医学专家系统设计范文

1医学专家系统的发展历程

早在1954年,美国的钱家其已将计算机应用于放射治疗,计算剂量分布和制定治疗计划;1959年,美国的Ledley等首次将数学模型引入临床医学,提出了可将布尔代数和Bayes定理作为计算机诊断的数学模型,并以此诊断了一组肺癌病例,开创了计算机辅助诊断的先例;1966年,Ledley首次提出“计算机辅助诊断”(computeraideddiagnosis,CAD),形成了计量医学;1976年,美国斯坦福大学的Short-liffe等研制成功了著名的用于鉴别细菌感染及治疗的医学专家系统MYCIN,建立了一整套专家系统的开发理论;1982年,美国匹兹堡大学的Miller等发表了著名的Internist-I内科计算机辅助诊断系统,其知识库中包含了572种疾病,约4500种症状;1991年美国哈佛医学院Barnett等开发的“解释”软件,包含有2200种疾病和5000种症状。

2医学专家系统的组成

专家系统是基于知识的系统(Knowledge-BesedSystem)。一个完整的医学专家系统应由知识库(Knowledge-Base)、数据库(DataBase)、推理机(InferenceEngine)、知识获取模块(Knowledge-AcpuisitionModule)和解释接口(Explana-toryInterface)组成。知识库中存放系统求解问题所需求的知识,数据库用来存储初始证据和推理过程中得到的各种中间信息,推理机是一组程序,用来控制和协调整个系统,它通过输入的数据,利用知识库的原有知识按一定的推理策略解决所提出的问题。知识获取模块就是学习模块,它为修改和扩充知识库存的原有知识提供相应的手段。解释接口是用户与专家系统交互的环节,负责对推理给出必要的解释,便于用户了解推理过程,为用户向系统学习和所作所为系统提供方便,具有解释功能是专家系统区别于其它计算机程序的标志。目前,已有一些知识表示型的医疗诊断专家系统。

3医学专家系统的设计

建立医学专家系统要求将专家的知识转换为机器处理。在系统分析工作中,要求完全崭新的基于知识的设计方法,使得计算机从数据处理过渡到知识处理,从计算和存储数据转为推理和提供知识。原型系统方法是医学专家系统实现的重要开发方法,其早期阶段的目标是迅速发展最终系统的模型,获得所有任务的初步方案,后继阶段进行测试和扩充,增加更多细节,如此逐步发展和求精,直到逼近最终系统,满足用户要求。原型系统方法的优点是:增进用户与开发人员的沟通;用户在系统开发过程中起主导作用;辨认动态的用户需求;启迪衍生式的用户需求;缩短开发周期,降低开发风险。由于专家系统分析层面难度大,技术层面难度相对较小,因此,原型系统方法是最为适宜的开发方法。原型设计阶段的目标是解决领域知识的形式化问题,定义事实、关系和专家的推理策略,建立原型模型。原型系统的设计分为以下三个阶段。

3.1识别和定义系统的概念模型本阶段的主要任务是知识获取,识别系统的主要任务,识别和获取有关的重要概念及其关系,定义概念模型。这些概念和关系对确定知识库的结构是很有用的。任务领域中的概念必须按照问题求解行为的具体例子抽象。专家的思考模式必须包含所有基本元素,并且能被修改和扩充。本阶段除了采访专家获取知识之外,大量信息可以从已存的书籍、资料等重要文献中获取。

3.2概念设计在建立概念模型之后,就可开始概念设计,选择合适的知识工程工具(如知识表示),正式地表示问题和解法。主要工作包括设计适合于专家智能活动的可执行的知识表示模式、推理机制和用户接口。知识工程师应尽快设计和建立一个原型系统,以便提供开始的侧重点。

3.2.1知识表示模式设计所谓知识表示模式设计就是根据医学领域中知识类型及特征,选择合适的知识表示方法,描述知识模型。一般来说,系统控制知识和专家的决策知识表示为产生式规则;如果对象各要素间的关系可通过逻辑运算去体现,可采用谓词逻辑表示法;对于较复杂的结构结象可使用框架或语义网方法,如专业概念知识。为了有效地表示各种知识,系统可以综合使用多种知识表示方法。设计的结果是应用知识表示工具描述的知识模型。

