3. Самонавчальні інтелектуальні системи

Серед експертних медичних систем особливе місце займають так звані самонавчальні інтелектуальні системи (СІС). Вони засновані на методах автоматичної класифікації ситуацій з реальної практики або на методах навчання на прикладах. Найбільш яскравий приклад СІС - штучні нейронні мережі.

Штучні нейронні мережі (ШНМ; artificial neural networks) являють собою нелінійну систему, що дозволяє класифікувати дані набагато краще, ніж зазвичай використовувані лінійні методи. У додатку до медичній діагностиці ІНС дають можливість значно підвищити специфічність методу, не знижуючи його чутливість.

ІНС - це структура для обробки когнітивної інформації, заснована на моделюванні функцій мозку. Основу кожної ІНС складають відносно прості, в більшості випадків однотипні елементи (комірки), імітують роботу нейронів мозку. Кожен нейрон характеризується своїм поточним станом за аналогією з нервовими клітинами головного мозку, які можуть бути порушені або загальмовані. Штучний нейрон володіє групою синапсів - односпрямованих вхідних зв'язків, з'єднаних з виходами інших нейронів, а також має аксон - вихідну зв'язок даного нейрона, з якої сигнал (Збудження або гальмування) надходить на синапси наступних нейронів.

Для ІНС характерний принцип паралельної обробки сигналів, що досягається шляхом об'єднання великого числа нейронів в так звані шари і з'єднання нейронів різних шарів. Теоретично кількість шарів і кількість нейронів у кожному шарі може бути довільним, однак фактично воно обмежено ресурсами комп'ютера. У загальному випадку, чим складніше ІНС, тим масштабніше завдання, підвладні їй. Міцність синаптичних зв'язків модифікується в процесі вилучення знань з навчальної набору даних (режим навчання), а потім використовується при отриманні результату на нових даних (режим виконання).

Найбільш важливою відмінністю ІНС від інших методів прогнозування є можливість конструювання експертних систем самим лікарем-фахівцем, який може передати нейронної мережі свій індивідуальний досвід і досвід своїх колег чи навчати мережу на реальних даних, отриманих шляхом спостережень. Нейронні мережі здатні приймати рішення, грунтуючись на виявляються ними прихованих закономірностях в багатовимірних даних. Позитивне відмітна властивість ІНС полягає в тому, що вони не програмуються, тобто НЕ використовують ніяких правил виводу для постановки діагнозу, а навчаються робити це на прикладах. У ряді випадків ІНС можуть демонструвати дивовижні властивості, притаманні мозку людини, в тому числі відшукувати закономірності в заплутаних даних. Нейронні мережі знайшли застосування в багатьох областях техніки, де вони використовуються для вирішення численних прикладних задач: в космонавтиці, автомобілебудуванні, банківському та військовій справі, страхуванні, робототехніці, при передачі даних та ін Інше, не менш важливе, властивість нейронної мережі полягає в здатності до навчання і узагальненню отриманих знань. Мережа володіє рисами так званого штучного інтелекту. Натренована на обмеженій множині навчальних вибірок, вона узагальнює накопичену інформацію і виробляє очікувану реакцію стосовно до даних, не обробляється в процесі навчання. Незважаючи на значну кількість вже відомих практичних додатків штучних нейронних мереж, можливості їх подальшого використання для обробки сигналів остаточно не вичерпані, і можна припустити, що ІНС ще протягом багатьох років будуть одним з основних інструментів підтримки прийняття рішень в умовах відсутності точних моделей реальних процесів і явищ.