МІНІСТЕРСТВО ОХОРОНИ ЗДОРОВЯ УКРАЇНИ

ЛЬВІВСЬКИЙ НАЦІОНАЛЬНИЙ МЕДИЧНИЙ УНІВЕРСИТЕТ

ІМЕНІ ДАНИЛА ГАЛИЦЬКОГО

« Затверджено »
на методичній нараді
кафедри медичної інформатики .
Завідувач кафедри
________________________
«___»_____________ 2022 р.

МЕТОДИЧНІ РЕКОМЕНДАЦІЇ
ДЛЯ САМОСТІЙНОЇ РОБОТИ СТУДЕНТІВ
ПРИ ПІДГОТОВЦІ ДО ПРАКТИЧНОГО ЗАНЯТТЯ

Навчальна дисципліна Медична інформатика

Змістовий модуль №2 Медичні знання та прийняття рішень. Інформаційні
системи в охороні здоров’я
Тема заняття 10: Методи підтримки прийняття рішень. Клінічні
системи підтримки прийняття рішень. Засоби
прогнозування
Курс: ІІ
Факультет: Медичний

Львів - 2022
 Актуальність теми
До інформаційних систем нового покоління належать системи підтримки прийняття
рішень (СППР) та інформаційні системи, побудовані на штучному інтелекті (інтелектуальні
АС). Це інтерактивні комп'ютерні системи, призначені для підтримки різних видів діяльності
при прийнятті рішень зі слабоструктурованих або неструктурованих проблем. Інтерес до
СППР, як перспективної галузі використання обчислювальної техніки та інструментарію
підвищення ефективності праці в сфері охорони здоров’я, постійно зростає, оскільки процеси
набуття знань, а згодом їх опанування є досить складними та дорогими. Багато питань в
медицині, такі як задачі діагностики та задачі лікування передбачають прийняття рішень
високопрофесійними фахівцями-лікарями. Комп'ютерні системи підтримки прийняття
рішень дозволяють фахівцям охорони здоров’я ефективно приймати науково обґрунтовані
рішення.

Мета заняття: ознайомитися з типовою структурою, особливостями функціонування

підсистем, основними режимами роботи експертних систем, властивостями даних і знань,
освоїти принципи використання основних підходів для представлення знань.

Базовий рівень підготовки

Назви попередніх
Отримані навики
дисциплін
Володіти навичками роботи з програмним забезпеченням
Елективний курс
компютера: вміти користуватися пошуковими програмами,
«Європейський стандарт
вміти завантажувати текстовий процесор, працювати з
комп’ютерної
графічними об’єктами у його середовищі.
грамотності»

Перелік основних термінів:

Експертна система (ЕС) – комп’ютерна програма, яка використовує знання спеціалістів

про деяку конкретну вузьку спеціалізовану предметну область, і яка в межах цієї
області здатна приймати рішення на рівні експерта–професіонала
База даних ЕС або робоча пам'ять призначена для зберігання вхідних і проміжних даних.
База знань ЕС призначена для зберігання довготермінових даних, що описують предметну
область і правил, які визначають перетворення даних у цій предметній області.
Підсистема розв'язування (логічного виведення) на основі вхідних даних з робочої пам’яті і
знань з БЗ формує таку послідовність правил, яка приводить до рішення цієї
задачі.
Підсистема набуття знань ЕС автоматизує процес поповнення ЕС знаннями (виконується
експертом-користувачем).
Підсистема пояснення ЕС пояснює, яким чином система отримала рішення задачі (або
чому його не отримала), і які знання вона при цьому використала. Це полегшує
експерту тестування системи і збільшує довіру користувача до отриманих
результатів.
Діалоговий процесор ЕС призначений для організації "дружнього" інтерфейсу зі всіма
категоріями користувачів, як у ході рішення задачі, так і при набутті знань і
поясненні роботи системи.
Знання відображають наші уявлення про предметну галузь і систему понять, відношень та
зв'язків між ними.

2
Предметні знання — це сукупність відомостей про якісні та кількісні характеристики
конкретних об'єктів і взаємозв'язки між ними.
Процедурні знання – включають у себе інформацію щодо процедур обробки інформації,
точніше — відносно методів логічного виводу.
Семантична мережа — інформаційна модель предметної області, що має вигляд
орієнтованого графа, вершини якого відповідають об'єктам предметної області, а
ребра задають взаємозв'язки між ними.
Продукційна модель - модель представлення знань, яка дозволяє представити знання у
вигляді правил типу: «Якщо (умова), то (дія)».
Фреймова модель - модель представлення знань, яка дозволяє представити знання у вигляді
слотів.

Теоретичний матеріал

Основні поняття про експертні системи.

В кінці 50-х років минулого століття появилась нова область інформатики – штучний
інтелект. Вона займалась розробкою програм, які здатні розв'язувати так звані "людські"
задачі. Розв’язання задач такого напрямку пов'язане з нетривіальними логічними висновками
і пошук результатів, як правило, зводиться до перебору і аналізу великої кількості можливих
варіантів. Саме до такого класу належить більшість медичних завдань.
Метою досліджень в галузі штучного інтелекту є створення таких систем, які можуть
використовувати велику кількість знань, отриманих від фахівців, і здатні вступати в діалог та
пояснювати свою лінію міркувань. Це передбачає наявність великої за об’ємом і добре
структурованої бази знань, чітке розмежування між різними рівнями знань, наявність
зручних представлень для правил і прототипів.
Одним з найбільш визначних практичних досягнень в області штучного інтелекту є
розробка експертних систем. Експертна система (ЕС) – комп’ютерна програма, яка
використовує знання спеціалістів про деяку конкретну вузьку спеціалізовану предметну
область, і яка в межах цієї області здатна приймати рішення на рівні експерта–професіонала.
При цьому створюються можливості використання інтегрованих знань багатьох експертів
без їх безпосередньої участі у розв’язанні конкретної проблеми. Також говорять, що ЕС - це
система, яка використовує базу знань для вирішення завдань (видачі рекомендацій) в деякій
предметній галузі. Експертна система повинна також уміти певним чином пояснювати свою
поведінку і свої рішення користувачу, так само, як це робить експерт-людина. Це особливо
необхідно в областях, для яких характерна невизначеність, неточність інформації
(наприклад, у медичній діагностиці). У цих випадках здатність до пояснення потрібна для
того, щоб підвищити ступінь довіри користувача до системи, а також для того, щоб дати
можливість користувачу знайти можливий дефект у міркуваннях системи. У зв'язку з цим в
експертних системах повинна передбачатися дружня взаємодія з користувачем, що робить
для користувача процес міркування системи "прозорим".
Часто до експертних систем висувають додаткову вимогу - здатність мати справу з
невизначеністю і неповнотою. Інформація про поставлену задачу може бути неповною чи

