Статья: Системы искусственного интеллекта в медицинской практике: состояние и перспективы

(Кобринский Б.А.)

(«Вестник Росздравнадзора», 2020, № 3)

«Вестник Росздравнадзора», 2020, № 3

В статье даны характеристики разных типов интеллектуальных систем. Также кратко представлены их специфические особенности, которые целесообразно использовать при создании новых систем. Особое внимание уделено встраиванию интеллектуальных систем поддержки принятия решений в электронные медицинские карты и принципам работы с ними врачей, обмену данными между системами поддержки решений и ведения медицинских карт.

Ключевые слова: интеллектуальные системы, экспертные системы, специфика медицинских интеллектуальных систем, поддержка принятия решений в ЭМК, нечеткость клинических признаков, перспективы развития интеллектуальных медицинских систем.

Artificial intelligence systems in medical practice: condition and prospects

B.A. Kobrinskii

Kobrinskii B.A., The Institute of Artificial Intelligence Problems of the Federal Research Center «Computer Science and Control» of the Russian Academy of Sciences, Pirogov Russian National Research Medical University.

The article gives the characteristics of different types of intelligent systems. Their specific features, which are advisable to use when creating new systems, are also briefly presented. Particular attention is paid to the inclusion of intelligent decision support systems in electronic medical records and the principles of physicians work with them, the exchange of data between decision support systems and medical records.

Key words: intelligent systems, expert systems, specifics of medical intelligent systems, decision support in EMR, fuzziness clinical signs, prospects of intelligent medical systems.

Введение

Системы на основе методов искусственного интеллекта позволяют решать задачи, которые традиционно считаются творческими и содержат то, что принято называть рассуждениями, реализуемыми в ИС на аргументах. Структура таких систем предполагает наличие четырех основных блоков: 1) база знаний; 2) механизм вывода решений; 3) модуль объяснения; 4) интеллектуальный интерфейс. Необходимо отметить, что именно медицинские системы используют опыт врачей, включая анализ аналогичных случаев. В то же время эти системы не заменяют врача, а являются по отношению к нему виртуальными консультантами.

Цель статьи

Проанализировать разные модели систем искусственного интеллекта для поддержки диагностических, прогностических, лечебных решений, их специфику, достоинства и недостатки, целесообразность применения в будущем найденных ранее эффективных решений.

Классы систем искусственного интеллекта

Системы искусственного интеллекта (СИИ) для поддержки диагностических, прогностических, лечебных решений можно подразделить на ряд классов.

Класс 1. Экспертные медицинские системы (ЭС)

Опираются на уникальные знания экспертов в определенной предметной области и, имитируя их мышление, предоставляют этот опыт в виде баз правил для консультаций менее квалифицированным пользователям.

Класс 2. Интеллектуальные системы (ИС)

Построены на основе извлечения знаний из медицинской литературы или массивов историй болезни. ИС могут различными способами моделировать решение определенных задач. Подкласс, именуемый ДСМ-ИС, в отличие от традиционных ИС, осуществляет качественный анализ данных историй болезни для порождения гипотез на основе правдоподобных рассуждений, опираясь на аргументы и контраргументы в открытых (пополняемых новыми случаями) базах структурированных фактов [1].

Наименование данного подхода происходит от фамилии знаменитого английского математика и логика Джона Стюарта Милля, сформулировавшего основные идеи индуктивных рассуждений при предположении, что условием применимости методов (канонов) индуктивного вывода являются как установление сходства рассматриваемых фактов, порождающего утверждения об отношении «причина — следствие (эффект)», так и отсутствие препятствий, противодействующих рассматриваемым кандидатам в гипотезы о причинах.

Класс 3. Системы, основанные на прецедентах

В данных системах решение проблемы сводится к поиску по аналогии (по сходству) в библиотеке случаев — прецедентов нетипичных заболеваний на основе абдуктивного вывода, т.е. от частного к частному.

