Нечіткі логічні висновки і висновки в експертних системах медичної діагностики

The main problems in making a correct diagnosis are: subjectivity and insufficient qualifications of the doctor, difficulties in correctly assessing the patient’s complaints, signs and symptoms of the disease observed in the patient, as well as individual manifestations of the symptoms of the diseas...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2021
1. Verfasser:	Zack, Yuriy
Format:	Artikel
Sprache:	Russisch
Veröffentlicht:	The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2021
Schlagworte:	кластерний аналіз багатовимірні функції належності центроїди fuzzy-множин об’єктів і кластерів центри тяжкості і середини перетинів нечітких множин критерії оптимальності та алгоритми кластеризації
Online Zugang:	https://journal.iasa.kpi.ua/article/view/244471
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	System research and information technologies
Завантажити файл:

Institution

System research and information technologies

_version_	1866302770676498432
author	Zack, Yuriy
author_facet	Zack, Yuriy
author_sort	Zack, Yuriy
baseUrl_str	http://journal.iasa.kpi.ua/oai
collection	OJS
datestamp_date	2022-02-09T17:33:09Z
description	The main problems in making a correct diagnosis are: subjectivity and insufficient qualifications of the doctor, difficulties in correctly assessing the patient’s complaints, signs and symptoms of the disease observed in the patient, as well as individual manifestations of the symptoms of the disease. In publications on the use of expert systems for medical diagnostics using fuzzy logic, the main attention was paid to the medical features of the problem. In this work, for the first time, general methodological aspects of building such systems, creating databases, representing by fuzzy sets of real numbers, digital scales, linguistic and Boolean data of symptom values are formulated. The types of membership functions that are advisable to use to represent the symptoms of diseases are proposed. In fuzzy-logical conclusions, not only the values of the characteristic functions of the logical terms of individual symptoms, but also complex arithmetic functions of their values are used.
doi_str_mv	10.20535/SRIT.2308-8893.2021.3.05
first_indexed	2025-07-17T10:27:33Z
format	Article
fulltext	 Ю.А. Зак, 2021 Системні дослідження та інформаційні технології, 2021, № 3 55 TIДC ПРОБЛЕМИ ПРИЙНЯТТЯ РІШЕНЬ ТА УПРАВЛІННЯ В ЕКОНОМІЧНИХ, ТЕХНІЧНИХ, ЕКОЛОГІЧНИХ І СОЦІАЛЬНИХ СИСТЕМАХ УДК 519.816 DOI: 10.20535/SRIT.2308-8893.2021.3.05 НЕЧЕТКИЕ ЛОГИЧЕСКИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЯ В ЭКСПЕРТНЫХ СИСТЕМАХ МЕДИЦИНСКОЙ ДИАГНОСТИКИ Ю.А. ЗАК Аннотация. Главными проблемами при установлении правильного диагноза являются: субъективность и недостаточная квалификация врача, трудности в правильных оценках жалоб пациента, признаков и симптомов заболевания, на- блюдаемых у больного, а также различные виды представления симптомов за- болевания. В публикациях по применению экспертных систем медицинской диагностики с использованием нечеткой логики основное внимание уделялось медицинским особенностям проблемы. Впервые сформулированы общие ме- тодические аспекты построения таких систем, создания баз данных, представ- ления нечеткими множествами действительных чисел, цифровых шкал, лин- гвистических и булевых данных значений симптомов. Предложены виды функций принадлежности, которые целесообразно использовать для представ- ления симптомов заболеваний. В fuzzy-логических выводах используются не только значения характеристических функций логических термов отдельных симптомов, но и сложные арифметические функций их значений. Ключевые слова: кластерный анализ, многомерные функции принадлежности, центроиды fuzzy-множеств объектов и кластеров, центры тяжести и средины сечений нечетких множеств, критерии оптимальности и алгоритмы кластери- зации. ВВЕДЕНИЕ В традиционных методах медицинской диагностики диагноз и причины бо- лезни устанавливаются на основе разговора, осмотра и обследования паци- ента, анализа симптомов, жалоб и самочувствия пациента, клинических и лабораторных и биохимических данных, рентгеновских, ультразвуковых, компьютерных снимков, цитологических материалов и других видов исследо- ваний. Схематически процесс установления диагноза изображен на рис. 1. Главными проблемами при постановке традиционными методами пра- вильного диагноза являются: субъективность и недостаточная квалификация врача в конкретной области медицины, трудности в правильных оценках жалоб, признаков и симптомов, наблюдаемых у больного, которые выраже- ны не только действительными числами, а и представлены лингвистическими термами, булевыми переменными и размытыми понятиями [1, 2]. Пациенты Ю.А. Зак ISSN 1681–6048 System Research & Information Technologies, 2021, № 3 56 зачастую не могут точно и ясно для врача описать свои симптомы. Многие симптомы могут быть описаны только лингвистическими термами (сильно, остро, слабо, давно, недавно, долго и т.п.). Степень и характер боли и дру- гих симптомов (тошнота, головокружение, шум в ушах и др.) зависят от су- бъективного ощущения и отношения к своему здоровью пациента. Одно и то же заболевание может проявляться по-разному у разных лю- дей. Одни и те же симптомы, ощущения и показатели анализов могут отно- ситься к совершенно разным заболеваниям. В ряде случаев отдельные хара- ктерные и часто встречающиеся симптомы для данного заболевания отсутствуют. Несколько заболеваний у одного пациента могут также ме- шать установлению правильного диагноза. Размытость значений многих симптомов, а также граничного значения этих симптомов, определяющих, в свою очередь, наличие или отсутствие предполагаемого диагноза, также осложняют процесс диагностики [3, 4]. ПРИМЕРЫ СИСТЕМ ДИАГНОСТИКИ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ НЕЧЕТКОЙ ЛОГИКИ, ОПИСАННЫЕ В ЛИТЕРАТУРЕ Отечественный и зарубежный опыт, а также многочисленные публикации в периодической литературе, появляющиеся в последние годы, показывают, что экспертные системы и информационные технологии, обобщающие кли- нический опыт и квалификацию ведущих специалистов в конкретных об- ластях медицины, могут быть эффективным инструментом для точного и быстрого установления правильного диагноза [1–4, 9, 11, 12]. Экспертные системы медицинской диагностики уже эффективно работают в таких си- туациях, как при установлении предварительного диагноза [5], назначение необходимых лечебных мероприятий, выписка лекарств, анализ изображе- ний ультразвуковых (УЗИ), рентгеновских снимков, снимков МРТ (магни- Выбранная схема лечения Анализ результатов лечения Несколько предполагаемых диагнозов Симптоматика пациента Выбранный для лечения диагноз Некоторое множество возможных диагнозов Явно выраженные симптомы Слабо выраженные симптомы Дополнительные исследования Дополнительные исследования Дополнительные исследования Продолжение лечения по той же схеме Корректировка схемы лечения Изменение диагноза болезни Рис. 1. Процесс установления диагноза Нечеткие логические выводы и заключения в экспертных системах … Системні дослідження та інформаційні технології, 2021, № 3 57 торезонансная томография) и компьютерной томографии (СТ) [1], опреде- ление четких границ новообразований, прогнозирование дальнейшего раз- вития болезни, принятие решения о возможности выписки пациента из больницы и др. Точность выявления патологий по УЗИ и МРТ на основе методов автоматического анализа изображений превышает 90% [1]. Появи- лась возможность извлечь каждый объект на изображении. На основе этого, если важен каждый миллиметр, с большой точностью определяются четкие границы опухоли. Это позволило при операционных вмешательствах пра- вильно выбрать четкие границы при отделении опухолевой ткани от здоро- вой. Ожидается, что в дальнейшем системы