3
ненадійною; відносини між об'єктами предметної області можуть бути наближеними.
Наприклад, може не бути повної впевненості в наявності в пацієнта деякого симптому чи в
тому, що дані, отримані при вимірі, точні; ліки можуть стати причиною ускладнення, хоча
звичайно цього не відбувається. В усіх цих випадках необхідні міркування з використанням
ймовірнісного підходу або використання методів нечіткої логіки.
Інтерес користувачів до ЕС зумовлений тим, що вони орієнтовані на вирішення
широкого кола задач у неформалізованих галузях, які до недавнього часу вважались
малодоступними для обчислювальної техніки; за допомогою ЕС спеціалісти, які не знають
програмування, можуть самостійно розробляти потрібні їм застосування; у процесі рішення
практичних задач ЕС досягають результатів, які не поступаються, а інколи і перевищують
можливості людей-експертів.
ЕС можуть видавати рекомендації, проводити аналіз, виконувати класифікацію,
надавати консультації і ставити діагноз. Вони орієнтовані на вирішення задач, що звичайно
вимагають консультації людини-фахівця і є досить складними для традиційного
моделювання. На відміну від машинних програм, що використовують процедурний аналіз,
ЕС вирішують задачі у вузькій предметній області (конкретній області експертизи) на основі
дедуктивних міркувань. Експертні системи моделюють не стільки фізичну природу (або
іншу) певної області, скільки механізм мислення людини стосовно рішення задач у цій
проблемній області. Такі системи часто виявляються здатними знайти рішення
неструктурованах і погано визначених задач.
Першими розробленими ЕС були саме медичні експертні системи.

Структура експертних систем.

Типова експертна система складається з таких компонентів (рис. 1):
 база даних;
 база знань;
 підсистема логічного виведення;
 підсистеми пояснення;
 підсистеми набуття знань;
 діалогового процесора.
 Основу будь-якої ЕС становлять база знань (БЗ), яка містить у собі знання про
предметну галузь та способи розв’язання задач, а також підсистема логічного
виведення.
 База даних (БД) або робоча пам'ять призначена для зберігання вхідних і
проміжних даних.
 База знань призначена для зберігання довготермінових даних, що описують
предметну область і правил, які визначають перетворення даних у цій предметній
області.
 Підсистема розв'язування (логічного виведення) на основі вхідних даних з
робочої пам’яті і знань з БЗ формує таку послідовність правил, яка приводить до
рішення цієї задачі.

4
  Підсистема набуття знань автоматизує процес поповнення ЕС знаннями
(виконується експертом-користувачем).
 Підсистема пояснення пояснює, яким чином система отримала рішення задачі
(або чому його не отримала), і які знання вона при цьому використала. Це
полегшує експерту тестування системи і збільшує довіру користувача до
отриманих результатів.
 Діалоговий процесор призначений для організації "дружнього" інтерфейсу зі всіма
категоріями користувачів, як у ході рішення задачі, так і при набутті знань і
поясненні роботи системи.

Підсистема
пояснення

Підсистема
логічного
Діалоговий База даних виведення
процесор (робоча пам'ять)

Підсистема База знань

набуття знань

Рис.1. Типова структура експертної системи.

Система функціонує в циклічному режимі: вибір (запит) вхідних даних, спостереження,

інтерпретація результатів, засвоєння нової інформації, висування за допомогою правил
тимчасових гіпотез і після цього вибір наступної сукупності даних (рис. 2). Такий процес
продовжується доти, доки не надійде інформація, яка достатня для кінцевого висновку.

5
 Вхідні дані

Введення початкових
даних

Спостереження Користувач

Гіпотези Інтерпретація Правила

Логічне
Умови
виведення

Висновок

Рис.2. Функціонування експертної системи

Основні режими роботи експертних систем

У роботі ЕС можна виділити два основних режими: режим набуття знань і режим
рішення задачі (режим консультації або режим використання ).
У режимі набуття знань спілкування з ЕС здійснює експерт за допомогою інженера
знань (професіонала, що працює з експертами в пошуку знань (фактів і евристик), які вони
обробляють.).
Використовуючи підсистему набуття знань, експерт описує проблемну область у
вигляді сукупності фактів і правил. Іншими словами, "наповняє" ЕС знаннями, що
дозволяють їй самостійно вирішувати задачі з проблемної області.
Відзначимо, що цьому режимові при традиційному підході до програмування
відповідають етапи: алгоритмізації, програмування і налагодження, виконувані
програмістом. Таким чином, на відміну від традиційного підходу у випадку ЕС розробку
програм здійснює не програміст, а експерт, що не володіє програмуванням.
У режимі консультацій спілкування з ЕС здійснює кінцевий користувач, якого
цікавить результат або спосіб його одержання. Необхідно відзначити, що в залежності від
призначення ЕС користувач може:
 не бути фахівцем у даній предметній області, і в цьому випадку він звертається до
ЕС за результатом, якого не вміє одержати сам;
 бути фахівцем, і в цьому випадку він звертається до ЕС з метою прискорення
одержання результату, покладаючи на ЕС рутинну роботу.

6
 Добре побудована ЕС має можливість самонавчатися на розв'язуваних задачах,
поповнюючи автоматично свою БЗ результатами отриманих висновків і рішень.

Дані та знання.

Характерним для ЕС є використання знань експертів. Важливим є питання про

співвідношення понять дані та знання. Загалом між цими поняттями немає чітких меж, проте
це – різні поняття.
Знання відбивають наші уявлення про предметну галузь і відображають систему
понять, відношень та зв'язків між ними. Разом з тим дані — це ізольовані факти, відношення
між якими і з зовнішнім світом в них самих не фіксовані, а знання —- це елементи
інформації, що пов'язані між собою і з зовнішнім світом. Інакше кажучи, дані — це
сукупність фактів без інструкції, як їх можна використати для розв'язання конкретної задачі.
В той же час знання містять у собі крім даних, ще й інформацію про їх взаємозв'язки, які
дають змогу цю задачу розв'язати. Однак, база знань часто містить у собі інформацію не про
всі відношення між поняттями, що знаходяться в ній, а лише про ті, які є суттєвими для
розв'язання конкретної задачі (наприклад, діагностування).
У загальному випадку можна відзначити такі особливості знань, які відрізняють їх від
даних:
 інтерпретованість – дані розміщуються у пам'яті комп’ютера і їх безпосередня
інтерпретація неможлива; ці дані інтерпретує лише програма, яка з ними працює. Проте
знання можуть інтерпретуватись. Для того щоб система могла “знати”, що являє собою
та чи інша інформаційна одиниця, що зберігається в її пам'яті, необхідно забезпечити ці
одиниці пояснювальними описами. Ці описи передбачають присвоєння даній одиниці
знань системи імен. Система включає індивідуальне ім'я даної інформаційної одиниці
плюс послідовність імен тих множин чи класів, до яких ця одиниця входить.
 структурованість – наявність класифікуючих зв'язків: родовидові, елемент – клас,
клас – підклас, тип – підтип, ситуація –під ситуація, що відбивають характер
взаємозв'язку між певними одиницями.
 зв’язаність – у БЗ між інформаційними одиницями встановлюються зв'язки різного
типу, що характеризують відносини між об'єктами, явищами і т.п. Наприклад, зв'язки
типу «причина — наслідок», «бути справедливим для», «сприяти» і т.п. Зв'язки
дозволяють будувати процедури аналізу знань на сумісність, несуперечність і т.п., що
важко реалізувати при збереженні традиційних масивів даних.
 активність – поділ інформаційних одиниць, прийнятий у традиційному програмуванні,
на дані і програми (команди) привело до того, що дані вважаються пасивними, а
команди - активними. У системах, заснованих на знаннях, знання можуть ініціювати
дії. Поява в інформаційній базі нових фактів, установлення нових зв'язків може стати
джерелом активності системи. Знання, що представлені у інтелектуальній системі - це
деяка модель, формалізоване представлення предметної області.