Класс 4. Гибридные интеллектуальные системы

Такие системы представляют собой сочетание ЭС или ИС с поиском по базе прецедентов (классический вариант) или сочетание различных подходов, основанных на технологиях искусственного интеллекта, математико-статистических методах, моделях физиологических систем организма и методах распознавания изображений.

Интеллектуальные системы выдвигают и обосновывают гипотезы, представляющие собой наиболее вероятный диагноз (прогноз, рекомендацию по лечению) или дифференциальный ряд. В отдельных случаях система выдвигает замечания по предложенному врачом решению.

Использование методов нечеткой логики

Важно, что при создании модели предметной области для интеллектуальных систем поддержки принятия решений (СППР) определяются стратегии и ограничения, принятые в медицинской практике [2]. Существенное место в клинической медицине занимает нечеткость клинических проявлений и понятий, которая обусловливает трудности в согласовании оценок выраженности клинических симптомов (цвет кожи и др.), состояния больных и в конечном счете затрудняет принятие решений.

Методы нечеткой логики позволяют повысить эффективность гипотез, выдвигаемых интеллектуальными системами [3]. Такие методы позволяют учитывать неопределенность и неполноту информации, поступающей на вход интеллектуальной системы:

• субъективные сведения, сообщаемые пациентом;
• данные объективно-субъективного обследования, качество которого зависит от опыта и знаний медицинского работника;
• заключения по результатам инструментальных и лабораторных исследований (на аппаратуре с различным разрешением).

Системы, основанные на знаниях, начали создаваться с середины 70-х годов XX века. За этот период было предложено немало интересных решений, которые могут и должны найти место в интеллектуальных модулях поддержки врачебных решений в составе электронных медицинских карт (ЭМК).

Специфика медицинских систем искусственного интеллекта

Особое значение в СППР для здравоохранения имеют следующие факторы:

• психологическая совместимость врача и СИИ, его соучастие в принятии решений;
• аналогия рефлексии врача, т.е. самопроверка выдвигаемых гипотез путем уточнения и расширения использованных данных;
• учет уровня знаний (ординаторы, молодые специалисты и др.) и специальности врача (терапевт, хирург, реаниматолог и др.);
• максимально возможное отражение ассоциативных отношений признаков;
• возможность выбора режима диагностики из альтернативных вариантов.

Выбор режима диагностики в ИС определяется направленностью распознавания патологического процесса — от признаков к диагнозу или от предполагаемого врачом диагноза к его проверке с использованием небольшого числа сообщаемых системе признаков. В последнем случае ускоряется получение обоснованного подтверждения или опровержения врачебного решения о диагнозе, что особенно важно при неотложных состояниях, когда у лечащего врача минимум времени на ввод данных.

На примере ранее созданных СИИ целесообразно рассмотреть отдельные аспекты, представляющие интерес при создании современных систем.

Первая в мире медицинская система MYCIN <1> была ориентирована на помощь терапевтам в идентификации микроорганизма, вызвавшего бактериемию, и выборе терапии. В процессе ее создания были предложены и нашли широкое применение используемые до настоящего времени факторы уверенности эксперта в уровне значимости признаков [4].

---

<1> Название системы происходит от суффикса «-мицин», часто встречающегося в названиях антибиотиков. Была создана в начале 1970-х годов в Стэнфордском университете.

ЭС MEDICS [5] не только выдает список наиболее вероятных заболеваний, но и сравнивает характеристики признаков пациента с «эталонными» для каждого из заболеваний. Это особенно полезно для молодых врачей.

В основанной на нечеткой логике системе CADIAG-2/PANCREAS указываются наблюдаемые у больного симптомы, которые не объясняются предлагаемой диагностической гипотезой, и предлагается план дальнейших исследований [6].

