Сергей Добриднюк, «Диасофт Системы»резидент ИЦ «Сколково»

Кибернетическая медицина 2015Успех или Мистификация ?

Видение будущего

В медицинском центре сложнейшую операцию на сердце делает робот. Человек только контролирует его действия на экране компьютера (Roboarts Japan, 1969)

Поколения МИС по Gartner

Первое поколение. Сборщик (The Collector). Разрозненные системы ведения медицинской документации с возможностью сбора консолидированной отчетности, без необходимого уровня детализации электронных медицинских записей

Второе поколение. Документатор (The Documentor). Более продвинутые системы ведения медицинских записей, однако без возможностей мультимедиа, поддержки доказательной медицины и накопления знаний

Третье поколение. Помощник (The Helper). Пациенто-центрическая система ведения электронных медицинских записей с поддержкой медицинских мультимедийных данных, элементами поддержки доказательной медицины, работы в сетях ЛПУ и т.п.

Четвертое поколение. Коллега (The Colleague). Третье поколение плюс поддержка принятия решений, автоматизации клинических потоков работ, продвинутых аналитических возможностей

Пятое поколение. Наставник (The Mentor). Четвертое поколение плюс фактическая возможность приложений подсказывать врачам возможные пути лечения и диагностики пациентов

Поколения МИС по Gartner

Интеллектуальные системы

Искусственный интеллект (artificial intelligence, AI) – свойство автоматических систем брать на себя отдельные функции человека, в том числе когнитивные и творческие

Кибернетика – наука об общих закономерностях процессов управления и передачи информации в технических, живых и социальных системах

=

Кибернетические системы

Экспертные модели

Регрессионные модели

Деревья решений

Нейронные сети

Экспертные модели

ПринципДля каждого из рассматриваемых входных параметров имеется таблица весов, поставленных экспертами-людьми

Данная модель легко разрабатывается в продуктах класса Excel или вручную по результатам «мозгового штурма»

«Улучшение» или «ухудшение» общего целевого балла, если рассматриваемые входные параметры коррелируют между собой

Достоинства

Недостатки

Примеры ИС, использующих экспертные модели

WebMD Checker – диагностика по симптомам PROTEGE – набор инструментов для построения баз знанийDXPlain - системы поддержки клинических решений, используется для ассистирования в процессе диагностикиCASNET предназначена для диагностики и выбора стратегии лечения глаукомыMYCIN, EMYCIN - диагностика и лечение инфекционных заболеваний кровиGermwatcher - помощь больничному эпидемиологу. Включает базу знаний, основанную на правилах, используется для генерации гипотез о возможных инфекцияхPEIRS интерпретирует и комментирует отчеты по химическим патологиям Puff - предназначена для интерпретации результатов функционального пульмонологического теста на основе прецедентной информацииHELP –госпитальная ИС с функциями поддержки принятия решений

Регрессионные модели

ПринципПостроение полинома (чаще лог-регрессия) на основе обучающей выборки

• Не искажает результат в случае корреляции входных параметров между собой, автоматически обнуляя веса зависимых параметров

• Модель можно перепроверить, т.к у целевой функции существует обратная функция

• Нечувствительность к резкому изменению диапазона значений входных параметров

Достоинства

Точность статистических моделей

Переменная Параметр Коэффиц

иент1 Число случаев беременности 0.12322 Концентрация глюкозы 0.03523 Артериальное диастолическое

давление, мм. рт. ст. -0.0133

4 Толщина кожной складки трехглавой мышцы, мм. 0.0006

5 2-х часовой сывороточный инсулин -0.0012

6 Индекс массы тела 0.08977 Числовой параметр

наследственности диабета 0.94528 Возраст, лет 0.0149

*) Из UCI machine learning repositorywww.basegroup.ru

confusion matrix Фактически

Модель Положит. Отрицат.

Положит. TP FP

Отрицат. FN TN

Примеры статистических модулей, подключаемых к МИС

• Bayesia• Deductor Studio• IBM SPSS Statistics• IBM SPSS Modeler• Matlab • MS Excel• Oracle Data Miner• Orange• Statsoft Statistica • SAS Etnerprise

Miner • Stata• Statsoft Statistica • TIBCO Spotfire

Деревья решений

ПринципПостроение дерева (обычно С4.5) на основе обучающей выборки

• Также как и модель лог-регрессии – модель автоматически ранжирует входные параметры по степени влияния на результат, рассчитывая коэффициенты влияния

• Результат представляется в виде «дерева» - которое можно использовать даже в ручном режиме обработки данных

• Модель автоматически убирает ненужные сравнения и расчеты, обеспечивая очень высокую скорость расчета целевого предложения

Достоинства

Нейронные сети

ПринципМодель самообучающихся сетей, имитирующих работу человеческого мозга

• Самые высокие показатели точности • Позволяет найти закономерности даже

в случае «серой зоны» - когда ни по одному из входных параметров невозможно сделать точный вывод о клиенте и его проблемах

• Очень высокие требования к вычислительным средствам, на которых разрабатывается и обсчитывается модель, в тяжелых случаях применяется специальное аппаратное обеспечение

Достоинства

Недостатки

Нейронные сети

San-Diego Univ. – разпознавание инфаркта у больных с острой болью MYCIN–ECD – расшифровка ЭКГRES Informatica – кардиодиагностика по спектрам тахограммToronto Univ. – прогноз пребывания в интенсивной терапииMayo Clinic – распознавание маммограмТРИНИТИ – выбор метода лечения базалиомыMultineuron – диагностика меланомыNCI – предсказание механизма действия химиотерапииНИИЯФ МГУ – анализ заболеваний органов слухаSindey Univ – прогноз внезапной смерти новорожденныхPapnet – скрининг и интерпретация пап-мазковVienna Univ. – анализ биопсии простаты и урологических анализовAizenberg – фильтрация и сегментация томограмм мозгаRajapakse – анализ рентгенограмм вн. органов: печень, почкиDokur – анализ 4 специфичных волн ЭКГ при аритмии KBANN – классификация МРТ (фосфор и пр) в онкологииKaiser Hospital – автоматическое назначение анализов (свыше 250)ACR – анализ васкулитных поражений

Эксперимент «Китайская комната»Searle, John. R. (1980) «Minds, brains, and programs. Behavioral and Brain Sciences»

Нужны системы, распознающие контекст и смысл сказанного, умеющие исполнять творческие функции человека

Когнитивные системы, Искусственный интеллект

Можно ли эффективно отвечать на вопросы, если действуешь механически, не понимая смысл вопроса ?

Информационная система IBM Watson

Технология ABBYY Compreno

Вопросы, которые чаще всего задают

Кто должен создавать такие системы – Математик или Врач ?Только Врач (но знающий математику). Только он способен задавать «правильные» вопросы и делать содержательные глубокие выводы

Откуда взять данные ?Это самая драматичная часть в России. Мало оцифрованных данных, а те что есть – имеют низкое качество и консистентность. ЕГИСЗ и ЭМК в этом сильно помогает. Для аналитической работы можно взять и иностранные данные, отнормировав на целевом сегменте

Нам не нужна статистика, у нас нет столько данныхНе надо много. Важно чтобы данные были репрезентативными. Для обучения нейросетей достаточно не более 3-4 тыс. эпизодов

Можно ли стать успешным разработчиком Аналитической Модели ?Да, но нужна не модель, а законченное решение (Сервис). Это командный проект для ученых, практиков, разработчиков, чиновников

Спасибо за внимание !