Размещено на http://www.allbest.ru/

ОТРАЖЕНИЕ ОБРАЗНОГО МЫШЛЕНИЯ СПЕЦИАЛИСТА В МЕДИЦИНСКОЙ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЕ, РАСПОЗНАЮЩЕЙ ПАТОГЕНЕЗ ЗАБОЛЕВАНИЯ (НА ПРИМЕРЕ БРОНХИАЛЬНОЙ АСТМЫ)

А.Е. Янковская, Ф.Ф. Тетенев, Г.Э. Черногорюк

Введение

Весьма интенсивно направление, связанное с отражением образного мышления специалиста в интеллектуальных системах стало развиваться с 80-х годов. Стимулом явились работы Д.А. Поспелова [1], А.А. Зенкина [2], В.В. Хорошевского [3] в области когнитивной графики.

Основной метафорой когнитивной графики является "познание через образ" (Д.А. Поспелов). Мир образных представлений, характерных для медицинских знаний, породил исследования по созданию медицинских интеллектуальных систем с различными аспектами применения средств когнитивной графики: когнитивная подсказка как средство активизации поиска решения пользователем в работах С.И. Гольдберга и Л.Д. Мешалкина; когнитивные диаграммы для представления ЭКГ в работе Т.А. Ракчеевой и др. С нашей точки зрения вопросы отражения образного мышления врача в интеллектуальной системе наиболее глубоко проработаны Б.А. Кобринским [4,5].

Однако, несмотря на некоторые результаты в обсуждаемом направлении, вопросов существенно больше, чем ответов. Основной причиной такого положения дел представляется отсутствие в интеллектуальных системах математического аппарата, позволяющего оперировать с образами также оперативно, как с символами (например, осуществлять вывод на образах, а не только использовать когнитивные средства для поддержки принятия решений, создания символьно - образных баз знаний и т.д.).

Опираясь на то, что в процессе человеческого познания образы, символы и логика слиты воедино, Д.А. Поспелов [6] неоднократно подчеркивал необходимость симбиоза образного и символьно-логического представления знаний и их обработки в интеллектуальных системах.

В докладе отражены результаты, связанные с созданием когнитивных средств: как инвариантных к проблемным областям, не имеющих образного представления в обычной реальности, так и связанных с патогенезом конкретного заболевания (бронхиальной астмы).

1. Особенности проблемной области, цели и ожидаемые результаты отражения образного мышления в интеллектуальной системе

При создании медицинских интеллектуальных систем необходимо учитывать особенности медицинского знания, влияющие на выбор математического аппарата. В той или иной мере эти особенности отражены в ряде публикаций [4,5,7-12]. Будем в дальнейшем строить свои рассуждения на примере бронхиальной астмы.

Процессы, происходящие в организме больного, многомерны, подвержены взаимовлияниям, вступают во взаимодействия по типу разветвленной последовательной множественности, что может быть представлено сетью. Таким образом, имеющиеся у врача представления о заболевании в своей совокупности настолько сложны, что охватить их мысленным взором практически невозможно. Компьютерная же модель болезни, реализованная в интеллектуальной распознающей системе с когнитивными средствами, отражающими образное мышление специалиста, приблизит нас к созданию научного инструментария, позволяющего глубже проникнуть в суть происходящих в организме процессов. Представляется, что такая модель, основанная на обобщении, выявлении различного рода закономерностей, систематизации причинно-следственных отношений в механизме данного заболевания, открывает совершенно новые перспективы интеллектуальной поддержки в медицине. Она сделает возможными: поиск и установление новых связей между различными процессами с последующим выходом на конечные звенья патофизиологических эффектов; проведение экспериментов, позволяющих анализировать поведение системы при вводе "возмущающих" элементов, т.е. этологических, лечебных и других воздействий. Кроме того, одной из целей создания подобной модели должна быть возможность имитирования индивидуальной схемы развития заболевания у пациента, что, в конечном итоге, предполагает целенаправленную лечебную коррекцию.

В зависимости от характера представления патогенетического процесса структура его модели предполагает два уровня. Первый уровень можно условно назвать "динамическая модель физиологической функции". В ее основу положена биологическая концепция антагонистической регуляции органов и систем организма. Динамическое равновесие системы обеспечивает нормальный тонус. Это достигается тем, что различные механизмы, воздействующие на эффекторную систему, в определенном режиме могут обеспечивать ее стабильное состояние.