анализа изображений позволят пациентам узнавать о состоянии здоровья по снимкам, в том числе и в до- машних условиях. Большое количество публикаций посвящено применению нечеткой ло- гики в диагностике и лечении кардиологических заболеваний. Система под- держки принятия решений на основе ANFIS для выявления врожденного порока сердца описана в работах [8, 9], а экспертная система анализа и ди- агностики клапанных пороков сердца — в [8]. Гибридная интеллектуальная система классификации сердечной аритмии с нечеткими K-ближайшими соседями и нейронными сетями в сочетании с системой нечеткой логики описана в работе [10]. Некоторые из этих технологий уже активно приме- няются в клиниках по всему миру. Значительные успехи достигнуты в диагностике и идентификации зло- качественных опухолей даже на ранних стадиях их развития [12, 13]. При диагностике рака груди авторы используют изображения с маммограмм [13]. Оценки изображения рака груди с использованием адаптивной сетевой системы нечетких выводов описаны в работе [13]. Отметим также публика- ции по диагностике рака простаты [14], рака кожи [15] и рака печени [17], опухолей головного мозга [18], а также по классификации гистопатологиче- ских изображений толстой кишки [19]. Известны успешные применения нечеткой логики в диагностике и в других областях медицины. Диагностика диабета описана в работе [20]. В системе Foodopt, основанной на нечеткой логике, разработаны рекоменда- ции разумной оптимизации питания. Система выбора и назначение схем ле- чения ВИЧ-инфицированным пациентам описана в работе [6], определение массы мозга — в статье [21], болезни Альцгеймера — в публикации [22]. Среди достижений отечественных и зарубежных авторов можно также выделить следующие результаты: ранняя диагностика и прогнозирование послеоперационных осложнений [7]; оценка сердечной деятельности; опре- деление риска оперативного вмешательства в кардиохирургии; оценка сте- пени ожога; диагностика состояния центральной нервной системы и др. Большое количество публикаций по данной тематике, появляющихся в по- следние годы, свидетельствует о перспективности и эффективности разви- тия данного направления исследований. Во всех этих публикациях основное внимание уделялось медицинским особенностям каждого диагноза. Автору не известны публикации, в которых бы на основе накопленного опыта были определены области применения этих систем. Не сформулированы общие методические аспекты их построе- ния, не описаны методики создания баз данных, а также представления не- четкими множествами лингвистических и булевых данных значений симп- томов. Не существует примеров использования в fuzzy-логических Ю.А. Зак ISSN 1681–6048 System Research & Information Technologies, 2021, № 3 58 заключениях не только значений характеристических функций логических термов и операторов отдельных симптомов, но и сложных арифметических функций их значений. Целью данной публикации является решение сфор- мулированных выше вопросов. ВОЗМОЖНЫЕ ОБЛАСТИ ПРИМЕНЕНИЯ ЭКСПЕРТНЫХ СИСТЕМ МЕДИЦИНСКОЙ ДИАГНОСТИКИ Использовать информационные экспертные системы медицинской диагно- стики целесообразно для: 1) определения патологии и установления точных границ новообразо- ваний по УЗИ (ультразвуковое исследование), СТ и МРТ (компьютерная и магниторезонансная томография) снимкам; 2) выбора методов лечения конкретной болезни в зависимости от нали- чия сопутствующих болезней, общего состояния и возраста пациента. 