3.2.2推理机设计常用的推理方法有正向推理、逆向推理和双向推理三种,这三种推理方法又可分为精确推理和不精确推理。推理机设计包括根据应用领域选择推理方法,设计自动推理算法结构,以及其它控制结构和各部分之间的通讯机制。它涉及知识的选择和应用问题。例如,专家系统最成功的实例之一,是1976年美国斯坦福大学肖特列夫(Shortliff)开发的医学专家系统MYCIN,这个系统后来被知识工程师视为“专家系统的设计规范”。MYCIN主要用于协助医生诊断脑膜炎一类的细菌感染疾病。在MYCIN知识库里,大约存放着450条判别规则和1000条关于细菌感染方面的医学知识。它一边与用户进行对话,一边进行推理诊断。它的推理规则称为“产生式规则”,类似于:“IF(打喷嚏)OR(鼻塞)OR(咳嗽),THEN(有感冒症状)”这种医生诊断疾病的经验总结,最后显示出它“考虑”的可能性最高的病因,并以给出用药的建议而结束。概念设计中提供丰富的概念。各种概念隐含了程序设计方法及知识的表示形式。概念方法可以辅助知识工程师认清对象之间的关系,以使概念化专家决策处理中所使用的各种对象及属性。在概念设计中,要避免使用传统系统经验,例如基于个别实例或部分关系,企图画出一个决策处理的与/或树,这将导致失败。概念设计方法将知识工程师从“过分分析的陷阱”中解放出来,以便有效地设计原型系统。

3.3详细设计概念设计建立了系统的主架,详细设计阶段的目标是发展详细的信息处理模型,识别和获取与模型有关的微知识,例如概念、对象/实体的详细描述。主要的工作包括:识别逻辑命题、书写一些描述和过程的代伪代码,副出语义网络图;将与/或树转换为自然语言规则;画出直接表示图或模型;识别和命名表示的框架及槽;识别和命名数据库的款目等。详细设计应规定语法和语言的特殊限制,但不应开始实际编码,也就是说详细设计应独立于任何程序设计语言。自然语言规则提供详细的编码描述规格。应用自然语言表达规则,使所有设计者能容易地明白知识表示结构,便于参加编码和检测。

4医学专家系统的实现方法实现原型系统阶段的主要任务是选择合适的开发工具,完成原型系统的程序设计,即编码、测试和修改。

4.1系统开发工具的选择为选择合适工具,需要考虑如下问题。

4.1.1开发工具的通用性工具系统通用性越强,则在用其构造一个具体的专家系统时,知识工程师的编程任务越复杂,对知识工程师研制系统的能力及编程水平要求越高。例如ISP、OPS5,PROLOG等工具都是通用性较强的工具系统。使用通用性工具设计的系统,其使用范围较广,便于移植和推广。另一方面,工具系统的通用性越强,一般说来其领域针对性也越差。对于某些专业领域,某一个通用性工具所生成的专家系统的效率往往很低。因此,在选择开发工具时,必须在通用性与方便性,通用性与具体专业领域的针对性之间进行反复的权衡。