На концептуальной схеме стабильного состояния бронха различные системы регуляции тонуса бронхиального дерева могут быть образно представлены контурами пропеллера со стрелками на контурах, отражающими антагонистические механизмы регуляции на срезе бронхиального дерева. В данной работе динамическая модель физиологической функции в плане ее реализации в интеллектуальной системе не рассматривается.

Второй уровень представляют знания о возможных патогенетических механизмах, отраженных в виде причинно-следственных отношений. Поскольку этот уровень изучен нами более детально, дальнейшее изложение будет сосредоточено на нем.

2. Представление знаний

Для отражения основных причин бронхообструкции используются две модели представления знаний - матричная и сетевая модель специального типа.

Для сохранения последовательности образных представлений патогенетических процессов, необходимо создание иерархической классификации всего признакового пространства на основе морфофункционального принципа. Здесь возможна следующая последовательность рубрик: этологические факторы, клеточные структуры, рецепторы клеток, клеточные медиаторы, внутриклеточный энергетический процесс. Признаковое пространство для образного представления знаний включает более сотни признаков. В дальнейшем мы будем их называть характеристическими.

Наряду с характеристическими признаками нами вводятся в рассмотрение шесть классификационных признаков, к которым относятся, спазм гладкой мускулатуры бронхов, отек слизистой, гиперсекреция и др. Каждый из них характеризуется некоторой оценкой - степенью уверенности специалиста в его наличии и выраженности. К классификационным относятся и признаки прогностического и лечебно-профилактического характера.

Используемая модель представления знаний в виде матрицы описаний (Q) и от одной до трех целочисленных матриц различений (R) изложена в [13,14-17].

Строки матрицы Q сопоставляются с объектами из обучающей выборки, столбцы - с двоичными или троичными характеристическими признаками, используемыми для описания каждого объекта. Элемент матрицы Q, лежащий на пересечении i-ой строки и j-го столбца, задает значение j-го признака для i-го объекта.

Под описанием объекта будем понимать знание специалиста, локализованное в пространстве троичных характеристических признаков о конкретном бронхообструктивном процессе и представленное строкой матрицы Q.

Строки матрицы R сопоставляются с одноименными строками матрицы Q, а столбцы - с классификационными признаками, определяющими различные механизмы классификации (разбиения объектов на классы эквивалентности). Элемент матрицы R, лежащий на пересечении i-ой строки и j-го столбца, задает принадлежность i-го объекта одному из выделенных классов при j-ом механизме классификации. Число неповторяющихся строк матрицы R равно числу выделенных образов.

С содержательной точки зрения матрица R может быть любого из следующих трех типов. Первый тип характеризуется вложенностью механизмов классификации, когда каждый последующий столбец задает более подробное разбиение объектов на классы эквивалентности. Второй тип служит для представления независимых механизмов классификации, где столбцы отражают, например, мнения различных экспертов. Третий тип может интерпретироваться как совокупность действий, которые необходимо выполнить для данного объекта в создавшейся ситуации.

При необходимости сформировать и представить комплексные решения (диагностические, лечебно-профилактические, организационно-управленческие), следует использовать от одной до трех матриц R, число столбцов в каждой из которых зависит от размерности комплекса того или иного решения (например, число признаков, составляющих диагноз).

Нечеткость при представлении знаний задается путем добавления к классификационному признаку специального признака, характеризующего степень принадлежности объекта к тому или иному классу.

В нашем случае матрица R первого типа имеет шесть столбцов по числу классификационных признаков.

Предъявленный для принятия решения (например, прогноза) объект (ситуация) описывается либо конъюнкцией z, либо булевой функцией g в ортогональной дизъюнктивной нормальной форме (ОДНФ). Каждая конъюнкция представляется троичным вектором. Компонента вектора, отмеченная символом "-", интерпретируется как безразличное значение. Если же известна вероятность единичного значения переменной, то она указывается в соответствующей компоненте вектора.

Нечеткость для каждого из размытых признаков в описании объекта задается парой вероятностей (P_1j, P_2j), характеризующей интервал единичного значения j-го признака.

С целью учета более сложных зависимостей между признаками, а именно, для введения отношения порядка на подмножествах признаков, предлагается использовать сетевую модель специального типа [18-20].