7
 Знання містять у собі дані про об'єкти, відношення і процеси. Об'єкти це структури
символьних даних, відношення – списки властивостей, процеси втілюються у машинних
програмах.
Знання можна поділити на два типи. До першого типу знань, який іноді називають
предметними або декларативними, належать факти, що характеризують предметну галузь —
класи об'єктів і взаємозв'язки між ними. Предметне знання — це сукупність відомостей про
якісні та кількісні характеристики конкретних об'єктів. Як правило, цей тип знань не містить
у собі інформацію про те, як можуть бути використані ці описи.
До другого типу знань належать процедурні знання. Вони включають у себе інформацію
щодо процедур обробки інформації, точніше — відносно методів логічного виводу. Ці
знання задають послідовність дій, які мають бути виконані, і послідовність цілей, які мають
при цьому бути досягненні. Логічний вивід — це процедура, яка дає можливість продукувати
нові відношення між об'єктами, що раніше у явному вигляді були невідомі. Отже, треба
наголосити, що це тільки такі відношення, які можуть бути виведені, виходячи з існуючих у
ЕС знань. Ніякої іншої інформації продукувати ЕС неспроможна.

Представлення знань

Однією з найбільш важливих проблем, характерних для систем, заснованих на знаннях,

є проблема представлення знань. Це пояснюється тим, що форма представлення знань
впливає на характеристики і властивості системи. Центральним питанням побудови систем,
заснованих на знаннях, є вибір форми (моделі, мови, методу) представлення знань
Існує багато способів представлення знань в сучасних експертних системах.
Найчастіше використовується такі методи представлення знань: семантичні мережі, фрейми,
логічні та продукційні моделі.
Семантичні мережі є однією з найбільш поширених форм представлення знань. Вони
були запропоновані в 60-і роки минулого сторіччя як відображення уявлень про понятійний
апарат людини. Значну роль у їхньому поширенні відіграли великі можливості семантичних
мереж щодо відображення довільної структури понять предметної області та наявність
розроблених математичних методів вирішення задач на графах.
У загальному випадку семантичну мережу може бути зображено у вигляді графу
G=(X, R),
де X={xi}, — множина вершин графу,
R={<xi , xj >}, — множина дуг.
Вершини графу відповідають поняттям предметної області, а дуги — відношенням між
ними (рис. 3).

8
 Рис. 3. Структура семантичної мережі
Як додаткові характеристики графу, залежно від реалізації, можуть бути введені типи
вершин, дуг, імена і вагові коефіцієнти відношень тощо.
Характерна особливість семантичних мереж – обов’язкова присутність трьох типів
відносин (рис.4):
 клас, до якого належить певне поняття;
 властивості, що виділяють це поняття серед інших понять певного класу;
 приклад певного поняття.

Наприклад:
клас автомобіль

поняття властивості BMW кузов -універсал

приклад модель X5

Рис.4. Базові відношення семантичних мереж

Для побудови мережі, яка описує структуру події, спочатку потрібно виділити саму
дію, яка, як правило, описується дієсловом і є "епіцентром" семантичної мережі. Потім
виділяються інші поняття даної події, основними з яких є такі:
 агент (діюча особа);
 умова (логічна залежність між двома подіями);
 інструмент (предмет, явище або пристрій, що виконує дію);
 місце (де проходить подія);
 об'єкт (предмет, на який скерована дія);

9
  мета (для чого виконується дія);
 адресат (особа, яка використовує результати дії");
 якість (якісне або кількісне обмеження обсягу дії)
На рис.5 наведено семантичну мережу події, яку можна описати фразою “Для
отримання заліку студент Петренко написав на “відмінно” гелевою ручкою контрольну
роботу в аудиторії 15”.
Основними перевагами семантичних мереж є універсальність і можливість
відображення теоретично необмеженої кількості понять і відношень предметної області.
Cемантичні мережі придатні для масштабування, в них ефективно реалізується пояснення
рішень, а експорт-імпорт знань є можливим практично в будь-які інші типи моделей
представлення знань.
Недоліки семантичних мереж — висока обчислювальна складність реалізації процедур
пошуку і логічного виводу для складних ієрархічних багаторівневих семантичних мереж.

отримання заліку контрольна робота

мета об’єкт

агент якість
студент Петренко ПИСАТИ відмінно
місце інструмент
час

аудиторія 15 вчора гелева ручка

Рис.5. Приклад семантичної мережі, що описує подію

Продукційні моделі представлення знань були вперше запропоновані Е. Постом у 70-і

роки. Асоціативні зв'язки між поняттями предметної області та відповідними реакціями
виражаються у вигляді правил-продукцій виду «якщо — то», що адекватно відображують
процеси логічного виводув розумі людини. Бази знань продукційного типу є сукупністю
незалежних правил-продукцій та понять предметної області.
У загальному вигляді продукцію зображають у вигляді:
R=< I, Q, P, А=>В, N >,
де I — ім'я продукції;
Q — сфера застосування продукції (метазнання системи);
P — умова застосування ядра продукції;
A  B - ядро продукції,
А — умова продукції;
B — наслідок продукції;
N — послідовність дій після застосування продукції.
Ядро продукції найчастіше має вигляд «якщо А то В». У базах знань інтелектуальних
систем умова продукції A виступає як деяке речення-зразок, логічний вираз, за яким
здійснюється пошук у базі знань. Наслідок продукції B виступає як дія, процедура, яка

10
виконується при успішному завершенні пошуку. При цьому В може бути і вказівкою на
одержання нової інформації.
Системи обробки знань, які використовують продукційні правила, отримали назву
продукційних систем. До складу продукційної системи входять база правил, база даних та
інтерпретатор правил (рис.6). База правил - це область пам'яті, яка містить базу знань -
сукупність знань, які представлені в формі правил вигляду "якщо-то"; база даних - це область
пам'яті, яка містить фактичні дані (факти), що описують дані, які вводяться, і стан системи.
Бази даних у різних системах мають різну форму, однак усі вони можуть бути описані як
група даних, які містять ім'я даних, атрибути і значення атрибутів. Інтерпретатор є
механізмом виведення, тобто тим компонентом системи, який формулює висновок,
використовуючи базу правилі базу даних .

