Экспертная система диагностики заболеваний челюстно-лицевой области
|
|
Скачать 0.92 Mb.
|
| 9]. Одним из наиболее характерных свойств описания патологического состояния является присущая ему нечеткость. Необходимо отметить, что опытный специалист-стоматолог легко справляется с подобной (возникающей) нечеткостью. Например: глубина поражения твердых тканей зуба ЁC средняя. Каждый врач-специалист знает, является ли глубина средней, хотя указать её размеры или точные характеристики не может. При описании клинической картины состояния пациента, чаще всего приходится иметь дело с нечеткостью самих понятий. Необходимо отметить, что в основе проявления этого типа нечеткости лежит операция обобщения, и нечеткость этого типа есть прямое следствие этой операции. Цельное, обобщенное описание «симптомокомплекс», позволяет специалистам-стоматологам оперировать клиническими описаниями, что выделяет системный подход в постановке диагноза. Анализ отдельно разрозненных фактов замедлил бы процесс идентификации патологического состояния. Описывая с помощью нечётких понятий (НП) симптомы и признаки патологического состояния пациента, специалисты-стоматологи оперируют неявно заданной информацией известной специалистам из их клинической практики [10]. Необходимым условием для правильного лечения пациента является точное определение патологического состояния пациента, т.е. диагностика. Информация о проявлениях болезни, которую получает специалист-стоматолог при опросе больного, является симптомами его патологического состояния. Объективные же данные, получаемые врачом-специалистом при исследовании больного, называют признаками болезни. Совокупность симптомов и признаков, характеризующих то или другое патологическое состояние, составляет симптоматологию заболевания. Диагностика содержит все средства, методы, способы, приемы и инструменты, которыми врачи располагают для полного и всестороннего изучения больного организма, т.е. состояния его органов, хода процесса, другими словами, для распознавания болезни. Таким образом, диагностика сводится к изучению симптомов, она указывает способы их наблюдения и сбора, анализа происхождения и разбора комбинаций. Техника диагноза сводится, с одной стороны, к восприятию различных симптомов и признаков болезни, а с другой стороны, к правильной их интерпретации. Поставить диагноз, значит классифицировать симптомы, определить их взаимную связь, а также связь с производящей их причиной, и получаемую в результате этого картину подвести под один из известных типов заболеваний. Диагноз есть вывод, более или менее вероятный и предположительный, вывод, который подлежит контролю, дальнейшему наблюдению в течении болезни, от которого следует отказаться, если он не соответствует фактам. Одни и те же болезни представляют в своем течении определенные типы заболевания; они имеют свои определенные характерные черты, по которым можно в ясно выраженных случаях поставить диагноз (например: кариес, гингивит и т.д.). Однако, наряду с этими общими чертами, каждому больному свойственны свои личные, особенные черты заболевания, которые также подлежат врачебному анализу и объяснению. Наряду с диагнозом болезни, врач должен поставить и диагноз индивидуального течения болезни. Предварительным этапом анализа сложной картины болезни в методике клинического исследования является аналитическая разбивка клинической картины болезни на отделы ЁC в этот период устанавливается диагноз тех или других анатомических или функциональных отклонений в отдельных органах. Далее, синтетическая реконструкция картины болезни, т.е. характеристика нарушения связи между всеми органами и степени этого нарушения. Навык, в смысле способности, указания степени точности и размера ошибок в диагностике отличает опытного специалиста-стоматолога. Возникновение представления о диагнозе заболевания у конкретного человека, достигается на уровне максимальной конкретизации не только причины болезни, локализации, вида организма, но и, как было описано, выше его индивидуальности (к примеру, пола, возраста и т.