3. Основы построения интеллектуальной распознающей системы

Поскольку отражение образного мышления специалиста предполагается осуществить в интеллектуальной распознающей системе ИСПРИР, изложим ее концептуальные основы. Система ИСПРИР является развитием системы ЭКСАПРАС [15], основанной на матричной модели представления знаний, а также логико-комбинаторных тестовых методах распознавания образов с использованием глубоких эквивалентных и оптимизирующих преобразований, позволяющих выявлять различного рода закономерности; строить схемы логического вывода на базе минимальных безусловных диагностических тестов; распознавать на основе коэффициентов сходства [21] исследуемый объект с заданной пользователем погрешностью принятия решения. Решения принимаются с использованием процедуры голосования на множестве схем логического вывода и обосновываются средствами когнитивной графики.

В дополнение к системе ЭКСАПРАС, в систему ИСПРИР предполагается включить функции построения смешанных диагностических тестов (с оптимальным сочетанием условных и безусловных составляющих) [19,20,22] и дерева теста, логико-вероятностного вывода [14,16]. Подключены графические и когнитивные средства понимания информационных структур, выявления закономерностей, принятия и обоснования решения. Алгоритмы, положенные в основу построения вышеупомянутых функций, описаны в [14,16,19,20-25].

4. Графические средства визуализации информационных структур

В зависимости от размерностей матриц Q и R, а также числа механизмов классификаций и числа классов по каждому из этих механизмов, предлагается либо полное, либо фрагментарное графическое представление структуры модуля знаний. Опишем первый способ графического представления модуля базы знаний. Если в модуль базы знаний включена матрица R первого типа, то для ее графического представления используется структура в виде дерева. Здесь вершины i-го уровня сопоставлены i-му механизму классификации, а ребра i-го уровня - классам по i-му механизму классификации. Имя класса с указанием количества его объектов, отображается внутри прямоугольника, встроенного в соответствующее ребро дерева. При этом высота прямоугольника существенно больше ширины. Таким образом, ребра i-го уровня взвешены количеством объектов соответствующего класса. Для наглядности изображения ширину прямоугольника устанавливаем прямо пропорционально числу объектов рассматриваемого класса. Простая цепь, соединяющая вершину дерева с листом, определяет процесс принятия решения. Если в модуль знаний включена матрица R третьего типа, то для ее представления используется структура в виде сети. Для графического представления матриц R второго типа используется бихроматический (двудольный) граф, содержащий в качестве одного подмножества вершин листья дерева, либо сети, а другому подмножеству вершин соответствуют различные строки матрицы R. Ребро двудольного графа взвешивается числом объектов, на которых в соответствии с матрицей Q заданы одинаковые строки матрицы R.

Второй способ графического представления модуля базы знаний отличается от первого расположением графического представления дерева (сети) и описан в [24].

5. Графические средства визуализации закономерностей

Закономерности в знаниях выявляются с использованием подсистемы, предназначенной: для анализа модуля базы знаний на репрезентативность и непротиворечивость; для выделения константных, неинформативных, альтернативных, зависимых, обязательных признаков; для вычисления весовых коэффициентов признаков; для нахождения множества минимальных тестов, обеспечивающих различимость любой пары объектов [15].

Визуализацию соотношений между различными группами признаков целесообразно проводить с использованием круговой диаграммы. Каждой группе признаков сопоставляется сектор круга, центральный угол которого прямо пропорционален количеству признаков соответствующей группы. Каждый сектор окрашивается заранее выбранным цветом, например, сектор неинформативных признаков - в черный цвет, сектор обязательных - в красный цвет, сектор альтернативных - в голубой, а зависимых - в желтый. Кроме того, альтернативные признаки представляются двудольным графом, а зависимые - ориентированным графом. Вершины графов отмечаются номерами признаков.

Множество минимальных тестов представляется диаграммой Венна. При этом круги, соответствующие разным тестам, окрашиваются в разные цвета. Заметим, что диаграмма Венна не наглядна, если мощность множества минимальных тестов велика.

Для представления весовых коэффициентов признаков целесообразно воспользоваться гистограммой, на которой высоты прямоугольников прямо пропорциональны весовым коэффициентам сопоставленных им признаков. Эта же информация может быть представлена круговой диаграммой. В каждом ее секторе вычерчивается дуга с радиусом, прямо пропорциональным весовому коэффициенту соответствующего признака.

