Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Интеллектуализация диагностики критических состояний больных с сердечной недостаточностью на основе консилиума алгоритмов

Диссертация: Интеллектуализация диагностики критических состояний больных с сердечной недостаточностью на основе консилиума алгоритмов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Человеческий организм — высокоточный биологический механизм, который четко и, главное, довольно предсказуемо реагирует на различные факторы. Однако для того, чтобы верно спрогнозировать развитие болезни и шансы больного на выздоровление, необходимо оценивать большое количество факторов. Аналитическая система в данном случае призвана помочь поставить верный диагноз, от которого кардинальным… Читать ещё >

Содержание

  • ГЛАВА 1. СОВРЕМЕННЫЕ МЕТОДЫ ДИАГНОСТИКИ СОСТОЯНИЯ БОЛЬНЫХ С ХРОНИЧЕСКОЙ СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТЬЮ И НАПРАВЛЕНИЯ ПО ПОВЫШЕНИЮ ЭФФЕКТИВНОСТИ СРЕДСТВ ДИАГНОСТИРОВАНИЯ
    • 1. Л. Хроническая сердечная недостаточность: определение, значимые симптомы, средства инструментальной и лабораторной диагностики и алгоритм постановки диагноза
      • 1. 2. Особенности построения медицинских диагностических интеллектуальных систем
      • 1. 3. Анализ методов разработки медицинских экспертных систем с использованием технологии «Data Mining»
      • 1. 4. Цель и задачи исследования
  • ГЛАВА 2. ФОРМИРОВАНИЕ ДИАГНОСТИЧЕСКИХ МОДЕЛЕЙ РАСПОЗНАВАНИЯ СОСТОЯНИЯ БОЛЬНЫХ С СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТЬЮ НА ОСНОВЕ ТЕХНОЛОГИИ ДОБЫЧИ ДАННЫХ
    • 2. 1. Разработка структуры подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных
    • 2. 2. Минимизация признакового пространства показателей состояния больных с хронической сердечной недостаточностью
    • 2. 3. Выявление скрытых закономерностей в статистических данных о состоянии больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей
    • 2. 4. Выводы второй главы
  • ГЛАВА 3. РАЗРАБОТКА СРЕДСТВ ПОДДЕРЖКИ КОЛЛЕКТИВНОГО РЕШЕНИЯ И ОЦЕНКА КАЧЕСТВА РАСПОЗНАЮЩЕЙ СИСТЕМЫ, МНОГОКРИТЕРИАЛЬНОГО ВЫБОРА МЕТОДОВ ДИАГНОСТИКИ
    • 3. 1. Разработка обучаемой системы поддержки коллективного решения группой независимых экспертов
    • 3. 2. Определение качества распознающей системы на множестве решающих правил по обучающей выборке
    • 3. 3. Рациональный выбор метода диагностики больных с сердечной недостаточностью по векторному критерию качества
    • 3. 4. Выводы третьей главы
  • ГЛАВА 4. РАЗРАБОТКА И РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОДДЕРЖКИ ВРАЧА-ДИАГНОСТА НА ОСНОВЕ КОНСИЛИУМА ДИАГНОСТИЧЕСКИХ АЛГОРИТМОВ
    • 4. 1. Разработка функциональной и логической схем системы поддержки принятия решений врача-диагноста «Консилиум»
    • 4. 2. Разработка программно-информационного обеспечения подсистемы интеллектуального анализа данных, распознавания и прогноза CI 11 LP «Консилиум»
    • 4. 3. Методика построения решающих правил диагностики больных с сердечной недостаточностью в интеллектуальной
  • СППР «Консилиум»

Интеллектуализация диагностики критических состояний больных с сердечной недостаточностью на основе консилиума алгоритмов (реферат, курсовая, диплом, контрольная)

Актуальность темы

Одной из основных задач, стоящих перед врачом, является диагностика заболевания. Для этого необходимо отнести больного к одному из нескольких классов — например, «болен» и «здоров» — на основании данных о его текущем состоянии и истории болезни, т. е. решить задачу классификации. Построить систему, проводящую полную диагностику больного, достаточно сложно, поэтому, как правило, больного исследуют по определенному профилю, например, на предмет наличия отклонений в сердечно-сосудистой системе. Соответственно, количество факторов, на основании которых такой диагноз может быть вынесен, существенно снижается, что позволяет повысить скорость и точность работы алгоритма.

Человеческий организм — высокоточный биологический механизм, который четко и, главное, довольно предсказуемо реагирует на различные факторы. Однако для того, чтобы верно спрогнозировать развитие болезни и шансы больного на выздоровление, необходимо оценивать большое количество факторов. Аналитическая система в данном случае призвана помочь поставить верный диагноз, от которого кардинальным образом будет зависеть методика лечения. Не претендуя на роль опытного врача, безошибочно ставящего диагноз, подобная система может оказаться весьма действенным помощником для специалиста, который и будет выносить окончательное решение. Практика показывает, что подобное сотрудничество человека и аналитической системы может быть весьма продуктивно.

Задача диагностики развития критических состояний больных с сердечной недостаточностью относится к задачам классификации.