д.). В случаях, когда из определяющих факторов присутствует лишь один ЁC клиническая картина патологического состояния, для постановки диагноза используют принцип аналогии, исходя из которого, на основании сходства двух явлений по нескольким признакам, делается вывод об их тождестве и по другим признакам. При этом знания об одном объекте переносятся на менее изученный объект. Путем выдвижения диагностической гипотезы врачу удается продвинуться в конкретизации диагноза. Гипотеза побуждает врача к проверке имеющихся у больного и поиску новых симптомов и признаков, подтвержденных различными клиническими исследованиями для подтверждения или отклонения данной гипотезы. Интуитивные свойства психики человека, свойственные опытному специалисту-стоматологу в ходе мышления, подводят его к правильному диагнозу. Наличие множества факторов, определяющих клиническую картину заболеваний челюстно-лицевой области, определение степени их влияния на болезни, значительно усложняет процесс постановки точного диагноза специалистам-стоматологам. Поэтому создание экспертной системы диагностики заболеваний челюстно-лицевой области на основе энциклопедических знаний и опыта специалистов в области семиологии и диагностике поможет врачу-специалисту не допустить неточности или ошибки в процессе диагностики сложных патологических состояний челюстно-лицевой области. Обзор и анализ существующих экспетных систем диагностики За последние годы было разработано множество различных экспертных систем и методов для автоматизированной обработки таких данных, как клинические симптомы и результаты дополнительных методов исследования с целью их систематизации и проведения точной диагностики. Внедрение данных систем, осуществляющих интерпретацию лабораторных анализов, диагностику заболеваний, рекомендацию способов лечения и методов анестезии показало их высокий коэффициент полезности [11]. Эти системы содержат в себе такие основные компоненты, как базы знаний, интерфейс, механизм принятия решений и базы данных или фактов. Разработанная в Станфордском исследовательском институте в середине 70х годов экспертная система MYCIN предназначена для помощи в диагностике и лечении инфекционных заболеваний. В Питтсбургском университете была разработана экспертная система диагностики заболеваний Internist-I(CADUCEUS). Это одна из крупнейших медицинских экспертных систем, содержащая описания более 500 заболеваний и 3500 их клинических проявлений. Позднее были предложены также некоторые стандарты представления и хранения медицинских знаний в электронном формате. Ряд экспертных систем, кроме вышеприведенных основных компонентов, содержат механизмы самообучения и процессоры объяснения решений, поясняющие путь поиска решения в каждой конкретной ситуации. На стоматологическом факультете университета Бритиш Колумбиа (U.B.C.) была разработана система принятия решений TxDENT для облегчения наблюдения за пациентом и правильности выбора метода лечения заболеваний. В настоящее время система хранит около 3000 записей о пациентах, начиная с первичного посещения. База данных содержит записи о функциях челюстей, качества протезов, состоянии слизистой полости рта, структуре зубов и их направления. Уже сегодня во многих областях клинической медицины проводятся исследования и попытки внедрения компьютерных диагностирующих и обучающих систем: болезней крови (AI/COAG, CLOT, HEME) и сердечно-сосудистой системы (ANGY, ANNA, DIAGNOSER, DIGITALIS ADVISER, EEG ANALYSIS SYSTEM, GALEN, MECS-AI, MI, МОДИС, HEART IMAGE INTERPRETER), легких (CENTAUR, PUFF, WHEEZE), почек (AI/MM) и печени (MDX, PATREC, RADEX), в ревматологии (AI/RHEUM, ARAMIS, RX), интенсивной терапии (BABY, VM), анестезиологии (ATTENDING), офтальмологии (MEDICO, OCULAR HERPES MODEL, PEC), при диагностике психических нарушений (BLUE BOX, HEADMED) и поражениях нервной системы (NEUREX, NEUROLOGIST-I), раковых заболеваний (ONCOCIN), нарушения функций щитовидной железы (THYROID MODEL), во время микробиологических исследований (GUIDON, PATHFINDER), а также при диагностике конкретных заболеваний глаукомы (CASNET/GLAUCOMA), менингита (NEOMYCIN), гипертонии (HT-ATTENDING), нарушениях кислотно-щелочного и водно-солевого равновесия (ABEL), головокружения (SYSTEM D), анализа поведения врача при диагностике внутренних болезней (EXAMINER). Одним из последних достижений в области создания экспертных систем, имитирующих такие функции мыслительной деятельности человека, как ассоциативное мышление, логический вывод и т.п., является создание «нейронных компьютеров». Они содержат в себе множество соединенных базовых узлов (простейших процессоров), аналогичных нейронам, живых существ, соединенных вместе в «нейронную сеть». Такие сети «обучают» с помощью внешней информации для формирования множества внутренних формальных правил принятия решений (например, тренированная нейронная сеть для принятия диагностирующих решений при проблемном прорезывании зубов мудрости на основе данных диагностики, проведенной врачом). Применение техники цифровой рентгенографии имеет множество преимуществ перед стандартной техникой таких, как значительное уменьшение рентгеновского излучения, экономия времени, возможность наглядных рекомендаций различных подходов к лечению. Более того, анализ изображения, изменение контрастности и плотности, измерение необходимых размеров и областей, параллельно с использованием интеллектуальных систем позволяет автоматизировать процесс выделения признаков патологии. Соответствующее программное обеспечение было разработано для решения специфических проблем диагностирования в таких системах, как CygnusMedia (Cygnus Technologies), ImageFX (SciCan) и т.д. [12, 13, 14]. Типичные встроенные функции в таком программном обеспечении: Цифровая субтракция изображений. Эта функция особенно полезна при рассматривании изменений в изображении при затянувшемся лечении. Стандартная гамма-коррекция (коррекция уровня серого цвета). Она используется для изменения уровня серого цвета различных изображений при их сравнении. Выделение признаков изображения, для автоматического распознавания различных тканей и патологических включений [15]. Реконструкция изображения. Разработаны двухмерные (изменение проекции изображения для последующей его субтракции) и трехмерные (для воспроизведения объема и формы и 3D визуализации, включая диалоговый режим прокрутки изображения) системы восстановления изображения [16]. Телерадиология. Она предусматривает передачу цифровых изображений с помощью глобальной сети Интернет. Использование техники обработки цифровых изображений явилось толчком к развитию интеграционных госпитальных систем, поддерживающих цифровую передачу данных, хранение, восстановление, анализ и интерпретацию изображений [17]. Параллельное применение диагностических систем с методами обработки цифровых изображений, таких, как рентгеновские снимки, способствует улучшению качественных характеристик процесса диагностики. С помощью специальных графических программ обработки изображений возможно изменение контрастности и четкости, а также изменения размера зерна с целью повышения качества изображения и придания ему необходимой контрастности, что облегчает процесс распознавания патологий, в особенности, при рассматривании некачественных снимков. Методы автоматической обработки цифровых изображений в комплексе со специальными программными комплексами способны решать задачи выделения и идентификации таких элементов изображения, как различные по рентгенологической плотности ткани, патологические изменения и искусственные включения. Возможно также автоматическое сортирование снимков по топографии анатомического региона и помещение их на соответствующие места в электронной медицинской карте больного. Ранняя диагностика заболеваний твердых тканей зубов основана на нахождении не так ярко выраженных на снимках разряжений ткани, что часто приводит к недочету и к врачебной ошибке во время диагностического процесса, а соответственно, и назначенного лечения [18]. Таким образом, выделяется несколько основных направлений в области применения автоматической обработки цифрового изображения: Диагностика кариеса. Это сложно-систематизируемый процесс, но на рынке стоматологических услуг и товаров сегодня уже присутствуют такие коммерческие программы, как Logicon CD (Trex-Trophy). Они используются для обработки рентгеновского изображения проксимальных поверхностей зуба и идентификации подозрительных участков по разреженности рентгеновской плотности [19]. Болезни пародонта. Основным симптомом является частичная или полная потеря альвеолярной кости. Ведутся исследования по автоматическому определению уменьшения плотности альвеолярных перегородок, либо по уменьшению их высоты. Периапикальные патологии. Для них характерна очень трудная диагностика в начальной стадии. Автоматический морфологический анализ апикальной части зуба, включая измерение толщины периодонтальной щели, и оценка обтюрации корневого канала, помогут стоматологу в диагностике на ранней стадии. Имплантология. Как известно, этот метод является одним из основных методов замещения отсутствующих зубов. Автоматизированная оценка плотности кости может помочь как на этапе подбора имплантологической системы, так и после инсталляции для ранней диагностики периимплантатитов и постоперационного мониторинга пациента для предупреждения проблем, связанных с оссеоинтеграцией вокруг имплантата. Ортодонтия. Здесь наблюдается рост популярности компьютерных программ как при обработке цефалометрических изображений и последующем анализе роста, так и формирования зубов и челюстей. Также используются программы для планирования