инфаркта кардиодиагностики, диагностики. миокарда. разработанный Сеть Примером фирмой продемонстрировала программы RES точность диагностики Informatica совместно 92% служит с при пакет Центром кардиологических исследований в Милане. Программа позволяет осуществлять неинвазивную кардиодиагностику на основе распознавания спектров тахограмм. Тахограмма представляет собой гистограмму интервалов между последовательными сердцебиениями, и ее спектр отражает баланс активностей симпатической и парасимпатической нервной системы человека, специфично изменяющейся при различных заболеваниях. ИНС представляют собой нелинейную систему, позволяющую классифицировать данные гораздо лучше, чем обычно используемые линейные методы. В приложении к медицинской диагностике ИНС дают возможность значительно повысить специфичность метода, не снижая его чувствительность [1]. Среди отечественных разработок отметим систему для синдромной диагностики неотложных состояний у детей ДИН [14], созданную в Московском НИИ педиатрии и детской хирургии. Эта система содержит информацию о 42 синдромах, которые представляют собой список диагностических предложений-гипотез. Так как выбор лечения во многом определяется прогнозом возможных осложнений, в системе описаны взаимосвязи синдромов, определяемые причинно-следственными, временными и ассоциативными отношениями. Программный комплекс Айболит [15] предназначен для диагностики, классификации и коррекции терапии острых расстройств кровообращения у детей. Он создан в Центре сердечнососудистой хирургии имени А.Н. Бакулева и активно применяемый при оперативных вмешательствах и выборе послеоперационного лечения в условиях реанимационного отделения. Система включает математическую модель кровообращения, «реагирующую» на 16 поступающую с датчиков текущую информацию. Она позволяет не только проводить диагностику и оценку состояния больного, но и помогать при выборе и последующей коррекции лечебных мероприятий. В 2011 году одна из крупнейших мировых IT-компаний IBM создает суперкомпьютер IBM Watson, который планируется использовать для помощи в диагностике и подборе оптимального варианта лечения. На сегодняшний день в память Watson загружено свыше 600 тыс. медицинских заключений, 2 млн. страниц текста из 42 медицинских научных журналов и описаний результатов клинических испытаний в области исследования раковых заболеваний. Вычислительная мощность Watson позволяет в течение нескольких секунд осуществить анализ 1,5 млн. историй болезни, содержащих медицинскую документацию и результаты опросов пациентов, которые отражают десятилетия терапии онкологических заболеваний, и предоставить врачу научно обоснованные рекомендации по лечению. Менее чем за год специалисты «посвятили» Watson во все сложности онкологии и многочисленных генетических исследований. Начав с 1500 случаев заболевания раком легких, специалистымедики и аналитики «обучают» Watson систематизировать и интерпретировать врачебные записи, результаты лабораторных и клинических исследований, чтобы, затем, делиться этими ценными знаниями и опытом с лечащими врачами для оказания медицинской помощи сотням тысяч онкологических больных. Хотя сегодняшние экспертные системы имеют мощность суждений, близкую к суждениям человека, достаточно сложным является преобразовать их в формализмы медицинских знаний. Ученые в своих рассуждениях не всегда руководствуются правилами типа «если А и В, то С», а принимают во внимание другие моменты, например то, что пациент не всегда может говорить правду, может симулировать симптомы или иметь одновременно несколько заболеваний. Врачи, имея дело с разрозненными или неполными данными, должны вынести решение, используя собственные знания, которые, в свою очередь, не всегда логичны и не всегда имеют медицинский контекст. Кроме того, врачи используют свои органы чувств в процессе принятия решений. Здесь имеется в виду не только зрение, но и слух, тактильные ощущения и даже обоняние [16]. Моделирование мышления, представление медицинских знаний и извлечение новой информации из получаемых данных являются важными задачами для ИИ в медицине. В последнее десятилетие в медицине начинают использоваться интеллектуальные системы для улучшения качества жизни. Это направление создано для пожилых людей и людей с ограниченными возможностями, которые нуждаются в параметров жизнедеятельности. Их целью является создание мониторинга с помощью