В.И. Жулев1, А.В. Крошилин2, С.В Крошилина3

1–3 Рязанский государственный радиотехнический университет имени В.Ф. Уткина (г. Рязань, Россия)

Постановка проблемы. Проблемы, связанные с представлением знаний в медицинских предметных областях, требуют проработки в вопросах автоматизации поддержки принятия медицинских решений. Существует большое количество разнообразных подходов к созданию интеллектуальных систем и к представлению задач искусственного интеллекта, среди которых можно отметить два основных. Первый подход называют нисходящим (семиотическим), он заключается в создании всякого рода экспертных систем, баз знаний и систем логического вывода, позволяющих имитировать разные высокоуровневые психические процессы: речь, рассуждение, мышление, творчество, эмоции и им подобные. Второй подход – восходящий (биологический), состоит в изучении различных эволюционных вычислений и нейронных сетей, строящих модель интеллектуального поведения и базирующихся на более мелких и «неинтеллектуальных» элементах.

Цель работы – необходимо определить и обосновать представление медицинских знаний на основе лингвистических переменных, которые должны учитывать особенности медицинской предметной области; дать описание нечеткой системы и предъявляемых дополнительных требований, а также таблицы высказываний, носящих нечеткий характер; представить общую структуру медицинских экспертных систем, выявить особенности и рассмотреть основные функции; провести обзор экспертных систем, в том числе медицинских экспертных систем.

Результаты. Проведен анализ особенностей формирования знаний в управленческих медицинских решениях, а также проблем, возникающих при их реализации в интеллектуальных информационных системах. Показано, что для реализации нечетких моделей знаний необходимо выбрать инструменты их построения и работы с ними (формальные логические системы, лингвистические переменные, нечеткие переменные, нечеткие системы, нечеткие логические правила и основные схемы нечёткого вывода). Приведены основные виды моделей построения медицинских знаний; сделан вывод, что большинство моделей, которые позволяют получить новые знания на основе существующих, можно свести к продукционному языку построения знаний. Рассмотрены особенности формирования знаний в медицинских системах. Перечислены ряд особенностей и функции медицинских экспертных систем, разработана общая структура.

Практическая значимость. Были проанализированы применяемые интеллектуальные системы анализа данных для принятия медицинских решений, а также приведен пример структуры медицинской экспертной системы. Предложен подход нечёткого вывода для формализации врачебного опыта. Представлена схема процесса приобретения знаний в информационной системе поддержки принятия медицинских решений. Приведен обзор экспертных систем и медицинских экспертных систем. Особенностью медицинских экспертных систем является работа с одним из двух типов баз данных (эмпирической или медицинской). Требуется гибридная схема построения, которая позволяет одновременно работать с двумя типами знаний.

Жулев В.И., Крошилин А.В., Крошилина С.В. Формирование знаний и структура медицинской экспертной системы // Биомедицинская радиоэлектроника. 2023. T. 26. № 3. С. 44-54. DOI: https://doi.org/10.18127/j15604136-202303-06

1. Крошилина С.В., Крошилин А.В., Жулева С.Ю. Представление знаний на основе теории нечетких множеств в медицинских предметных областях // Биомедицинская радиоэлектроника. 2022. T. 25. № 4. С. 62–70. DOI: https://doi.org/10.18127/ j15604136-202204-08
2. Tishkina V.V., Kroshilin A.V., Pylkin A.N. Application of Fuzzy Logic in Decision Support System for Analysis of Condition Enterprises / 2018 International Russian Automation Conference (RusAutoCon 2018), September 9th-16th, 2018, Sochi, Russian Federation (Применение нечеткой логики в системе поддержки принятия решений для анализа состояния предприятий).
3. Пылькин А.Н., Крошилин А.В., Крошилина С.В. Алгоритм модифицированного метода нечеткой кластеризации в интеллектуальных медицинских системах. Математические и компьютерные методы в медицине, биологии и экологии: монография / Под науч. ред. В.И. Левина. Вып.2. С. 54–65. Пенза; Москва: Приволжский Дом знаний; МИЭМП. 2013. 112 с.
4. Жулева С.Ю., Крошилин А.В., Крошилина С.В. Поддержка принятия управленческих медицинских решений и природа неопределенности в них / Биомедицинская радиоэлектроника. 2021. Т. 24. № 4. С. 89-96.
5. Kroshilin A., Kroshilina S., Pylkin A., Ovechkin G. Managerial medical decisions and methods of obtaining medical information in conditionsof uncertainty // 2021 10th Mediterranean Conference On Embedded Computing (Meco2021), 7-10 June 2021, Budva, Montenegro, 864 p, P. 500–503 (Управленческие медицинские решения и методы получения медицинской информации в условиях неопределенности).
6. Алексеев А.В. Интеллектуальные системы принятия проектных решений / А.В. Алексеев, А.Н. Борисов, Э.Р. Вилюмс, Н.Н. Слядзь, С.А. Фомин. Рига: Зинатне. 1997. 320 с.
7. Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений: пер. с англ. Н.И. Ринго. М.: Мир. 1976. 168 с.
8. Минто В. Дедуктивная и индуктивная логика. Екатеринбург: Деловая книга; – Бишкек: Одиссей. 1997. 432 с.
9. Крошилин А.В., Крошилина С.В., Жулева С.Ю. Реализация модели динамики распределения материальных потоков в медицинском учреждении // Биомедицинская радиоэлектроника. 2020. Т. 23. № 3. С. 53–60.
10. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер. 2001. 384 с.
11. Осипов Г.С. Приобретение знаний интеллектуальными системами. – М.: Наука, Физматлит. 1997. 112 с.
12. Крошилин А.В., Крошилина С.В. Обзор существующих медицинских экспертных систем // Математическое и программное обеспечение вычислительных систем: Межвуз. сб. науч. тр. Рязань: РГРТУ. 2010. С. 122–125.