Яндекс.Метрика Рейтинг@Mail.ru
 
Компьютерная система "КАРКАС"
Компьютерная система "КАРКАС"
238-927-218     veadrub1







Регистрация »         Забыл пароль »

07 Февраль 2019
МОДЕЛЬ ІЄРАРХІЧНОЇ ФУНКЦІОНАЛЬНОЇ СИСТЕМИ ДЛЯ КЛАСТЕРНОГО АНАЛІЗУ Збірник наукових праць ХНУПС 2(56). Харків,  2018, с. 82 - 88. Розглядається модель ієрархічної функціональної системи предметної...

29 Апрель 2016
Сложность динамических систем Практика показывает, что главной в теории сложных систем становится проблема принятия решений при наличии многих целей. Динамической следует...

28 Апрель 2016
Формирование компетентностей и их оценка с помощью интеллектуальных тестов Рассматривается модель функциональной системы динамической предметной области, на основе понятия расслоения баз знаний для создания...
01 Август 2015

Модели баз знаний медицинских систем

Рассматривается оригинальный подход к моделированию баз знаний в медицине. Содержится основные этапы построения баз знаний с помощью инструментального средства для создания моделей баз знаний в компьютерной системе "КАРКАС" (http://it-karkas.com.ua). Компьютерная система "КАРКАС" реализует основные инструментальные средства, сервисы (middleware, каркасы) для построения баз знаний предметной области с помощью иерархической функциональной системы и таким образом, облегчает построение экспертных систем и экспертно-обучающих систем. Целью данной работы является исследование модели иерархической функциональной системы на основе понятия расслоения баз знаний, обладающих динамической структурой и с возможностью самоадаптации в процессе эксплуатирования. Основной акцент работы направлен на развитие логических умений, понимание причинно-следственных связей в медицинской предметной области, на развитие компетенций и положительной мотивации студентов при изучении современных направлений искусственного интеллекта. Рекомендовано для студентов, аспирантов, преподавателей.
Ключевые слова: базы знаний, медицинские экспертные системы, обучение и тестирование знаний

Модели баз знаний медицинских систем/Models of knowledge bases of medical systems

It is considered an original approach to modeling knowledge base in medicine. It contains the basic steps of building knowledge bases using the tool to create a knowledge base of models in the "backbone" of the computer system (http://it-karkas.com.ua). Computer system "KARKAS" implements the basic tools, services (middleware, frameworks) to build a knowledge base domain using hierarchical functional system and thus facilitates the construction of expert systems and expert training systems. The aim of this study is to investigate the functional model of a hierarchical system based on the concept of separation of knowledge bases, having a dynamic structure and the possibility of self-adaptation in the process of exploitation. The main focus of the work aims to develop logical skills, understanding of cause-and-effect relationships in the medical domain, on the development of competencies and positive motivation of students in the study of modern trends of artificial intelligence. Recommended for students, teachers.
 
Keywords: knowledge, medical expert systems, training and testing of knowledge


 





 

Содержание

 
  Введение 3
1. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ 7
1.1. Экспертные системы 7
1.2. Экспертные обучающиеся системы 11
1.3. Мультиагентные системы 15
1.4. Представление знаний в интеллектуальных системах 18
1.5. Методы поиска решений в пространстве состояний 23
1.6. Математическая модель иерархической функциональной системы динамической предметной области 25
1.6.1. Онтологии предметной области 26
1.6.2. Функциональные системы 30
1.6.3. Открытые динамические системы 31
1.7. Характеристика системы "КАРКАС" 36
1.7.1. Визуальный редактор базы знаний 45
1.8. Средства построения онтологии в системе "КАРКАС" 50
1.8.1. Алгоритм парсинга правил базы знаний 52
1.8.2. Техническая реализация онтологии 55
1.8.3. Модуль возмущения правил базы знаний 56
2. МОДЕЛИ МЕДИЦИНСКИХ БАЗ ЗНАНИЙ 58
2.1. Модель базы знаний для определения риска возникновения ИБС 58
2.1.1. Обработка знаний группы экспертов 59
2.1.2. Тонкая настройка базы знаний 63
2.1.3. Фильтрация базы знаний 72
2.2. Модель баз знаний по диагностике инфаркта миокарда характера 79
2.3. Модель баз знаний по диагностике заболеваний общего характера 89
2.4. Модель баз знаний по диагностики острых и хронических заболеваний печени 96
2.5 Модель баз знаний по ранней диагностике опухолей молочной железы 100
3. ФОРМИРОВАНИЕ КОМПЕТЕНТНОСТЕЙ И ИХ ОЦЕНКА С ПОМОЩЬЮ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕСТОВ 104
3.1. Интеллектуальная компетентность 104
3.2. Оценка интеллектуальной компетенции 105
3.3. Медицинские экспертно-обучающие системы 130
3.4. Об одном алгоритме обучения медицинским знаниям 135
  Заключение 144
  Литература 145
Введение
Экспертные системы − это класс компьютерных систем, которые могут давать совет на уровне эксперта: консультировать, ставить диагноз с определенной степенью уверенности, объяснять свои выводы (http://www.it-karkas.com.ua).