ортодонтического лечения и правильного подбора ортодонтических аппаратов (Jeremiah, Orthoplanner) [20]. Остеопороз. Ранняя диагностика остеопороза и других заболеваний, связанных с нарушением метаболизма, основана на анализе морфологических свойств, таких как образ, размеры, границы трабекул кости и их плотности. Установление размера дефекта (отсутствие или изменение рисунка) кости могут быть автоматически обнаружены также с помощью подобных программ. Челюстно-лицевые патологии часто являются показателем общих системных заболеваний. Широкое применение интраоральных цифровых камер позволяет обнаружить патологические проявления и провести визуальную диагностику. Такие точные калориметрические методы исследования могут помочь различить карциномы и классифицировать мягкие ткани полости рта. Это может оказать неоценимую помощь при диагностике опухолей и опухолеподобных заболеваний. Ортопедия. Созданы системы для помощи в дизайне съёмных ортопедических конструкций, что облегчает обсуждение выбора метода лечения с пациентом и предоставляет высококачественную рекомендацию для технической лаборатории (RAPID). Немалое значение имеет также внедрение информационных технологий в обучение студентов и врачей последипломного образования, так как все те знания, которые хранятся в системе, являются огромной базой клинического материала, который можно представлять в виде клинических задач, что поможет развить системное мышление будущего врача и пополнить опыт специалиста [21]. Также ведутся работы по обработке двух мерных изображений с их последующим преобразованием в трехмерное, что увеличивает возможности врача в диагностике сложных патологий. Такая установка, снабженная очками виртуальной реальности в режиме реального времени сэкономит время на постановку диагноза и позволит проводить мониторинг хирургических вмешательств, что исключит множество врачебных ошибок и других осложнений [22]. Компьютерные технологии помогают решать проблемы диагностики и назначения соответствующего лечения не только локально, на одном рабочем месте врача. Развитие сетевых информационных технологий и глобальной всемирной паутины Интернет, позволит врачу со своего рабочего места в любой момент получить консультацию врачей смежных специальностей и вести совместный мониторинг и лечение пациентов с системными заболеваниями в полости рта. Возможна также передача клинических симптомов каждого проблемного случая для меж врачебного обсуждения в специализированных форумах, а так же для консультаций с более опытными коллегами. Влияние информационных технологий на медицину и, в частности, на стоматологию и челюстно-лицевую хирургию уже сегодня приносит полезные результаты. Диагностика становится точнее, данные анамнеза не теряются и поиск их упрощается. Упрощается и меж врачебное общение, экономится время врача и пациента, назначается правильное лечение [23]. Несмотря на присутствие такого количества разработок и систем, основные их задачи реализованы на среднем уровне, что пагубно влияет на отношение практикующих врачей к компьютеризации их рабочих мест. Необходимо отметить, что система, ориентированная на врача, способна снизить общий процент ошибок и облегчить диагностику при наличии трудно диагностируемых клинических случаев. Использование же интеллектуальных обучающихся систем дает возможность со временем подстроиться под индивидуальные потребности практикующих врачей [24]. Архитектура экспертной системы диагностики заболеваний челюстно-лицевой области С целью облегчения процесса постановки диагноза целесообразно использование интеллектуальной экспертной (советующей) системы диагностики заболеваний ЧЛО. Правильная работа экспертной системы, т.е. выработка точных диагностических решений, в значительной степени определяется одним из основных ее компонентов ЁC базы знаний БЗ. (Рис. 0. Архитектура экспертной системы диагностики заболеваний челюстно-лицевой области.) [25]. Это сложный компонент, содержащий знания о диагнозах и их совместимости и различий, классификации и дифференциации на разных уровнях конкретизации диагнозов заболеваний. Клинические знания, представленные экспертной системой в виде продукций необходимы в процессе принятия диагностических решений в разные моменты времени. Врач-стоматолог (эксперт) обычно разделяет диагностическую и симптоматическую информацию по клиническим разделам и выделяет различные уровни абстракции (обобщения). Это наивысший, средний и конкретный уровень представления знаний. В предлагаемой системе наивысший уровень абстракции будем представлять как МЕТА-уровень