В настоящее время актуальным является направление интеллектуального анализа данных или Data Mining, главной задачей которого является обнаружение потенциально полезных зависимостей (знаний) в больших массивах данных. При исследовании данных средствами Data Mining используется большое число различных методов и их возможные комбинации. Наиболее важные и часто используемые методы: кластеризацияассоциациядеревья решенийанализ с избирательным действиемсети уверенностиметод ближайших соседейнейронные сетинечеткая логикагенетические алгоритмырегрессионные методыэволюционное программирование.

Разные методы диагностики требуют, вообще говоря, разные наборы информационно-ценных признаков. Поэтому, если использовать для решения одной задачи множество алгоритмов, отличающихся как стратегией распознавания, так и набором информационно-ценных признаков, то результаты будут более надежными, чем решение, принимаемое одним алгоритмом.

Такое множество алгоритмов, пользуясь медицинской терминологией, естественно называть компьютерным консилиумом, или, иначе, — консилиумом диагностических алгоритмов.

Таким образом, актуальность темы диссертационного исследования определяется необходимостью повышения эффективности медицинской диагностики больных сердечной недостаточностью с применением интеллектуальных средств поддержки принятия решений врача-диагноста.

Целью работы является разработка методов исследования, моделей и алгоритмов интеллектуальной и инструментальной поддержки дифференциальной диагностики заболеваний хронической сердечной недостаточности на основе консилиума диагностических алгоритмов.

Исходя из цели, определены следующие задачи исследования: провести системный анализ современных технологий и методов диагностики больных с хронической сердечной недостаточностьюразработать структуру подсистемы формирования диагностических правил на множестве методов распознавания и добычи данныхна основе анализа информации провести минимизацию признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознаванияразработать модели диагностики больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетейсформировать решающее правило, позволяющее оценивать состояние объекта диагностирования в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов) — разработать оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования" — разработать программно-информационное обеспечение системы интеллектуальной поддержки врача-кардиолога при диагностике состояний больных с хронической сердечной недостаточностью.

Методы исследования. Для решения поставленных задач использовались методы системного анализа, методы теории вероятности и математической статистики, методы нейросетевого моделирования, теории оптимизации и принятия решений, в частности, методы многокритериального выбора, основные положения теории управления биосистемами. При разработке программно-информационных средств применялись методы объектно-ориентированного программирования, создания интеллектуальных информационных систем.

Научная новизна. В диссертации получены следующие основные результаты характеризующиеся научной новизной: структура подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных, организации проведения консилиума алгоритмов диагностики, позволяющая сформировать базу знаний интеллектуальной медицинской системы, предназначенной для диагностики сердечной недостаточностиметод минимизации признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания, основанный на поиске в многомерном пространстве потенциальных прогностических признаков множества статистически достоверных закономерностей, основанный на кластеризации признаков с учетом их информативности и взаимосвязимодели диагностики критических состояний больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей, позволяющие установить в явном виде зависимости между параметрами гомео-стаза больных с сердечной недостаточностью и наличием у больного осложненийалгоритм оценки состояние объекта в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов), использующий априорные вероятности классов и условных вероятностях ошибок экспертовалгоритм оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования», характеризующийся возможностью формирования оценок ожидаемой вероятности ошибки и доверительного интервала для вероятности ошибки системыалгоритм многокритериального выбора методов медицинской диагностики по показателям эффективности, использующий метод свертывания векторного критерия, учитывающего относительную важность частных критериев оптимальности с помощью построения скалярной функции.

Практическая ценность работы. В результате проведенного исследования разработаны функциональная структура, математическое и программно-информационное обеспечение подсистемы интеллектуального анализа данных, распознавания и прогноза СППР «Консилиум», обеспечивающие эффективное решение задач дифференциальной диагностики состояний больных хронической сердечной недостаточностью.

В рамках предложенной структуры СППР «Консилиум» разработана методика построения решающих правил диагностики больных с сердечной недостаточностью, оценки их эффективности. Применение СППР «Консилиум» позволило сократить время, требуемое на вынесение диагноза, и снизить значения риска неверного диагностирования. Своевременная же постановка диагноза приводит к снижению времени, требуемого на лечение, и повышает его эффективность.

Реализация и внедрение результатов работы. Интеллектуальная СППР «Консилиум» в виде комплекса технических средств и программно-информационного обеспечения внедрена в клиническую практику в Воронежской областной клинической больнице с ожидаемым годовым экономическим эффектом 153 тыс. руб. Кроме того, данная СППР используется в учебном процессе Воронежской государственной медицинской академии им. Бурденко на кафедре «Анестезиологии и реаниматологии», при подготовке врачей по специальности «Анестезиологии и реаниматологии» .

Апробация работы. Научные результаты и положения диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции «Интеллектуализация управления в социальных и экономических системах» (Воронеж, 2003, 2004) — международной научно-практической конференции «Измерительные, информационные технологии и приборы в охране здоровья» (С-Петербург, 2003) — ежегодных научных конференциях профессорско-преподавательского состава Воронежского государственного технического университета.

Публикации. По теме диссертационной работы опубликовано 14 печатных работ.