Существуют различные способы представления опыта и знаний экспертов в компьютерных системах. Один из простейших основан на использовании логической конструкции типа "если <условие>, то <действие>", называемой правилом  или продукцией.
Другой способ формирования структуры знаний основан на понятии "фрейм" (каркас), который представляет собой единицу знания о предметной области как единый объект и характеризует его набором слотов.
Правила и фреймы могут состоять из множества атрибутов и их значений. Каждому атрибуту соответствует вопрос, который будет задаваться при использовании системой этого правила или фрейма, а каждое значение соответствует возможному ответу на поставленный вопрос.
Ядром экспертной системы является база знаний и алгоритм принятия решения (машина вывода).
На пути создания экспертных систем существует несколько препятствий, например, непротиворечивость знаний в базе знаний и ее динамическое сопровождение.
Инструментальное средство для создания моделей баз знаний – компьютерная система “КАРКАС” не только объединяет обе идеологии (продукции и фреймы)  для представления знаний, но и основана на новом подходе представления знаний в виде иерархической функциональной системы отражающей динамические процессы предметной области. В качестве примеров, на сайте системы "КАРКАС", приведены различные презентации моделей баз знаний. Поскольку модель фрейма (каркас знаний, состоящий из слотов) наиболее удачно отображает элементы знаний человеческой нейронной сети, то рассматриваемая система получила название "КАРКАС" [30].
Компьютерная система "КАРКАС" реализует основные инструментальные средства, сервисы (middleware, библиотеки, движки, каркасы) для построения баз знаний предметной области с помощью иерархической функциональной системы и таким образом, облегчает построение экспертных систем и экспертно-обучающих систем.
Система "КАРКАС" сочетает в себе различные подходы в построении систем, основанных на знаниях, таких как: экспертные системы, экспертные обучающие системы, мультиагентные системы.
Такие компоненты, как редактор базы знаний, машина вывода, блок объяснения, являются общими для перечисленных систем и выступают инструментами системы "КАРКАС", которые можно имплантировать в прототипы экспертных систем.
Медицинские экспертные системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к компьютеру за консультацией в трудных диагностических случаях.
Типичными свойствами медицинской предметной областью являются динамичность и большой объем многомерных и противоречивых клинических данных. Медицинские экспертные системы позволяют решать задачи диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения.
Общий принцип, положенный в основу формирования медицинских экспертных систем, – включение в базу знаний синдромов, отражающих состояние всех основных систем органов.
В создании экспертной системы участвуют, как правило, врач-эксперт, математик и программист. Основная роль в разработке такой системы принадлежит эксперту-врачу.
С помощью системы "КАРКАС" разработан ряд прототипов экспертных систем в следующих предметных областях: медицина, экономика, мобильная связь и кластерного анализа многомерных данных.
В области медицины существуют следующие прототипы экспертных систем:
система "РИБC" – предназначена для определения риска возникновения ишемической болезни сердца (ИБC) у практически здорового человека. Актуальность разработки ее объясняется тем, что в настоящее время в медицине отчетливо выражен процесс перехода к концепции профилактики ИБС, то есть к концепции о факторах риска, связанных со стилем жизни конкретного пациента. Понимая важность данной концепции, большинство врачей мало занимается профилактикой ИБС в повседневной работе. Одной из причин этого является отсутствие четкой системы выявления факторов риска ИБС, призванной помочь врачу диагностировать и оценивать риск развития данного заболевания. Цель системы ─ распознать наличие факторов риска ИБС  c акцентом на индивидуальный образ жизни пациента, используя знания экспертов. К особенностям системы можно отнести то, что c ее помощью у пациента диагностируются: тип коронарного поведения; степень социально-психологической поддержки; уровень физической активности; степень адекватности отдыха;
система "ИНФАРКТ" – помогает врачам диагностировать инфарктных больных, оценивать их состояние и давать прогноз развития следующих осложнений при инфаркте миокарда: фибрилляции; острой левожелудочковой недостаточности; хронической сердечной недостаточности; аритмии; тромбоэмболии; разрыва миокарда; повторного инфаркта. Система выдвигает две гипотезы: осложненное и гладкое (без осложнений) течение инфаркта миокарда у больного. Затем в процессе консультации с врачом она вычисляет шансы этих гипотез на основе симптомов больного и его анамнеза. Если принимается первая гипотеза, то начинается анализ вычисленной апостериорной вероятности, которая служит основой для диагностирования степени развития соответствующего осложнения инфаркта. Логический вывод опирается на Байесовский метод принятия решения;
система "ГЕПАТИТ" – предназначена для диагностики острых и хронических заболеваний печени. Система дает возможность: распознать причину заболевания печени и по возможности путем ее устранения получить терапевтический эффект; целенаправленно включить медикаментозные средства для лечения заболеваний печени; провести статистическую оценку терапевтических мероприятий у пациентов. В предметной области выделены три кластера знаний: клинические данные; лабораторные данные; морфологические данные, которые позволяют установить подробный диагноз заболевания печени. Первый кластер знаний использует данные анамнеза и жалобы больного со стороны печени, результаты пальпации и перкуссии печени, а также осмотра (внешнего вида) больного. Второй кластер знаний на основе  лабораторно-химических изменений функции печени, поражения печеночной  клетки,  холестаза, активности мезенхимы и исследований иммунологической реакции дает возможность определить тип желтухи, а также характер заболевания печени. Третий кластер позволяет определить показания для морфологической диагностики. Например, выдается информация о том, что надо проводить чрескожную биопсию печени или не надо;
система "АДРАМЖ" (автоматическая диагностика рака молочных желез) предназначена для ранней диагностики опухолей молочных желез. Диагностика опирается на знания эксперта-онколога, которые сгруппированы по следующим разделам: термография; анамнез; физикальные исследования; эхотомография. Система позволяет классифицировать следующие опухоли: липома; фиброаденома; фиброзно-кистозная мастопатия диффузная; фиброзно-кистозная мастопатия локализованная; ДФА (диффузный); ДФА (локализованный); мастит.
Медицинские экспертные системы позволяют не только производить раннюю доклиническую диагностику у практически здорового человека, но также оценивать его предрасположенность к заболеваниям.
Фрагменты примеров баз знаний (тексты правил и фреймов, скриншоты) предназначены только для обучения и понимания логики рассуждений при консультации в системе "КАРКАС".

 
И З Б Р А Н Н О Е
 
РАЗДЕЛ 2. МОДЕЛИ МЕДИЦИНСКИХ БАЗ ЗНАНИЙ

 
2.1. Модель базы знаний для определения риска возникновения ИБС
 
Постановка задачи. Разработать БЗ для определения риска возникновения ишемической болезни сердца (ИБС). Актуальность разработки ее объясняется:
во-первых,  эволюционным  переходом от терапии ИБС к профилактике ИБС; от популяционной профилактики к профилактике  индивидуальной;
во-вторых,  стремлением человека к самостоятельному получению знаний по оценке риска ИБС;
в-третьих, возможностью самоконтроля  за  изменением  риска ИБС  для  принятия  решения обращения за врачебной консультацией
при высокой ее степени.
Назначение прототипа ЭС ─ это профилактическое консультирование пациента по оценке риска ИБС.
Сфера применения прототипа ЭС ─ это различные медицинские предприятия: диспансеры, поликлиники, медсанчасти.
Цель прототипа ЭС  ─ моделирование принятия решения о риске возникновения ИБС у практически здорового человека [9, 12, 31].
Исходные данные: медицинские анализы.
Ожидаемые результаты (список возможных значений цели консультации):
индивидуальная профилактика ИБС;
самостоятельное получение знаний о степени риска ИБС;
самоконтроль уровня риска ИБС;
получить соответствующие рекомендации для снижения риска ИБС.
Идентификация предметной области. Под  фактором риска понимается социальный, биологический и экономический статус человека, модели его поведения и условия, содействующие возникновению ИБС.
По результатам исследований экспертов установлено, что деятельность амбулаторного врача должна быть нацелена на выявление только основных факторов риска ИБС, а именно: гиперхолестеринемия, артериальная гипертония, курение, избыточная масса тела, нерациональное питание и алкоголь. Разумность этой рекомендации обусловлена тем, что основная функция врача заключается в диагностике самой болезни, а не ее донозологических состояний. Практическая приоритетность донозологической диагностики способствовала тому, что экспертная группа расширила число факторов риска ИБС до 13: гиперхолестеринемия (повышенное содержание холестерина в крови), гипертензия (повышенное артериальное давление), курение, гиподинамия (снижение  двигательной  активности), избыточная масса тела, коронарное поведение, стресс, отсутствие социально-психологической поддержки, нерациональное  питание, сахарный диабет, неблагоприятная наследственность, неадекватный  отдых, алкоголь.
Таким образом, для оценки риска возникновения ИБС у практически здорового человека выбрано 13 ведущих факторов согласно мнениям экспертов ВОЗ.
Выводы. Модель БЗ для определения риска ИБС была реализована в прототипе экспертной системы "РИБС" [9] . Приведем основные  возможности и характеристики этой системы.
Для представления знаний используются фреймы и продукции. В БЗ могут храниться факты и эвристики. Кроме них могут присутствовать метазнания, которые используются для управления логическим выводом. БЗ содержит как статические так и динамические правила.
Фреймы системы обладают следующими характерными чертами:
наследования атрибутами-слотами;
управления атрибутами-демонами;
Наследование позволяет избежать дублирования информации, атрибут-дэмон вызывает функции и процедуры фрейма. Группировка БЗ на кластеры позволяет:
осуществлять гибкий логический вывод путем активизации кластеров в ходе консультации;
тестировать базу знаний по кластерам, то есть выполнять проверку на непротиворечивость и полноту знаний.
Во время консультации пользователь, эксперт могут выбрать три различных ее режима: с объяснением, без объяснения и тестирование БЗ. В режиме объяснения система позволяет:
задать подцель  консультации;
использовать "доску объявлений";
выполнить изменение текущего состояния БЗ;
осуществить просмотр дерева правил;
представить обоснование правил;
получить протокол консультации с подробным объяснением.
Режим обоснования работы машины вывода может включаться или выключаться пользователем. С каждым правилом связан некоторый текст на естественном языке, используемый при объяснении. Здесь можно включать ссылки на специальную литературу. Текст зависит от профессиональной подготовленности пользователя.
Режим без объяснения позволяет пользователю только последовательно отвечать на вопросы машины вывода. Этот режим доступен пользователю после того, как эксперт выполнил тестирование БЗ.
Режим тестирования дает возможность выполнить отладку правил каждого кластера. При этом происходит анализ каждого правила, проверка на непротиворечивость и полноту знаний кластера.
Кластеры знаний позволяют улучшить объяснение,облегчают извлечение знаний и повышают надежность консультации.
БЗ системы постоянно модифицируется и  пополняется новыми  фактами  и правилами. Дальнейшее конструирование системы нацелено на разработку приоритетных профилактических  рекомендаций  по  снижению риска ИБС, в виде обратной связи, с прогнозной оценкой снижения степени риска ИБС в случае  выполнения  предложенных профилактических рекомендаций.
 