4.1.2开发工具的特性与专业领域特性的匹配程序

4.1.2.1与专业领域的问题特性的比较着重比较搜索空间的大小、数据的形式、问题的结构等。

4.1.2.2与求解问题的方法特性的比较例如搜索类型,知识表示法、不确定性的处理方法、控制结构形式等的比较。

4.1.2.3专家系统学习能力的强弱、知识库维护能力、知识获取能力、人机接口的友善程度、系统的扩展性与协作适应性等。目前大多数专家系统选用人工智能语言,如PROLOG,LISP。PROLOG的数据库能力较强。它们提供许多适于人工智能处理的功能。选用该类语言,系统设计的主要任务是设计知识库和人机接口。缺点是使用存储空间多、速度慢,因此,可部分使用C语言作为辅助工具。面向较窄专业领域的专家系统,多选用专家系统工具,可以迅速产生原型系统,由于医学专家系统的专业领域一般较窄,故大多采用专家系统工具。专家系统工具已与强有力的数据库系统相连接,可用性越来越强,它们成为建造专家系统的合适工具。若系统设计对于存储空间和速度要求较高,并且知识工程师人力较充足时,也可选用一般的程序设计语言,尤其是面向对象的程序设计语言,中VC、VB、JAVA等。在选择开发工具过程中,知识工程师起主要作用,并应与领域专家密切协商,全面考虑硬件、软件、领域问题和上述原则,选出恰当的工具系统。

4.2编码编码是应用选择的工具语言记录事件和知识。它将详细设计阶段产生的知识结构、推理规则、控制策略及其它部件的形式描述转换为工具语言形式。主要的工作是转换自然语言推理规则,构造知识库;转换推理算法为推理程序。尽管此项工作与非智能语言的编码没有区别,而这里一般使用的语言是LISP,PROLOG或专家系统工具语言。在编码中,知识工程师常发现详细设计中的问题,因此,详细设计和编码常是紧密相关的循环处理。编码中发现的问题也可能引起大范围的反复处理,例如,可能需要完全重新设计知识表示。

4.3测试与修改测试阶段的主要任务是评价原型系统及其实现形式是否符合设计者、专家及用户的要求,应用各种各样的实例,检测知识库和推理结构中的弱点,修改原型。

4.3.1检测推理检测推理就是检查无效的推理。主要工作是检测机制细节,如接口和内部流程。知识工程师构造人工模拟实例检测系统的详细部分,当系统违背设计得意愿,则发现错误。纠正无效推理中的错误,需要重新编码。产生无效推理的原因是程序员错误地转换知识。

4.3.2检测知识在知识系统中,正确的编码并不意味着知识正确。这种处理努力探测无效的和模糊不清的知识。除了人工实例,专家和知识工程师还可用真实实例检测,让系统作合适的决策,并可保留这些检测实例以备后用。无效知识的发生,是由于专家没有正确地描述事实或没有完全理解事实。当系统违背专家的意愿时,可发现这类错误。模糊知识的发生是由于专家不能识别所有的蕴含关系,如组合条件太多。当系统选择不同的解法(而专家要求相同解法)时,可发现这类错误。例如重复执行概念识别,以便发现错误的知识;重复执行概念设计来重新评估知识表示的选择,这两种处理又引起重复执行详细设计。当知识是完整一致的,仅要求重复执行详细设计和编码。若在检测推理机制中,专家发现了检测子问题的新条件,则重复执行问题定义、概念识别、概念与详细设计及编码。因而专家可用发现的新条件精炼已存知识表示。当专家对早期的知识检测不满意,将知识加入知识库时,发现一些错误,则他重新执行是识别和定义概念,处理和发现新概念。为此,概念设计、详细设计、编码和检测推理均需要新执行,调整由定义新概念所引起的变化。

4.4证实原型系统当专家和知识工程师相信推理和知识是正确的,则执行本处理。这种处理用执行大量的真实例检测隐含错误。知识工程师可将原型放入检查区域,工作一段时间,这种检测可能发现较少的小错误。证实也可发现专家和知识工程师的偏见。专家和系统的交互中可能存在盲目的缺点。因此,应邀请其他多位专家指导证实处理。他们的新观点可能会发现新问题。最后的证实工作是并行执行系统检测和人工检测(人工检查活动不与系统交互)。然后按要求逐个比较结果,并做客观地记录。这些检测将提供大量的宝贵意见。

4.5系统的发展与维护检测工作完成后,原型可被进一步修改和扩充,发展成为实用系统。维护的目标是评价和扩展系统,改进系统执行。由于在发展中迅速设计原型,可以避免和减少维护工作。如果系统中使用的规则和过程以常规变化为条件,则需要专家和管理者周期地检查系统的执行。一个知识系统模式化人类在特定领域中的专知,而专家和知识都不是静止不变的,因此系统中的知识库和推理模式必须继续检测和发展。这包括收集关于系统执行的知识、缺陷及定义的变化。主要方法是利用机器学习技术维护、扩展知识库,以改进系统执行。这种设计方法适用于所有的知识系统,对于复杂的综合型系统,还要考虑与其它分系统的通讯与协作。