знаний ЁC и этот уровень представлен в БЗ метапродукциями (МеП). Низший конкретный, или МИКРО-уровень, представлен микропродукциями в МиП. Средний уровень обобщения знаний или МАКРО-уровень содержит конечное множество уровней {1,2,ЎK,n} конкретизации информации и представлен макропродукциями в МаП. Здесь уровни {1,2,ЎK,n} различаются между собой различной степенью конкретизации, где последний n-ый уровень предшествует микроуровню знаний [26]. На метауровне знания заложены в виде продукций, в левых частях которых находятся наиболее обобщенные симптомы в виде обобщённых объектов, их обобщенных свойств и обобщенных значений, в правых ЁC обобщенные описания диагнозов (метадиагнозы). В базе знаний также заложена информация о возможных изменениях в заболеваниях челюстно-лицевой области в зависимости от множества индивидуальных и социальных факторов таких, как условия жизни и труда пациента, возрастные, наследственные или другие, предрасполагающие к развитию заболевания факторы. Используются справочные данные по симптомам и диагнозам с учетом международной классификации болезней (МКБ) по ВОЗ и достижения исследователей в описаниях патологий ЧЛО, а также данные об известных диагнозах заболеваний и различных патологических проявлениях. Эта информация представлена в классификаторе заболеваний КЗ базы знаний. Информация о нечетких понятиях, используемых в описаниях клинической картины болезни, представлена в компоненте НП базы знаний в виде семантических шкал и фрагментов, детализирующих нечеткие лингвистические значения. На метауровне при идентификации, поступившей от ЛВ информации (описания текущей микроситуации), система, как и врач-эксперт, рассматривает те мета обобщенные диагнозы заболеваний, которые схожи с микроописанием клинической картины болезни. Далее, опускаясь на МАКРО уровень описаний, конкретизируется полученная на метауровне ситуация с целью определения макрорешений с помощью знаний, хранимых в БЗ системы. Выделяются и разделяются наиболее похожие, по описанию и смысловому содержанию предположительные диагностические гипотезы и уточняется клиническая картина с помощью ЛВ [27]. Рис. 0. Архитектура экспертной системы диагностики заболеваний челюстно-лицевой области. § Клиническая информация, т.е. описание определенных заболеваний и соответствующих им диагнозов в БЗ представлена множеством продукционных правил. В данном случае продукция является системой симптоматический факт-диагноз. Симптоматическими фактами впредь будем называть тройки вида (ѓз, ѓг, ѓи). Где ѓз -- симптоматический объект. Например, кариозная полость зуба, ѓг -- свойство симптоматического объекта. Например, зондирование стенок (область эмалево-дентинного соединения), ѓи -- значение свойства симптоматического объекта. Например, болезненно. Определим клиническим фактом симптоматическую информацию, записанную в виде (ѓз, ѓг, ѓи, ѓФ), где ѓФ - диагноз заболевания, соответствующий симптоматическому факту (ѓз, ѓг, ѓи). Таким образом, приведенные определения дают возможность представления клинической картины в виде элементарного фрагмента Эфр - множества троек, связанных с одним диагнозом. Для определения семантического сходства (близости) объектов и отношений между ними в базе знаний предусмотрена информация об обобщенных и конкретных описаниях заболеваний и диагнозов ОК. Эти группы описаний содержат классы объектов и отношений и, связанные с ними списки конкретизационных подстановок. При этом структура описания класса отношений содержит не только конкретизируемые отношения, но и списки объектов, сцепленных с данным отношением. Вначале необходимая информация формируется при описании клинических фактов о болезни в клиническом интерфейсе КИ системы. При этом ввод симптоматической информации в систему облегчен посредством дружелюбного интерфейса, ориентированного на специалиста стоматолога[28, 29]. Симптомы болезни, выделенные ЛВ, поступают в систему в виде описания клинической картины заболевания, где могут встречаться как конкретные факты (зуб болит на сладкое, в прошлом зуб болел на холодное), так и нечетко определенные описания болевых синдромов (стреляющая, ноющая или причинная боль) и состояния (слабость, незначительное головокружение, умеренная кровоточивость лунки). Но возможны противоречивые и, даже, несовместимые описания (боль в области давно отсутствующего зуба, болевая реакция на холодный раздражитель давно депульпированного зуба). Задачей КИ является формирование полного формального описания, т.