В работах, опубликованных в соавторстве, лично соискателю принадлежит: в [1, 4, 5, 68] детальная проработка структуры системы обучения и распознавания на основе методов добычи данных, в [2, 66, 69, 70] фрагменты моделей оценки качества распознавания и формирования консилиума алгоритмов, в [71, 68, 67, 66, 100] результаты формализации ситуаций выбора «коллективного» решения, в [2, 3, 66, 69, 70] подход к решению многокритериальной задачи выбора методов медицинской диагностики, в [68] организация программно-информационных средств интеллектуальной системы.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, изложенных на 132 страницах машинописного текста, спи.

4.4. Выводы четвертой главы.

1. Разработаны функциональная и логическая схемы системы интеллектуального анализа данных, распознавания и прогноза, предназначенной для решения круга задач, связанных с построением решающих правил классификации на основе методов добычи данных. Указанные функциональная и логическая схемы СППР определяют структуру программно-информационного обеспечения системы поддержки принятия решений «Консилиум».

2. Разработано программно-информационное обеспечение СППР «Консилиум», предназначенное для анализа медицинских данных с помощью различных статистических и интеллектуальных методов, таких как деревья решений, нейронные сети, байесовские сети доверия и генетические алгоритмы, формирования и выдачи обоснованных заключений при диагностике больных с сердечной недостаточностью на основе консилиума алгоритмов.

3. Предложена методика построения решающих правил диагностики в интеллектуальной системе «Консилиум», сформирована база знаний системы поддержки принятия решений врача-диагноста, ориентированной на диагностику состояния больных с сердечной недостаточностью. Данная СППР «Консилиум» в виде комплекса технических средств и программно-информационного обеспечения внедрена в учебный процесс и клиническую практику.

ЗАКЛЮЧЕНИЕ

.

1. Разработана структура подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных. Она позволяет сформировать базу знаний интеллектуальной медицинской системы, предназначенной для диагностики сердечной недостаточности. Данная структура использует ряд методов распознавания образов и добычи данных для эффективного наполнения базы знаний, формирования диагностических правил и организации проведения консилиума алгоритмов диагностики.

2. Решена задача минимизации признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания. Предложен подход к селекции признаков, основанный на поиске в многомерном пространстве потенциальных прогностических признаков множества статистически достоверных закономерностей, основанный на кластеризации признаков с учетом их информативности и взаимосвязи.

3. Построены модели диагностики критических состояний больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей. Указанные модели позволяют установить в явном виде зависимости между рядом параметров гомеостаза больных с сердечной недостаточностью и наличием у больного осложнений.

4. Рассмотрены процессы принятия решений ЛПР в индивидуальном и коллективном режиме работы. Дан анализ особенностей этих режимов и описаны новые информационные технологии их реализации. Рассмотрены проблемы формирования коллективной базы знаний для принятия решения группой ЛПР, сформулировано понятие информационной свертки.

5. Предложено решающее правило, позволяющее оценивать состояние объекта в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов). Для использования правила достаточно иметь информацию об априорных вероятностях классов и условных вероятностях ошибок экспертов. Описана архитектура системы, в которой наряду с формированием коллективного решения обеспечивается уточнение вероятностных характеристик, фигурирующих в решающем правиле.

6. Проведена оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования». Это достигается путем формирования оценок ожидаемой вероятности ошибки и доверительного интервала для вероятности ошибки системы, на основе чего и производится выбор «наилучшего» правила.

7. Решена задача многокритериального выбора методов медицинской диагностики по показателям эффективности. На основе экспертного заключения проводится формирование множества альтернативных методов диагностики, определение набора показателей и критериев эффективности этих методов. При решении данной задачи используется метод свертывания векторного критерия, учитывающего относительную важность частных критериев оптимальности с помощью построения скалярной функции.

8. Разработаны функциональная и логическая схемы системы интеллектуального анализа данных, распознавания и прогноза, предназначенной для решения круга задач, связанных с построением решающих правил классификации на основе методов добычи данных. Указанные функциональная и логическая схемы СППР определяют структуру программно-информационного обеспечения системы поддержки принятия решений «Консилиум».

9. Разработано программно-информационное обеспечение СППР «Консилиум», предназначенное для анализа медицинских данных с помощью различных статистических и интеллектуальных методов, таких как деревья решений, нейронные сети, байесовские сети доверия и генетические алгоритмы, формирования и выдачи обоснованных заключений при диагностике больных с сердечной недостаточностью на основе консилиума алгоритмов.

10. Предложена методика построения решающих правил диагностики в интеллектуальной системе «Консилиум», сформирована база знаний системы поддержки принятия решений врача-диагноста, ориентированной на диагностику состояния больных с сердечной недостаточностью. Данная СППР «Консилиум» в виде комплекса технических средств и программно-информационного обеспечения внедрена в учебный процесс и клиническую практику. Ожидаемый годовой экономический эффект — 153 тыс. руб.

