Построение базовой модели мультиагентной интеллектуальной системы для прогноза риска инсультов

Диагностика медицинского риска может быть качественной и количественной. Качественная диагностика - это выявление факта наличия риска. Количественную оценку риска принято осуществлять в шкале процентов [71].

За основу построения интеллектуальной системы поддержки принятия решений по прогнозированию ОНМК взяты мультиагентные системы [99].

Под агентом подразумевают автономный искусственный объект (компьютерную программу), обладающий активным мотивированным поведением и способный к взаимодействию с другими объектами в динамических виртуальных средах. Каждый агент может принимать сообщения, интерпретировать их содержание и формировать новые сообщения, которые либо передаются на «доску объявлений» (переправляются ЛПР), либо направляются другим агентам [72].

Для решения задачи прогнозирования ОНМК необходимо создать некоторое множество агентов и организовать между ними эффективное взаимодействие, что позволит построить единую мультиагентную систему. В мультиагентных системах весь спектр задач по определенным правилам распределяется между всеми агентами, каждый из которых считается членом организации или группы. Распределение заданий означает присвоение каждому

агенту некоторой роли, сложность которой определяется исходя из информационного обеспечения агента и тем иерархическим уровнем, на котором он находится [99]. Таким образом, физически, мультиагентная интеллектуальная система - это программно-аппаратный комплекс с модулями сбора и обработки данных, организованных по определенному принципу распределения доступности данных в иерархии принятия решений.

В качестве базовой системы предикторов для прогнозирования ОНМК были взята диагностическая модель, представленная в работе [15].

Таблица 2.1 - Прогностические признаки для прогнозирования инсультов по [15]

Продолжение таблицы 2.1

Продолжение таблицы 2.1

Анализ факторов риска инсультов, приведенных в таблице 2.1, показывает, что факторами риска могут быть не только определенные биомедицинские показатели, но и уже имеющиеся заболевания или синдромы.

Под мультиагентной системой интеллектуальных агентов (ИА) будем понимать множество автономных ИА нижнего уровня, объединенное посредством одного или нескольких ИА верхнего иерархического уровня посредством настраиваемых связей, каждой из которых присваивается определенный вес. Так как один ИА нижнего уровня может передавать данные более чем одному агенту верхнего уровня, то его данные могут характеризоваться несколькими весами.

Под воздействием внешних факторов (процесса обучения или экспертного оценивания), веса в системе приобретают оптимальные значения, то есть система самоорганизуется. Процесс самоорганизанизации может привести к полному исключению из структуры системы интеллектуальных агентов любого уровня или к модификации пространства информативных признаков на входе ИА. Тем не менее, для построения такой системы необходима базовая структура.

Для построения базовой структуры мультиагентной интеллектуальной системы (МИС) будем использовать ИА нижнего уровня, способных формировать предикторы инсультов. С этой целью воспользуемся результатами аналитического обзора, представленными в первом разделе и таблицей2.1.

Все ИА нижнего уровня разделим на три группы. В первую группу включаем те ИА, которые используют хорошо апробированные факторы риска инсультов. Во вторую группу включаем ИА, которые формируют предикторы на основе биоимпедансных исследований. В третью группу включаем агенты, которые диагностируют сопутствующие заболевания и синдромы. Структурная схема МИС, построенная по такому принципу, представлена на рисунке 2.1.

Рисунок 2.1 - Базовая структура многоагентной интеллектуальной системы для прогнозирования инсультов

В принципе, базовая структура не ограничивает число ИА на нижнем уровне, как в первой, так и во второй группе. Однако это число ограничивается, как базой данных обучающих и контрольных выборок, так и возможностями базы знаний, привлекаемой для формирования ИА всех уровней.

ИА формируются на основе обучаемых классификаторов, построенных на основе многослойных нейронных сетей прямого распространения, или гибридных технологий [31, 48, 81]. В выходном слое гибридного решающего модуля используется нечеткая нейронная сеть или однослойная нейронная сеть прямого распространения с линейной функцией активации.

При прогнозировании инсультов сопутствующие заболевания или синдромы могут быть уже установленным фактом, или нуждаться в диагностике. Отсюда следует, что интеллектуальная система прогнозирования инсультов должна содержать элементы как диагностических, так и прогностических моделей. При этом необходимо отметить, что факторы риска диагностируемых заболеваний или синдромов являются также факторами риска прогнозируемого заболевания. Таким образом, в зависимости от того, был ли поставлен диагноз по фактору риска, структура многоагентной системы должна перестраиваться. Этот принцип иллюстрирует рисунок 2.2, на котором показана прогностическая модель, в состав которой входят как модули прогнозирования, так и модули диагностики.

Рисунок 2.2 - Структура прогностической модели, в состав которой входят как

модули прогнозирования, так и модули диагностики

На этой схеме модули прогнозирования построены на основе нейросетевых моделей, а модули диагностики - на основе нечетких моделей принятия решений.

Уверенность в постановке диагноза присутствует на выходе нечеткого модуля принятия решений - агрегатора и поступает в узлы нейронной сети, тем самым меняя ее структуру.

2.2