Методы прогнозирования и диагностики, применяемые в медицинской практике

В настоящее время в медицинских компьютерных системах используется большое количество методов прогнозирования и распознавания образов. Считается, что значительное число их “хорошо” работает при структуре данных удовлетворяющей ограничениям, присущим выбранным математическим моделям [18, 23, 29, 33, 40, 41, 69].

соответствующего метода распознавания образов рекомендуют в начале получить хотя бы предварительную информацию о структуре классов решаемой задачи [64, 65, 68].

Выбор типа математических моделей для решаемой задачу прогнозирования и диагностики является достаточно сложной и зависит от многих разнородных факторов: от типа используемых шкал, структуры данных, объема обучающих выборок, точности «указаний» учителя и т.д. [60, 62, 67, 69, 70].

В практике построения медицинских компьютерных систем большая доля задач формулируется с эмпирических (эвристических) правил. В результате формируются наборы некоторых суждений, устанавливающих принадлежность исследуемого объекта к исследуемому классу состояния. Решающие правила в этом варианте строятся на правилах четкого или нечеткого вывода, которые получают с использованием литературных данных, обобщающих многолетний врачебный опыт, с участием высококвалифицированных экспертов [6, 76, 144, 166].

При использовании вероятностного задания признаков и классов, изучается возможность и целесообразность построения оптимальных “решателей” на основе

функций плотности вероятности с получением надежных оценок априорной вероятности. Объект относят к тому классу, у которого выше значение плотности в искомой точке пространства описания.

Следует иметь в виду, что на практике плотность распределения вероятностей определить очень сложно, а иногда и не возможно в силу медико­технологических ограничений, поэтому создают таблицы экспериментальных данных (ТЭД) относительно небольшого объема (обучающие выборки) с установленной классификацией.

При решении такой задачи используют многочисленные алгоритмы. Из всего алгоритмического разнообразия в медицинской практике при геометрической интерпретации задач распознавания наиболее часто используют три типа алгоритмов: локальной оценки плотностей; задания типа разделяющих функций; интерактивные системы распознавания. Анализ специальной литературы и собственные исследования показал, что “надежно” работающие модели и алгоритмы можно получить, если формальные построения соответствуют структуре данных решаемой задачи.

В работах [23, 29, 40, 41] было показано, что задачи состояния оценки здоровья, включая состояния ССС, обладают рядом особенностей, значительно затрудняющих синтез формальных моделей принятия решений: различную разнородность структуры классов и признаков, недостаточность статистического материала; наличие казуистических объектов; ошибки в описании объектов исследования и др.. Для учета этих “сложностей” в работах [23, 29, 40, 41] рекомендуют использовать аппарат изучения структуры классов с генерацией гипотез о предпочтительных типах решающих правил. В анализе данных таким аппаратом является вычислительный эксперимент. Для решения задач классификации и диагностики вычислительный эксперимент, реализуемый диалоговыми интерактивными системами распознания (ДСР). В таких системах

диалог ориентирован прежде на анализ структуры многомерных данных с выбором соответствующих методов и алгоритмов обработки данных [23, 28, 40, 60].

В ДСР сложной и плохо формализуемой задачей является задача изучения структуры классов, решаемая путем отображения многомерных данных в наблюдаемые, чаще всего в двухмерные пространства. При этом человек наблюдает структурные особенности изучаемых данных, сделать соответствующие предположения, выдвигает гипотезы, а лучшие решения определяет стратегию решения задач синтеза правил принятия решений [60, 69]. При этом, следует иметь ввиду, что способы отображения не должны искажать информацию о возможности надежной классификации. При построении отображающих пространств наибольшее распространение получили следующие подходы:

1. Оси координат отображающего пространства пониженной размерности выбираются в пространстве признаков [1, 2].

2. Оси координат отображающего пространства не связаны с исходными признаками (развертки) [35, 40].

3. Методы многомерного шкалирования [1, 2, 10, 41].

Широкое практическое применение находит процедура уменьшения размерности известная как метод анализа главных компонент [1, 2]. Иногда для отображения многомерных данных применяют нелинейные методы [35, 40, 41]

1.3