Определенный интерес представляет ряд российских ИС. В одной из первых отечественных ЭС МОДИС для диагностики форм артериальной гипертонии процесс генерации гипотез и их проверки сопровождался сообщениями об активизации конкретного фрейма (выдвижении гипотезы), а также о ее неподтверждении и переходе к работе с другим фреймом. Это давало возможность следить за ходом «рассуждений» системы в зависимости от вводимой информации. МОДИС предоставляла возможность ответить на вопросы, почему был поставлен именно такой диагноз и какие гипотезы рассматривались в процессе вывода решения [7]. Недавно созданная принципиально новая интеллектуальная система для диагностики артериальной гипертензии имитирует консилиум врачей-специалистов, что позволяет представить объект диагностики с позиций различных экспертов, обеспечивая комплексный анализ состояния пациента [8].

Реализация ассоциативных связей позволяет, как это было реализовано в ЭС для неотложной педиатрии [9], учитывать: во-первых, на фоне каких состояний может развиться конкретный синдром; во-вторых, фоном для каких синдромов он может служить; в-третьих, с какими синдромами он может быть совместим, т.е. какие синдромы могут встречаться у пациента одновременно. В той же системе такие клинические проявления, как атипичные формы и динамика патологических состояний, нашли отражение в форме «масок» — логических выражений, состоящих из теоретически возможных клинических вариантов болезни. Такой подход, несомненно, продуктивен в связи с увеличением числа атипичных форм заболеваний.

Возможность изменить в системе «вес» любого из симптомов в процессе диагностического поиска в соответствии с предположением о его диагностической ценности в конкретном случае позволяет врачу использовать собственный опыт и интуицию. Такая операция может повторяться многократно, что дает возможность проверять различные гипотезы. Этот принцип был реализован в системе по наследственным болезням «ДИАГЕН» [10].

В системе на основе технологии виртуальных статистик формировались и обрабатывались описания болезней по неполным данным — «портреты», включающие различные сочетания диагностических признаков, которые независимо оценивались тремя экспертами [11]. Это позволило повысить качество диагностики при различных сочетаниях наблюдаемых признаков. Для различных состояний, зависящих от течения патологического процесса и возраста пациентов, предложено применение взаимодополняющих тестовых методов распознавания динамически изменяющихся паттернов (вариантов) заболеваний [12].

Сопоставление результатов опроса пациента с данными объективного обследования реализовано в ЭС по проблеме элементозов. При обнаружении противоречий система выдает врачу предупреждение [13].

Двухэтапная нечеткая нейронная сеть объединяет механизм иммунной сети и муравьиный алгоритм, что позволяет более точно осуществлять прогноз рака предстательной железы [14].

Гибридная система поддержки принятия решений, основанная на нейро-нечетких рассуждениях на прецедентах, использует гипотезы, сформированные на основе предыдущих аналогичных эпизодов оказания консультативной помощи врачам в диагностике депрессивных расстройств [15].

В то же время в отношении искусственных нейронных систем (ИНС) нельзя не отметить ряд ограничений, которые полезно знать пользователям. Они определяются тем, что ИНС не позволяет получить объяснение предлагаемого решения, т.е. это «серый» или «черный» ящик со сложной топологией, где «веса», или коэффициенты сотен и тысяч межнейронных связей, не поддаются содержательному анализу и интерпретации. ИНС — это вычислительная система, не предполагающая наличие базы знаний и прозрачность процесса вывода решения. Поэтому следует понимать, что эвристические соображения о коэффициентах признаков на входе не обеспечивают предсказуемый результат на выходе.

Перспективы

Медицинские интеллектуальные системы в перспективе должны учитывать не только клинические рекомендации, но и подходы к диагностике и лечению, сложившиеся на протяжении многих лет в разных научных школах. Хотя понятно, что их интеграция в полном объеме практически нереальна, но возможно включение в базы знаний различных правил для принятия решений, представляемых в качестве потенциальных гипотез врачам, ориентирующимся на те или иные научные школы.