3) предоставления возможности пациентам даже в домашних условиях на основе анализа и описания собственных симптомов получать с помощью интернета информацию о состоянии здоровья и необходимости более де- тальной диагностики и лечения у специалистов; 4) помощи домашним врачам и врачам общего профиля по результатам проведенного на местах комплекса анализов и исследований получать кон- сультацию экспертной системы о предполагаемых диагнозах, необходимо- сти перечня дополнительных данных для более точной диагностики, пред- лагаемой схемы лечения, срочности принятия экстренных мер и о предлагаемых центрах лечения в особо сложных случаях; 5) сокращения потерь времени и средств, потраченных на диагностику, при явных и однозначных значениях симптомов наличия конкретного забо- левания; 6) прогнозирования послеоперационных осложнений, развития раковых опухолей, динамики сердечной, почечной деятельности; оценивания степе- ни и последствий ожога, течения и динамики различных заболеваний и их возможных исходов; 7) определения здоров ли пациент, нуждается ли он в дальнейшем ста- ционарном лечении (а в случае онкологических заболеваний — в химичес- кой или лучевой терапии) или может продолжить процесс восстановления в реабилитационных центрах или домашних условиях, а также когда и как часто требуются контрольные исследования и посещения врача; 8) тестирования знаний медицинского персонала. ОСНОВНЫЕ ПРЕДПОСЫЛКИ ПРИМЕНЕНИЯ НЕЧЕТКОЙ ЛОГИКИ В МЕДИЦИНСКОЙ ДИАГНОСТИКЕ Многие значения анализируемых факторов и симптомов пациента воспри- нимаются врачом как нечеткие (не бинарные) данные. Так, например, врач оценивает степень боли и ее характер, а не только «болит — не болит» (0 или 1), ее частоту и характер (степень остроты: сильная, слабая, колющая, давящая, пульсирующая, (не)переносимая; ночные или постоянные), а также средний процент времени суток, когда пациент испытывает эти болевые Нечеткие логические выводы и заключения в экспертных системах … Системні дослідження та інформаційні технології, 2021, № 3 59 ощущения. Насколько улучшилось или ухудшилось состояние пациента также оценивается врачом термами лингвистических переменных. Можно перевести эти входные данные в точный цифровой вид, используя для этого различные цифровые шкалы. Другой путь решения этой задачи — предста- вить определенные диапазоны действительных чисел, лингвистические, бу- левы переменные и цифровые шкалы нечеткими множествами, что позволит принимать решения на основе методов нечеткого логического вывода. При установлении диагноза врач сопоставляет соотношения значений различных симптомов пациента, представляя их в виде лингвистических термов и объе- динения их логическими операторами вида «И», «ИЛИ» и «НЕ». На основе некоторого значения этой функции с определенной степенью уверенности делаются необходимые выводы. В основе установления диагноза посредством правил fuzzy-логического вывода должны лежать нечеткие логические переменные и термы, fuzzy- логические композиции, операторы и функции, fuzzy-логическая имплика- ция и правила нечеткого логического вывода на основе правил вида «Если ){( 21 kkk f  и (или) , ) }( 21 lll f  тогда 1Q , иначе — 2Q ». Здесь kf и lf — некоторые функции, аргументами которых являются тер- мы различных значений симптомов; 1k 2k и 1l 2l — установленные граничные значения этих функций; 1Q и 2Q — различные лингвистические термы диагноза различных болезней. Fuzzy-логические выводы, моделируя мышление человека, могут дать возможность делать четкие заключения из нестрогих предпосылок. ПРЕДСТАВЛЕНИЕ ЗНАЧЕНИЙ СИМПТОМОВ ЗАБОЛЕВАНИЯ FUZZY- МНОЖЕСТВАМИ Симптомы, значения которых могут быть представлены действительными, булевыми, лингвистическими переменными или значениями числовых шкал, рассматриваются как нечеткие множества. Эталонный набор термов лингвистической переменной и функций принадлежности нечеткого множе- ства включает все значения, которые может принимать симптом. Ось абс- цисс функции принадлежности этого нечеткого множества может быть вы- ражена действительными числами в диапазоне минимального и максимального значений данного симптома (в фактических или нормиро- ванных значениях, например, в диапазоне [0, 1]), интервалами цифровых шкал или наименованиями различных лингвистических термов. Характеристическими функциями могут быть треугольные функции принадлежности, ось абсцисс которых — лингвистические термы (рис. 1), которые могут описывать различные степени болевых ощущений пациента. Отметим, что с помощью таких же треугольных функций принадлеж- ности (см., например, рис. 1) могут быть представлены и булевы перемен- ные. Переменная в этом случае может иметь только 2 значения 0x или 1x с соответствующими значениями функций принадлежности — со- ответственно 1)(  Xy x и (или) 0)(  Xy x . Каждому действитель- ному числу значения симптома или диапазону соответствующего ему Ю.