Навигация
Самообучающиеся интеллектуальные системы
23243
знака
0
таблиц
2
изображения
3. Самообучающиеся интеллектуальные системы
Среди экспертных медицинских систем особое место занимают так называемые самообучающиеся интеллектуальные системы (СИС). Они основаны на методах автоматической классификации ситуаций из реальной практики или на методах обучения на примерах. Наиболее яркий пример СИС — искусственные нейронные сети.
Искусственные нейронные сети (ИНС; artificial neural networks) представляют собой нелинейную систему, позволяющую классифицировать данные гораздо лучше, чем обычно используемые линейные методы. В приложении к медицинской диагностике ИНС дают возможность значительно повысить специфичность метода, не снижая его чувствительность.
ИНС — это структура для обработки когнитивной информации, основанная на моделировании функций мозга. Основу каждой ИНС составляют относительно простые, в большинстве случаев однотипные элементы (ячейки), имитирующие работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Искусственный нейрон обладает группой синапсов — однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон — выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов.
Для ИНС характерен принцип параллельной обработки сигналов, что достигается путем объединения большого числа нейронов в так называемые слои и соединения нейронов различных слоев. Теоретически количество слоев и количество нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера. В общем случае, чем сложнее ИНС, тем масштабнее задачи, подвластные ей. Прочность синаптических связей модифицируется в процессе извлечения знаний из обучающего набора данных (режим обучения), а затем используется при получении результата на новых данных (режим исполнения).
Наиболее важным отличием ИНС от остальных методов прогнозирования является возможность конструирования экспертных систем самим врачом-специалистом, который может передать нейронной сети свой индивидуальный опыт и опыт своих коллег или обучать сеть на реальных данных, полученных путем наблюдений. Нейронные сети способны принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных. Положительное отличительное свойство ИНС состоит в том, что они не программируются, т.е. не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В ряде случаев ИНС могут демонстрировать удивительные свойства, присущие мозгу человека, в том числе отыскивать закономерности в запутанных данных. Нейронные сети нашли применение во многих областях техники, где они используются для решения многочисленных прикладных задач: в космонавтике, автомобилестроении, банковском и военном деле, страховании, робототехнике, при передаче данных и др. Другое, не менее важное, свойство нейронной сети состоит в способности к обучению и обобщению полученных знаний. Сеть обладает чертами так называемого искусственного интеллекта. Натренированная на ограниченном множестве обучающих выборок, она обобщает накопленную информацию и вырабатывает ожидаемую реакцию применительно к данным, не обрабатывавшимся в процессе обучения.
Схематично процесс применения обученной ИНС в медицине показан на рис. 2
Рис. 1. Схема применения обученной искусственной нейронной сети в медицине
Несмотря на значительное количество уже известных практических приложений искусственных нейронных сетей, возможности их дальнейшего использования для обработки сигналов окончательно не исчерпаны, и можно предположить, что ИНС еще в течение многих лет будут одним из основных инструментов поддержки принятия решений в условиях отсутствия точных моделей реальных процессов и явлений.
Примером другой перспективной технологии обработки и обобщения больших объемов информации для решения задач классификации и прогнозирования является так называемая технология анализа и добычи данных Data Mining. Методы и инструментальные средства анализа и добычи данных представляют собой дальнейшее развитие таких известных статистических инструментов разведочного анализа, как метод главных и метод независимых компонент, факторный анализ, множественная регрессия, редуцирование пространства признаков с использованием метода многомерного шкалирования, кластерного анализа и распознавания образов и др. Программно реализованные и снабженные удобным пользовательским интерфейсом, а также поддержанные гибкими алгоритмами визуализации многомерных данных, средства Data Mining позволяют проводить соответствующие исследования даже начинающему пользователю. В арсенал методов кластерного анализа и распознавания образов систем Data Mining обычно входят метод опорных векторов (Support Vector Machine, или SVM), метод деревьев решений (decision trees), метод «ближайшего соседа» в пространстве признаков, байесовская классификация и др.
Среди указанной группы методов классификации и распознавания наиболее интересным и гибким представляется метод опорных векторов (МОВ).
Метод опорных векторов (МОВ) – это метод первоначальной классификации, который решает данную задачу путем построения гиперплоскостей в многомерном пространстве, разделяющих группы наблюдений, принадлежащих к разным классам. На рис. 3 проиллюстрирована основная идея МОВ. В левой части схемы представлены исходные объекты, которые далее преобразуются (перемещаются, сдвигаются) в пространстве признаков при помощи специального класса математических функций, называемых ядрами. Этот процесс перемещения называют еще преобразованием, или перегруппировкой объектов. Новый набор преобразованных объектов (в правой части схемы) уже линейно разделим. Таким образом, вместо построения сложной кривой (как показано в левой части схемы) требуется лишь провести оптимальную прямую, которая разделит объекты разных типов. Затем метод отыскивает объекты, находящиеся на границах между двумя классами, которые называются опорными векторами, и использует их для принятия решений о принадлежности к тому или иному классу новых объектов, предъявляемых для распознавания.
Рис. 3. Основная идея метода опорных векторов
Похожие работы
... субсидии на проведение крупных культурных акций общеевропейского значения выделяют уже упоминавшиеся Совет Европы и Европейское экономическое сообщество. Без таких субсидий фестивальная деятельность осуществлялась бы в значительно более скромных масштабах, так как на условиях самоокупаемости она практически не представляется возможной[68, с.62]. Сроки проведения любого фестиваля за редким ...
... факторы, определяющие конкретное содержание ППФП студентов. 1.5. Личная и социально – экономическая необходимость психофизиологической подготовки человека к труду. Тема 2. Особенности профессионально – прикладной физической подготовки студентов машиностроительных специальностей (2 часа). 2.1.Профессиографическая характеристика трудовой деятельности инженеров-механиков. 2.2. Проблема переноса ...
... необходимым комплексом медицинских услуг. Создается сеть религиозных, благотворительных, меценатских и общественных организаций и фондов, которые содействуют расширению комплекса медико-социальных услуг. В страховой медицине осуществляется принцип солидарности “здоровый платит за больного, богатый — за бедного”. Медицинское страхование позволяет застрахованным получить дорогостоящую медицинскую ...
... современным компьютерам, должна стать мощным усилителем мыслительных процессов в образовании. И здесь особая роль отводится преподавателям, которые являются носителями технологии образования и которые должны творчески переосмыслить накопленный интеллектуальный багаж в соответствии с новыми технологическими возможностями. До настоящего времени в российском обществе отсутствует четкое понимание ...
0 комментариев