Показать весь текст

Список литературы

  1. Е.В., Плетнев А. В., Федянин В. И. Анализ зависимостей показателей критических состояний больных с сердечной недостаточностью // Системы жизнеобеспечения и управления в ЧС: межвуз. сб., Ч. 1. Воронеж.: ВГТУ, 2004.
  2. Е.В., Плетнев А. В., Федянин В. И. Обоснование логической модели выбора интенсивной терапии больных с сердечной недостаточностью // Вестник ВГТУ, серия «Системы и средства безопасности в чрезвычайных ситуациях», Воронеж, 2004. С. 96.
  3. Е.В., Плетнев А. В., Федянина Я. В. Многокритериальные модели оценки эффективности лечебных мероприятий. Вестник ВГТУ, серия «Системы и средства безопасности в чрезвычайных ситуациях», С. 102.
  4. Е.В., Плетнев А. В., Федянина Я. В. Обзор методов добычи данных в медицинских исследованиях и анализ их эффективности в задачах медицинской диагностики. Межвуз. сб. «Системы жизнеобеспечения и управления в ЧС», ч. 1.
  5. Е.В., Плетнев А. В., Федянина Я. В. Рационализация диагностики состояний больных с сердечной недостаточностью. Межвуз. сб. «Системы жизнеобеспечения и управления в ЧС», ч. 1.
  6. А.А., Ларичев О. И., Нарыжный Е. В., Страхов С. И. Экспертная система для диагностики лекарственных отравлений // Седьмая нац. конф. по искусств, интеллекту с междунар. уч. (КИИ'2000): Тр.конф. Т.2. М.: Изд-во Физ-мат. лит. 2000. С.708−716.
  7. Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. 224 с.
  8. В.Б. Априорные оценки качества распознавания при ограниченном объеме обучающей выборки. ЖВМиМФ, 2003, том 43 ,№ 9, С. 1448−1456.
  9. В.Б. Об устойчивости алгоритмов распознавания в дискретной постановке // Искусственный интеллект. 2000. Т. 2. С. 5−8.
  10. М.М. Проблема узнавания. М.: Наука. 1967, С.
  11. Н.К., Геловани В. А., Ковригин О. В., Смольянинов Н. Д. Экспертная система диагностики различных форм артериальной гипертензии // Изв. АН СССР. Техн. кибернетика. 1982. № 6. С. 183−190.
  12. Э.М., Мучник И. Б. Структурные методы обработки эмпирических данных. М.: Наука. 1983, С.
  13. В.И., Бокерия Л. А., Газизова Д. Ш., Лшцук В. А. и др. Компьютерная технология интенсивного лечения: контроль, анализ, диагностика, лечение, обучение. М.: НЦ ССХ РАМН. 1995.
  14. Ю.Р. Графическая метафора основа когнитивной графики // Нац. конф. с междунар. участием «Искусственный интеллект-94» (КИИ-94). T.I. Рыбинск. 1994. С.195−199.
  15. В. Н., Червоненкис А. Я. Теория распознавания образов. М.: Наука. 1974, С.
  16. В.И., Воробьев С. Н. Принятие управленческих решений: Учеб. пособие для вузов, М.: КУДИЦ-ОБРАЗ, 2001. 288 с.
  17. В.И. Распознающие системы (справочник). К.: Наукова думка. 1983. 422 с.
  18. Е.С. Теория вероятностей. М.: Наука, 1969. 576 с.
  19. В.А. О развитии медико-технической науки // «Вестник РАМН» N5,2001 г., С. 3−7.
  20. А.В. Дифференциальный диагноз внутренних болезней: справочное руководство для врачей. М.: Медицина. 1987, с.
  21. В.В. Эффективность диагностических исследований. М.: Медицина, 1988. 256 с.
  22. И.М., Розенфельд Б. И., Шифрин М.А, Очерки о совместной работе математиков и врачей. М.: Наука. 1989.
  23. В.М. Введение в АСУ. Киев: Техника, 1974. 554 с.
  24. В.М. Основы безбумажной информатики. М.: Наука, 1987. 552 с.
  25. В.О., Долгополов И. Н., Ковнеристов А. Г. и др. Представление знаний в системе массового медицинского диагностирования // VI Меж-дунар. конф. «Знания-Диалог-Решение» (KDS-97): Сб. науч. тр. Т.2. Ялта. 1997. С.478−485.
  26. Дюк В. А. Компьютерная психодиагностика. СПб: «Братство», 1994.364 с.
  27. Дюк В. А. Обработка данных на ПК в примерах. СПб: «Питер», 1997. 240 с.
  28. Дюк В.А., Самойленко А. П. Data Mining: учебный курс СПб: «Питер», 2001. 368 с.
  29. Ездаков A. JL, Покатаева Е. Н. Компьютерная медицинская диагностика как опыт автоматизации работ в слабоформализованной предметной области // Компьютерная хроника. 1994. № 8−9. С. 13−30.
  30. Ю.И. Об алгебраическом подходе для решения задач распознавания или классификации. Проблемы кибернетики. М.: Наука, 1978. Вып. 33. С. 5−68.
  31. Т.В., Гаспарян С. А. Управление состоянием больных перитонитом с использованием новых информационных технологий. М.: 1999.
  32. В.Г., Финн В. К. Экспертные системы и некоторые проблемы их интеллектуализации // Семантика и информатика. М.: ВИНИТИ. 1986. № 27.
  33. .А. Значение визуализации данных при компьютерной обработке в медицине // Вестник АМН СССР. 1988. № 8. С.92−97.