Введення База даних

Виведення Інтерпретатор

База правил

Рис. 6. Схема продукційної системи

Розглянемо приклад представлення знань в експертній системі MYCIN, яка призначена

для роботи в області діагностики і лікування зараження крові та медичних інфекцій.
"ЯКЩО: 1) ЗАБАРВЛЕННЯ ОРГАНІЗМУ Є ГРАМНЕГАТИВНИМ, І
2) ФОРМА МІКРООРГАНІЗМУ - ПАЛИЧКА, І
3) ОРГАНІЗМ Є АЕРОБНИЙ
ТО: Є ОСНОВИ ДУМАТИ (0.8), ЩО ЦЕЙ МІКРООРГАНІЗМ НАЛЕЖИТЬ ДО КЛАСУ
ENTEROBACTERIACEAE ".
Це правило говорить про те, що якщо організм має форму палички, плямисте
забарвлення і активно розвивається в середовищі, насиченому киснем, то з великою
ймовірністю він належить до класу enterobacteriaceae. Число 0,8 називається фактором
впевненості, що виражає міру впевненості у правильності здійсненого висновку.
Часто продукційні правила мають декілька умов у посиланні. Однак висновок повинен
бути єдиним (якщо висновків декілька, тоді знання логічно розділяють і доводять до вигляду
правила з одним "ТО").
Правила в базі знань служать для представлення евристичних знань, тобто
неформальних правил міркування, що виробляються експертом їй основі досвіду його
діяльності.
Співставлення частин “якщо“ (правил з фактами) може утворити так званий ланцюжок
виводу. Правила забезпечують природній спосіб опису процесів, що керуються складним і

11
швидкозмінним середовищем. З допомогою правил можна визначити, як експертна система
буде реагувати на зміну даних і при цьому не потрібно заздалегідь вказувати блок-схему
управління обробкою даних
Продукційні моделі характеризуються такими перевагами: простота аналізу окремих
продукцій, простота поповнювання бази знань, простота реалізації бази знань та висока
ефективність механізмів логічного виводу для невеликих обсягів знань.
Недоліками продукційних моделей є: складність оцінки цілісного обсягу знань за
окремими правилами, низька ефективність вирішення різнотипних задач; обмежена здатність
продукційних систем до навчання; низька ефективність процедур обробки знань у разі
необхідності вирішення складних задач.

Фреймові моделі знань були запропоновані у 70-і роки минулого сторіччя як окремий
випадок семантичних мереж для відображення стереотипних ситуацій предметної області.
Фреймові моделі у порівнянні із семантичними мережами дають більш формалізований і в
той же час досить гнучкий «механізм» представлення знань. У рамках фреймових моделей
вдалося значною мірою об'єднати декларативні знання про об'єкти і процедурні знання про
методи витягу і перетворення інформації для досягнення заданих цілей.
Термін ”фрейм” (від англійської : frame — рамка) асоціюється з уявленням людиною
про предмети, об’єкти, стереотипні ситуації, яке завжди обрамлено (обмежено) певними
характеристиками та властивостями об’єкта чи ситуації. Кожному об’єкту (ситуації)
ставиться у відповідність формальна конструкція – “фрейм”, а кожній характеристиці,
властивості об’єкта — одне поле (слот) фрейма.
Формально фрейм можна подати такою структурою:
f [< v1, g1>, < v2, g2> …, <vn, gn>] ,
де f — ім’я фрейму; пара [< vi, gi>] — i й слот, vi — ім’я слота, gi — його значення.
Фрейми інколи поділяють на дві групи – фрейми - образи і рольові фрейми. В рольових
фреймах в якості імен слотів виступають запитання, відповіді на які є значеннями слотів.
Наприклад,
фрейм-образ: «лікарські засоби[<аспірин, 5 упак.>, <парацетамол, 10 упак.>, …,<…>],
фрейм-сценарій: «перевести[<що? аспірин>, <звідки? Львів>,<куди? Янів>… <…>]».
Слот може містити як декларативну, так і процедурну інформацію. Іншими словами,
значенням слота може бути число, математичний вираз, текст, програма тощо. Слотом може
бути набір слотів більш низького рівня. Значеннями слотів можуть бути також імена інших
фреймів, що забезпечує зв’язок між фреймами.
Слот може містити не тільки конкретне значення, але й ім'я процедури, що дозволяє
обчислити його за заданим алгоритмом, а також одну або декілька продукцій (евристик), за
допомогою яких це значення можна знайти. У слот може входити не одне, а декілька
значень. Іноді слот містить компонент, що називається фасетом і задає діапазон або перелік
можливих значень. Фасет указує також граничні значення заповнювача слота.
Специфічною функцією у фреймах є демон. Демон задає процедуру, яка автоматично
запускається, коли в його слот підставляється деяке значення або коли проводиться звірення
значень.
Отже, з кожним слотом може бути зв'язана різноманітна інформація:

12
  процедура;
 способи отримання інформації про слот;
 значення, що приймаються за замовчуванням;
 правила логічного виведення.
Якщо, слоти фрейма не містять конкретних значень, то фрейм називають прототипом,
еталоном, формуляром, фреймом-інтенсіоналом або просто фреймом. Фрейми з конкретними
значеннями слотів називають фреймами-екземплярами, фреймами-прикладами, фреймами-
примірниками.
У табл. 1 наведено приклад фрейму-екземпляра "Студент".
Таблиця 1

Ім'я слота Значення слота

Прізвище Петренко
Ім'я Максим
По батькові Васильович
Вищий навчальний заклад Львівський національний медичний
університет імені Данила Галицького

Факультет медичний
Спеціальність лікарська справа
Курс четвертий
Група 16
Середній рейтинг 186

Сукупності фреймів утворюють ієрархічні структури, побудовані на родовидових

ознаках, що дозволяє успадковувати значення слотів. Така властивість фреймів забезпечує
ощадливе розміщення бази знань у пам’яті. Сукупність фреймів можна зобразити у вигляді
графу. Вершини графа відповідають фреймам-екземплярам, а дуги - зв'язкам між ними.
Унаслідок сіткової організації та типізації вершин і зв'язків фреймові моделі
претендують на компроміс між універсальністю і ефективністю логічного виводу. Проте,
відсутність формальної семантики ускладнює логічну інтерпретацію і порівняння
властивостей різних фреймових моделей. Крім того, внаслідок типізації вершин висуваються
обмеження щодо поповнення бази новими типами знань.
На сучасному етапі робіт в області ЕС нерідко використовується змішана форма
представлення знань, оскільки велика кількість розв'язуваних задач вимагає різного
представлення знань. Такі ЕС називаються гібридними.
Джерелами знань для конкретної ЕС можуть бути підручники, довідники, матеріали
конкретних досліджень у цій предметній області тощо. Самі розробники також можуть мати
теоретичні знання і практичний досвід у даній області. Але класичним джерелом знань є
експерт - професіонал у цій предметній області. Таким чином придбання знань вимагає
врахування людського чинника. Для успішного вирішення цієї проблеми необхідні спільні
зусилля математиків, програмістів, психологів.