2.2. Модель базы знаний для прогноза развития осложнений при инфаркте миокарда
 
Методы построения математических моделей часто основаны хотя и на неточной, но в целом объективной информации об объекте. Однако возможны ситуации, когда при построении моделей решающее значение имеют сведения, полученные от эксперта, обычно качественного характера. Они отражают содержательные особенности изучаемого объекта и формулируются на естественном языке. Описание объекта в таком случае носит нечеткий характер.
Нужно также заметить, что в этом случае коэффициент уверенности присваивается не только правилам, но и фактам.
Одна из проблем, возникающая при создании ЭС, состоит в учете неточности и ненадежности любой информации. Первые ЭС ввели такое понятие как робастность системы, то есть возможность ее произвести правдоподобный вывод из не полной, не точной информации [4, 27].
Кроме того, возникает задача оценки степени ненадежности логических выводов и рекомендаций при неточности исходной информации и информации, поступающей в результате диалога с пользователем.
Рассмотрим один из способов рассуждения при наличии неопределенности, основанный на формуле Байеса из теории вероятностей.
Пусть имеется некоторая гипотеза Н и некоторая априорная вероятность того, что гипотеза Н истинна. Эта вероятность Р(Н) задается в самом начале (априорная вероятность).
Далее предполагается, что появляется некоторое свидетельство Е, относящееся к данной гипотезе тогда на основе этой информации можно уточнить априорную вероятность истинности гипотезы Н (апостериорную вероятность). Согласно формуле Байеса имеем:
 
Р(Н | Е) = Р(Е | Н)Р(Н) / (Р(Е I Н)Р(Н) + Р(Е I ШН)Р(ШН)),
 
где Р(Н) — априорная вероятность Н при отсутствии каких-либо свидетельств; Р(Н | Е) — апостериорная вероятность Н при наличии свидетельства Е; Р(ШН ) = 1 – Р(Н ) — вероятность не наступления события Н; Р(Н | Е) − условная вероятность.
С помощью формулы Байеса удается накапливать информацию, поступающую из различных источников, с целью подтверждения или не подтверждения определенной гипотезы.
 Вывод в ЭС использующий формулой Байеса реализуется с помощью следующего алгоритма:
1. Имеем априорную вероятность Р(Н), которая хранится в БФ.
2. Выбираем свидетельство Е.
3. Вычисляем Р(Н I E).
4. Замещаем Р(Н I E) на место Р(Н).
Таким образом, получение очередного свидетельства приводит к новому обновлению (увеличению или уменьшению) вероятности Р(Н). Каждый раз текущее значение этой вероятности будет считаться априорным для применения формулы Байеса.
Постановка задачи. Разработать БЗ для прогноза развития осложнений при инфаркте миокарда.
Назначение прототипа ЭС ─ это помощь врачам в прогнозировании осложнений при инфаркте миокарда.
Сфера применения прототипа ЭС ─ это различные медицинские предприятия, например, больницы скорой помощи.
Цель прототипа ЭС  ─ моделирование принятия решения при диагностики осложнений при инфаркте миокарда.
Исходные данные: анамнез, медицинские анализы.
Ожидаемые результаты (список возможных значений цели консультации): прогноз развития следующих осложнений при инфаркте миокарда: фибрилляции, острой левожелудочковой недостаточности, хронической сердечной недостаточности, аритмии, тромбоэмболии, разрыва миокарда, повторного инфаркта.
Машина вывода выдвигает две гипотезы [28]: осложненное и гладкое (без осложнений) течение инфаркта миокарда у больного. Априорная вероятность первой гипотезы равна 0,645, а второй − 0,345 рис. 2.3.
2.3. Модель базы знаний для диагностирования общего заболевания
 