В интересах графического представления теста целесообразно использовать дерево (в общем случае, сеть) теста. Деревом теста назовем дерево, ярусы которого, секционированные по механизмам классификации, соответствуют признакам, входящим в тест, вершины - множествам реакций (строки безызбыточной матрицы описаний, получаемой удалением всех столбцов, не вошедших в соответствующий безызбыточный тест), а ребра, соединяющие вершины некоторого i-ого яруса с вершинами следующего яруса - значениям признака, которым сопоставлен i-ый ярус. Множество реакций однозначно определяется значениями признаков, принадлежащих пути из корня дерева в данную вершину. Каждая концевая вершина дерева теста связана с множеством реакций строк матрицы описаний, принадлежащих одному образу, который и приписывается этой концевой вершине.

6. Графические и когнитивные средства визуализации принятия и обоснования решений

Для визуализации принятия и обоснования решений предлагаются разнообразные альтернативные и дополняющие друг друга средства, предназначенные для различного рода пользователей. Тот факт, что даже специалистами одной квалификации визуальная информация воспринимается по-разному, приводит к целесообразности использования альтернативных графических средств.

При обосновании результатов принятия решений в интеллектуальных системах применяются четыре оригинальных способа графической визуализации с использованием элементов когнитивной графики: гистограмма специального типа, круговая диаграмма с отрезком или прямоугольником, правильный n-симплекс (равносторонний треугольник при n=2), визуально-матричный метод с использованием карты Карно.

Значение степени условной близости объекта к некоторому образу выражается на гистограмме высотой прямоугольника, построенного на соответствующем интервале горизонтальной оси. Прямоугольник, соответствующий образу, к которому отнесен объект, отмечается специальным символом. Различные прямоугольники окрашиваются в цвета, сопоставленные значению степени условной близости (принято одним цветом окрашивать прямоугольник, высота которого равна от 0,1l до (0,1l+0,1), где l - целое число).

При логико-вероятностном принятии решений высота прямоугольника соответствует вероятности принятия решения по соответствующему образу. Во втором способе используется круговая диаграмма, на которой количество секторов равно числу образов, а центральные углы секторов пропорциональны количеству обучающих объектов по соответствующим образам. Полюс помещается в центр круга единичного радиуса. В каждом секторе проводятся две дуги, полярные радиусы которых равны коэффициентам условной близости предъявляемого объекта к образу и условной близости объектов внутри образа. Местоположение объекта относительно двух (четырех) образов отображается точкой внутри дополнительного отрезка (прямоугольника). Концы отрезка (стороны прямоугольника) сопоставляются выбранным образам, а расстояния от точки до них устанавливаются пропорционально отношениям упомянутых коэффициентов. Окраска секторов аналогична окраске, используемой для 1-го способа.

При логико-вероятностном принятии решений в каждом секторе круга проводится одна дуга, полярный радиус которой равен вероятности принятия решения по предъявляемому (исследуемому) объекту. Расстояния от точки, отображающей местоположение объекта относительно двух (четырех) образов внутри отрезка (прямоугольника), пропорциональны вероятностям принятия решений по исследуемому объекту относительно рассматриваемых образов. интеллектуальная распознавание мышление пульмонолог

Третий способ базируется на свойствах правильных n-симплексов сохранять сумму расстояний от любой точки соответствующей геометрической фигуры до ее граней, а также сохранять отношения между этими расстояниями, что позволяет адекватно отображать пространственное расположение предъявляемого объекта относительно объектов из обучающей выборки. Поскольку сомнения относительно принадлежности объекта к тому или иному образу (классу) возникают при малом количестве образов, то в практических целях для представления образов достаточно использовать правильный n-симплекс при n=2 или при n=3.

В системе ИСПРИР для отображения используется равносторонний треугольник. Параллельно сторонам треугольника, сопоставленным выбранным образам, проводится по две линии (внутри и снаружи) на расстояниях, определяемых требуемой точностью принятия решения. Заключение о принадлежности объекта некоторому образу принимается в случае, когда точка, сопоставленная объекту, расположена в области, ограниченной соответствующими прямыми. Окраска сторон треугольника, при этом, выбирается также, как и для выбранных образов при первых двух способах.