13
 Класифікація медичних експертних систем

Оскільки медичні знання носять емпіричний характер, слабо структуровані і погано

формалізовані, саме медичні задачі доцільно розв'язувати за допомогою експертних систем.
На сьогодні найбільша питома вага використання ЕС належить медицині.
Основні типи медичних ЕС відносно вирішуваних завдань можна згрупувати в
категорії, наведені в табл. 2

Таблиця 2.
Типові категорії способів застосування медичних ЕС.
Категорія Проблема, що вирішується
Інтерпретація Опис ситуації за інформацією, що поступає від давачів
Діагностика Виявлення причин захворювання
Прогнозування Визначення вірогідних наслідків заданих ситуацій
Лікування, реабілітація Виконання послідовності наказаних дій, скерованих на
приведення до норми
Навчання Діагностика і корегування поведінки того, хто навчається
Планування Визначення послідовності дій
Керування Керування станом об'єкта

Експертні системи, що виконують інтерпретацію, як правило, використовують для

опису ситуації інформацію від давачів систем спостереження (наприклад, значення пульсу,
кров'яного тиску тощо), щоб встановити діагноз або тяжкість захворювання .
Діагностичні системи служать для визначення причин захворювання за симптомами,
що спостерігаються у пацієнтів. Такі системи надають консультації, допомагають за
наслідками діагностики виробити прогноз, підібрати курс лікування або реабілітації .
Експертні системи, що здійснюють прогнозування, визначають імовірні наслідки
ситуацій, що спостерігаються. На сьогодні таких систем розроблено відносно мало, оскільки
для їх реалізації часто вимагається використання досить складних методів імітаційного
моделювання.
Експертні системи для лікування і реабілітації часто містять діагностичні
компоненти, як, втім, і діагностичні системи містять компоненти для отримання
рекомендацій стосовно лікування. Це цілком логічно, оскільки процеси діагностики і
лікування взаємозв'язані .
Навчальні системи створюють модель знань, якими повинен володіти "учень" і
модель, що показує як він застосовує ці знання для рішення конкретних задач. На основі
аналізу моделі системи діагностують і вказують тому, що навчається, його помилки, і
будують плани виправлення наявних помилок .
ЕС, що планують, визначають повну послідовність дій, перш ніж почнеться їх
виконання. Прикладами можуть служити планування курсу лікування або ходу операції. Такі
ЕС часто повинні мати здатність до повернення (принцип бектрекінгу), тобто відкидати
деяку послідовність міркувань або частину плану внаслідок порушення обмежень задачі і
повертати керування назад до попередньої точки або ситуації, з якої аналіз повинен початися

14
заново. Повернення може дорого коштувати, особливо під час рішення задач медичної
проблематики, де ціною помилки може бути життя пацієнта, тому задача планування часто
розбивається на підпроблеми і робиться спроба впорядкувати їх так, щоб уникнути
перепланування .
ЕС, що керують, адаптивно керують станом об'єкта - наприклад, станом хворих в
умовах інтенсивної терапії. Тому такі ЕС повинні включати компоненти інтерпретуючих
систем, щоб спостерігати стан об'єкта впродовж певного часу. Крім цього в ЕС, що керують,
можуть використовуватися інші компоненти: діагностики, прогнозування, навчання,
планування.
За зв‘язком з реальним часом ЕС поділяються на :
1). статичні ЕС розробляються у предметних областях у яких база знань та дані, що
інтерпретуються не змінюються за час вирішення задачі;
2). квазідинамічні ЕС інтерпретують ситуацію, що змінюється з деяким фіксованим
інтервалом часу;
3). динамічні ЕС працюють з даними, що змінюються під час вирішення задачі, іноді у
режимі реального часу з безперервною інтерпретацією даних, що надходять.
За ступенем інтеграції з іншими програмами поділяються на:
1. автономні ЕС працюють безпосередньо в режимі консультацій з користувачем,
тільки у випадку експертних задач, при рішенні яких не потрібні традиційні методи
обробки даних;
2. гібридні ЕС суміщають стандартні пакети програм та засоби маніпулювання
знаннями. Це може бути інтелектуальна надбудова над пакетом прикладних
програм або інтегроване середовище для вирішення складних задач з елементами
експертних знань.
Незважаючи на зовнішню принаду гібридного підходу, розроблення таких систем є
задача на порядок складніше, ніж розробка автономної ЕС. Стикування не просто різних
пакетів, а й різних методологій створює комплекс теоретичних та практичних труднощів.

Етапи розроблення експертних систем

ЕС створюється двома групами людей:
 інженери, які розробляють ядро ЕС і, знаючи організацію бази знань,
заповнюють її.
 експерти (експерт) за фахом.
Технологія розроблення ЕС вкдючає шість основних етапів: ідентифікація,
концептуалізація, формалізація, виконання, тестування, дослідна експлуатація (рис.7).
На етапі ідентифікації визначаються завдання, які потрібно розв'язувати,
формулюється мета розроблення, визначаються ресурси, експерти і категорії користувачів.
Основними на цьому етапі є вибір проблеми (завдання) та вибір експерта.
Ідентифікація завдання полягає в складанні неформального (вербального) опису, в
якому указуються: загальні характеристики завдання; підзадачі, що виділяються усередині
даного завдання; ключові поняття (об'єкти), їх вхідні (вихідні) дані; а також знання, що
відносяться до вирішуваного завдання.

15
 Для розроблення ЕС потрібно отримати дані від експерта та ввести їх у систему.
Невеликі системи можуть містити знання одного експерта, тобто пошук потрібного експерта
є дуже важливим кроком у створенні ЕС. У розробленні ЕС беруть участь також інженери
знань, які тісно співпрацюють з експертами, професійні програмісти, які запрошується для
модифікації і узгодження інструментальних засобів. Крім того можуть залучатися потенційні
користувчі. Для складних систем вважається за доцільне залучати до основного циклу
розробки декілька експертів, щоб інженер знань міг переконатися в правильності свого
розуміння основного експерта, а також для узгодження поглядів різних експертів на якість
пропонованих рішень.

Експертна система

початок
Дослідна
Тестування
експлуатація
Ідентифікація
завершення
переформу-
вимоги
лювання
вдосконалення
Концептуалізація
Виконання
переконстру-
поняття ювання

структури
Формалізація
знань

Рис.7. Етапи розроблення ЕС

Результатом даного етапу є відповідь на питання, що треба зробити і які ресурси

необхідно задіювати (ідентифікація завдання, визначення учасників процесу проектування і
їх ролі, виявлення ресурсів і цілей), формулювання вимог до ЕС.
На етапі концептуалізації проводиться змістовний аналіз предметної області (ПО),
виявляються основні поняття та їх взаємозв'язки, визначаються методи рішення задачі.
На цьому етапі створюється модель ПО, яка включає
 об’єктну модель, що описує структуру предметної області як сукупності
взаємопов’язаних об’єктів;
 функціональну модель, що відображає дії та перетворення над об’єктами;
 модель поведінки, яка розглядає взаємодію об’єктів у часовому аспекті.
Об’єктна модель відображає основні поняття ПО (об’єкти), їх властивості та
взаємозв’язки між ними. Елементарною одиницею є факт, що описує одну властивість або
один зв’язок об’єкта.
Поняття ПО повинні утворювати систему, під якою розуміється сукупність понять, що
володіють такими властивостями:

16
 унікальністю (відсутністю надмірності);
 повнотою (достатньо повним описом різних процесів, фактів, явищ і так далі наочній
області);
 достовірністю (валідністью — відповідністю смислової інформації виділених одиниць
їх реальним найменуванням)
 несуперечністю (відсутністю омонімії).
Виділені поняття ПО і встановлені між ними взаємозв'язки стають підставою для
подальшої побудови системи класифікацій. Сукупності об’єктів з однаковим набором
предикатів (властивостей і зв’язків) утворюють класи. Якщо об’єкти мають набір предикатів,
що частково перетинається, то здійснюється більш складна класифікація об’єктів: клас
об’єктів за значенням будь-якої властивості (ознаки) розбивається на підкласи так, що клас
об’єктів містить загальні для підкласів властивості та зв’язки, а кожний із підкласів
відображає специфічні властивості та зв’язки. Підкласи об’єктів автоматично успадковують
загальні властивості і зв’язки вищестоячих класів, а сукупність взаємозв’язаних за
відношенням узагальнення класів об’єктів утворює ієрархію спадковості властивостей.
Функціональна модель описує перетворення фактів, а також залежності між ними, що
показують як одні факти утворюються від інших. Функціональна модель відображає в
узагальненій формі процес рішення характерних для неї задач. Функціональні залежності
фактів представляються графічно у вигляді дерев мети (цілей) або графів.
Модель поведінки відображає зміни станів об’єктів у результаті виникнення деяких
подій, що приводять до виконання певних дій (процедур). Стан об’єкта – це значення деякої
властивості, що змінюється в часі. Набір дій, зв’язаний з деякою подією, визначає поведінку
об’єкта, яка має вигляд правил або процедур.
На етапі формалізації визначаються способи представлення всіх видів знань
(семантичні мережі, фреймові чи продукційні моделі і т.д), формалізуються основні поняття,
визначаються способи інтерпретації знань, визначається стратегія пошуку рішення,
моделюється робота системи, оцінюється адекватність цілей системи вибраним методам,
поняттям і засобам.
На етапі виконання (реалізації) створюється прототип ЕС і проводиться наповнення
експертами бази знань. Даний етап є найбільш важливим і найбільш трудомістким етапом
розробки ЕС.
Процес набуття знань розділяють на
 вербалізацію – отримання знань від експерта і опис їх природною мовою,
 організацію та структурування знань, що забезпечує ефективну роботу системи
 представлення знань у вигляді, який розпізнає ЕС.
Процес набуття знань здійснюється інженером знань на основі аналізу діяльності
експерта в процесі рішення реальних задач
Прототип - це спрощена версія ЕС, що демонструє правильність обраного підходу та
призначена для перевірки правильності кодування фактів, зв'язків та стратегій роздумів
експерта.
Прототип ЕС повинен відповідати двом суперечливим вимогам:
 вміти розв'язувати типові задачі для конкретного застосування;

17
 час і трудомісткість розроблення повинні бути мінімальними.
Прототип повинен продемонструвати придатність методів інженерії знань для певного
застосування. У випадку негативного результату розробляється новий прототип, або
робиться висновок про непридатність методів інженерії знань для розв’язання даного
завдання. У випадку успішного результату експерт за допомогою інженера знань розширює
знання прототипу про ПО. У міру збільшення знань прототип може досягнути такого стану,
коли він успішно вирішує всі задачі даної програми. Мета перетворення прототипу ЕС в
кінцевий продукт полягає, як правило, у збільшення швидкодії ЕС та зменшенні необхідної
пам'яті.
На етапі тестування експерт і інженер знань з використанням діалогових і
пояснювальних засобів перевіряють компетентність ЕС.
Після розробки кінцевої версії ЕС необхідно провести детальне тестування, до якого
залучаються інші експерти для перевірки працездатності системи на різних прикладах.
Перевіряється їх точність та корисність.
Процес тестування продовжується доти, поки експерт не вирішить, що система досягла
необхідного рівня компетентності.
На етапі дослідної експлуатації перевіряється придатність ЕС для кінцевих
користувачів. За результатами цього етапу інколи можлива суттєва модифікація ЕС. На
цьому етапі ЕС узгоджується з іншими програмними засобами у середовищі де вона
працюватиме, та проводиться навчання користувачів системи. Узгодження включає
забезпечення зв‘язку з існуючими на місці експлуатації системами та вимірювальними
пристроями.
Процес створення ЕС не зводиться до строгої послідовності цих етапів тому, що в ході
розроблення неодноразово потрібно повертатися на попередні етапи і переглядати прийняті
там рішення.

Експертна система відрізняється від інших прикладних програм наявністю таких ознак:
 Моделює механізм мислення людини під час розв'язання задач в цій предметній галузі.
Це істотно відрізняє експертні системи від систем математичного моделювання або
комп'ютерної анімації. Однак, ЕС не повинні повністю відтворювати психологічну
модель фахівця в цій області, а повинні лише відтворювати за допомогою комп'ютера
деякі методики розв'язання проблем, що використовуються експертом.
 Система, окрім виконання обчислювальних операцій, формує певні висновки,
базуючись на тих знаннях, якими вона володіє. Знання в системі, зазвичай, описані
деякою спеціалізованою мовою і зберігаються окремо від програмного коду, що
формує висновки. Компонент збереження знань прийнято називати базою знань.
 Під час розв'язання задач основну роль відіграють евристичні і наближені методи, що,
на відміну від алгоритмічних, не завжди гарантують успіх. Евристика, в принципі, є
правилом впливу (англ. rule of thumb), що в машинному вигляді відображає деяке
знання, набуте людиною разом із накопичуванням практичного досвіду розв'язання
аналогічних проблем. Такі методи є наближеними у тому сенсі, що, по-перше, вони не
потребують вичерпної вихідної інформації, а, по-друге, існує певний ступінь
впевненості (або невпевненості) в тому, що запропонований розв'язок є правильним.
18
 Експертні системи відрізняються і від інших видів програм із галузі штучного
інтелекту.
 Експертні системи застосовуються для предметів реального світу, операції з якими
зазвичай вимагають великого досвіду, накопиченого людиною. Експертні системи
мають яскраво виражену практичну направленість для застосування в науковій або
комерційній сфері.
 Однією з основних характеристик експертної системи є її швидкодія, тобто швидкість
отримання результату та його достовірність (надійність). Дослідницькі програми
штучного інтелекту можуть бути і не дуже швидкими, натомість, експертна система
повинна за прийнятний час знайти розв'язок, що був би не гіршим за розв'язок, що
може запропонувати фахівець в цій предметній області.
 Експертна система повинна мати можливість пояснити, чому запропоновано саме цей
розв'язок і довести його обґрунтованість. Користувач повинен отримати всю
інформацію, необхідну йому для того, аби переконатись в обґрунтованості
запропонованого розв'язку.