Модель БЗ для диагностирования общего заболевания у пациента по его симптомам использует Нейлоровский метод принятия решения на основе цены свидетельства (симптома) пациента.
Постановка задачи. Разработать БЗ по общим заболеваниям человека.
Назначение прототипа ЭС ─ это помощь врачам диагностировать общие заболевания по симптомам пациента.
Сфера применения прототипа ЭС ─ это различные медицинские предприятия: диспансеры, поликлиники, медсанчасти.
Цель прототипа ЭС  ─ моделирование принятия решения при диагностики общего заболевания по симптомам пациента.
Исходные данные: анамнез, медицинские анализы.
Ожидаемые результаты (список возможных значений цели консультации): около 100 возможных диагнозов общего заболевания.
Для выбора свидетельств из базы данных предложена процедура косвенной цепочки рассуждений на основе цены свидетельств. Идея заключается в том, что каждому свидетельству приписывается цена, отражающая важность свидетельства в процессе вывода. Далее при построении диалога каждый раз выбирается свидетельства с наибольшими ценами. В процессе вывода цена свидетельств все время пересчитываются в зависимости от получаемых текущих результатов. Цены свидетельств позволяют внести определенную "инертность" в работу ЭС, что благоприятно отражается на психологическом состоянии пользователя.
Рассмотрим другое применение формулы Байеса предложенное, К. Нейлором [23] и реализованное в системе "КАРКАС".
Алгоритм ФС основывается на следующих предположениях.
Первое. Введение верхних и нижних порогов для вероятностей гипотез.
Пусть РМАХ(Н) — максимальная возможная вероятность, достижимая для данной гипотезы, при условии, что все свидетельства, имеющиеся в базе знаний и связанные с этой гипотезой, будут подтверждены пользователем в пользу гипотезы Н.
Тогда
sup(Н) = 0,9*РМАХ(Н);
inf(Н) = 0,5*sup(Н).
Величины РМАХ(Н) для всех Н могут быть вычислены заранее и включены в БЗ.
Если вероятность Р(Н) после учета всех свидетельств превосходит верхний порог sup(Н) (Р(Н) > sup(Н)), то гипотеза Н принимается как основа для возможного заключения. Если же Р(Н) < inf(Н), где inf(Н) — нижний порог, то гипотеза Н отвергается как неправдоподобная.
Второе. Учет неопределенностей, заключенных в реакции пользователей;
Учет неопределенности, заключенной в ответах пользователя на вопросы ЭС, является важным моментом в организации диалога. Ответ пользователя можно проранжировать, например, по 5-бальной шкале (от -2 до 2), где -2 соответствует ответу "Нет", 0  соответствует "Не знаю", +2 соответствует "Да".
Итак, при ответе R = 2 имеем Р(Н | R) = Р(Н | Е), при ответе R=0 априорная вероятность не меняется и поэтому Р(Н | R) = Р(Н), при ответе R = -2 имеем Р(Н | R) = Р(Н | ШЕ). Промежуточные значения Р(Н | R) восстанавливаем с помощью линейной интерполяции.
Третье. Введение цен свидетельств, определяющих сценарий диалога с пользователем.
Для выбора свидетельств из БЗ в [29] предложена процедура косвенной цепочки рассуждений на основе цены свидетельств. Идея заключается в том, что каждому свидетельству приписывается цена, отражающая важность свидетельства в процессе вывода. Далее при построении диалога каждый раз выбирается свидетельства с наибольшими ценами. В процессе вывода свидетельств все время пересчитываются в зависимости от получаемых текущих результатов.
В цена свидетельства Е вычисляется по формуле: C(E) = ∑ | P(Hi | E) – P(Hi | ШE) |.
Таким образом, С(Е) определяется как полная сумма максимально возможных изменений вероятностей по всем N гипотезам, имеющимся в БЗ.
Далее система выбирает свидетельство Е с максимальной ценой С(Е) и задает соответствующий вопрос пользователю. После получения ответа (в 5-балльной шкале) пересчитываются все вероятности Р(Нi) — они заменяются на P(Hi | R). После формирования нового массива P(Hi) заново пересчитываются все цены свидетельств и процесс повторяется.
Отметим, что в процессе вывода все вероятности Р(Е | H), P(E | ШH) остаются неизменными — меняется только массив Р(Н). Цены свидетельств, относящиеся к маловероятным гипотезам, автоматически падают. А цены свидетельств, относящиеся к более вероятным гипотезам, будут расти.
Цены свидетельств позволяют внести определенную "инертность" в работу ЭС, что благоприятно отражается на психологическом состоянии пользователя.
Достаточно перебрать все свидетельства и все гипотезы для того, чтобы закончить консультацию. Однако консультацию можно закончить значительно раньше.
С каждой гипотезой Н связаны следующие числа:
1. Р(Н) — текущая вероятность истинности гипотезы Н.
2. Рmax(Н) — текущая максимальная достижимая вероятность для гипотезы Н  в предположении, что все оставшиеся свидетельства будут свидетельствовать в пользу Н.
3. Рmin(Н) — текущая минимальная вероятность гипотезы Н.
4. sup(Н) = 0,9*РМАХ(Н) — верхний порог.
5. inf(Н) = 0,5*sup(Н) — нижний порог.
С учетом указанных пяти величин возможны следующие условия остановки работы ЭС:
1. Определение наиболее вероятной гипотезы. Если в некоторый момент обработки списка свидетельств в процессе работы ЭС оказывается, что для какой-то гипотезы Нk  выполняются условия:
Рmink ) > Рmaxi ), для   любого i ≠ k,
то, очевидно, гипотеза Нk оказывается наиболее вероятной и продолжать процесс экспертизы не следует.
2. Определение правдоподобной гипотезы. Такой гипотезы Н, для которой в данный текущий момент времени выполнилось условие
Рmin(Н ) > sup(Н).
Данный критерий остановки является основным и реализуется чаще других.
Обычно пользователя интересуют все такие гипотезы и поэтому необходимо дополнительно проверить условие:
Рmax(Н ) < sup(Н)
для всех остальных гипотез. Если это условие не выполнено, то процесс работы ЭС может быть продолжен для пополнения списка правдоподобных заключений.
3. Отсутствие заключения — констатация факта, что ЭС не может принять решение. Данная ситуация возникает, если в какой-то момент времени выполняется следующее неравенство:
Рmax(Н ) < inf(Н) для всех Н.
ФС для байесовского метода – это алгоритм, который позволяет генерировать и проверять гипотезы.
Простейший вариант принятия решения состоит в том, что вывести все гипотезы с указанием их вероятностей. И пользователь сам выбирает гипотезу.
В ЭС для алгоритма машины вывода используются прямая цепочка рассуждений (от фактов к гипотезам). Такая процедура выборки вопроса по данным из БФ может оказаться длинной для получения результата консультации, поскольку факты, приводящие к принятию гипотезы могут случайно оказать в конце консультации.
Кроме того, со стороны пользователя машина вывода ведет себя не последовательно, поскольку задаются вопросы выбранные наугад.
Обратная цепочка рассуждений (от гипотезы к фактам) более целенаправленная, но проблема заключается в порядке выбора гипотез.
Цена свидетельства вычисляется для каждого свидетельства Е как сумма максимальных изменений вероятностей, которые могут произойти во всех  N гипотезах, к которым это свидетельство применено (С(E) =  å  | Р(Нi | Е) − Р(Нi | ШЕ) |). Первым всегда задается тот вопрос, у которого такая цена оказывается наибольшей.
Проблема, конечно, состоит в том, как выделить важный вопрос. Поскольку, если ЭС имеет 100 свидетельств, каждое из которых измеряется по одиннадцатибалльной шкале, то возможно 1100 различных путей, по которым ее может повести пользователь. Для каждого из 1100 таких путей имеется 100! различных способов упорядочить вопросы.
Алгоритм машины вывода:
1. Для каждой гипотезы вычисляется априорная вероятность Р(Н).
2. Для каждого свидетельства вычисляется его цена С(E).
3. Из всех С(E) находится наибольшее.
4. Задается вопрос пользователя по поводу этого свидетельства. Ответ пользователь выбирает по шкале от - 2 до +2 (обозначим его символом R).
5. При заданном R  производится пересчет для всех гипотез, в которых упоминалось это свидетельство (вычисляется Р(Н | R )) .
6. Выполняется пересчет цен для всех свидетельств.
7. Вычисляются минимальные и максимальные величины для каждой гипотезы .
8. Находится максимальный (если их несколько, то выбирается первый максимум) из возможных минимумов для этих гипотез.
9. Если существует такой максимум, который превышает наибольший минимум, то переход к шагу 3. Если такого нет, то существует наиболее вероятный результат, который выдается пользователю.
2.4. Модель базы знаний для диагностики острых и хронических заболеваний печени
 