В случае логико-вероятностного принятия решений расстояния от точки, отображающей исследуемый объект, до сторон треугольника вычисляются на основе значений вероятностей принятия решений по образам, сопоставленным сторонам треугольника.

При визуально-матричном методе все описания объектов рассматриваются как двоичные (троичные) векторы, которым однозначно сопоставлены некоторые точки (интервалы) булевого пространства с размерностью, равной количеству признаков, задающих описания объектов. Каждой точке введенного булевого пространства ставится в соответствие клетка карты Карно, построенной так, что векторы, соответствующие соседним клеткам, отличаются значением только одной компоненты. Попадание точки (интервала) в ту или иную клетку (группу клеток) существенно зависит от порядка рассмотрения признаков, зафиксированного при построении карты Карно. Нами предлагаются эвристические алгоритмы такого упорядочивания признаков, при котором представление образов становится более компактным, например, по неубыванию числа неопределенных элементов в столбцах матрицы описаний. Принцип окрашивания образов тот же, что в вышеупомянутых способах.

Более подробно когнитивные средства, используемые для принятия и обоснования решений на основе коэффициентов сходства, включая способы учета дополнительных возможностей, например, по отображению близости исследуемого объекта к объекту из обучающей выборки при первых трех способах визуализации, а также учета уровней квалификации экспертов, представлены в работах [23, 24].

Предлагаемые когнитивные средства допускают обучение алгоритмам решения задач и в хорошо структурированных областях (например, в математике). С точки зрения удобства восприятия для непрофессионального пользователя, первые два способа являются самыми простыми. Второй способ дает дополнительные возможности визуализации расстояний от объекта до образа. Но оба эти способа не дают представления о расположении самого объекта среди других. В этом отношении третий и четвертый способы несомненно, открывают, новые возможности. Если третий способ доступен и для непрофессионального пользователя, то четвертый скорее рассчитан на специалиста, знакомого с представлениями булевых функций на картах Карно. Однако, с учетом особенностей восприятия графических образов, третий способ целесообразно использовать, когда количество одновременно отображаемых образов не более 3.

В случае, когда один из механизмов классификации используется для задания степени принадлежности к образу, когнитивные средства позволяют для образов, отличающихся только значением степени принадлежности, практически устранить искажения, связанные с прямым назначением принадлежности (в частности, наличие субъективной тенденции сдвигать оценки объектов в направлении концов оценочной шкалы).

Дополнительно к вышеописанным когнитивным средствам предлагается графическая визуализация процесса принятия решения, в основу которого положена операция реконфигурации дерева теста. Первичное изменение порядка следования признаков в дереве теста [19] обеспечивает отдачу тестом достоверных голосов (достижение концевой вершины дерева) при предъявлении к распознаванию большего, чем для исходного дерева, числа объектов. Вторичное изменение порядка следования признаков в дереве теста связано с описанием предъявляемого для распознавания объекта и выделением (например, окрашиванием) простых цепочек от корня к листьям, которые сопоставлены принимаемым решениям по всевозможным минимальным тестам. Вершинам реконфигурируемого дерева теста сопоставляются признаки, описывающие предъявляемый при принятии решения объект. Признаки ранжированы по невозрастанию весовых коэффициентов. При этом корню реконфигурируемого дерева теста сопоставляется признак с наибольшим весовым коэффициентом. Ребра дерева тестов помечаются значениями признаков.

7. Когнитивные средства, отражающие образное мышление специалиста

В отличие от вышеприведенных графических средств, инвариантных к проблемным областям, теперь рассмотрим когнитивные средства, отражающие образное мышление специалиста-пульмонолога в интеллектуальной распознающей системе патогенеза заболевания на примере бронхиальной астмы.

Конечные патофизиологические эффекты, определяющие клинику заболевания, могут быть сведены к трем бронхообструктивным процессам: спазму гладкой мускулатуры, отеку слизистой и гиперсекреции, каждый из которых представим графически в виде сечения бронха. В совокупности эти сечения характеризуют образ состояния бронхов. Для визуализации различных процессов используются различные цвета, закрашивающие срез по кольцу, больший диаметр которого равен диаметру среза, а меньший зависит от степени выраженности того или иного процесса.