На современном этапе развития цифровой медицины крайне важна поддержка врачебных решений в конкретных ситуациях с помощью интеллектуальных систем, расположенных на серверах крупных медицинских организаций или в облачных центрах обработки данных. Обращение к этим СППР должно обеспечиваться путем вызова врачом СИИ непосредственно в процессе работы в системе ЭМК. Соответствующая ИС будет анализировать признаки, отмеченные в карте пациента, и формировать гипотезы дифференциально-диагностического ряда, возможный прогноз осложнений и (или) рекомендации по лечению. Желательно, чтобы информация в ЭМК была в структурированном виде, но возможна обработка и текстовой информации с использованием доступного для СИИ терминологического словаря признаков, включающего синонимы и сокращения. Однако в последнем случае расход времени будет значительно больше, качество выдаваемых решений может быть ниже.

При недостатке данных для выдвижения предварительной гипотезы или принятия окончательного решения интеллектуальная система должна будет в диалоговом режиме запрашивать дополнительную информацию у врача-пользователя. Однако в этом случае возникает проблема последующего включения полученных системой дополнительных (новых) данных, поступивших в рабочую память (базу фактов) ИС, в соответствующие разделы (поля) ЭМК пациента (с подтверждающим согласием врача на правильность их размещения в электронной карте пациента).

Организация поддержки принятия решений в ЭМК

Рассмотрим последовательность этапов работы врача с интеллектуальной СППР в режиме диалога из системы ЭМК при необходимости консультативной помощи по конкретному вопросу:

1. Врач: формулировка задачи (диагностика, лечение, прогноз течения и возможных осложнений) с указанием предметной области (например, ишемическая болезнь сердца, бронхиальная астма и др.).

2. ИС: поиск признаков в разных ЭМК пациента для выдвижения первичной и последующих гипотез, а также поиск признаков-отрицаний, указывающих на невозможность или крайне малую вероятность определенных заболеваний.

3. Врач: какие гипотезы рассматривались и на основе каких параметров больного? (Вопрос по желанию врача, после чего ИС выдает объяснение).

4. ИС: дополнительные вопросы к врачу (при необходимости) о неизвестных, но нужных для формирования (уточнения) гипотезы показателях состояния пациента.

5. Врач: вводит в режиме диалога данные о дополнительных симптомах или сообщает об отсутствии такой информации.

6. ИС: выдача рекомендаций (при необходимости) о целесообразности дополнительных исследований с указанием вероятности диагнозов, которые могут иметь место при проведении конкретного обследования.

7. Врач: вводит имеющуюся информацию или сообщает о невозможности ее получения.

8. ИС: сообщение окончательной гипотезы с ее объяснением и записью в специальное поле ЭМК.

9. Врач: подтверждение или отклонение выдвинутой ИС гипотезы с обоснованием его мнения (запись в ЭМК, наряду с записью гипотезы интеллектуальной системы поддержки принятий решений).

10. ИС: запрос о необходимости сохранения всей информации о проведенной консультации.

11. Врач: указание о сохранении данного случая в архиве ИС с признаками и диагнозом, а также с указанием медицинской организации и фамилии врача.

12. Врач: повторное обращение к ИС с информацией о верифицированном диагнозе, осложнениях и эффективности или неэффективности предложенного лечения (после завершения конкретного случая заболевания).

13. ИС: запись информации, сообщенной врачом (в п. 12), в архив системы.

Сохранение результатов консультаций в архивах ИС позволит впоследствии осуществлять идентификацию диагноза у нового пациента по аналогу, оценивать в перспективе эффективность отдельных правил базы знаний и осуществлять необходимую коррекцию. Наряду с диалоговым вариантом получение гипотез от ИС должно быть возможно в автоматическом режиме.

Заключение

Переход к электронному здравоохранению будет сопровождаться активным развитием интеллектуальных систем поддержки принятия клинических решений. В процессе работы врачей с ЭМК пациентов появится возможность получения консультативной помощи систем, основанных на знаниях, в вопросах диагностики и лечения, в т.ч. в диалоговом режиме.