Модель БЗ для диагностики острых и хронических заболеваний печени использует иерархическую функциональную систему и дает  возможность: распознать причину заболевания печени и по  возможности путем ее устранения получить терапевтический эффект; целенаправленно включить медикаментозные средства  для лечения заболеваний печени; провести статистическую оценку  терапевтических  мероприятий у пациентов. В предметной области  выделены  три  кластера  знаний: клинические данные; лабораторные данные; морфологические данные, которые позволяют установить подробный диагноз заболевания печени. Первый кластер знаний использует данные анамнеза и жалобы больного со стороны печени, результаты пальпации  и  перкуссии печени, а также осмотра (внешнего вида) больного. Второй кластер знаний  на  основе  лабораторно-химических изменений функции печени, поражения печеночной  клетки,  холестаза, активности мезенхимы  и  исследований  иммунологической реакции дает возможность определить тип желтухи, а также характер заболевания печени. Третий кластер позволяет определить показания для  морфологической диагностики. Например, выдается информация  о  том, что надо проводить чрескожную биопсию печени или не надо.
Репрезентанты правил из четырех кластеров:
Кластер 1. Анамнез.
ПравилоГ65. A&B&C&D&E&F#.
ЕСЛИ
A  Anti-HA = Да
B  AgHBs = Нет
C  Anti-HBc = Да
D  Anti-HA/IgM = Нет
E  Anti-HBc/IgM = Нет
F  Anti-HBs = Да
ТО
Этиология = Гепатит ни-А и ни-В к. у. п. = 1.000.
Правило 10. A&B&C&D&E#.
ЕСЛИ
A  Моча = Темная
B  Стул = Цвета глины
C  Желчь = Светлая
D  Уробилиноген = Понижен
E  Билирубин = Повышен
ТО
Клиника = Подпеченочная (зелено-серожелтая) к. у. п. = 1.000.
Кластер 2. Лабораторно-химический анализ.
ПравилоЛАБ3. (A&B)+C+(D&E)+(F&G)+(H&I)+J+(K+L)+(M&N)+(O+P)+(Q&R)+(S&T)#.
ЕСЛИ
A  Билирубин прямой = Слегка повышенный
B  Билирубин прямой = Повышенный
C  Билирубин непрямой = Hоpмальный
D  Щелочная фосфатаза = Повышенный
E  Щелочная фосфатаза = Сильно повышенный
F  ЛАП = Повышенный
G  ЛАП = Сильно повышенный
H  ГГТ = Слегка повышенный
I  ГГТ = Сильно повышенный
J  ГлДГ = Слегка повышенный
K  Железо = В ноpме
L  Железо = Слегка повышенный
M  Медь = Слегка повышенный
N  Медь = Повышенный
O  ЛДГ = Ноpма
P  ЛДГ = Слегка повышенный
Q  ГПТ = Норма
R  ГПТ = Слегка повышенный
S  ГЩТ = Ноpма
T  ГЩТ = Слегка повышенный
ТО
Лаборатория 1 = Желтуха подпеченочная к. у. п. = 1.000.
Вид иерархической ФС для диагностики острых и хронических заболеваний печени представлен на рис. 3.9.
2.5. Модель базы знаний для ранней диагностики опухолей молочных желез
 
Модель БЗ для  ранней диагностики опухолей молочных желез основана на фильтрации базы знаний. Диагностика опирается на знания эксперта-онколога, которые сгруппированы по следующим разделам: термография; анамнез; физикальные исследования; эхотомография. Система позволяет классифицировать следующие опухоли: липома, фиброаденома, фиброзно-кистозная мастопатия диффузная, фиброзно-кистозная мастопатия локализованная, ДФА (диффузный), ДФА (локализованный), мастит.
Вид иерархической ФС для ранней диагностики опухолей молочных желез представлен на рис. 3.10.
 

 
Рис. 3.10. Вид иерархической ФС для ранней диагностики опухолей молочных желез
 
Репрезентанты правил из четырех кластеров:
Кластер 1. Термография.
Правило 5. (A+B)&(C+D+E)&F&G&(H+I)&(J+K)&L&M&N&O&P&Q&R#.
ЕСЛИ
A  Очаг = Есть с темп. град. до 1 гр.
B  Очаг = Есть с темп. град. от 1 гр. до 1.5 гр.
C  Площадь очага = Не превышает площадь 1 квадранта
D  Площадь очага = Более одного, не менее 2-х квадрантов
E  Площадь очага = Превышает площадь 2-х квадрантов
F  Контур = Четкие
G  Характер = Пятнистый
H  Параареолярный = Выражен
I  Параареолярный = Слабо выражен
J  Васкуляризация = Имеется явная упорядоченная
K  Васкуляризация = Слабо выраженная
L  Окаймляющий = Нет
M  Парастернальный = Нет
N  Симптом V = Нет
O  Признак Мойа = Нет
P  Губная = Нет
Q  Разогрев = Нет
R  Железа = Сохранен
ТО
Термография = ФКМП диф. к. у. п. = 6.000.
Кластер 2. Анамнез.
Правило 11. A&B&C&D&E&(F+G+H+I)&(J+K)&(L+M)&(N+O)&P&Q&R&(S+T)&U&(V+W+X)#.
ЕСЛИ
A  Возраст = 51 и более лет
B  Мать = Рак молоч. железы, гениталий,прям. кишки
C  Сестры = Рак молоч. железы, гениталий, прям. кишки
D  Бабушка = Рак молоч. железы, гениталий, прям. кишки
E  Дети = Детей нет
F  Заболевание = Гинекологически - больна
G  Заболевание = Щитовидная железа - больна
H  Заболевание = Печень - больна
I  Заболевание = Другие органы - больны
J  Контрацепция = Прерванный акт
K  Контрацепция = Другие способы
L  Удовлетворенность = Фригидна
M  Удовлетворенность = Нет
N  Вес = Превышает норму на 75%
O  Вес = Ожирение 2-3 степени
P  Гормонотерапия = Получала
Q  Инсоляция = Загорает систематически и много
R  Облучение = Повышен (Черноболь, работа, тубер.лек.)
S  Питание = В пище много жиров живот. происхождения
T  Питание = В пище мало клетчатки
U  Травма = Были
V  Доброкачественный = Фибрознокистозная мастопатия - есть
W  Доброкачественный = Диффузный фиброаденоматоз - есть
X  Доброкачественный = Кисты, цистоаденопапилломы - есть
ТО
Анамнез = Рака есть к. у. п. = 1.000.
Кластер 3. Физикальные исследования.
Правило 27а. (A+B+C)&(D+E)&(F+G)&H&(I+J+K)&(L+M)&(N+O)#.
ЕСЛИ
A  Четко опухолевое = Диаметр от 1 до 2 см.
B  Четко опухолевое = Диаметр от 2 до 3 см.
C  Четко опухолевое = Диаметр более 3 см.
D  Консистенция = Эластическая
E  Консистенция = Мягко-эластическая
F  Ассиметричность = Да
G  Ассиметричность = Нет
H  Площадка = Нет
I  Выделения = Нет
J  Выделения = Молозивные
K  Выделения = Кровянистые
L  Увеличение = Нет
M  Увеличение = Подмышечных
N  Кожа = Нет
O  Кожа = Васкулита аллергического
ТО
Физикал. исслед. = Мастит к. у. п. = 11.000.
Кластер 4. Эхотомография.
Правило 28. (A+B+C)&D&E&F#.
ЕСЛИ
A  Лоцируется = Нет
B  Лоцируется = С четкими контурами
C  Лоцируется = С нечеткими контурами
D  Характер образов. = Нет
E  Сост. л/у = Не увеличены
F  Печень = Нет метастазов
ТО
Эхотомография = Рака нет к. у. п. = 2.000.
Замечание 2.1. Созданы модели баз знаний для диагностики различных форм панкреатита и определения типов гепатита (А, B, C).
РАЗДЕЛ 3. ФОРМИРОВАНИЕ КОМПЕТЕНТНОСТЕЙ И ИХ ОЦЕНКА С ПОМОЩЬЮ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕСТОВ
 