мониторинге основных систем для удаленного беспроводных устройств и удобных для постоянного ношения 17 датчиков, в которые добавлен улучшенный контекст, для более полной интерпретации информации, снятой с биологических сенсоров. Это направление реализуется через применение так называемых интеллектуальных агентов. В области ИИ под термином интеллектуальный агент понимаются сущности, получающие информацию через систему сенсоров о состоянии управляемых ими процессов и осуществляющие влияние на них через систему актуаторов, при этом их реакция рациональна, то есть действия должны содействовать достижению определенных параметров. Термин «интеллектуальный» не означает наличия интеллекта как такового, но подчеркивает более высокий уровень технологии управления по сравнению с примитивными триггерными системами автоматического управления. Об «интеллектуальности» агента можно говорить, если его взаимодействие с окружающей средой является адекватным той или иной системе требований. Наиболее интересным проектом в этой области является система CASIS (Client and Service Information System). Это движимая событиями и сервисно-ориентированная многоагентная структура с контекстом ориентированным на пожилых пользователей интеллектуального пространства. Она позволяет членам семей и ухаживающему персоналу тщательно наблюдать и тесно взаимодействовать с пожилыми людьми где угодно и когда угодно. Структура отслеживает местоположение и активность человека через сенсорные системы, такие как датчики давления, камеры, биосенсоры и другую специальную фурнитуру. Кроме того, пожилые люди могут принимать сообщениями через говорящие устройства, телевидение и персональные мобильные устройства. Другим интересным проектом является MY HEART, который создан для помощи в предупреждении сердечно-сосудистых заболеваний с применением электронного здравоохранения. Состояние сердца и физическая активность пациента контролируются с использованием сенсоров, встроенных в одежду. Процесс включает в себя диагностику, выделение трендов и реагирование на комплексные данные. 2.4. Перспективы развития медицинских экспертных систем Рассмотрев различные медицинские ЭС, использующиеся в различных отраслях здравоохранения, можно сказать, что самой распространенной отраслью применения ЭС в медицине является диагностика. Это связано с тем, что диагностические ЭС обеспечивают поддержку врача, не претендуя при этом на самостоятельную деятельность. Все больший интерес специалистов вызывают экспертные системы по подбору лекарственных средств и справочные экспертные системы. Что касается методов построения экспертных систем в 18 медицине, то в последнее время самыми популярными системами являются системы с базами знаний, которые создаются с ориентацией на стандартное оборудование. Наиболее актуальными на сегодняшний день являются системы приобретения знаний, основанные на интеграции технологий использующих знания экспертов и методы извлечения знаний из баз данных (knowledge discovery in databases). Важной проблемой медицинской информации является высокая степень ее неопределенности, нечеткости. Помимо этого существует еще ряд проблем – отсутствуют эффективные методики интеграции знаний, полученных из разнотипных источников; существующие методы приобретения знаний, как правило, обладают низкой адаптивностью и не подразумевают использование механизмов обратной связи для установления новых зависимостей и корректировки правил в базе знаний. Перспективной областью применения ЭС является мониторинг состояния исследуемого объекта в реальном времени. Это позволит повысить качество ухода за больными как в медицинских учреждениях, так и на дому, снизить смертность от различных заболеваний. Так же серьезным и перспективным направлением применения ЭС является интерпретация медицинских данных, таких как медицинские сигналы и изображения. Одной из самых сложных задач для ЭС в практической медицине является обработка и распознавание сложных образов, таких, как рентгенограммы, КТ и МР – томограммы [17]. 4. Философские аспекты медицинских интеллектуальных систем Несмотря на то, что медицина является одной из древнейших наук, только за последние сто лет в ней был достигнут значительный прогресс, сформировавший качественно новое «лицо» современного здравоохранения. За время своего существования медицина накопила огромные пласты теоретического знания и опыта, касающегося строения и функционирования организма человека, сведений об огромном числе заболеваний, их диагностике, лечении, профилактике и т.