А. Зак ISSN 1681–6048 System Research & Information Technologies, 2021, № 3 60 лингвистического терма, а также значению цифровых шкал может быть по- ставлено в соответствие значение функции принадлежности нечеткого множества выбранного вида (рис. 2). Для различных значений симптома соответствующие значения ордина- ты функции принадлежности вычисляются по формулам: } если , 0{)( 1 bxayyxy  , } если , {)( 21 cxbyyyxy  , } если , {)( 32 dxcyyyxy  , } если , {)( 43 exdyyyxy  , } если , {)( 54 fxeyyyxy  . С помощью функции принадлежности такого типа можно, например, описать уровень болевых ощущений пациента. Отрезок прямой bxa [ ] соответствует состоянию отсутствия боли, отрезок ][ cxb  — слабая периодическая боль, отрезок ] [ dxc  — боль средней тяжести (перено- симая боль); отрезок ][ exd  — сильная боль; отрезок ][ fxe  — очень сильная и непереносимая без приема медикаментов боль. Значение функции принадлежности нечеткого множества, определяю- щего данный симптом, вычисляется, когда определено числовое значение данного симптома или наименование его лингвистического терма. Центральное треугольное и центральное трапециевидное распределе- ние, различные виды лево- и правосторонних треугольников, трапеций, а также функций и нормального распределения и других нелинейных функций, которые приведены во многих работах по fuzzy-логике (см., например, [3]), можно также использовать в медицинской диагностике. Рис. 2. Пример представления степени болевых ощущений нечетким множеством y5=1,0 y4 y3 y2 y1 0 x y Нет боли Слабая боль Боль средней тяжести Периодически сильная боль Сильная боль Непере- носимая боль \a b c d e f Нечеткие логические выводы и заключения в экспертных системах … Системні дослідження та інформаційні технології, 2021, № 3 61 Находят также широкое применение ступенчатые функции принадлеж- ности (рис. 3). Вместо буквенных обозначений на оси x (рис. 2 и 3) могут быть использованы цифры соответствующих цифровых шкал. Функции принадлежности, представленные на рис. 4, могут быть ис- пользованы, когда отклонения в ту или иную сторону от некоторого значе- ния (или диапазона значений) симптома определяет некоторую патологию пациента. Среди нелинейных форм функций принадлежности наибольшее рас- пространение в практических приложениях получили различного рода экс- поненциальные зависимости (см., например, [3]). FUZZY-ЛОГИЧЕСКИЕ ФУНКЦИИ И ОПЕРАТОРЫ В задачах медицинской диагностики, наряду с известными, целесообразно использовать некоторые специфические арифметические и логические опе- раторы и функции. Рассмотрим некоторые из них. Обозначим: N и n соответственно максимальное доступное на данной стадии диагностирования количество симптомов данного заболевания; Рис. 4. Центральные перевернутые треугольное (а) и трапециевидное (б) распределения a b c d e y4 y2 y1 x y a a b c d y4 y2 y1 x y e f б Рис. 3. Ступенчатая функция принадлежности a b c d e f y4=1 y3 y2 y1 0 x y Ю.А. Зак ISSN 1681–6048 System Research & Information Technologies, 2021, № 3 62 ,,,,,1, Nnixi  — значение симптома iA , выраженное некоторым дей- ствительным числом, значением некоторых числовых шкал, лингвистиче- ским термом или нечетким множеством, т.