<<
>>

Нейронные сети

Можно выделить два способа решения задачи — логический и интуитивный. Логический метод оперирует набором формальных правил, интуитивный — накопленным опытом. При решении задачи первым способом она обычно разбивается на подзадачи, каждая из которых, в свою очередь, разбивается на несколько элементарных функций с известным алгоритмом вычислений.

Зная алгоритм каждой элементарной функции, можно решать сложнейшие задачи, соединяя элементарные функции в нужной последовательности. Традиционное программирование как раз и обеспечивает такую возможность. При попытке применить такой метод к решению интуитивных задач программист может столкнуться с невозможностью выделить алгоритм элементарной функции или может вообще разбить задачу на такие функции.

Современный компьютер, обрабатывая информацию с большой скоростью, делает это на основе алгоритмов, написанных программистом. Разумеется, с усложнением задач резко возрастает время, затрачиваемое на написание алгоритмов их решения. Поэтому трудности разработки экспертных систем определяются уже не техническими, а человеческими факторами.

Растущие объемы информации, появление новейших диагностических и лечебных технологий стали причинами принципиально иных подходов к обработке и интерпретации медицинских данных, возможности накопления, хранения и использования опыта квалифицированных специалистов. Для научных исследований в медицине также уже совершенно недостаточно использовать стандартные наборы статистических методов для обработки материала. Требуются универсальные инструменты с возможностью гибкой постановки задач, применимые ко всем областям биологии и медицины, обладающие большой информационной емкостью и помехоустойчивостью, не нуждающиеся в длительном времени для разработки. Всем вышеперечисленным требованиям могут отвечать системы, способные самонастраиваться на решение задач. Созданные только один раз исходно одинаковыми, они должны обучаться решать совершенно разные задачи.

Возможности настройки нового класса экспертных систем должны распространяться вплоть до индивидуального пользователя, например, до конкретного врача, имеющего возможность обучать экспертную систему на своем собственном опыте и на основе тех данных, которые доступны этому врачу. Это означает, что необходимо коренное изменение технологии производства таких систем. Существующие традиционные системы принятия решений, основанные на четких правилах вывода, создаются, как правило, группой специалистов, в числе которых математики, программисты и предметные специалисты, ставящие задачи.

Возможности настройки таких систем на конечного потребителя почти всегда сведены к минимуму, и он, приобретая такую систему, часто сталкивается с ее неприменимостью к конкретным условиям его работы (например, другой спектр лабораторных анализов или методов обследования, принятых в данной клинике). Выход — дать специалисту возможность самому конструировать экспертную систему исходя из конкретных условий, собственного опыта и опыта коллег. Такое конструирование должно производиться без знания предметным специалистом математического аппарата, с требованием только обычных навыков работы на ПК. Кроме того, в этой ситуации снимается проблема доверия к заключениям экспертной системы, которая работает, опираясь на опыт и знания того специалиста, который ее сконструировал, его коллег, которым он доверяет, а также основываясь на реальных данных, которые он сам получил в результате наблюдений.

Основные требования, которым должны удовлетворять самообучающиеся медицинские экспертные системы принятия решений, диагностики, назначения лечебно-профилактических мероприятий и прогнозирования, таковы:

1) индивидуализация (настройка на традиции клинических школ, геосоциальные особенности региона применения, наборы медико-биологических данных, особенности лечебно-диагностических технологий, индивидуальный опыт и знания специалиста);

2) динамическое развитие (накопление опыта системы в процессе функционирования, следуя изменениям в пунктах, перечисленным в предыдущем требовании);

3) возможность перенастройки при резком изменении условий (например, при перенесении в другой регион);

4) способность к экстраполяции результата (требование, обратное индивидуальности) — система не должна резко терять качество работы при изменении условий;

5) возможность конструирования «с нуля» конечным пользователем (специалист должен иметь возможность придумать совершенно новую экспертную систему и иметь возможность просто и быстро создать ее);

6) «нечеткий» характер результата — важное требование, подразумевающее, что решение выдаваемое системой, не должно быть окончательным.

Оно может быть, например, вероятностным либо может предлагать сразу несколько вариантов на выбор. Это дает возможность специалисту критически оценивать решение системы и не лишает его инициативы в принятии окончательного решения.

7) экспертная система является только советчиком специалиста, не претендуя на абсолютную точность решения, она должна накапливать опыт и знания и значительно ускорять доступ к ним, моделировать результат при изменении условий задачи; при этом ответственность за решение всегда лежит на специалисте.

Этим требованиям достаточно хорошо удовлетворяют нейроинформационные технологии, базирующиеся на искусственных нейронных сетях. В основе функционирования нейронных сетей лежат алгоритмы, моделирующие распространение сигналов по нейронам и синапсам нервной системы. Существует достаточно большой набор архитектур и метаалгоритмов функционирования нейронных сетей, при этом задачи, решаемые современной нейроинформатикой, в большинстве случаев требуют подгонки архитектуры и алгоритмов обучения нейросетей под определенный класс задач или даже под конкретную задачу. Поэтому разработка универсальной технологии создания медицинских экспертных систем, включающей оптимизацию архитектур и метаалгоритмов функционирования нейронных сетей, теоретические и методологические основы функционирования нейросетей при работе с медико-биологической информацией, является актуальной задачей.