д. На сегодняшний день происходит непрерывный рост медицинских знаний, и динамика этого роста значительно превышает скорость накопления знаний, которая была, например, тысячу лет назад. Кроме этого, современная медицина активно применяет технические и информационные разработки, в том числе и те, которые относятся к сфере ИИ. Основным гносеологическим вопросом интеллектуальных медицинских систем является вопрос о сложном и специфическом характере медицинских знаний. Важность этих знаний была осознана разработчиками ИИ в 1970-х годах, когда на смену универсальным решателям задач пришли первые ЭС. Дж.Ф. Люгер в монографии «Искусственный интеллект. Стратегии и методы решения сложных проблем» интерпретирует экспертное знание как сочетание теоретического понимания проблемы и набора эвристических правил для ее решения – правил 19 эффективность которых очевидна в конкретной предметной области [18]. Действительно, при принятии решения врач- эксперт руководствуется не только теоретическими знаниями, полученными в процессе обучения, но и собственным опытом, интуицией, личностными ассоциациями. В этом главная особенность медицинского знания – без практического освоения оно является как бы «мертвым», его невозможно применять без соответствующего опытного осмысления, в процессе которого знание выходит на новый функциональный уровень и может применяться не только формально, но и с учетом индивидуальных параметров каждой клинической ситуации. Клиническое мышление врача, с одной стороны, опирается на теории, подводя под них клинические данные (дедуктивный компонент), а с другой стороны, распространяет опытные данные, полученные при наблюдении прошлых клинических случаев, на новых пациентов (индуктивный компонент) [19]. Все эти особенности должны были учитывать и разработчики медицинских ЭС, что привело к созданию целого направления инженерии знаний. Его целью является разработка моделей, методов и систем получения, структурирования и формализации знаний специалистов. При этом знание, которым располагает эксперт, кодифицируется и приобретает форму, применяемую компьютером для решения соответствующих проблем. Обработка массивов знаний представляет собой сегодня доминирующую парадигму интеллектуальных технологий. Важной проблемой медицинской информации является высокая степень ее неопределенности. Выявленные комплексы признаков не всегда соответствуют тому или иному состоянию объекта и могут соответствовать разным диагнозам, в том числе с близкими вероятностями для них. Введение нечетких, вероятностных выводов в медицинских системах крайне необходимо, но окончательное решение остается за врачом. Если говорить о способах представления знаний, то сегодня к ним относятся логическая модель, фреймовые и продукционные системы, а также семантические сети. В пределах логического направления была создана модель представления знаний, основанная на логике предикатов первого порядка. Что касается других методов представления знаний, то они базируются на математической формализации. Обозначенные способы представления знаний соотносятся с определенной структурой знаний. Важно отметить, что сегодня существуют модели представления знаний с интегративным подходом. Таким образом, можно констатировать, что главными проблемами, связанными с эпистемологическими принципами организации интеллекта в качестве физической системы, остаются такие проблемы, как проблема получения и представления знаний, проблема интерпретации (значение символа можно понять только в контексте интерпретации), проблема неопределенности, проблемы, связанные с ограничениями метода. Все эти проблемы требуют пристального внимания для дальнейшего развития ИИ. 20 Заключение Сегодня необходимость применения интеллектуальных технологий в медицине не вызывает сомнений. Экспертные системы стали одним из первых и успешно применяемых приложений ИИ. Рассмотрев различные медицинские ЭС, можно сказать, что медицинская диагностика является основной областью их применения. Это связано с тем, что ЭС обеспечивают поддержку врача, не претендуя при этом на самостоятельную деятельность. Наиболее актуальными на сегодняшний день являются ЭС, основанные на интеграции технологий использующих знания экспертов и современные методы извлечения знаний из баз данных. Важной проблемой