Образ состояния бронхов представляется путем объединения трех срезов в один, что показывает состояние бронхиального дерева в целом; при этом окраска берется в соответствии с состоянием бронхиального дерева.

Для отображения бронхообструктивного процесса предлагается использовать сетевую модель специального типа. Входным полюсам сети сопоставляются подмножества характеристических признаков, не подчиненные никаким другим подмножествам, выходному полюсу сопоставляется образ состояния бронхов в целом, отражаемый на срезе бронха. Вершины, смежные с выходным полюсом, представляются вышеупомянутыми тремя срезами бронхов, каждый из которых отображает соответствующий бронхообструктивный процесс. Вершину, смежную только с входными полюсами, будем относить к первому ярусу сети. Вершину будем относить к n-му ярусу, если n-1 - максимальный номер яруса тех вершин, с которыми она смежна. Вершины, не сопоставленные выходному полюсу и смежными с ним полюсами, сопоставлены характеристическим признакам, а дуги, инцидентные этим вершинам - значениям этих признаков. Дуги, ведущие к выходному полюсу, сопоставлены значениям соответствующих бронхообструктивных процессов (наличию и степени выраженности). Полюс t, смежный с выходным полюсом, может быть соединен простыми цепями с несколькими входными полюсами сети.

Простая цепь, соединяющая входной и смежный с выходным полюсы сети, представляет условный тест, составленный из признаков, приписанных вершинам цепи. Всевозможные реакции на этот тест заданы дугами этой цепи.

Условный тест позволяет выявить наличие и степень выраженности соответствующего бронхообструктивного процесса.

Моделируемая пользователем или получаемая с помощью системы ИСПРИР при предъявлении исследуемого объекта реакция на условный тест "возбуждает" соответствующую цепь, что отмечается на экране миганием соответствующих дуг.

Заметим, что для трудноформализуемых областей знаний последовательность вершин имеет существенное значение. В случае с бронхиальной астмой при построении и реконфигурации дерева теста возможная последовательность задается только экспертом.

Данный способ отражения образного мышления специалиста предполагается реализовать в интеллектуальной распознающей системе ИСПРИР.

Заключение

Предложенные альтернативные и дополняющие друг друга графические и когнитивные средства для отображения информационных структур, различного рода выявленных закономерностей, принятия и обоснования решений на основе двух подходов к принятию решений (коэффициентов сходства и логико-вероятностного) в интеллектуальной распознающей системе инвариантны к проблемным областям и ориентированы на пользователей различной квалификации. Положительный опыт использования некоторых из этих средств в медицинских интеллектуальных системах [10-12] подтверждает целесообразность реализации остальных в интеллектуальной системе ИСПРИР.

Когнитивные средства, отражающие образное мышление специалиста., воплощенное в интеллектуальной системе, способствуют более полному раскрытию возможных патогенетических механизмов и установлению новых связей. Создание моделей заболевания с использованием образного мышления специалиста существенно расширяет область применения интеллектуальных систем.

Разрабатываемая интеллектуальная распознающая система ИСПРИР на основе построения оптимальных смешанных диагностических тестов с одновременным выявлением разнообразных закономерностей; логико-вероятностного (нечеткого) вывода и разнообразных графических средств (включая когнитивные) как инвариантных к проблемным областям, так и ориентированных на конкретную область, позволит повысить уровень научных исследований, моделировать процессы и прогнозировать возможные результаты.

Работа поддержана РФФИ, проект № 98-01-00295.

Литература

1. Будущее искусственного интеллекта. - М.: Наука, 1991.

2. Зенкин А.А. Когнитивная компьютерная графика. - М.: Наука, 1991.

3. Албу В.А., Хорошевский В.Ф. КОГР - система когнитивной графики, разработка, реализация и применения// Изв. АН СССР. Техническая кибернетика. - 1990. - № 5.

4. Кобринский Б.А. К вопросу учета образного мышления и интуиции в экспертных медицинских системах// Искусственный интеллект - 96. Сб. научных трудов V Национальной конференции с международным участием. Том II. - Казань, 1996.

5. Кобринский Б.А., Фельдман А.Е. Анализ и учет ассоциативных знаний в медицинских экспертных системах// Новости искусственного интеллекта. - 1995. - № 3.