Все задачи, решаемые человеком, с позиций нейроинформационных технологий можно условно разделить на две группы:

1) задачи, имеющие известный и определенный набор условий, на основании которого необходимо получить четкий, точный, недвусмысленный ответ по известному и определенному алгоритму;

2) задачи, в которых не представляется возможным учесть все реально имеющиеся условия, от которых зависит ответ, а можно лишь выделить приблизительный набор наиболее важных условий (т.к. часть условий при этом не учитывается, ответ носит неточный, приблизительный характер, а алгоритм нахождения ответа не может быть выписан точно).

Для решения задач первой группы с большим успехом можно использовать традиционные компьютерные программы. Как бы ни был сложен алгоритм, ограниченность набора условий (входных параметров) дает возможность составления алгоритма решения и написания конкретной программы, решающей данную задачу. Нет никакого смысла в использовании нейроинформационных технологий для решения таких задач, т.к. в этом случае нейросетевые методы будут априорно хуже решать такие задачи. Единственным исключением является случай, когда алгоритм вычисления ответа слишком большой и громоздкий, а время на решение конкретной задачи по этому алгоритму не удовлетворяет практическим требованиям; кроме того, при получении ответа не требуется абсолютная точность.

При решении задач второй группы применение нейротехнологии оправдывает себя по всем параметрам, при выполнении, однако, двух условий: во-первых, наличия универсального типа архитектуры и единого универсального алгоритма обучения (отсутствие необходимости в их разработке для каждого типа задач), во- вторых, наличия примеров (предыстории, фиксированного опыта), на основании которых производится обучение нейронных сетей. При выполнении этих условий скорость создания экспертных систем возрастает в десятки раз, и соответственно снижается их стоимость.

Практически вся медицинская и биологическая науки состоят именно из задач, относящихся ко второй группе, и в большинстве этих задач достаточно легко набрать необходимое количество примеров для выполнения второго условия. Это задачи диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения и др. Медицинские задачи практически всегда имеют несколько способов решения и «нечеткий» характер ответа, совпадающий со способом выдачи результата нейронными сетями.

Все неалгоритмируемые или трудноалгоритмируемые задачи, решаемые нейронными сетями, можно классифицировать на два принципиально различающихся типа в зависимости от характера ответа — задачи классификации и задачи предикции.

Задачи классификации — это основная и очень обширная группа медико-биологических задач. Ответом в них является класс — выбор одного варианта из заранее известного набора вариантов. Классификация может быть бинарной (элементарная классификация) — в этом случае набор возможных ответов состоит из двух вариантов (классов) — и n-арной, где число классов более двух. Примерами бинарной классификации могут служить как объективные категории (пол человека — мужской или женский; характер опухоли — доброкачественный или злокачественный), так и субъективные (здоров человек или болен; наличие или отсутствие склонности к простудным заболеваниям). В некоторых случаях не представляется возможным отнесение ответа задачи к объективной или субъективной категории, и это не имеет принципиального значения для обучения и работы нейросетевой экспертной системы.

Важной чертой задачи классификации по определению является возможность выбора одного и только одного варианта решения (класса), поэтому постановка диагноза не может считаться одной классификационной задачей, т.к. у одного человека может одновременно присутствовать несколько патологий. В случае невозможности выбора одного варианта ответа (множественности выбора) задача подразделяется на подзадачи, каждая из которых представляет собой классификационную задачу.

Другой вид задач для нейросетей — задачи предикции, или предсказания. Они подразделяются на предсказание числа (одномерная предикция) и вектора (векторная предикция, более общий случай). Отличие от классификационных задач заключается в том, что ответ в задачах предикции может быть дробным и может принимать любые значения на каком-либо интервале.

Векторная предикция предполагает, что ответ может быть представлен в виде нескольких независимых друг от друга чисел, образующих точку (или вектор) в многомерном пространстве, размерность которого равна количеству предсказываемых чисел. Число координат вектора называется при этом размерностью вектора ответа.

При решении реальных задач возможны различные комбинации предикции и классификации, и задача должна быть поставлена самим предметным специалистом.

8.7.1.

<< | >>
Источник: Н.В.Абрамов и др.. Информационные системы в медицине: Учебное пособие— Нижневартовск: Изд-во Нижневарт. гуманит. ун-та,2008. — 171 с.. 2008

Еще по теме Нейронные сети:

  1. 1.2.1 Искусственные нейронные сети в системах распознавания
  2. Радиально-базисные нейронные сети
  3. Свёрточные нейронные сети
  4. 2.1 Структура сети для выделения сюжета изображения
  5. 2.1.1 Свёрточные нейронные сети
  6. 2.1.2 Топология свёрточной нейронной сети
  7. 1.1. Искусственные нейронные сети. Их основные типы, используемые в физике.
  8. 1.2.11 Нейронные сети, обучаемые по методу имитации отжига.
  9. 1.2.4. Сеть встречного распространения
  10. 1.3.2 Нейронные сети радиально-базисного типа
  11. 2.2.1. Обучение радиальных нейронов СНРБ-сети.
  12. Нейронные сети
  13. Архитектура нейронной сети
  14. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ СЕГОДНЯ
  15. ОДНОСЛОЙНЫЕ ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ
  16. МНОГОСЛОЙНЫЕ ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ
  17. Глава 9. Оптические нейронные сети
  18. Приложение А. Биологические нейронные сети
  19. Структуры нейронных сетей для нейроуправления
  20. Генетический алгоритма для обучения нейронной сети для вертикализации экзоскелета с одним критерием оптимизации