медицинской информации является высокая степень ее неопределенности. Выявленные комплексы признаков не всегда соответствуют тому или иному состоянию объекта и могут соответствовать разным диагнозам с близкими вероятностями. Перспективной областью является мониторинг за состоянием пациента в реальном времени. Планируется, что искусственный интеллект сможет оказать незаменимую поддержку в сфере ухода за больными. И хотя к настоящему времени накоплен большой опыт создания автоматизированных компьютерных систем, включая и разработку ряда крупных экспертных систем медицинского назначения, задача построения «клинически мыслящих» диагностических систем все еще далека от своего завершения. По мнению некоторых специалистов, столкнувшихся на этом пути с большим количеством технических и методологических проблем, «в компьютер нужно заложить по крайней мере институтскую программу подготовки врача, чтобы он мог давать квалифицированное заключение» [20]. В заключение, важно отметить, что необходимо поддерживать существующие в данной области учебные учреждения. По-прежнему немногие люди имеют возможность эффективно работать на пересечении биомедицинских наук и компьютерных технологий. В будущем, качественные программы междисциплинарного обучения должны получать поддержку, так как они повышают профессионализм исследователей и практиков и способствуют распространению технологий и методов искусственного интеллекта в сферы биомедицинской информатики. 21 Список использованной литературы 1. Назаренко Г.И., Осипов Г.С., Молодченков А.И. Интеллектуальные системы в клинической медицине.Синтез плана лечения на основе прецедентов // Информационные технологии и вычислительные системы. - 2010, №1, С. 24-35. 2. Жарко В.И., Цыбин А.К., Малахова И.В. и др. // Вопросы организации и информатизации здравоохранения. - 2006. - № 4. – С. 3-7. 3. Казаков П.В. Основы искусственного интеллекта: учеб. пособие / Казаков Шкаберин В.А. - Брянск: БГТУ, 2007. – 196 с. 4. Джарратано Д., Райли Г. Экспертные системы. Принципы разработки и программирование. 4-е изд.: пер. с англ. - М.:Издательский дом «Вильямс», 2007.-1152 с. 5. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы: Учебник. М.: Финансы и статистика, 2004. - 424 с. 6. Кобринский Б.А. Консультативные интеллектуальные медицинские системы: классификации, принципы построения, эффективность. ВИТ, 2008, №2, с.38-47. 7. Кирсанова А.В. Современное состояние и перспективы развития экспертных медицинских систем. Новый университет - 2015. № 11-12 С.58-63. 8. Корниенко А. А. К вопросу о философских предпосылках, состоянии и перспективах исследований по проблеме искусственного интеллекта // Известия Томского политехнического университета - 2013. - Т. 323, № 6. C. 210-215. 9. Декарт Р. Рассуждение о методе. - М.: Изд-во Академии наук СССР, 1953 -656 с. 10. Рассел С., Норвиг П. Искусственный интеллект: современный подход, 2-е изд.: пер. с англ. - М.: Издательский дом "Вильямс", 2006. - 1408 с. 11. Масленникова О.Е., Попова И.В. Основы искусственного интеллекта: учеб. пособие / О.Е. Масленникова, И.В. Попова. — Магнитогорск : МаГУ, 2008. - 282 c. 12. Kulikowski C. Artificial Intelligence Methods and Systems for Medical Consultation. [Электронный ресурс] http://elektroarsenal.net/ 13. Home&Pro Robotics [Электронный ресурс] http://www.arm-robotics.ru/ 14. Кобринский Б.А. Автоматизированные диагностические и информационноаналитические системы в педиатрии //Русский медицинский журнал. – 1999. т.7.№4. С. 35-42. 15. Бураковский В.И., Бокерия Л.А. и др. Компьютерная технология интенсивного лечения: контроль, анализ, диагностика, лечение, обучение. – М.: НЦ ССХ РАМН, 1995. 95 с. 16. Cecilia Vallejos der Schatz, Fabio Kurt Schneider. Intelligent and Expert Systems in Medicine A Review. [Электронный ресурс] http://www.sabi2011.fi.mdp.edu.ar/ 17. Курейчик, В.В. Анализ современного состояния автоматизированных систем приобретения и представления знаний / В.В. Курейчик, П.В. Сороколетов, П.С. Щеглов; ЮФУ // Известия ЮФУ. Технические науки. – 2008. – № 9. – С. 120-125. 18. Люгер. Дж.Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем. – М.; СПб.; Киев: изд. дом «Вильямс», 2005. – 863 с. 19. Моисеев В.И. Философия науки. Философские проблемы биологии и медицины: учеб. пос. – М. ГЕОТАР-Медиа, 2015. – 592 с. 20. Продеус А. Н., Захрабова Е. Н. Экспертные системы в медицине. М.: Век+, 1998.– 326 с. П.В., 22 23