В перспективе при построении медицинских ИС целесообразно учитывать ряд аспектов:

• эффективность предлагаемых решений (гипотез) не должна находиться в полной зависимости от степени выраженности клинических проявлений болезни, для чего необходимо использовать методы теории нечетких множеств;
• оценку прогностически неблагоприятных ситуаций нужно осуществлять на основе анализа расширенного признакового пространства, включающего сведения о хронических неинфекционных заболеваниях пациентов;
• наличие при подборе лечения коморбидных заболеваний (или фоновых состояний) у пациентов;
• при распознавании новых случаев следует учитывать данные, получаемые при расширении базы фактов за счет предшествующих решений.

Наряду с этим следует предусматривать эффективность ИС в условиях:

• дефицита времени для принятия решений при неотложных состояниях;
• неполноты, неопределенности или противоречивости имеющихся данных, что предполагает механизм сравнения информации по формальным критериям;
• выбора дополнительных исследований при фиксированных ограничениях (состояние больного, наличие аппаратуры, стоимость и др.), определяемых врачом-пользователем в каждом конкретном случае.

Источники

1. Финн В.К. Искусственный интеллект: Методология, применения, философия. М.: КРАСАНД, 2011. 448 с.

2. Назаренко Г.И., Осипов Г.С. Медицинские информационные системы и искусственный интеллект. М.: Медицина XXI. 2003. 299 с.

3. Кобринский Б.А. Нечеткость в клинической медицине и необходимость ее отражения в экспертных системах // Врач и информационные технологии. 2016. № 5. С. 6 — 14.

4. Shortlife E.H. Computer-based medical consultation: MYCIN. New York: Academican Elsevier, 1976. 264 p.

5. Chang L.Ch., Tou J.T. Medics — a medical knowledge system // IEEE Trans. Syst., Man and Cybern. 1984. Vol. 14. No. 5. P. 746 — 750.

6. Adlassnig K.P., Scheithauer W., Grabner G. CADIAG-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.

7. Геловани В.А., Ковригин О.В., Смольянинов Н.Д. Методологические вопросы построения экспертных интеллектуальных систем // Системные исследования. Методологические проблемы, Ежегодник. 1983. М.: Наука, 1983. С. 254 — 278.

8. Румовская С.Б., Колесников А.В., Майтаков Ф.Г. Нечеткие модели «виртуального консилиума» для гетерогенной диагностики артериальной гипертензии // Нечеткие системы и мягкие вычисления. 2017. Т. 12. № 1. С. 65 — 78.

9. Вельтищев Ю.Е., Белозеров Ю.М., Кобринский Б.А. и др. Неотложные состояния у детей (справочник) / Под ред. Ю.Е. Вельтищева, Б.А. Кобринского. М.: Медицина, 1994. 272 с.

10. Кобринский Б.А., Кудрявцев А.М., Фельдман А.Е. РС-ориентированная информационно-диагностическая система по наследственной патологии у детей // Компьютерная хроника. 1994. № 8-9. С. 31 — 37.

11. Марьянчик Б.В. Метод виртуальных статистик и его применение в партнерских системах для компьютерной диагностики // Компьютерная хроника. 1996. № 5. С. 65 — 74.

12. Yankovskaya A., Obukhovskaya V. Basics of creating an applied intelligent system for diagnostic and management of illness cognition of patients with neurological pathology // Journal of Physics: Conference Series. Vol. 1488. International Scientific Conference on Electronic Devices and Control Systems (EDCS 2019), 20 — 22 November 2019, Tomsk, Russia. 2020. Open Access 01.2009.

13. Гончар А.М., Загорулько Г.Б., Рубан М.Н., Рябков А.Н. Экспертная система поддержки диагностики, профилактики и лечения элементозов на основе коррекции питания // Десятая национальная конференция по искусственному интеллекту с международным участием. КИИ-2006 (25 — 28 сент. 2006 г., Обнинск): Тр. конф. Т. 3. М.: Физматлит, 2006. С. 849 — 857.