Особливості прийняття рішень в медичних експертних систем.

Відомо, що основним джерелом знань для ЕС є експерт. Тому для створення медичних
ЕС велике значення має моделювання логічних міркувань лікаря.
В першому наближенні логічні міркування лікаря можна розглядати як процес
оперування з “медичною пам’яттю”, вхідними даними для якого є симптоми, що
спостерігаються. За такого підходу “медична пам’ять” є первинною, а логічні міркування -
вторинними. Однак наведена класифікація є досить умовною, оскільки “стиль” міркувань
може мати значний вплив на структуру і характер “медичної пам’яті”.
Якщо розглянути традиційні методи оброблення інформації та прийняття рішень у
медицині, то слід відзначити, що до останнього часу найбільше поширення отримали так
звані табличні алгоритми, які ґрунтуються на обчисленнях з використанням таблиць.
Перевага табличних алгоритмів полягає у простоті, недолік – чутливість до ситуації,
коли деякі ознаки (інколи найбільш інформативні) не виміряні з тих чи інших причин.
Вказаний недолік можна усунути, якщо використовувати алгоритми на основі
ймовірнісного підходу. Для цього використовується метод Байеса або метод послідовного
статистичного аналізу (метод Вальда).
У випадку використання формули Байєса як міра достовірності висновку про наявність
тієї чи іншої патології використовується ймовірність P(Yj/Xi):
P( Y j )P( X i / Y j )
P( Y j / X i )  . (1)
P( X i )

Для множини ознак Х={Х1,…,ХК} формула Байєса приймає вигляд:

P( Y j )P( X 1 ,..., X K / Y j )
P( Y j / X 1 ,..., X K )  (2)
P( X 1 ,..., X K )

або, для статистично незалежних ознак,

19
 K P( X i / Y j )
P( Y j / X 1 ,..., X K )  P( Y j ) . (3)
i 1 P( X i )
Розв'язувальне правило для метода Байєса полягає в пошуку максимуму функції
P(Yj/X1,…,XК).
Для застосування зручнішим є рекурентний варіант формули Байєса:
P( X K / Y j )
P( Y j / X 1 ,..., X K )  P( Y j / X 1 ,..., X K 1 ) (4)
P( X K )
Вираз (4) дозволяє проводити обчислення в міру оцінювання нових симптомів, не
чекаючи моменту, коли будуть оцінені всі К симптоми. Тому можна припинити врахування
нових симптомів, якщо лікар вважає оцінку ймовірності гіпотези, що аналізується, досить
високою. Формула (4) є варіантом формули (3), тобто математично коректна лише за умови
статистичної незалежності ознак.
Розглянемо приклад знаходження ймовірності виникнення геморагічного та ішемічного
інсульту за наявними симптомами з використанням формули Байєса..
На основі експертних знань складається таблиця характеристик наявності певних
симптомів при геморагічному та ішемічному інсульті. Оскільки людям легше оперувати
словами, а не числами, то в таблицю вносяться якісні характеристики симптомів.

Таблиця 3
Якісні характеристики ознак
Симптоми Геморагічний інсульт Ішемічний інсульт
Передвісники Малохарактерні Характерні
Раптовий розвиток Характерний Менш характерний
Повільний розвиток Нехарактерний Характерний
Втрата свідомості Характерна Менш характерна

Для переходу до кількісних ознак можна експериментально оцінити відповідні частоти

повторюваності різних ознак для даних захворювань (табл.4)

Таблиця 4
Вербальні та числові оцінки ознак
Вербальна оцінка Числова оцінка
Характерно 0,8-1
Менш характерно 0,5-0,8
Малохарактерно 0,2-0,5
Нехарактерно 0-0,2

На основі даних з табл.4 замість табл. 2 можна отримати табл. 5 з кількісними

характеристиками ознак

20
 Таблиця 5
Середні частоти ознак
Симптоми Геморагічний інсульт Ішемічний інсульт
Передвісники 0,35 0,9
Раптовий розвиток 0,9 0,65
Повільний розвиток 0,1 0,9
Втрата свідомості 0,9 0,65

Якщо вважати захворювання рівноймовірними, то за формулою Байєса (1) можна

оцінити ймовірності розвитку захворювання при наявності певного симптому у пацієнта
(табл. 6).
Таблиця 6
Умовні ймовірності, оцінені за формулою Байеса

Симптоми Геморагічний інсульт Ішемічний інсульт

Передвісники 0,28 0,72
Раптовий розвиток 0,58 0,42
Повільний розвиток 0,1 0,9
Втрата свідомості 0,58 0,42

Припустимо, що у пацієнта спостерігається дві ознаки: “передвісники” і “повільний

розвиток”. Додаючи числа з відповідних кліток і поділивши результати на два (кількість
ознак, що спостерігаються), отримаємо рейтинги геморагічного та ішемічного інсульту, рівні
0,19 і 0,81, відповідно. В результаті можна зробити висновок, що ішемічний інсульт є
переважаючим діагнозом.

Переваги та недоліки експертних систем

Експертні системи відзначаються певними перевагами при використанні. Зокрема,

експертна система:
 переважає можливості людини при вирішенні надзвичайно громіздких проблем;
 не має упереджених думок, тоді як експерт користується побічними знаннями і легко
піддається впливу зовнішніх факторів;
 не робить поспішних висновків, нехтуючи певними етапами виведення;
 забезпечує діалоговий режим роботи;
 дозволяє роботу з інформацією, що містить символьні змінні;
 забезпечує коректну роботу з інформацією, яка містить помилки, за рахунок
використання ймовірнісних методів досліджень;
 дозволяє проводити одночасну обробку альтернативних версій;
 за вимогою пояснює хід кроків реалізації програми;
 забезпечує можливість обґрунтування рішення та відтворення шляху його прийняття.

21
 Але навіть найкращі з існуючих експертних систем мають певні обмеження у
порівнянні з людиною-експертом:
 навики системи не завжди зростають після сеансу експертизи, навіть коли
проявляються нові знання;
 все ще залишається проблемою приведення знань, отриманих від експерта, до вигляду,
який забезпечував би їх ефективне використання;
 експертні системи, як правило, не можуть набувати якісно нових знань, не
передбачених під час розробки, і тим більше не володіють здоровим глуздом. Людина-
експерт при розв’язанні задач звичайно звертається до своєї інтуїції або здорового
глузду, якщо відсутні формальні методи рішення або аналоги розв’язування даної
проблеми.