  34. .А. К вопросу о формальном отражении образного мышления и интуиции специалиста в слабо структурированной предметной области // Новости искусственного интеллекта. 1998. № 3. С.64−76.
  35. .А. К проблеме машинного распознавания наследственных болезней // Специализированная помощь детям с наследственной патологией: Сб. тр. Моск. НИИ пед. и дет. хир. Вып.16. М.: 1981. С.147−153.
  36. .А. Нечеткая логика в анализе образных представлений в медицинских системах искусственного интеллекта // Междунар. конф. по мягким вычислениям и измерениям: Сб. докл. Т.1. СПб.: 1998. С.233−235.
  37. .А. Рассуждения и аргументация в диагностическом процессе // 3-я Междунар. конф. «Информационные ресурсы. Интеграция. Технологии»: Матер, конф.: Вторая часть. М.: 1997. С.4−6.
  38. .А. Рефлексия и нечеткие представления в медицинских системах искусственного интеллекта // Рефлексивное управление. Тез. междунар. симпоз. М.: Изд-во «Ин-т психологии РАН». 2000. С. 85−86.
  39. .А., Кудрявцев A.M., Фельдман А. Е. РС-ориентированная информационно-диагностическая система по наследственной патологии у детей // Компьютерная хроника. 1994. № 8−9. С.31−37.
  40. .А., Таперова Л. Н., Фельдман А. Е., Веприцкая О. В. К вопросу о коммуникабельности медицинских экспертных систем / Эволюционная информатика и моделирование: Сб. науч. тр. по матер, междунар. конф. М.: ГосИФТП. 1994. С. 100−116.
  41. .А., Фельдман А. Е. Анализ и учет ассоциативных знаний в медицинских экспертных системах // Новости искусственного интеллекта. 1995. № 3. С.90−96.
  42. О.П. Образное мышление и быстрые процессы // Новости искусственного интеллекта. 1998. № 2. С. 117−130.
  43. О.И. Наука и искусство принятия решений. М: Наука, 1979. 200 с.
  44. О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных Странах: Учебник. М.: Логос. 2000.
  45. О.И., Мошкович Е. М. Качественные методы принятия решений. Вербальный анализ решений. М.: Наука. 1996. 208 с.
  46. Лбов Г. С, Старцева Н. Г. Логические решающие функции и вопросы статистической устойчивости решений // Новосибирск: Изд-во Ин-та математики. 1999.
  47. В.Е., Переверзев-Орлов B.C. Структура и поле данных при распознавании образов. М.: Наука. 1984.
  48. И.П., Мачинская Р. И., Фишман М. Н. Структурная организация медицинской информации «ЭЭГ-ЭКСПЕРТ» // Математические методы в технике и технологиях (ММТТ-2000): Сб. тр. 13-й Междунар. науч. конф. Т.4. Секции 5, 7. СПб.: 2000. С. 154−157.
  49. И.П., Сыркин А. Л. Проблема получения и передачи медицинских знаний // Компьютерная хроника. 1994. № 8−9. С.39−43.
  50. И.М. Теория выбора и принятия решений. М.: Наука, 1987.350 с.
  51. С.П., Шахнов И. Ф. Упорядочение альтернатив на основе расплывчатых оценок: Сообщения по прикладной математике. М.: ВЦАН СССР, 1989. 42 с.
  52. .В. Метод виртуальных статистик и его применение в партнерских системах для компьютерной диагностики // Компьютерная хроника. 1996. № 5. С.65−74.
  53. .В., Ермаков А. Ю., Кобринский Б. А., Темин П. А. Экспертная диагностическая система для инфантильных спазмов // Информатизация здравоохранения России: Всеросс. сб. науч. тр. 4.3,4. М.: 1996. С.244−249.
  54. .Г. Проблема группового выбора. М.: Наука, 1974. 256 с.
  55. М.Н., Харольская Н. А. Извлечение экспертных знаний из научного текста в полуавтоматическом режиме / Тр. III конф. по искусственному интеллекту-92. Тверь. 1992.
  56. Э. Кооперативное принятие решений: аксиомы и модели. М: Мир, 1991.464 с.
  57. Н.Д. Принципы искусственного интеллекта. М.: Мир. 1985
  58. Г. С., Назаренко Г., Малаховский Д., Комаров С. SIMER: система для исследования понятийной структуры предметной области / Сб. тр. первого междунар. семинара: Проблемы и применение искусственного интеллекта. София: Техника. 1987.
  59. Г. С. Инструментарий для экспертных систем. Технология SIMER+MIR// Программные продукты и системы. 1990. № 3. С.23−32.
  60. Г. С. Информационные технологии, основанные на знаниях // Новости искусственного интеллекта. 1993. № 1. С. 1−41.
  61. Г. С. Построение моделей предметных областей. 4.1. Неоднородные семантические сети // Известия АН СССР. Техн. кибернетика. 1990. № 5. С.32−45.
  62. Отраслевой стандарт «Протоколы ведения больных. Общие положения» № 91 500.09.0001−1999.
  63. Переверзев-Орлов B.C. Советчик специалиста. Опыт разработки партнерской системы. М.: Наука. 1990.
  64. А.В. Построение модели диагностики критических состояний больных с сердечной недостаточностью на основе методов деревьев решений Межвуз. сборник «Системы жизнеобеспечения и управления в ЧС», часть 2, С.