е. перевод во внутренний модельный язык системы клинической картины болезни, на основе полученной от ЛВ симптоматической информации. Множество элементарных клинических фактов А={Эфр}, описывающих клиническую микроситуацию из КИ поступает в рабочую базу фактов РБФ. Для определения смысловой близости клинических фактов А к метаописаниям продукций используется механизм семантического сравнения МСС. Данный механизм на основании информации, находящейся в базе знаний дает возможность определения включения клинического описания микроситуации в одно или несколько продукций метауровня. Далее, среди них механизм распознавания клинической картины состояния пациента МРК осуществляет выбор тех метапродукций, которые характеризуются максимальным включением. В данной системе на метауровне представлено небольшое количество продукций, включающих информацию о патологии челюстно-лицевой области, патологии не связанной с челюстно-лицевой областью и о нормальной физиологии человека. Следующий этап конкретизации осуществляется продукциями МАКРО-уровня для принятия диагностического решения, что более конкретизирует и выделяет необходимые направления для дифференциации диагнозов. Дифференциацией же назовем распознавание семантического различия в клинической картине двух диагностических решений. Так, на некотором МАКРО уровне конкретизации может образоваться несколько кортежей решений, где первыми расположены метадиагнозы заболеваний. На втором месте, первый МАКРО-уровень диагноза, а далее второй и т.д. Эти диагностические решения получены в результате сравнения с другими возможными диагностическими решениями, т.е. правыми частями продукций, заложенных в БЗ на соответствующих уровнях конкретизаций. На последнем месте в кортеже находятся диагнозы заболеваний, которые совместимы или подлежат дифференциальной диагностике. Информация об этом хранится в БЗ в таблицах дифференциальной диагностики ТДД и совместимости диагнозов заболеваний ТСДЗ, где каждому диагнозу на определенном уровне конкретизации сопоставляется множество совместимых и похожих диагнозов. Клинические проявления похожих заболеваний необходимо различать для чего используется механизм дифференциальной диагностики МДД, позволяющий выделять признаки различия. На данном этапе дифференциации заболеваний в системе формируется семантическое различие клинических диагнозов. Система выдает те симптоматические МАКРО описания заболеваний, в которых у разных диагнозов заболеваний они разные, и делается попытка сравнения и поиска необходимой информации в клиническом описании микроситуации. В случае же отсутствия необходимого для дифференциации клинического фрагмента описания, система выдает запрос к ЛВ, и в результате диалога с ним выясняются значения соответствующих симптомов. После чего механизм порождения диагноза МПД определяет другие диагнозы, соответствующие новому описанию. Все порожденные системой диагнозы поступают в рабочую базу диагнозов РБД для последующей дифференциации. В случае наличия подлежащих дифференциальной диагностике заболеваний, диагнозы для последующей дифференциации передаются механизму дифференциальной диагностики МДД. Формирование конечного диагностического решения осуществляется посредством механизма сцепления и формирования диагностического решения МСД. С учетом информации из БЗ и дифференциации или совместимости диагнозов заболеваний в соответствии с таблицами сцепления диагнозов ТСД и механизма дифференциации диагнозов МДД происходит окончательная идентификация клинической картины заболевания, и система выдает сформированное диагностическое решение микроуровня. Оценка решения проводится процессором оценки решения ПОР на основе выборки информации из БЗ о тех симптомах, которые не были использованы в процессе вывода решения. Если таковых не окажется, диагноз определен точно. В случае же их наличия, они представляются ЛВ, который определяет возможности продолжения процесса диагностики. Таким образом, осуществляется уточнение диагноза. В противном случае принимается диагноз, выведенный системой. Окончательно диагностическое решение в виде кортежа МЕТА-МАКРО-МИКРО решений формируется механизмом выдачи диагностического решения МВДР и выдается ЛВ. Это дает ему возможность убедиться в правильности вывода конечного решения и сделать заключение о диагнозе, который соответствует всем патологическим состояниям больного с учетом решения, предложенного системой. Предложенный принцип поиска значительно уменьшает время поиска диагностического решения системой при сохранении приоритета на точности диагностики и обработке всех вариантов возможных диагностических решений и делает ее (систему) не