Размещено на http://www.allbest.ru/

НИИ нормальной физиологии им. П.К.Анохина РАМН

Интеллектуально-образная система полипараметрической диагностики функциональных состояний человека и многоагентный подход в обеспечении поддержки диагностических решений

Нина В. Дмитриева

Введение

Анализ накопленного опыта полипараметрической диагностики функционального состояния более 500 человек [Дмитриева и др., 1989, 1990, 1998], на основе общей концепции построения и функционирования интеллектуальных систем позволил выявить значительные преимущества методологии полипараметрического гносеологического моделирования в системе искусственного интеллекта на основе образных систем для функционально-диагностических исследований, а также недостатки в автоматизированном блоке принятия диагностических решений, основанному на известных классификационных методах [Дмитриева, Фарбер, 1989; Дмитриева, 1990]. При этом оказалось, что индивидуальный синдромальный анализ образов состояния проводимый в интерактивном режиме много точнее [Дмитриева, Шевелев, 1998]. В последнем учитываются не только изменения абсолютных величин параметров и их количество, не только степень отклонения соотношений от инвариантных значений, но « додумывается « какие параметры, в каком сочетании изменены и зрительно определяется координированность процессов и др. Отсюда насущной задачей полипараметрической функциональной дианостики является разработка системы поддержки принятия диагностических решений. В данной работе рассматриваются для этих целей возможности многоагентного подхода как одного из перспективных в настоящее время [Городецкий, 1997].

Краткое описание полипараметрической интеллектуально-образной модели функционального состояния человека

В качестве алфавита для описания функционального состояния человека и элементов модели интеллектуальной системы используется унифицированный набор параметров комплекса электрофизиологических показателей, (абсолютные величины Х₁-Х₂₀ представляемые в виде векторов в полярных координатах). Каждый вектор имеет свой масштаб, определяемый модальным уровнем (средней окружностью). Обобщенный контур, ограниченный максимальными и минимальными величинами параметров, не имеющими патогномоничного значения (наружная и внутренняя окружности), является интеллектуальным преобразователем, осуществляющим непрерывный анализ характера поведения абсолютных величин параметров и формирующий в соответствии с этим необходимые классификационные действия. Активная часть интеллектуального преобразователя обеспечивает дополнительные признаки - соотношения параметров, накладываемые на динамическую характеристику, которые выступают как новые диагностические признаки функционального состояния организма, связанные с балансом взаимодействия физиологических систем и регуляторного влияния симпатического и парасимпатического отделов вегетативной нервной системы. Последние находят свое отражение в сдвиге образа и нарушении его контура [Дмитриева, 1995; Дмитриева, Шевелев, 1998]. Представление комплекса физиологических показателей врачу осуществляется в виде наглядных графических образов состояния индивида, что позволяет проводить клинический анализ многомерных данных. Интерпретация изменений параметров основана на базе накопленного опыта функциональной диагностики и специальных исследований указанных показателей при различных функциональных состояниях человека [Дмитриева и др. 1990, 1995, 1997, 1998].

Рис. 1 Образная модель «идеального функционального состояния» человека (жирными точками обозначено функциональное состояние с преобладанием симпатического типа регуляции; прерывистой линией - с преобладанием парасимпатической. Обозначение векторов (параметров) дано на рис. 2, способ построения - в тексте)

Дифференциация обследуемых полипараметрическим методом производится по 4 классам в соответствии с основными стадиями развития адаптационного синдрома [Баевский, 1979]. Более подробно система описана ранее [Дмитриева, 1998]. На рисунке 1 представлена модель системы “идеального функционального состояния“ здорового человека.

Исследование возможности многоагентного подхода к созданию системы поддержки принятия диагностических решений

В результате автоматизированного анализа аналоговых сигналов и преобразования в указанной интеллектуальной системе получаются три основных вида результатов: 1) измеряемые абсолютные величины параметров, 2) соотношения параметров электрофизиологических подсистем (внутрисистемные связи ЭКГ, РВГ и др.), 3) соотношения параметров подсистем (межсистемные связи кардиоваскулярной, кардиореспираторной и других систем). Эти группы представляют собой автономные, т.е. достаточно самостоятельные физиологические показатели и диагностические признаки и вместе с тем все они взаимосвязаны и конечное диагностическое решение должно учитывать эту многомерную взаимосвязь. В поисках поддержки диагностических решений мы попытались исследовать возможности многоагентного подхода, рассматривая сложную неоднородную группу результатов в виде новых параметров как группу агентов автономных и взаимозависимых. Таким образом, применительно к задаче данного исследования агентами являются динамичные, автономные физиологические показатели (параметры), сгруппированные по своему подобию. Деятельность агентов не аддитивна. Сложность определяется количеством и неодинаковым качеством, т.е. спецификой их, в конечном счете определяемой механизмами клеточных, органных, системных связей. В соответствии с классическими принципами искусственного интеллекта архитектура многоагентной системы (МАС) должна включать блок интерпретации, блок рассуждений, блок принятия решений. Поставленная задача может быть сформулирована как выявление группового закона на фоне индивидуального поведения агентов, который обусловливает системное поведение всех агентов.