6. Поспелов Д.А., Литвинцева Л.В. Как совместить левое и правое? // Новости искусственного интеллекта. - 1996. - № 2.

7. Рахманова З.Б. Медицинское знание: от прошлого к будущему, или экспертные системы в медицине// Новости искусственного интеллекта. - 1995. - № 3.

8. Кобринский Б.А. Системы искусственного интеллекта в медицине: состояние, проблемы и перспективы// Новости искусственного интеллекта. - 1995. - № 2.

9. Волынский Ю.Д. Информатика и медицина// Вестник Всесоюзного общества информатики и вычислительной техники. - 1991. - № 1.

10. Янковская А.Е. Представление знаний и алгоритмическое обеспечение для медицины экстремальных ситуаций// Вестник Всесоюзного общества информатики и вычислительной техники. - 1991. - № 1.

11. Янковская А.Е., Приходько А.Н., Кошелев В.П. Динамическая экспертная система принятия организационных решений при ликвидации последствий катастроф// Военно-медицинский журнал. - 1992. - № 10.

12. Янковская А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики// Компьютерная хроника. - 1994. - №№ 8-9.

13. Янковская А.Е. Оптимизирующие преобразования в процессе синтеза асинхронного автомата и их приложение // Междунар. сб. MTA SZTAKI TANULMANYOK 99/1980.

14. Янковская А.Е. Автоматная модель, нечеткая логика и средства когнитивной графики при решении прогностических задач// Распознавание образов и анализ изображений: новые информационные технологии (РОАИ-3-97). Труды III Всероссийской с участием стран СНГ конференции, ч.I. - Н. Новгород, 1997.

15. Yankovskaya A. Ye., Gedike A.I. Theoretical Base, Realization and Application of the Intelligent System EXAPRAS// Proceeding East-West Conference on Artificial Intelligence "EWAIC'93. From Theory to Practice", Moscow, Russia, 1993.

16. Янковская А.Е. Технология прогнозирования последствий техногенных и природных катастроф и влияния их на окружающую среду на базе не полностью определенных знаний: от концепции к реализации // Проблемы защиты населения и территорий от чрезвычайных ситуаций. Труды Всероссийской конференции. - Красноярск, 1997.

17. Yankovskaya A. Ye., Yevtushenco N.V. FSM-Based Knowledge Representation in a Computer Tutoring System // Proceeding of the ICCE'95. - USA, Singapore, 1995.

18. Matrosova A. Yu., Yankovskaya A. Ye. Use of Conditional Nondeterministic Diagnostics Tests in Pattern Recognition Problems // Pattern recognition and Image Analysis. - 1992. - Vol. 2, № 2.

19. Пырлик Д.В., Янковская А.Е. Построение условных диагностических тестов и их применение в интеллектуальных системах // Искусственный интеллект - 96. Сб. научных трудов V Национальной конференции с международным участием. Том I. - Казань, 1996.

20. Янковская А.Е. Об оптимальном сочетании условных и безусловных диагностических тестов в интеллектуальных системах // Искусственный интеллект - 96. Сб. научных трудов V Национальной конференции с международным участием. Том I. - Казань, 1996.

21. Yankovskaya A.E. Minimization of orthogonal disiunctive normal forms of boolean function to be used as a basis for similarity and difference coefficients in pattern recognition problems // Pattern recognition and image analysis. - 1996. - Vol. 6, № 1.

22. Yankovskaya A. Design of optimal mixed diagnostic test with reference to the problems of evolutionary computation // Proceeding of First International Conference on Evolutionary Computation and its Applications. "EvCA'96". - Moscow, Russia, 1996.

23. Янковская А.Е. Принятие и обоснование решений с использованием методов когнитивной графики на основе знаний экспертов различной квалификации// Известия РАН. Теория и системы управления. - 1997. - № 5.

24. Янковская А.Е. Графические средства в системах искусственного интеллекта, основанных на тестовых методах распознавания образов // Новые информационные технологии в исследовании дискретных структур. Сборник докладов Всероссийской конференции. - Екатеринбург: УрО РАН, 1996.

25. Янковская А.Е. Графические средства в интеллектуальных обучающих распознающих системах//Искусственный интеллект в образовании. Труды международного семинара. - Ч. 2. - Казань, 1996.

Размещено на Allbest.ru