Экспертные системы в области медицины

Схематично  процесс применения обученной ИНС  в медицине показан на рис. 2

Рис. 2. Схема применения обученной искусственной нейронной сети в медицине

Несмотря на значительное количество уже известных  практических приложений искусственных  нейронных сетей, возможности их дальнейшего использования для  обработки сигналов окончательно не исчерпаны, и можно предположить, что ИНС еще в течение многих лет будут одним из основных инструментов поддержки принятия решений в условиях отсутствия точных моделей реальных процессов и явлений.

Примером другой перспективной технологии обработки  и обобщения больших объемов информации для решения задач классификации и прогнозирования является так называемая технология анализа и добычи данных Data Mining. Методы и инструментальные средства анализа и добычи данных представляют собой дальнейшее развитие таких известных статистических инструментов разведочного анализа, как метод главных и метод независимых компонент, факторный анализ, множественная регрессия, редуцирование пространства признаков с использованием метода многомерного шкалирования, кластерного анализа и распознавания образов и др. Программно реализованные и снабженные удобным пользовательским интерфейсом, а также поддержанные гибкими алгоритмами визуализации многомерных данных, средства Data Mining позволяют проводить соответствующие исследования даже начинающему пользователю. В арсенал методов кластерного анализа и распознавания образов систем Data Mining обычно входят метод опорных векторов (Support Vector Machine, или SVM).     

Метод опорных  векторов (МОВ) – это метод первоначальной классификации, который решает данную задачу путем построения гиперплоскостей в многомерном пространстве, разделяющих группы наблюдений, принадлежащих к разным классам. На рис. 3 проиллюстрирована основная идея МОВ. В левой части схемы представлены исходные объекты, которые далее преобразуются (перемещаются, сдвигаются) в пространстве признаков при помощи специального класса математических функций, называемых ядрами. Этот процесс перемещения называют еще преобразованием, или перегруппировкой объектов. Новый набор преобразованных объектов (в правой части схемы) уже линейно разделим. Таким образом, вместо построения сложной кривой (как показано в левой части схемы) требуется лишь провести оптимальную прямую, которая разделит объекты разных типов. Затем метод отыскивает объекты, находящиеся на границах между двумя классами, которые называются опорными векторами, и использует их для принятия решений о принадлежности к тому или иному классу новых объектов, предъявляемых для распознавания.

Рис. 3. Основная идея метода опорных векторов

Заключение

Таким образом, на основании анализа публикаций о применении экспертных систем в  медицине можно сделать следующие  выводы:

1. Медицинская  нейроинформатика как наука находится  пока на стадии накопления  фактического материала.

2. Нейронные  сети обладают чертами, так  называемого искусственного интеллекта. Натренированные на ограниченном  множестве обучающих выборок,  они обобщают накопленную информацию  и вырабатывают ожидаемую реакцию  применительно к новым данным, не используемым в процессе обучения. Несмотря на значительное количество уже известных практических приложений, возможности дальнейшего использования подходов, основанных на методах искусственного интеллекта, их эффективность окончательно не изучены.

3. Современные  технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а именно на основе экспертных автоматизированных технологий смоделировать типовое развитие патологического процесса. Экспертные компьютерные медицинские системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к компьютеру за консультацией в трудных диагностических случаях.

Список использованной литературы

1. Андрейчиков  А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. – М.: Финансы и статистика, 2006.

2. Боровиков  В.П., Ивченко Г.И. Прогнозирование  в системе Statistica в среде Windows. – М.: Финансы и статистика, 2006.

3. Гельман В.Я.  Медицинская информатика: практикум.  – СПб.: Питер, 2002.

4. Горбань А.Н. Методы нейроинформатики. — Красноярск, 1998.

5. Горбань А.Н., Дунин-Барковский  В.Л., Кирдин А.Н. и др. Нейроинформатика. — Новосибирск: Наука, 1998.

6. Дюк В.А., Самойленко  А.П. Data Mining: учебный курс. — СПб.: Питер, 2001.

7. Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. – СПб.: Питер, 2003.

8. Осовский С. Нейронные сети для обработки информации / пер. с польск. – М.: Финансы и статистика, 2004.

13. Чубукова И.А. Data Mining. —  М.: БИНОМ. Лаборатория знаний, 2008.