Поскольку интеллект определяет успешность любой деятельности, то интеллектуальная компетентность является базовой и основополагающей для всех компетентностей.
Как оценить интеллектуальные компетенции будущего специалиста является одной из актуальных проблем  в его подготовки. Для того чтобы оценить их нужные новые методы и сервисы, основанные на принципах искусственного интеллекта. Для определения интеллектуальных компетенций студентов используется компьютерная система "КАРКАС", которая способствует повышению качества профессионального образования и оценивания компетентности студентов [4 – 17, 30].
 
3.1. Интеллектуальная компетентность
 
Стать компетентным специалистом можно только после приобретения профессиональной деятельности: знаний, практического опыта и мотивации к саморазвитию.
Сформулируем правила базы знаний для определения интеллектуальной компетентности в соответствии с целями: приоритетность, обогащение ментального опыты и формирование познавательного стиля.
Цель – приоритетность.
Правило 1. Предоставление качественного контента (лекции, лабораторные работы, презентации и т.д.) как средство формирования интеллектуальной компетентности студентов.
Правило 2. Использование цифровых технологий как инструмент формирования интеллектуальной компетентности студентов.
Правило 3. Личность преподавателя как организатор взаимодействия между контентом и студентами.
Цель – обогащение ментального опыта.
Правило 4. Механизмы формирования интеллектуальной компетентности специалиста носят индивидуальный характер, их содержательное оформление реализуется через предметные области знания.
Правило 5. Предметные области знаний представлены не только декларативными (поверхностными), но и процедурными (глубинными) знаниями.
Цель – формирование познавательного стиля.
Правило 6. Контент базы знаний состоит как из базовых  компонентов онтологии, так  из мотиваций  студента принимать решение своих действий при решении задач.
Правило 7. Контент базы знаний предполагает самооценку  обучения студента (оценить свои сильные и слабые интеллектуальные качества).
Выделенные правила формирования интеллектуальной компетентности будущих специалистов осуществляются в условиях социальных сетевых технологий.
 
3.2. Оценка интеллектуальной компетенции
 
Система “КАРКАС” позволяет эффективно:
создавать тесты;
проводить тестирование, как на отдельном компьютере, так и по локальной сети;
составлять по каждому тестированию детальный протокол, и осуществлять анализ результатов тестирования;
формировать ведомости результатов тестирования, которые могут быть использованы для хранения информации об аттестации, блочном контроле, экзамене;
работать в интеграции с пакетом Microsoft® Office (Word, Excel, PowerPoint);
использовать подсказку и обучающие блоки по работе с ней (презентации в стиле MS PowerPoint);
использовать технологию Microsoft Agent и Microsoft Speech API для сопровождения тестирования и во время обучения контента;
настраивать индивидуальные стратегии для тестирования:
выбор тем;
формирование тестов по темам;
использование датчика случайных чисел для тестов;
использование коэффициентов значимости вопросов;
адаптация теста по уровню знаний во время тестирования (как в сторону повышения значимости вопросов, так и в противоположную),
наглядная графическая интерпретация тестирования:
диаграммы текущей оценки;
диаграммы распределения верных и неверных ответов;
диаграммы статистики ответов, модифицированные лица Чернова для оценки результатов тестирования,
для оценки теста формировать ряд показателей: оценка по отношению к верным ответам, погрешность ответа, общая оценка, экспертная оценка и заключительная оценка,
формировать тесты динамически согласно, стратегиям преподавателя и правилам базы знаний (БЗ).
Общая структура компьютерной технологии обучения и тестирования в системе "КАРКАС" основывается на детализации и активизации знаний.
Визуальный редактор БЗ (режим экспертной обучающей системы)
– это модуль, предоставляющий когнитологу возможность создавать БЗ в интерактивном режиме. Редактор включает в себя шаблоны языка представления знаний (продукции, фреймы), подсказки и другие сервисные средства, облегчающие работу с базой. 
Агент редактора БЗ контролирует не только семантику или содержание правил и данных при их вводе, но и проверяет:  не противоречат ли они существующим правилам БЗ. Если обнаруживается противоречие, то агент помогает пользователю разрешить конфликт, объясняя причины противоречий и описывая способы их устранения.
Тестовым заданиям по возможности придан такой характер, при котором студенту приходится активно мыслить и  принимать осознанные решения. Ниже на скриншотах системы "КАРКАС" приводятся избранные тестовые задания для качественного оценивания интеллектуального уровня знаний студента, его навыков и степени зрелости профессионального мышления по предметной области "Информатика".
Вопрос имеет следующую структуру:
- Название вопроса начинается с ключевого слова (Вопрос), а далее может идти произвольный текст.
- Текст вопроса набирается пожеланию пользователя или копируются из буфера обмена.
- Ответы набирается в окне расположенном ниже окна ответа.
В одной строке ответа может располагаться  до 255 символов. Количество ответов на один вопрос может быть до 99.
Текст ответа набирается в первом столбце.
Каждый ответ снабжается коэффициентами уверенности:
Cf1 – предназначен для идентификации ответа (верный ответ отмечается, неверный ответ отмечается 0);
Cf2 – предназначен для идентификации сложности ответа (значение Cf2 > 0 означает увеличение сложности ответа при его истинности, а Cf2  < 0 означает уменьшение  сложности ответа при его ложности).
Коэффициенты влияют на оценки по тесту (рис.3.1).
3.3. Медицинские экспертно-обучающие системы
 