14. Kuo R.-J., Huang M.-H., Cheng W.-C, Lin Ch.-Ch., Wu Y.-H. Application of a two-stage fuzzy neural network to a prostate cancer prognosis system // Artificial Intelligence in Medicine. 2015. Vol. 63. Iss. 2. P. 119 — 133.

15. Ekong V.E., Inyang U.G., Onibere E.A. Intelligent Decision Support System for Depression Diagnosis Based on Neurofuzzy-CBR Hybrid // Modern Applied Science. 2012. Vol. 6. No. 7. P. 79 — 88.

References

1. Finn V.K. Artificial Intelligence: Methodology, Applications, Philosophy. M.: KRASAND, 2011. 448 p.

2. Nazarenko G.I., Osipov G.S. Medical information systems and artificial intelligence. M.: Medicine XXI, 2003. 299 p.

3. Kobrinskii B.A. Fuzzy in clinical medicine and the need to reflect in expert systems // Physician and Information Technologies. 2016. No. 5. P. 6 — 14.

4. Shortlife E.H. Computer-based medical consultation: MYCIN. New York: Academican Elsevier, 1976. 264 p.

5. Chang L.Ch., Tou J.T. Medics — a medical knowledge system // IEEE Trans. Syst., Man and Cybern. 1984. Vol. 14. No. 5. P. 746 — 750.

6. Adlassnig K.P., Scheithauer W., Grabner G. CADIAG-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.

7. Gelovani V.A., Kovrigin O.V., Smol'yaninov N.D. Methodological problems of building expert intelligent systems // System Studies. Methodological problems, Yearbook. 1983. M.: Nauka, 1983. P. 254 — 278.

8. Rumovskaya S.B., Kolesnikov A.V., Maytakov F.G. Fuzzy models of «virtual consilium» for heterogeneous diagnosis of arterial hypertension // Fuzzy systems and Soft Computing. 2017. T. 12. No. 1. P. 65 — 78.

9. Vel'tishchev Yu.E., Belozerov Yu.M., Kobrinsky B.A. et al. Emergency conditions in children (reference book) / Ed. Yu.E. Vel'tishchev, B.A. Kobrinsky. M.: Medicine, 1994. 272 p.

10. Kobrinsky B.A., Kudryavtsev A.M., Feldman A.E. PC-based information-diagnostic system for hereditary pathology in children // Computer Chronicle. 1994. No. 8-9. P. 31 — 37.

11. Maryanchik B.V. The method of virtual statistics and its application in partner systems for computer diagnostics // Computer Chronicle. 1996. No. 5. P. 65 — 74.

12. Yankovskaya A., Obukhovskaya V. Basics of creating an applied intelligent system for diagnostic and management of illness cognition of patients with neurological pathology // Journal of Physics: Conference Series. Vol. 1488. International Scientific Conference on Electronic Devices and Control Systems (EDCS 2019), 20 — 22 November 2019, Tomsk, Russia. 2020. Open Access 01.2009.

13. Gonchar A.M., Zagorul'ko G.B., Ruban M.N., Ryabkov A.N. Expert system for supporting the diagnosis, prevention and treatment of elementosis based on nutritional correction // Tenth National Conference on Artificial Intelligence with international participation. CAI-2006 (September 25 — 28, 2006, Obninsk): Conference proceedings. Vol. 3. M.: Fizmatlit, 2006. P. 849 — 857.

14. Chandana S., Mayorga V.R., Chan Ch.W. Automated Knowledge Engineering // Int. J. Comput. Inform. Engineering. 2008. Vol. 2. No. 6. P. 373.

15. Ekong V.E., Inyang U.G., Onibere E.A. Intelligent Decision Support System for Depression Diagnosis Based on Neurofuzzy-CBR Hybrid // Modern Applied Science. 2012. Vol. 6. No. 7. P. 79 — 88.

Подписано в печать

03.07.2020

---