е. некоторым размытым понятием. Пусть },,,{ ~ 21 niiii AAAU  — подмножество доступных на данной стадии диагностики симптомов; ) ( ix A i  — значение функции принадлежно- сти этого симптома iA . Приведем наиболее часто используемые операторы и композиции не- четких отношений, результатом выполнения которых является значение функции принадлежности ниже приведенных выражений [3]. Средние значения функций принадлежности всех установленных симптомов, на основе которых определяется средневзвешенная степень влияния подмножества всех доступных на данной стадии диагностирования факторов: )( 1 1 1 ixi n i A N f i    , )( 1 1 2 ixi n i A n f i    . Здесь 10  i — весовые коэффициенты, удовлетворяющие соотно- шения 0,1 1   i n i . В частном случае ,,,1, 1 ni ni  или Ni 1  , .,,1 Ni  Минимальное и максимальное значения функций принадлежности, степень влияния подмножества всех доступных в данной стадии диагности- рования факторов: )}(,),(), ({min 2211 21 1 3 nn ixnixix ni AAAf   , )}(,),(), ({max 2211 21 1 4 nn ixnixix ni AAAf   . Здесь где 10  i — весовые коэффициенты, удовлетворяющие соот- ношения 0,1 1   i n i . В частном случае ,1i .,,1 ni  Эта функция определяет значение наиболее значимого симптома, вели- чина которого может оказаться существенной при наличии некоторого диагноза. Весовые коэффициенты определяют наиболее важные факторы, характерные для данного заболевания. Отметим, что оператор 3f эквива- лентен выражению fuzzy-логического И, а оператор и 4f — fuzzy- логического ИЛИ, либо объединению fuzzy-логических множеств. Средневзвешенное значение произведения этих факторов 5f = )( 1 ixi n i A i   , 6f = )( 1 ixi N i A i   . Все сомножители произведения находятся в пределах 0,1)(0  ix A i и 0,10  i , .,,1 ni  Следовательно, функции 5f и 6f , как и функции Нечеткие логические выводы и заключения в экспертных системах … Системні дослідження та інформаційні технології, 2021, № 3 63 1f и , 2f применяются в тех случаях, когда только значения некоторой со- вокупности симптомов могут свидетельствовать о наличии или отсутствии некоторого диагноза. Как правило, с увеличением этих значений )( 61 ff  вероятность наличия у пациента болезни возрастает. Компенсирующие операторы более сложного вида, с увеличением зна- чения которых, как правило, вероятность наличия предполагаемого диагно- за возрастает, могут быть следующего вида: 33447 fff  , где ,0 4  ,03  ,0,134  ); 0,1(min 14338 fff  . ) ; 0,1(min 44119 fff  , где ,01  ,04  0,141  , ); 0,0(max 334410 fvfvf  . ); 0,0(max 114411 fvfvf  , где ,01 v ,04 v 0,141  vv . В частном случае значения всех весовых коэффициентов могут быть такими: ;5,043  ;5,041  5,041  vv ; 5,043  vv . Выражения , 8f 9f названы операторами ограниченной суммы, а 10f и 11f — операторами ограниченной разности. В ряде случаев в операторах нечеткой логики используется также функция дополнения )(0,1)( 12 ixix AAf ii  . Для некоторых сложных приложений для вычисления значения функ- ции принадлежности нечетких множеств и композиций различных симпто- мов могут использоваться более сложные составные операторы, включаю- щие в одном выражении несколько приведенных выше выражений (объединение группы симптомов операторами И и ИЛИ, вычисление сред- них значений и произведений симптомов в одно выражение). Хотя результатом выполнения всех этих операторов является значение функции принадлежности результирующего нечеткого множества, т.е. чис- ло в пределах [0,1], сам запрос в систему в простейших случаях может фор- мулироваться и на естественном языке с использованием лингвистических понятий. Как, например, 1) {«боль – сильная» И «пульс – слабый» И («пульс редкий» ИЛИ «вы- падения пульса частые»)}; 2) «показатели крови на наличие опухоли – невысокие» И «боли в об- ласти живота – средней тяжести» И «увеличение размеров печени – незна- чительное»} Однако сложные составные операторы требуют формулировки запроса на специально созданном языке и разработки графического интерфейса для пользователя. Приведенные выше выражения значений координат абсцисс функций принадлежности симптомов используются в предпосылках рас- сматриваемых ниже правилах логического вывода. Вычисляемый результат значения таких функций должен быть ограничен некоторым верхним значе- Ю.