Ниже представлены краткие характеристики медицинских ЭОС разработанных с помощью системы "КАРКАС".
ЭОС "ПЕДИАТР" предназначена  для  тестирования профессиональных  знаний врача педиатра и определения его квалификационной ступени.  Экспертная оценка знаний врача осуществляется по следующим направлениям:
- гастроэнтерология;
- гематология;
- пульмонология;
- кардиоревматология;
- нефрология;
- неонатология;
- физиопатология грудничков.
Для оценки  знаний  используется двенадцатибалльная шкала.
Система позволяет определить квалификационную ступень  врача  по следующей шкале:  врач-интерн,  врач-стажер, врач-специалист (II категории), ведущий врач (I категории), врач высшей квалификации (высшая категория).  Квалификационная ступень формируется на основе следующих факторов:
- оценка квалиметрии знаний;
- деловая характеристика врача;
- результативность работы врача;
- стаж работы.
Время одного сеанса консультации составляет 90 минут (время для ответа на вопрос - 45 секунд).
Вид иерархической ФС для определения квалификационной ступени  врача педиатра представлен на рис. 3.29.
ЭОС  "ВРАЧ" предназначена для тестирования профессиональных знаний врача и определения его квалификационной ступени. Экспертная оценка знаний врача осуществляется по следующим направлениям:
- организация профилактической работы участкового врача;
- экспертиза временной нетрудоспособности;
- неонатология;
- вскармливание и дистрофия;
- поражение нервной системы у детей раннего возраста;
- синдром рвоты и потери солей новорожденного;
- основы медицинской генетики;
- пульмонология;
- кардиология и ревматические болезни;
- электрокардиография;
- гастроэнтерология;
- нефрология;
- интенсивная терапия;
- фармакотерапия в педиатрии;
- кишечные инфекции;
- сахарный диабет;
- гематология;
- диспансеризация больных детей.
Для оценки  знаний  используется двенадцатибалльная шкала.
Система позволяет определить квалификационную ступень  врача  по следующей шкале:  врач-интерн,  врач-стажер, врач-специалист (II категории), ведущий врач (I категории), врач высшей квалификации (высшая категория).  Квалификационная ступень формируется на основе следующих факторов:
- оценка квалиметрии знаний;
- деловая характеристика врача;
- результативность работы врача;
- стаж работы.
ЭОС "ХИРУРГ" предназначена  для оценки знаний студентов, врачей хирургов и их обучению по следующим хирургическим болезням:
- доброкачественные и злокачественные заболевания щитовидной железы;
- доброкачественные и злокачественные заболевания молочной железы;
- заболевания легких, плевры и средостения;
- заболевания аорты и периферических артерий;
- заболевания магистральных вен. Система верхней и нижней полых вен;
- наружные грыжи и их осложнения (грыжи диафрагмальные и пищеводного отверстия);
- заболевания пищевода (повреждения, химические ожоги, рубцовые сужения, дивертикулы);
- язвенная болезнь желудка и двенадцатиперстной кишки;
- предраковые заболевания и рак желудка;
- острый аппендицит и его осложнения;
- кишечная непроходимость;
- заболевания ободочной и прямой кишок;
- заболевания желочного пузыря и внепеченочных протоков;
- острый панкреатит и его осложнения;
- перитониты.
Для оценки знаний используется десятибалльная шкала. Система  имеет два режима: обучение и контроль. В режиме обучения пользователю предлагается возможность пользоваться подсказкой системы для выбора правильных ответов на задаваемый вопрос.
Система предлагает следующие уровни обучения:
- знакомство с предметной областью;
- контроль с выборочным обучением;
- частично-контролируемым ответом;
- со свободно конструированным ответом;
- решение классификационных задач;
- решение задач на логическую связь;
- решение ситуационных задач.
Вид иерархической ФС для определения для тестирования профессиональных знаний врача хирурга и определения его квалификационной ступени представлен на рис. 3.30.
ЭОС "ТЕРАПЕВТ" предназначена для  тестирования профессиональных  знаний врача терапевта и определения его квалификационной ступени. Экспертная оценка знаний врача осуществляется по следующим направлениям:
- ревматические болезни;
- эндокринные заболевания;
- болезни почек;
- болезни органов кроветворения;
- болезни сердечно-сосудистой системы;
- теоретические основы внутренней патологии;
- болезни органов пищеварения;
- отдельные вопросы смежной патологии;
- интенсивная терапия и реанимация в клинике внутренних болезней;
- общие принципы и методы лечения терапевтических больных;
- болезни органов дыхания;
- организация экспертизы трудоспособности в лечебно-профилактических учреждениях;
- общие методы обследования терапевтических больных;
- основы социальной гигиены и организации терапевтической помощи.
Для оценки  знаний  используется двенадцатибалльная шкала.
Система позволяет определить квалификационную ступень  врача  по следующей шкале:  врач-интерн,  врач-стажер, врач-специалист (II категории), ведущий врач (I категории), врач высшей квалификации (высшая категория).  Квалификационная ступень формируется на основе следующих факторов:
- оценка квалиметрии знаний;
- деловая характеристика врача;
- результативность работы врача;
- стаж работы.
 