  65. А.В. Прогнозирование состояния больных с сердечной недостаточностью. Межвуз. сборник «Системы жизнеобеспечения и управления в ЧС», ч. 2, С. 145.
  66. А.В. Разработка структуры подсистемы формирования диагностических правил на основе методов распознавания и добычи данных // Тез. докл. конф. «Интеллектуальные информационные системы». Воронеж, 2005. С
  67. А.В. Формирование комплексных показателей функционирования телемедицинских и телерадиологических систем //
  68. А.В., Усов Ю. И., Федянин В. И. Функциональные требования к телемедицинским системам в задаче их рационального построения // Межвуз. сб. «Высокие технологии в технике, медицине, экономике и образовании», Воронеж, ВГТУ. 2002. С. 84−87.
  69. А.В., Федянина Я. В. Разработка системы поддержки принятия решения группой независимых экспертов // Межвуз. сб. «Высокие технологии в технике, медицине, экономике и образовании», Воронеж, ВГТУ. 2005. С.
  70. Д.А. Метафора, образ и символ в познании мира // Новости искусственного интеллекта. 1998. № 1.
  71. Д.А. Моделирование рассуждений. М.: Радио и связь.1989.
  72. Д.А. Прикладная семиотика и искусственный интеллект // Программные продукты и системы. 1996. № 3. С. 10−13.
  73. Д.А. Ситуационное управление: Теория и практика. М.: Наука, 1988. 288 с.
  74. Д.А., Литвинцева Л. В. Как совместить левое и правое? // Новости искусственного интеллекта. 1996. № 2. С.66−71.
  75. Р. Дуда, П. Харт Распознавание образов и анализ сцен. М.: Мир. 1976,511 с.
  76. Jl.А., Эренштейн Р. Х. Коллектив алгоритмов для обобщения алгоритмов решения задач. Известия АН СССР. Техническая кибернетики, 1978, № 2, с.116−119.
  77. З.Б., Байдун В. В. Инструментарий ЛЕДИ и его приложения / КИИ-94: Нац. конф. с междунар. участием «Искусственный интеллект-94». Т. Н. Рыбинск. 1994. С.366−372.
  78. Р. Как избежать врачебных ошибок. Книга практикующего врача. М.: Практика. 1994.
  79. В.И., Морозов А. А. Проблемы создания и функционирования комплексных автоматизированных систем управления // Управляющие системы и машины. 1987. № 3. С. 124.
  80. Л.В., Фуремс Е. М. Экспертная система диагностики бронхиальной астмы у детей // Компьютерная хроника. 2000. № 1. С. 103−118.
  81. Справочник-словарь терминов АСУ / Под ред. Ю. Э. Антипова, А. А. Морозова. М.:Радио и слово, 1990. 127 с.
  82. Л.Н., Веприцкая О. В. Автоматизированное рабочее место детского врача-реаниматолога // Компьютерная хроника. 1994. № 3−4. С.49−60.
  83. В.Б. Моделирование психических образов: как совместить дискретное и непрерывное? // Новости искусственного интеллекта. 1998. № 3. С.86−100.
  84. Д. Построение экспертных систем. М.: Мир, 1987. 240 с.
  85. Д. Руководство по экспертным системам. М.: Мир, 1987.230 с.
  86. JI.C. Байесова схема принятия коллективных решений в условиях противоречий // Проблемы управления и информатики. 2002. № 3. С. 112−122.
  87. В.К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта. М.: Наука. 1991. С.157−177.
  88. В.К. Об интеллектуальных системах автоматизированной поддержки научных исследований // НТИ. Сер.2. 1996. № 5−6. С. 1−2.
  89. В.К. Об обобщенном ДСМ-методе автоматического порождения гипотез // Семиотика и информатика. 1989. Вып.29. С.93−123.
  90. В.К. Правдоподобные выводы и правдоподобные рассуждения // Итоги науки и техники. Теория вероятностей. Математическая статистика. Теоретическая кибернетика. М.: ВИНИТИ. 1988. Т.28. С.3−84.
  91. И.Б. Интеграция логических и образных методов отражения информации в системах // Новости искусственного интеллекта. 1998. № 3. С.76−85.
  92. Е.М., Гнеденко Л.С. STEPCLASS система извлечения экспертных знаний и проведения экспертизы для решения диагностических задач // НТИ. Сер. 2. 1996. № 9. С. 16−20.
  93. Хай Г. А. Как избежать потерь смысла на пути от содержательного знания к автоматизированной экспертной системе // Вопросы применения экспертных систем. Минск: 1988. С.53−61.
  94. М.Ю. Представление знаний в экспертных системах медицинской диагностики. Владивосток: Институт автоматики и процессов управления ДВНЦ АН СССР. 1983.
  95. А.В. Когнитивная графика. Истоки и развитие // Науч. сессия МИФИ-2000: Сб. науч. тр. Т.З. М.: 2000. С.77−78.
  96. С.А. О математических моделях когнитивных механизмов //В сб. «Обработка текста и когнитивные технологии» / Под ред. В. Д. Соловьева. Пущино. 1999. С.222−232.