В соответствии с известным подходам к моделированию МАС поддержки принятия решений предложенная модель анализируется как процедуральная система с использованием правил типа «если S, то А» (if S then A) [Newell & Simon, 1972]. При этом множество альтернатив ограничиваются базой знаний на основании, которой принимается решение о значимости результата работы такой системы правил и определяется конечный набор эталонных образов. Представляется важным при этом выявить «запрещенные» ситуации и тупиковые, т.е. не реальные следствия. Для построения систем информационной поддержки решений врача использованы логические «образы» извлекаемые из базы знаний в процессе когниологического исследования. Такие концептуальные образы-эталоны строятся в соответствии с базовой моделью идеального функционального состояния и фиксируются в блоке оценки. Для построения их использовали аппарат экспертных оценок, гипертекстов и специально разработанные алгоритмы синдромального анализа, отражающие значимость изменения разных объект-агентов и их соотношений [Дмитриева, 1995; Дмитриева, Шевелев, 1998]. Синдромальный анализ - поэтапная интерпретационная процедура, целью которой является установление максимального соответствия имеющейся симптоматики определенному концептуальному образу того или иного функционального состояния. На рисунке 2 представлен в качестве примера образы-эталоны динамики функционального состояния нарастания изменений адаптационных процессов вплоть до стадии срыва адаптационных процессов (4 стадия функционального состояния) с генерализованным влиянием парасимпатической системы, с гипокардиодинамикой и гипокинетическим характером периферического кровообращения.

Рис. 2 Образы динамики функционального состояния

Абсолютные значения параметров даны слева, временные параметры (светлые) в мc; амплитудные - (заштрихованы) - ЭКГ в мкВ, РВГ - в Ом, Рs и Рд - артериальное давление систолическое и диастолическое - в мм. рт.ст. ; Се и Сi - температура кожная и подмышечная. Каждый вектор соответствует параметру (отсчет против часовой стрелке от «третьего часа»).

Общая архитектура МАС поддержки принятия диагностического решения представлена на рисунке 3. Как видно из рисунка, центральное место занимает блок, содержащий набор образов синдромальных эталонов. Существенным является возможность анализа как целостного синдрома нарушенного функционального состояния, так и отдельных фрагментов его с интерпретацией их значимости. Это означает наличие определенной функциональной гибкости, которая позволяет получить поддержку в конечном решении в случае отсутствия полностью идентичного эталона.

Риc. 3 Общая архитектура МАС поддержки принятия решений в полипараметрической функционально-диагностической системе

Предложенная модель МАС поддержки принятия решений представляет новые возможности для дальнейшего развития полипараметрической технологии и улучшения качества диагностики. Для этих целей необходима апробация данной архитектуры МАС в практических условиях полипараметрического обследования, которое нами проводится среди студентов Московского Государственного Университета им. М. В. Ломоносова.

Заключение

Дано концептуальное описание полипараметрической функционально-диагностической системы моделируемой на базе интеллектуально-образных систем и описание архитектуры блока поддержки принятия решений с использованием агентной технологии.

Концептуальная сущность блока поддержки принятия решений состоит в оценке вновь предъявляемого образа относительно эталонов визуализированных синдромов нарушений функционального состояния.

Литература

1. [Баевский, 1979] Баевский Р.М. Прогнозирование на грани нормы и патологии. М., Медицина, 1976.

2. [Городецкий, 1997] Городецкий В.И. Распределенный искусственный интеллект и многоагентные системы - Международный семинар DASMAS'97. Новости искусственного интеллекта. 1997.

3. [Дмитриева и др. 1989, 1990, 1995, 1997, 1998] Дмитриева Н.В. Симметрийный подход к анализу ЭКГ. Известия АН СССР, Серия биол., 1989.

4. Дмитриева Н.В. Симметрийный подход к оценке функционального состояния организма человека. Изв. АН СССР. Сер. биол., 1990.

5. Дмитриева Н.В. Полиметрический анализ вегетативного статуса человека при развитии стресса. Вестник РАМН., 1995.

6. Дмитриева Н.В., Глазачев О.С. Концептуальные подходы к диагностике стресс-индуцированных функциональных нарушений у человека в условиях производственной деятельности. Вестник РАМН, 1997.

7. Дмитриева Н.В., Шевелев В.Ю. Системный анализ полипараметрических синдромов у студентов при развитии стресса в период учебы. Вестник РАМН, 1998.

8. Дмитриева Н.В. Полипараметрический метод диагностики функционального состояния человека на основе интеллетуально-образных систем. Труды Национальной конференции по искуственному интеллекту. РАИИ Пущино на Оке, 1998.

9. [Newell & Simon, 1972] Newell A., Simon H.A. Human problems solving. Englewood Cliffs: Prentice Hall, 1972.

Аннотация

интеллектуальный система диагностический функциональный

Рассмотрены возможности создания на основе многоагентного подхода групповой системы принятия диагностических решений в сложной полипараметрической интеллектуально-образной системе, предназначенной для функционально-диагностических исследований физиологического статуса человека в превентивной и клинической медицине. Представлена разработанная образная полипараметрическая гносеологическая модель функционального состояния. Выделены три типа диагностических признаков, которые рассматриваются как группы агентов, системы принятия диагностических решений: измеряемые абсолютные величины параметров электрофизиологических процессов, соотношения параметров внутри электрофизиологических подсистем (внутрисистемные связи), соотношения параметров подсистем (межсистемные связи). Дано описание агентов, показана возможность анализа групповой системы агентов с использованием известных процедурных правил и интерпретации результатов на основе базы знаний. Разработана архитектура МАС поддержки принятия решений на основе набора образных эталонов синдромов функциональных состояний.

Annotation

Multi-Agent Approach for Poliparametric Functional-Diagnostic Systems Decision Making Support

Nina V.Dmitrieva Institute of Normal Physiology of RAMS. Moscow.

The context of this article is the research of possibility of multi-agent approach for polyparametric diagnosis systems decision making support. Model of ideal human functional state based on artificial intelligence system is shown. There were distinquished three types of diagnosis signs considering as the three agents groups: measured paramiters of electrophysiological processes, internalsystem correlations, intersystems correlations (between physiological systems). Then an architecture for the MAS systems decision making support is proposed using a visualized syndromal standarts

Размещено на Allbest.ru