А. Зак ISSN 1681–6048 System Research & Information Technologies, 2021, № 3 64 нием и (или) нижним значением. В зависимости от выполнения установлен- ных граничных значений делаются соответствующие выводы о наличии или отсутствии предполагаемого диагноза. УСТАНОВЛЕНИЕ ДИАГНОЗА НА ОСНОВЕ FUZZY-ЛОГИЧЕСКОГО ЗАКЛЮЧЕНИЯ В основе установления диагноза заболевания лежат fuzzy-логические за- ключения (fuzzy-логическая импликация), т.е. правила нечеткого логическо- го вывода, например, в форме ЕСЛИ (a ИЛИ b) И (c ИЛИ d), ТОГДА G; ЕСЛИ [ (НЕ a) И (НЕ b)], И (НЕ c) ИЛИ (НЕ d)], ТОГДА H. В левой части заключения (в предпосылках) в качестве параметров a и b могут использоваться не только значения характеристических функ- ций отдельных симптомов, но и сложных арифметических и логических функций и операторов. Правая часть выражения — это установленный диагноз и степень доверия данного заключения. Каждая из предпосылок (левая часть fuzzy-логического заключения) может быть функцией любой сложности нечетких множеств значений ана- лизируемых симптомов. Количество таких fuzzy-правил определяется коли- чеством заключений, необходимых для полного представления и формиро- вания всех доступных для анализа значений симптомов, а также всех вариантов предполагаемого диагноза. Fuzzy-логические выводы моделируют процесс мышления человека. Врач, также анализируя доступные ему значения всех термов лингвистичес- ких переменных симптомов, делает выводы о диагнозе заболевания. Пре- имущества fuzzy-технологий в данном случае заключаются в следующем: – решения системы основаны не на опыте и квалификации конкретного специалиста, а обобщают коллективный клинический опыт наиболее квали- фицированных в данной области специалистов, а также результаты анализа современных научных достижений и множества историй болезней; – так как только очень высококвалифицированные специалисты могут в неявно выраженных случаях сделать правильные выводы на основе сопос- тавления большого количества различных симптомов, выраженных значе- ниями термов лингвистических и действительных переменных, это может быть эффективно выполнено экспертной системой на основе правил нечет- ких вычислений; – в отличие от возможности человека использовать только 3 вида логи- ческих операторов И, ИЛИ, НЕ в экспертных системах могут использовать- ся любые более сложные операторы; – если в традиционных методах диагностики врач делает только выво- ды о наличии или отсутствия данного диагноза без оценки степени доверия принятого врачом решения, fuzzy-логические технологии рассчитывают значения функции принадлежности каждого рассматриваемого диагноза, т.е. определяют степень доверия каждой рассматриваемой альтернативы, что позволяет сделать выводы о необходимости дальнейших исследований и (или) методах лечения. Нечеткие логические выводы и заключения в экспертных системах … Системні дослідження та інформаційні технології, 2021, № 3 65 В каждой из предпосылок вида «ЕСЛИ …», результатом вычисления которой является значение функции принадлежности соответствующего fuzzy-множества, могут стоять не только значения термов отдельной лин- гвистической переменной, но и различные виды простых и составных опе- раторов нечетких множеств: ЕСЛИ )),,,( ( 22121 RAAAfR n  И )),,,(( 42133 RAAAfR n  , ТОГДА 1T ; ЕСЛИ )),,,( ( 62145 RAAAfR n  И )),,,(( 82137 RAAAfR n  , ТОГДА 2T ; ИНАЧЕ 3T . Задачей же систем нечёткой логики является проверка полноты и кор- ректности представления приведенной системы правил. СТРУКТУРА FUZZY-ЛОГИЧЕСКОЙ БАЗЫ ЗНАНИЙ Fuzzy-логическая база знаний состоит из некоторого множества отдельных правил вида ЕСЛИ … ТОГДА. Структура базы знаний изображена на рис. 5. Для создания и представления такого набора правил нечеткого логиче- ского вывода требуется информация экспертов. При создании таких баз зна- ний используются как дедуктивные, так и индуктивные заключения, а также выводы, сделанные по аналогии, и нестрогие заключения plausible reasoning. Формирование базы знаний осуществляется для каждого рассматри- ваемого диагноза на основании следующих данных: – статического анализа большого количества историй болезни пациентов; – результатов клинических, лабораторных, патологических и других видов исследований; пациента. , , , . . . . . Рис. 5. Структура и последовательность принятия решений на основе базы знаний системы Ю.