  97. ЭВМ пятого поколения: концепция, проблемы, перспективы / Под ред. Мото-Ока. М.: Финансы и статистика, 1984. 260 с.
  98. Энциклопедия кибернетики. Киев: Главная редакция УСЭ, 1974. Т.1. 640 с.
  99. А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики // Компьютерная хроника. 1994. № 8−9. С.61−83.
  100. А.Е., Гедике А. И. Построение прикладных интеллектуальных систем на базе системы ЭКСАПРАС // Тез. докл. III конф. по ИИ. Т. 2. Тверь: НИИ «Центрпрограммсистем» 1992. С. 82−85.
  101. К.Р., Scheithauer W., Grabner G. СADIAG-2/PANCREAS: an artificial intelligence system based on fuzzy set theory to diagnose pancreatic diseases // 3rd Int. Conf. Syst. Sci. Health Care, Munich, July, 1984. Berlin. 1984. P.396−399.
  102. Azar F.S. Multiattribute Decision-Making: Use of three scoring methods to compare the perfomance of imaging techniques for breast cancer detection. // Technical Report MS-BE-00−01, MS-CIS-00−10. Dept. of BioEngineering. U. ofPenn. 2000. P. 1−24.
  103. Bagui S.C., Pal N.R. A multistage generalization of the rank nearest neighbor classification rule// Pattern Recognition Letters, 1995. V. 16.- No. 6.- P. 601−614.
  104. Berikov, V.B. A priori estimates of recognition quality for discrete features. Pattern Recognition and Image Analysis, Vol. 12, N 3,235−242. 2002.
  105. Berikov, V.B. An approach to the evaluation of the performance of a discrete classifier. Pattern Recognition Letters. Vol. 23 (1−3), 227−233. 2002.
  106. Bozinovski S., Jankovski L., Naumova M. MEXYS: an expert system for psychiatric diagnosis based on the MMPI // Proc. MELECON'85. Mediterranen Electrotechn. Conf., Madrid, Oct.1985. Vol.1. Amsterdam. 1985. P.243−246.
  107. Breiman, L., Friedman, J., Olshen, R. and Stone, С Classification and Regression Trees. Wadsworth International, California. 1984.
  108. Bronzino J.D. The Biomedical Engineering Handbook. Second Edition, IEEE Press, 2000.
  109. Chandrasekaran В., Mittal S., Smith J.W. MDX and related medical decision-making systems // Proc. IJCAI-81. 1981. P.1055.
  110. Chandrasekaran В., Mittal S., Smith J.W. RADEX towards a computer-based radiology consultant // Pattern Recognition in Practice / E.S.Gelsema and L.N.Kanal (eds.). North-Holland Publ. Co. 1980. P.463−477.
  111. Chang L.Ch., Tou J.T. Medics a medical knowledge system // IEEE Trans. Syst., Man and Cybern. 1984. Vol.14. N.5. P.746−750.
  112. Chatfield C. Model Selection, Data Mining and Model Uncertainty. // Proceedings of the 18th International Workshop on Statistical Modelling. 2003, Leuven. Belgium, p.79−84
  113. Cho S.B., Kim J.H. Multiple network fusion using fuzzy logic// IEEE Transactions on Neural Networks. 1995. V. 6. No. 2. P. 497−501.
  114. Cohen P., Day D., Delisio J. et al. Management of uncertainty inхЦmedicine // 6 Annu. Int. Phoenix Conf. Comput. and Common, Scottsdale, Ariz., Conf. Proc. Washington. 1987. P.501−506.
  115. Davis R., Buchanan B.G., Shortliffe E.H. Production rules as representation for a knowledge-based consultation program // Artif. Intell. 1977. Vol.8. N.l.P.l5−45.
  116. Fieschi М., Joubert М., Fieschi D. et al. SPHINX: A production rules expert system for medical consultations // MED INFO'83: Proc. 4th World Conf. Med. Inf. Pt.l. Amsterdam. 1983. P.503−506.
  117. Fries J.F. Time-oriented patient records and a computer databank // J. Amer. Med. Ass. 1972. Vol.222. P. 1536−1542.
  118. Ganascia J.C. Explanation facilities for diagnosis systems // Cybernetics and Syst. Res. Amsterdam e.a. 1984. Vol.2. P.805−810.
  119. Gercone N., McCalla G. Artificial intelligence. Underlying assumptions and basic objectives // J. Amer. Soc. for Inform. Science. 1984. Vol.35. N.5. P.280−290.
  120. Hashem S., Schmeiser B. Improving model accuracy using optimal linear combinations of trained neural networks// IEEE Transactions on Neural Networks, 1995. V.6. No. 3. P. 792−794.
  121. Heiser J.F., Brooks R.E., Ballard G.P. Progress report: A computerized psychopharmacology advisor // Proc. Eleventh Colloquium Intern. Neuro-Psychopharmacol. Vienna, Austria. 1978.
  122. Hertzberg-Todd M., Tremblay G.F., Lam Ch.F. Computer-assisted localization of nervous system injuries // Comput. and Biomed. Res. 1987. Vol.20. N.5. P.489−496.
  123. Ho Т.К., Hull J.J., Srihari S.N. Decision combination in multiple classifier systems/ЯЕЕЕ Transactions on Pattern Analysis and Machine Intelligence, 1994.- V. I6.-N0. 1, 1994, P. 66−75.