3.4. Об одном алгоритме обучения медицинским знаниям
 
Рассмотрим алгоритм обучения [10], который показал себя очень эффективным и надежным при изучении студентами основ патологической физиологии:
патологическая физиология кровообращения;
патологическая физиология красной крови;
патологическая физиология белой крови.
Потому что:
во-первых – система позволяет студентам вспомнить исходный уровень знаний по курсу нормальной физиологии;
во-вторых – она помогает решать и более сложные задачи;
в-третьих – система позволяет работать также и в режиме самоконтроля обучаемого для выявления пробелов знаний основ патологической физиологии;
Общая структура компьютерной технологии обучения основывается на методе поэтапной детализации и активизации знаний.
Первый этап. Создается текст на естественном языке, в котором излагается учебный материал. Этот текст может содержать рисунки, таблицы, графики, формулы и так далее.
Второй этап. Состоит в структуризации и классификации текстов с целью создания списков вопросов для обучаемого. Информация заносится с помощью инструментария системы (редактор для вопросов и ответов) в базу данных (БД). Критерии классификации  могут быть как содержательными (по структуре учебного материала), так и формальными (по типу учебных материалов: текст, рисунок, таблица и так далее.).
Третий этап. Формируется БЗ учебного назначения. Вначале выделяются объекты предметной области  и  их  атрибуты, затем устанавливаются отношения между объектами, таким образом, формируются кластеры знаний. При этом привлекается информация, содержащаяся в  БД: с одной стороны, установленная ранее классификация используется для выделения объектов и их атрибутов; с другой стороны, элементы БД используются в качестве атрибутов объектов БЗ. Инструментальные средства, поддерживающие этот процесс, (редактор правил и фреймов), позволяют создавать и обновлять БЗ учебного процесса.
Четвертый этап. На этом этапе происходит объединение различных кластеров знаний для создания единой стратегии обучения и контроля (используется "доска объявлений"). Формируется  иерархия правил и фреймов для работы машины вывода.
Рассмотрим подробнее организацию компьютерной технологии обучения на примере изучения студентами основ знаний по курсу нормальной физиологии. В предметной области было выделено шесть уровней обучения, которые были расположены по мере повышения сложности предлагаемого учебного материала. Каждый уровень имел свой коэффициент значимости, обозначим его через g. Если была необходимость, то уровень мог быть разбит на несколько кластеров, которые преследовали определенные цели обучения. Было предложено четыре типа оценок для контроля знаний.
Первый уровень обучения. На первом уровне обучения применяется модуль иллюстративно-объяснительного типа для знакомства обучаемого с ПО, работа которого заключается в следующем. Система выдает на экран дисплея последовательность  вопросов,  ответы которых содержат верную информацию.
Эксперт имеет возможность не  только  осуществлять  показ информации отдельно по красной и белой крови, но может и перемешивать вопросы, относящиеся к красной и белой крови.
Коэффициент значимости уровня равен 0 ( g =0 ).
Второй уровень обучения (контроль с  выборочным  обучением). Система в соответствии с правилами, составленными экспертом, задает вопрос и несколько ответов на него, один из  которых правильный. Например, система задает вопрос.
Угнетается ли созревание эритроцитов при дефиците эритропоэтина ?
Третий уровень обучения (с частично контролируемым  ответом). На этом уровне обучения обучаемому предъявляется  несколько элементов, из части которых может быть составлен правильный ответ. Другой вариант обучения состоит в том,  что  обучаемый должен выбрать из списка ответов несколько правильных  ответов. Рассмотрим этот уровень на примере кластера  кровообращения.
Система задает вопрос:
При каких патологических процессах повышается внутричерепное давление?
Ответы:
1. Коллапс.
2. Грипп.
3. Энцефалит.
4. Менингит.
5. Миозит.
6.Черепномозговая травма.
7.Сотрясение головного мозга.
8. Перикардит.
9. Отек головного мозга.
Можно убедиться, что из представленных  фрагментов  легко сконструировать ответ на разные диагнозы. Здесь правильный ответ состоит из следующих элементов: номера ответов 3, 4, 6, 7, 8, 9.
Четвертый уровень обучения. Этот уровень предназначен для решения задач классификации. В вопросах, задаваемых обучаемому, формулируется две альтернативы, и ему предлагается список ответов, из которых нужно выбрать правильные ответы, относящиеся к первой альтернативе и ко второй. Но  могут  быть случаи, когда верные ответы относятся к двум альтернативам одновременно. Например, как в следующем вопросе для кластера красной крови.
Перечислите патологические формы эритроцитов, характерных для:
Первая альтернатива           Вторая альтернатива.
Пернициозной анемии        Железодифицитной анемии
Возможные ответы:
1. Мегалоциты.
2. Анулоциты.
3. Гипохромные эритроциты.
4. Гиперхромные эритроциты.
5. Микроциты.
6. Макроциты.
7. Мегалобласты.
8. Миелоциты.
9. Миелобласты.
10. Анизоциты.
Для первой альтернативы верные ответы  1, 4, 6, 7, 10, а для второй альтернативы верные ответы  2, 3, 5, 10. Как  видно из примера десятый ответ относится как к  первой  альтернативе, так и ко второй.
Все оценки  вычисляются отдельно  для  первой альтернативы (задачи А) и для второй альтернативы (задачи Б).
Коэффициент значимости уровня равен 0.7 ( g = 0.7 ).
Пятый уровень обучения (со свободно конструированным ответом). В этом случае после задания вопроса системой и ответа обучаемого (путем ввода его с экрана) система проверяет путем сравнения ответа с эталоном правильных и типично  неправильных ответов, количество которых может быть произвольным.
Перечислите причины возникновения антиэритроцитарных антител.
Обучаемый вводит причины.
Словарь для этого вопроса содержит следующие ответы:
1. Резуснесовместимая кровь.
2. Острое кровотечение.
3. Хроническое кровотечение.
4. Аутоиммунные болезни.
5. Недостаточность железа.
6. Переливание несовместимой крови.
Из этих вопросов правильными являются 1, 4 и  6.  Если  первая попытка набора информации  оказалась  неудачной,  то  обучаемому предлагается часть ответов из словаря, но которые показываются только на две первые буквы. Остальные буквы  обучаемый  должен сам  довести  с экрана.  Наконец,  если  эта  попытка  также неудачна, то студенту предлагается полностью список ответов. Каждая попытка снижает  на  один  бал  оценку. После третьей попытки происходит переход к следующему вопросу.
Коэффициент значимости уровня равен 0.8 ( g = 0.8 ).
Шестой уровень обучения (решения  ситуационных  задач). Здесь обучаемому предлагается ситуация, описание действия  лекарства, анамнез больного, расчет лабораторных анализов и список возможных реакций на эту ситуацию. Он имеет возможность составить набор ответов и отдать его системе на обработку. Эксперт моделирует правильную  реакцию на ситуацию. Система сравнивает предложенный набор ответов, и если реакция положительная, то обучаемому задается  серия  вопросов  для  уточнения правильности выбранных обучаемым ответов.
Например, ситуационная задача для красной крови.
Задача 6. Больной в возрасте 37 лет был  госпитализирован со следующими жалобами: общая апатия, боли в животе, понос. Объективно: кожные покровы ярко красного цвета с трещинами.
Анализ крови.
Эр 3.1х1012  /л. Лейкоцитарная формула Лейкоциты - 14.5 х109/л.
Hb - 95 г/л        Б     Э       Ю    П                 С       Л        М      Pт
Tp - 280.000     2%  14%   1%   4%              47%   27%   5%   1%
В мазке крови: единичные гиперхромные эритроциты.
Вопрос. Для какой патологии крови характерны такие  жалобы и такие количественные и качественные изменения  периферической крови?
 
Заключение
Рассмотрена математическая модель динамической предметной области в виде иерархической функциональной системы,  в которой база знаний ассоциируется с цепочкой расслоений баз знаний, то есть представляет собой сечение цепочки расслоений баз знаний.
Проанализированы различные методы построения моделей баз знаний в медицине. Наибольшее распространение и эффективность получила модель, использующая иерархическую функциональную систему. Реализация расслоения базы знаний в цепочку расслоений позволяет эффективно выполнить ряд операций:
1. Тестирования базы знаний на каждом уровне иерархической ФС (поиск непротиворечивости знаний и исследование на полноту базы знаний). Клонирование правил базы знаний.
2. Выполнить наглядное представление движения сечений цепочки расслоения базы знаний при эволюционном перемещении базового класса  в базе расслоения. База расслоения – это так называемые медленные переменные, описывающие эволюцию главной цели. Слои цепочки расслоений – это быстрые переменные, описывающие состояния объектов, подцелей в дискретные моменты времени при эволюции главной цели.
3. Производить вертикальное возмущение в слоях цепочки расслоения для поиска скрытых знаний. Другими словами, в иерархической ФС происходит возмущение не всей базы знаний, а только ее баз знаний в слоях. Таким образом, основная цель иерархической ФС не подвергается возмущениям внешней среды, а эволюционирует во времени для достижения главного результата.
Программа дальнейших исследований будет включать в себя разработку алгоритмов сопровождения функционирования иерархической функциональной системы с помощью программных агентов.
Предложенная концепция реализации иерархической функциональной системы показала свою эффективность при разработке онтологий в различных информационных динамических предметных областях: медицина, экономика, мобильная связь и кластерный анализ многомерных данных.
 

 



 
2012 г. it-karkas.com.ua
Владимир Бурдаев

 
Контакты
Статьи
Новости
Инфо для пользователей
Ссылки
Карта сайта

 
Рейтинг@Mail.ru

Copyright 2018 - it-karkas.com.ua
Разработка сайта - alphastudio.com.ua