Формальні моделі зображення знань

Сучасні медичні експертні системи найчастіше використовують такі формальні моделі зображення знань: семантичні, фрейми, продукційні правила. Розглянемо їх більш детально.

Продукційні моделі

Широкий клас експертних систем використовує загальну схему подання знань у вигляді системи продукцій. Це найбільш розповсюджений спосіб представлення знань у вигляді елементарних фактів і правил, за якими з наявних фактів можуть бути виведені нові. Факти можуть бути представлені у вигляді трійок:

(АТРИБУТ, ОБ’ЄКТ, ЗНАЧЕННЯ).

Такий факт означає, що даний об’єкт має заданий атрибут (властивість) із заданим значенням. Наприклад, трійка (Температура, пацієнт, 37,5) представляє факт «температура хворого, що позначається як пацієнт, дорівнює 37,5 градусів». Такий спосіб представлення фактів прийнятий у системі MYCIN. У більш простих випадках факт виражається не конкретним значенням атрибута, а яким-небудь простим твердженням, що може бути істинним або хибним, наприклад «Небо вкрите хмарами». У таких випадках факт можна позначати яким-небудь коротким ім’ям або використовувати для подання факту сам текст відповідної фрази.

Правила в базі знань мають вигляд:

ЯКЩО C  ТО D, де C – умова, D – дія.

Дія D виконується, якщо C істинно. Найбільш часто дія, так само, як і умова, являє собою твердження.

Правила в базі знань служать для представлення евристичних знань (евристик), тобто неформальних алгоритмів міркувань, вироблених експертом на основі досвіду його роботи.

В якості умови А може виступати або елементарний факт, або кілька фактів з’єднаних логічною операцією І: А і А₁ і А₂ і... А_n. У математичній логіці такий вираз називається кон’юнкцією.

Він вважається істинним у тому випадку, якщо істинні всі його компоненти. Дії, що входять до складу правил, можуть містити нові факти. При застосуванні таких правил ці факти стають відомі системі, тобто включаються в множину фактів, що називається робочою множиною. Якщо система не може вивести деякий факт, істинність або хибність якого потрібно установити, то система запитує про нього користувача.

У разі використання формально-логічної моделі, сукупність знань експерта про ПрО записують у такій формі:

(n); S; U; C  D; P; де n – ім’я продукції; S – характеристика сфери застосування продукції; U – умова застосування; C  D – ядро (конструкція ЯКЩО C  ТО D ); C – кон’юнкція елементарних фактів чи їх заперечень; D – елементарний факт; P – визначає постумови продукції, що виконуються після її реалізації.

Продукцiйнi правила описують знання у формі «ЯКЩО  ТО» і забезпечують формальний спосіб зображення вказівок, рекомендацій або стратегій. Використання правил спрощує роз’яснення того, яким чином система дійшла до конкретного висновку. Простота та наочність цього способу обумовили його використання у багатьох системах. Але, у разі використання формально-логічних моделей можливий опис лише узагальнених знань про дійсність.

Ядро продукційного правила для експертних систем на логіко-ймовірнісних моделях мас вигляд :

C  (D, W), де W – оцінка правдоподібності висунутої гіпотези.

Якщо оцінки W є ймовірностями, то ця схема визначає ймовірнісний висновок, якщо W – числові ваги, то говорять про приблизний висновок, а якщо W має словесні оцінки, то висновок називають розмитим (нечітким).

Під системою продукцій розуміється певний метод організації обчислювального процесу, при якому програма перетворення визначеної інформаційної структури задається у вигляді множини правил-продукцій. Кожне правило тут подається у вигляді «умова застосування → дія», або «передумова → висновок». Умова застосування визначає деякі вимоги до певного стану інформаційної структури, а дія містить у собі опис операцій над інформаційною структурою, які треба виконати, якщо її стан задовольняє цим вимогам. Зміст дій може полягати у впливі на управління програмою (наприклад, виконати перевірку деякого набору правил), зводитися до вказівки системі про отримання певного висновку (наприклад, додати новий факт або гіпотезу до бази даних).

До складових частин продукцiйної системи звичайно належать база фактів, база правил, механізм виводу та, іноді, механізм роз’яснення. База фактів містить фактичні дані, що описують поточну задачу і вводяться в комп’ютер, і стани системи. База даних в різних системах має різну форму, але загалом вона може бути описана як група даних, яка містить ім’я даних, атрибути та їх значення. Факти, що є умовами та наслідками правил, розміщуються на тимчасове зберігання в базі фактів.

База правил містить сукупність правил, які використовують факти як основу для прийняття рішень. Більшість із правил експертних систем є евристичними, тобто емпіричними правилами або спрощеннями, що ефективно обмежують пошук рішення. Експертна система використовує евристику, тому що задачі, котрі вона вирішує, не піддаються чіткому математичному аналізу, або алгоритмічному вирішенню. Алгоритмічний метод гарантує оптимальне вирішення задач, тоді як евристичний метод дає в більшості випадків прийнятне рішення. Використання евристичних правил робить пошук рішення найбільш легким та практичним.

До складових частин механізму виводу належать:

• інтерпретатор правил, що містить загальні знання про схему управління вирішенням задач, визначає, як використовувати правила для виводу нових знань і формує висновок, використовуючи базу правил та базу фактів;

• диспетчер, що встановлює порядок використання правил.