  124. Jackson A.M. Prognosis of Intravesical Baccilus Calmette -Guerrin Therapy for Superficial Bladder Cancer by Immunological Urinary Measurements: Statistically Weighted Syndromes Analysis // Journal of Urology. 1998. vl59, pp. 1054−1063.
  125. Kimura F., Shridhar M Handwritten numerical recognition based on multiple algorithms// Pattern Recognition, 1991.- V. 24.- No. 10.- P. 969−983.
  126. Kinney E.L. Expert system detection of drug interactions: Results in consecutive inpatients//Comput. and Biomed. Res. 1986. Vol. 19. N.5. P.462−467.
  127. Lesmo L., Marzuoli M., Molino G., Torasso P. An expert system for the evaluation of liver functional assessment // J. Med. Syst. 1984. Vol.8. N. l-2. P.87
  128. Masarie F.E., Miller R.A., Myers J.D. INTERNIST-I properties: Representing common sense and good medical practice in a computerized medical knowledge base // Comput. and Biomed. Res. 1985. Vol.18. N.5. P.458−479.
  129. Miller P.L., Blumenfruchi S.J., Black H.R. An expert system which critiques patient workup: modelling conflicting expertise // Comput. and Biomed. Res. 1984 Vol.17. N.6. P.554−569.
  130. Mulsant В., Servan-Schreiber D. Knowledge engineering: A daily ^ activity on a hospital ward // Comput. and Biomed. Res. 1984. Vol. 17. P. 71−91.
  131. On combining classifiers / J. Kittler, M. Hatef, R.P.W. Duin, J. Matas// IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. № 20. P. 226−239.
  132. Politakis P., Weiss S.M. Using empirical analysis to refine expert system knowledge bases // Artif. Intell. 1984. Vol.22. N.I. P.23−48.
  133. Pranke J., Mandler E. A Comparison of Two Approaches for Combining the Votes of Cooperating Classifiers//Proceedings 11-th IAPR International Conference on Pattern Recognition, 1992. V: 2. P. 611−614.
  134. Reggia J.A., Nau D.S., Wang P.Y. Diagnostic expert systems based ona set covering model // Intern. J. Man Machine Stud. 1983. Vol.19. P.437−460.
  135. Ryazanov V.V. Recognition Algorithms Based on Local Optimality Criteria // Pattern Recognition and Image Analysis. 1994. Vol.4. №.2. P.98−109.
  136. SchwanH.P. Biomedical Engineering. A 20th Century Interscience. Journal of International Federation for Medical & Biological Engineers. Vol. 37, 1999.
  137. Senko O.V. The Method of Dependencies Description with the Help of Optimal Multistage Partitioning // Proceedings of the Conference CSIT, Yerevan,
  138. Armenia, 2001, pp. 167−169.
  139. Senko О.V., Kuznetsova A.V., Echin A. The method of data analysis dased on partitioning. // Proceedings in Comput. Statistics. Short Commun. and Posters. COMPSTAT. 2000, p. 259−260.
  140. Shortliffe E.H. Computer-based medical consultations: MYCIN. Elsevier North Holland Inc. 1976.
  141. Szolovits P., Pauker S.G. Categorial and probabilistic reasoning in medical diagnosis // Artif. Intell. 1978. Vol.11. N. l-2. P. l 15−144.
  142. T. Niblett, I. Bratko. Learning decision rules in noisy domains. Expert Systems 86 Conf., Brighton, 15−18 Dec. 1986 In Developments in Expert Systems (ed. M. Bramer) Cambridge Univ. Press, 1986.
  143. Thompson W.B., Johnson P.E., Moen J.B. Recognition-based diagnostic reasoning / Proc. 8th Int. Joint Conf. Artif. Intell. Karlsruhe, 1983. Vol.1. LosAltos, Calif. 1983. P.236−238.
  144. Weiss S.M., Kulikowski C.A. Developing microprocessor based expert models for instrument interpretation // Proc. IJCAI-81. 1981. P.853−855.
  145. Woods K.S., Bowyer K., Kergelmeyer W.P. Combination of multiple classifiers using local accuracy estimates// Proc. of the IEEE Computer Vision and Pattern Recognition Conf. (CVPR'96), San Francisco, Ca, USA. 1996. P. 391−396.
  146. Xiang Z., Srihari S.N., Shapiro S.C., Chulkow J.G. Analogical and propositional representations of structure in neurological diagnosis // Proc. of the First Conf. On Artif. Intell.Appl. IEEE Comput. Soc. 1984.
  147. Xu L., Krzyzak A., Suen C.Y. Methods of combining multiple classifiers and their applications to handwriting recognition// IEEE Trans. SMC, 1992. V. 22. No. 3. P. 418−435.
  148. Yu V.L., Buchanan B.G., Shortliffe E.H. et al. Evaluating the perfomance of the computer-based consultant // Comput. Biomed. 1979. V.9. N.l. P.95−102.
  149. Zadeh L.A. Discussion: Probability theory and fuzzy logic are complementary rather than competitive // Technometrics. 1995. Vol.37. N.3. P.271−276.
Заполнить форму текущей работой

На отлично!