Звичайно, основним інструментом лікаря ніколи не стане комп'ютер. Ним залишаться

стетоскоп, а хірургічна операційна не поступиться інформаційній системі. Комп'ютерні
інформаційні системи залишаться в ролі порадників, підручників, і довідників, лише
допомагаючи лікарю швидко отримати необхідну інформацію, знайти вихід з неординарної
ситуації, нагадати про рідкісні захворювання, збагатити його досвідом, накопиченим
світовою медициною. Все ж відповідальність та прийняття рішення залишаються за лікарем.
Але комп'ютери та інформаційні системи є важливими елементами системи охорони
здоров'я. Ефективність та якість надання медичної допомоги все більше залежать від
інформаційних технологій, швидкості та якості отримуваної медичної інформації

Недоліки експертних систем:

Але навіть найкращі з існуючих експертних систем мають певні обмеження у
порівнянні з людиною-експертом, які зводяться до таких:
 Більшість експертних систем не цілком придатні для широкого використання. Якщо
користувач не має деякого досвіду роботи з цими системами, у нього можуть
виникнути серйозні труднощі. Багато експертних систем доступні лише тим експертам,
які створювали їх бази знань. Тому потрібно паралельно розробляти відповідний
користувацький інтерфейс, який би забезпечив кінцевому користувачу властивий йому
режим роботи;
 «Навички» системи не завжди «зростають» після сеансу експертизи, навіть коли
проявляються нові знання;
 Все ще залишається проблемою приведення знань, отриманих від експерта, до вигляду,
який забезпечував би їх ефективне використання;
 Експертні системи, як правило, не можуть набувати якісно нових знань, не
передбачених під час розроблення, і тим більше, не мають здорового глузду. Людина-
експерт під час розв'язання задачі зазвичай звертається до своєї інтуїції або здорового
глузду, якщо відсутні формальні методи рішення або аналоги розв'язування цієї
проблеми.

22
 Приклад клінічної системи прийняття рішень
Яскравим прикладом сучасної експертної системи є Суперкомп'ютер Watson фірми
IBM.
 Суперкомп'ютер компанії IBM є досить відомою системою штучного інтелекту, яку без
перебільшення можна назвати найдосконалішим штучним інтелектом в світі на
сьогоднішній день. Медики-онкологи звертаються до можливостей цього штучного
інтелекту в надії на допомогу в справі діагностики і лікування раку.
 IBM Watson закінчив медичну школу і пішов на роботу
 Шість машин вже «працевлаштовані» в лікарні США в якості лікарів-діагностів. За два
роки «медичної підготовки» Watson вивчив 605 тис. медичних документів, в цілому 2
мільйони сторінок тексту. Перед початком лікарської практики комп'ютер
проаналізував 25 тис.історій хвороби. Для тонкої настройки алгоритмів, з метою
поповнення бази знань, компанія IBM уклала угоду з Memorial Sloan Kettering - одним з
провідних центрів вивчення раку, де зібрано величезний архів медичної інформації.
Watson здатний не тільки ставити діагнози, а й визначати найбільш оптимальний курс
лікування. У багатьох випадках він показує точність діагностики краще, ніж люди.
 Точність призначення оптимального лікування після діагностування раку легень в
лікарнях США становить 50%. Тобто в половині випадків лікарі рекомендують не
найідеальніший курс лікування і препаратів. Так ось, у комп'ютера IBM Watson
точність призначення оптимального лікування становить 90%. При розрахунку він
враховує найменші нюанси з медичної карти хворого і його генетичну інформацію.
Лікуючий лікар може зі свого смартфона вносити додаткову інформацію в комп'ютерну
систему в текстовому вигляді, наприклад, написати «у пацієнта з'явилася кров у
мокроті при відхаркуванні» - комп'ютер зрозуміє сказане і через 30 секунд видасть
уточнений діагноз і оновлений курс лікування.
 Конструкція комп'ютера теж значно вдосконалена. Раніше Watson займав цілу кімнату,
10 серверних шаф з 90 серверами IBM Power 750. У початкових специфікаціях було
зазначено 2800 процесорних ядер і 15 терабайт пам'яті. Зрозуміло, що в лікарню таку
систему ніяк не поставиш. Для установки в медустановах зробили клієнтський модуль
«розміром з коробку від піци», який використовує обчислювальні ресурси в хмарі.
Одночасно з цим, обчислювальна потужність Watson збільшена на 240%.

Завдання:
1. Навести приклади бази знань, використовуючи різні моделі представлення знань.
2. У мережі Інтернет знайти приклади медичних експертних систем.
3. У текстовому редакторі описати призначення, модель представлення знань, типи задач,
які вирішує кожна зі знайдених експертних систем.
4. Оцінити ймовірності виникнення геморагічного та ішемічного інсульту за наявними
симптомами з використанням електронних таблиць.
a) Перенесіть табл. 5 на робочий лист електронної таблиці. У таблиці наведено ймовірності з
якими спостерігаються певні симптоми при вказаних захворюваннях P(Xi/Yi)
b) Скопіюйте таблицю під введеною, видаливши числові значення.

23
 c) Оцініть ймовірності розвитку захворювання за формулою Байєса. Для цього введіть
формулу (1) у відповідні клітинки таблиці B10-B13, C10-C13. Вважаємо
захворювання рівноймовірними, тоді Р(Y)=1/2. Симптоми також вважаємо рівно-
ймовірними. Тоді Р(X)=1/4.

d) Оскільки сума ймовірностей відповідних захворювань повинна дорівнювати 1,

потрібно провести нормалізацію отриманих значень. Для цього вставляємо ще одну
копію таблиці без числових значень. У відповідні клітинки вставляємо формулу
PYi /X 
PYi /X   n
,
 PY /X 
i 1
i

e) На основі отриманих даних побудуйте графіки залежності ймовірностей виникнення

геморагічного та ішемічного інсульту за наявними симптомами.
Для того, щоб побудувати діаграму, спочатку необхідно виділити таблицю (задати
діапазон даних $A$17:$C$21). З меню «Insert» вибирається підменю «Chart..». При цьому

24
відкриється діалогове вікно "Autoformat Chart".
У нашому випадку перший рядок є підписом осі x (Fist row as label), а перший стовпчик
є підписом по осі y (Fist column as label), тому залишаємо позначку. Область значень,
записана в поле Range, визначилася автоматично

Після заповнення кожного діалогового вікна натискається кнопка Next. У наступному

вікні вибирається тип діаграми. У нашому випадку вибираємо лінійну діаграму (Lines).

У наступному вікні вибрається підтип діаграми, а потім задається назву діаграми і

вводяться підписи осей X і Y. Після вибору клавіші Create отримаємо графічні залежності.

25
Рекомендована література:
1. Г Методи та системи штучного інтелекту: Навчальний посібник / Уклад. : А.С.
Савченко, О. О. Синельніков. – К. : НАУ, 2017. – 190 с
2. Бакан Г.М. Вступ до теорії експертних систем та баз знань – К.:ВПЦ «Київський
університет», 2005.-90с.
3. Ярощук Л.Д. Інтелектуальні системи управління. Експертні системи – основи
проектування та застосування в системах автоматизації: навчальний посібник. Київ : КПІ
ім. Ігоря Сікорського, 2019.– 136 с.
4. Готра О.З., Вуйцік В., Григор'єв В.В. Експертні системи – Львів: Ліга-Прес, 2006. – 290с
5. Мазурок Т.Л., Черних В.В. Експертні системи: навчальний посібник. Одеса: ПНПУ ім.
К.Д. Ушинського, 2021. 214 с.

26