5总结与展望

纵观国内外医学专家系统的发展,可从以下3个方面进行总结。

5.1人工智能、专家系统理论70年代,多用概率统计法,即所谓的数字计算法,从疾病—临床资料(症状、体征理化检查)的发生频率与疾病概率之间的明确统计学分析,得出最相似的诊断。此方法现已趋于淘汰。80年代后,则多用人工智能的方法,即以疾病的数值表叙与专家的推理相结合导致的一种决策方法。两种方法都要通过一定的数学模型来实现,常见的数学模型有Bayes公式,模糊数学及加权求和—阈值浮动(至80年代中期,国内2/3的系统采用了这3种数学模型,但这3种数学模型的应用,有一定局限性)。还有的研究是关于诊断系统的通用开发平台等方法学方面的,使医学诊断专家系统在解释方法学、评价标准、知识库建立以及因果定量推理等方面成为研究热点。关于医学诊断中推理的复杂性,有人提出,病人可能有相互关联的多种疾病,而表现出的症状并不确定与某一类疾病有关,一个症状是否会出现也不确定,因而复杂程度不同的推理,可以精密程度不同的模型中进行。此外,由于人类疾病的适时性,有必要在没有明确的诊断结论时给出有关诊疗建议。同时,用来监测、存储和显示大量数据的系统数据库应与推理有机的结合起来。启发式分类也是人工智能方法中的一种,即从一组输入数据中提取特征,并进行分类,根据分类特征在一组已知的诊断类型中选择。模糊逻辑原理尤其适合于医学应用,因为医学决策所需的许多信息都是不确定的。适于人工智能、专家系统应用的计算机语言,在早期有LISP和PROLOG,但到现在,尚无更新的、合适的语言出现。

5.2人工神经网络在医学专家系统中的应用人工神经网络是最近几年发展起来的一项新技术,是模仿生物神经系统中神经元的一种数学处理方法。由于它的并行处理方式、自学习能力、记忆能力、预测事件发展能力,因而可以起到专家系统的作用。特别在分类、诊断以及基于分类的智能控制和优化求解方面,神经网络专家系统比传统的专家系统(指上述用概率统计法,数学模型建立的专家系统)有更优越的性能。故人工神经网络代表着当前最先进的人工智能技术,但此项技术尚不成熟。如只适用于解决规模较小的问题,其性能受训练数据集的限制,以及无法解释推理过程和得出结论的依据等。

5.3问题与展望国内医学专家系统的应用和发展不仅起步晚,而且规模小,水平低,应用范围窄,缺乏较好的验证及评估方法。这与我国的经济水平低、资金缺乏、信息闭塞、计算机普及教育差及计算机普及率低、相当一部分医生对计算机缺乏认识、计算机专业人员与医生缺乏交流等原因有关。但这一情况近期已有所改善。国外在医学专家系统领域起步虽较早,水平较高,具有较为科学、全面的验证与评估方法,应用范围也较广。但与其他领域相比,规模仍较小,而且其发展水平落后于计算机与人工智能的发展。

综上所述,计算机及人工智能技术的诞生与发展,使我们开发医学领域中的人工智能—专家系统成为现实。但目前这方面的发展还很不平衡,还存在不少问题需要解决,如软件的发展落后于硬件;缺乏一种令人满意的通用专家系统开发平台或计算机语言;大量的低层次重复开发与缺少大型的、性能优越、经得起临床检验的专家系统;缺乏客观的、科学的、重复性好的验证系统。要解决这些问题,需要从事计算机软件、硬件研究的专家和医学专家们的共同努力,需要计算机知识的普及,加强跨学科的生物医学工程人员的培养。相信未来的智能医学诊断与治疗专家系统,将成为医生的得力助手,为各种疾病的诊断和治疗,做出更大贡献。