Введение. 
Интеллектуальные ДСМ-системы для анализа медицинских данных и диагностики

В работе рассматривается применение ДСМ-метода в новой предметной области — области клинической и лабораторной диагностики. Описываются основные принципы построения интеллектуальной системы, помогающей врачам в принятии решения при диагностике различных заболеваний и при выборе способа лечения конкретного больного.

Множество результатов медицинских исследований, в большинстве случаев хранящихся в медицинских картах больного, не всегда может быть полностью проанализировано врачом. Наш опыт общения с экспертами-врачами различных медицинских учреждений разных специальностей показывает, что медикам хотелось бы иметь интеллектуальную систему, помогающую им в принятии решения при диагностике различных заболеваний и при выборе способа лечения конкретного больного.

В секторе интеллектуальных систем ВИНИТИ создана интеллектуальная система типа ДСМ) (ИнтС ДСМ) [Финн 1999], основанная на ДСМ-методе автоматического порождения гипотез, реализующем автоматизированные правдоподобные рассуждения. Разрабатываемые правдоподобные рассуждения образуют формализованную эвристику извлечения зависимостей причинно-следственного типа из баз структурированных фактов. Извлечение знаний типа «причина-следствие» основано на принципе: «сходство фактов порождает сходство эффектов и их повторяемость» (этот принцип отличен от вероятностного подхода к анализу данных: «повторяемость эффектов определяет сходство фактов»).

Перечислим условия применимости ДСМ-метода:

возможность структурирования данных и формального определения сходства фактов (из базы фактов (БФ)),.

наличие положительных и отрицательных примеров (±) — примеров в БФ, интеллектуальная система диагностика клиническая лабораторная наличие в БФ неявно заданных зависимостей причинно-следственного типа ((±) — причины изучаемых эффектов).

Таким образом, гипотезы о (±) — причинах, извлекаемых из БФ, порождаются посредством специально созданной процедуры индукции, порождающей сходство объектов — источник или причину наличия (отсутствия) изучаемого эффекта. Предсказание этого эффекта осуществляется посредством аналогии, использующей гипотезы о (±) — причинах, содержащихся в базе знаний и порожденных индукцией. И, наконец, ДСМ — рассуждение завершается абдуктивной процедурой — объяснением начального состояния БФ, которое или является достаточным основанием для принятия гипотез, или является средством расширения БФ для итерации ДСМ — рассуждения, если существуют необъясненные факты из БФ.

ДСМ метод является средством формализованного качественного анализа данных. В силу реализации ДСМ-метода в интеллектуальных системах, работающих в интерактивном режиме, ДСМ-метод удобен для решения задач мониторинга различных медицинских эффектов, представленных в базах фактов для клинических данных.

Рассмотрим общие принципы построения интеллектуальных ДСМ-систем для применения в медицине на примерах трех поставленных задач:

• (1) прогнозирования высокопатогенных типов вируса папилломы человека (ВПЧ) по цитологическим результатам исследования мазков (Кафедра клинической и лабораторной диагностики Российской Медицинской Академии последипломного образования);
• (2) диагностики двух заболеваний глаз: дегенеративного ретиношизиса и наследственных витреоретинальных дистрофий (Лаборатория клинической физиологии зрения МНИИ глазных болезней им. Гельмгольца);
• (3) диагностика системной красной волчанки (СКВ) по имеющимся клиническим и иммунологическим признакам больного (Отделение нефрологии Городской клинической больницы им. Боткина).

Настройка ИНТ ДСМ на каждую из перечисленных задач должна включать с себя следующее:

разработку языка представления данных;

определение понятия «объект» и «свойство» в терминологии ДСМ-метода;

определение аксиом предметной области;

задание операции сходства;

задание отношения вложения.