Отже, в експертних системах, основу яких складають продукційні правила, предметні знання подаються у вигляді набору правил, що перевіряються на групі фактів або знань про поточну ситуацію. Коли частина правила ЯКЩО задовольняє фактам, то дія, що вказана в частині ТО, виконується. В цьому випадку вважається, що правило виконане, і інтерпретатор правил починає робити співставлення частки правил ЯКЩО з фактами і виконувати те правило, частка ЯКЩО якого узгоджується з фактами. Зміст дії правила може полягати у модифікації набору фактів у базі знань, наприклад, у додаванні нового факту. В цьому випадку нові факти, що додаються до бази знань, використовують для співставлення з частками правил ЯКЩО. Процес співставлення цих правил з фактами часток ЯКЩО утворює ланцюг виводу.

Наведемо приклад продукцiйного правила (його зовнішнє зображення), що міститься серед знань у вищезазначеній системі MYCIN:

ЯКЩО Не відомо, може чи ні організм розвиватися аеробно

ТА Середовищем для культури служить кров,

АБО Лабораторія спробувала вирощувати організм анаеробно

ТА Організм здатний рости анаеробно

ТО  Існують підстави вважати, що аеробність організму невизначена (0,5) або він анаеробний (0,2).

Тут 0,5 та 0,2 – коефіцієнти правдоподібності зазначених тверджень.

Механізм, реалізований як засіб виводу в системi продукцій, нескладний. Він реалізує функції пошуку у базі знань, послідовне виконання операцій над знаннями та отримання висновків – прямі дедуктивні висновки (прямий ланцюг суджень) та зворотні дедуктивні висновки (зворотний ланцюг суджень). Відомо, що дедукція – така форма мислення, за допомогою якої певна думка логічним шляхом виводиться з думок-посилок.

У прямих дедуктивних висновках рух здійснюється до поставленої мети з послідовним використанням правил до даних (фактів), що приймаються за початок. Спочатку обирається один із елементів даних, який міститься у базі фактів. Коли при порівнянні цей елемент узгоджується з посилкою правила, то можливі такі дії: або з правила виводиться відповідний висновок, який розташовується у базі фактів, або здійснюється дія, яка визначається правилом, та відповідним чином змінюється зміст бази фактів. Таким чином, починаючи з уже відомих результатів до системи продукцій послідовно виводяться нові. Висновки, за якими цей процес рухається в напрямку від поставленої мети до початку, називаються зворотними. Коли ця мета узгоджується з висновком правила, то посилка правила приймається за прототип мети, чи гіпотезу, i цей процес повторюється до тих пір, доки не буде отримано збігу по меті (або гіпотезі) з отриманими даними.

В діагностичній медичній практиці встановлення ймовірного діагнозу хвороби опосередковано, як правило, через проміжний імовірнісний діагноз, ступінь імовірності якого залежить від специфіки встановлених ознак хвороби. З точки зору фізіології імовірнісний характер встановленого діагнозу пояснюється, як правило, великою кількістю варіантів можливих проявів певного захворювання в залежності від індивідуальних особливостей кожного хворого (його конституції, стану імунної системи, віку, статі, професії тощо).

виявлення і вивчення клінічних симптомів, що суперечать даній гіпотезі. Метод імовірного діагнозу, таким чином, вимагає використання в діагностиці діагностичних гіпотез. Підставою для побудови діагностичних гіпотез служить аналогія, коли при збігові декількох симптомів даного хворого із симптомами будь-якого захворювання робиться припущення, що у хворого є захворювання, із яким, імовірно, буде більше або менше збігу і за іншими ознаками. Чим менше є симптомів, тим більш можливими є різні припущення щодо діагнозу.

Діагностична гіпотеза вважається правомірною, якщо вона виводиться із фактів, що не суперечать жодному з наявних фактів-симптомів і містить узагальнюючі висновки, на основі яких гіпотеза може бути перевірена за допомогою нових фактів, що встановлені в процесі обстеження та спостереження за хворим. В процесі діагностики кількість гіпотез повинна бути доведена до мінімуму (необхідно прагнути роз’яснити за допомогою однієї гіпотези як можна більшу кількість наявних фактів). Перевага надається гіпотезам, які побудовані при найменшій кількості припущень, але найбільш багаті щодо висновків і відрізняються простотою. Необхідною умовою методу ймовірного діагнозу є різнобічна перевірка гіпотези, в тому числі шляхом

Принципам діагностики властива універсальність, яка дозволяє за єдиною методологією діагностувати будь-яку патологію усіх органів та систем організму. Тому таким важливим для майбутніх лікарів є розуміння принципу функціонування (механізму виводу) продукційних експертних систем, що являють собою модель для вивчення процесу прийняття медичних рішень.

Відносно низька ефективність у порівнянні з традиційними методами програмування є одним з недоліків продукційного методу зображення знань. Це пов’язано з тим, що модульна організація бази знань потребує концентрації інформації у посилці, що в складних ситуаціях призводить до побудови заплутаних умов.

Недоліком логіко-ймовірнісних моделей є й те, що оцінки правдоподібності суттєво залежать від суб’єктивно заданих для кожного правила умовних ймовірностей або числових ваг. Більш того, невеликі варіації вихідних ймовірностей можуть спричинити до значних змін в оцінці правдоподібності.