слишком требовательной к рабочим мощностям компьютера. Врач, использующий предлагаемую систему, получает возможность более детально изучить клиническую картину болезни пациента, не упустив важного симптома, и принять решение, соответствующее правильному диагнозу. Основными задачами при решении проблем построения предложенной выше системы являются: разработка формальных методов и средств внутреннего представления знаний; разработка механизма порождения диагностических решений; разработка методики объяснения решений и проведения дифференциальной диагностики; разработка алгоритмов решения задач диагностики; построение базы данных и знаний; организация диалога. Выводы по первой главе. В настоящее время постановка правильных диагнозов заболеваний челюстно-лицевой области является актуальной задачей. Для решения задачи диагностики заболеваний челюстно-лицевой области обоснована архитектура экспертной системы. Формирование диагностических решений В данной главе рассмотрен метод формирования диагностических решений (диагноза). Представлена методика формализованного представления симптоматических фактов и порождения диагностических решений с помощью модели вида алгебраической системы. Описаны механизмы обобщения и определения семантической толерантности фрагментов, описывающих клиническую ситуацию, а также операции над фрагментами семантической сети, используемые в процессе вывода диагностического решения. Рассмотрены возможности использования нечетких понятий представленных семантическими шкалами, и нечетких лингвистических значений, описанных семантическими графами, при порождении диагностических решений. Представлена структура диагностического решения и объяснения принятия решений на каждом уровне конкретизации модели. Модель предметной области Соответственно условиям проблемной среды и анализа аналитико-мыслительного процесса с целью автоматизации процесса диагностики целесообразной является следующая структура систематизации знаний: наивысший, средний и конкретный уровни конкретизации клинических знаний. На основе изучения специфики клинических методов построения диагноза патологических состояний в челюстно-лицевой области целесообразно использование модели вида алгебраической системы M = Носитель S представим в виде 4-ки множеств S = , где f ЁC множество клинических фактов, Fr - множество фрагментов, P - множество продукций и D - множество диагностических решений. Описание клинической ситуации представляется множеством клинических фактов f = {fm}, где fm- элементарные факты, m - уровень конкретизации знаний и m=µ §, где k ЁC значение уровня, соответствующее микро уровню, а m=0 соответствует мета уровню, средние же m=1, m=2, ЎK, m=(k-1), соответствуют 1му, 2му и (k-1)му среднему уровню соответственно. Фрагмент клинической ситуации Fri = {fi} -> di представляется множеством элементарных фактов f, связанных с одним диагнозом d, а множество продукций P = {pm}, где pm ЁC продукция m-го уровня. Полным клиническим фактом или продукцией pm условимся называть правило вида: fm-->dm, где dm ЁC диагностическое решение m-го уровня. Множество D = {dm} является множеством возможных диагностических решений[30]. Глобальные отношения P представляются четверкой возможных отношений P = , где Pсовм ЁC совместимость, Pдиф ЁC дифференциальная диагностика, Pосл - осложнения, Pэтиол ЁC этиология. Здесь под совместимостью понимается возможность параллельного течения более одного патологического процесса у пациента. Информация о глобальном отношении «совместимость» патологических процессов заложена в базе знаний. «Дифференциальной диагностикой» назовем глобальное отношение двух или более диагностических решений. Их описания семантически близки и распознавание основывается на заложенных в базу знаний системы симптоматических фактах с разными значениями свойств описанных клинических объектов. Глобальное отношение «осложнение» выражает состояние, следующее за описанным состоянием в случае ослабленных защитных функций либо отсутствия медицинской помощи пациенту. Разница в симптоматическом описании диагноза и его осложнений играет важную роль при выборе метода лечения. «Этиология» характеризует причину развития патологического состояния. Рекомендации по устранению этого фактора одна из основных задач в выработке тактики лечения. |
плохо
1
Похожие:
База данных защищена авторским правом ©MedZnate 2000-2016
allo, dekanat, ansya, kenam
обратиться к администрации | правообладателям | пользователям
allo, dekanat, ansya, kenam
обратиться к администрации | правообладателям | пользователям