А. Зак ISSN 1681–6048 System Research & Information Technologies, 2021, № 3 66 – обобщенного опыта ведущих в данной области медицины исследова- ний и специалистов, а также литературных источников. База знаний вклю- чает: необходимое множества анализируемых симптомов, количество зна- чений или наименований термов каждого симптома; – видов функций принадлежности для каждого из анализируемых симптомов; – видов fuzzy-логических операторов, а также граничных значений для каждой из рассматриваемых предпосылок и заключений; – множества соответствующих нечетких логических выводов для каж- дой из предпосылок. Каждому правилу поставлено в соответствие определенное значение фактора уверенности. МЕТОДЫ СОЗДАНИЯ FUZZY-ЛОГИЧЕСКОЙ БАЗЫ ЗНАНИЙ На этапе создания базы знаний ведущие специалисты определяют множест- во анализируемых симптомов данного заболевания, а также количество зна- чений или наименований термов каждого из них. Формируется некоторое подмножество альтернативных fuzzy-логических операторов и правил не- четкого логического вывода, каждое из которых содержит неизвестные зна- чения параметров. В дальнейшем математическими методами на основе анализа множества историй болезни, результатов клинических, лаборатор- ных, патологических и других видов исследований, а также в процессе об- суждений выбираются наиболее эффективные из них. Математическими методами на основании анализа историй болезни определяются такие зна- чения этих параметров, которые в большинстве рассматриваемых в про- шлом случаях наиболее часто давали правильные результаты. В качестве критерия оптимальности выбора вида одной из исследуемых альтернатив- ных моделей и ее оптимальных параметров может быть выбрана минимиза- ция средневзвешенного суммарного количества принятых неверных решений. Рассматривается множество, включающее N симптомов ix , Ni ,,1  , каждый из которых может содержать K различных термов — k ix , ,,,1 Kk  Ni ,,1 . Рассматриваются возможности установления L раз- личных диагнозов — lD , Ll ,,1 . Каждая v -я принятая модель решений , vR Vv ,,1 содержит вектор неизвестных параметров )( vRZ — p vz , где ,,,1 vPp  количество которых равно vP . Пусть модель принятия решений представлена некоторой выборкой данных .,,1 Mj  Для каждого конкретного набора значений термов всех симптомов ), ( jxk i который обозначим как jX , установлен правильный диа- гноз )( jDl , Mj ,,1 . В процессе выбора лучшей из исследуемых альтер- натив и выбора оптимальных параметров каждой из исследуемых моделей установлен диагноз, который обозначим через )]([)( jvh XRFjd  . Введем в рассмотрение некоторые весовые коэффициенты, которые ус- танавливают цену ошибки между различными вариантами установления неправильного диагноза: Нечеткие логические выводы и заключения в экспертных системах … Системні дослідження та інформаційні технології, 2021, № 3 67       .)( ссовпадает не) (если,0 ,)()(если,0 jdjD jdjD hllh hl lh Если l не совпадает с h , то 10  lh ; 1 1 1 1     lh L lh L l . В качестве критерия оптимальности выбирается выражение min)( 1 1 11      jdФ lhlh L lh L l M j . Неизвестными параметрами этой задачи, которые должны быть выбра- ны наиболее эффективным способом, являются перечень и термы нечетких множеств значений различных симптомов, неизвестные параметры fuzzy- логических операторов, граничные значения величин в предпосылках и за- ключении, обеспечивающих правильное решение. Для вычисления значения критерия оптимальности в каждом из рассматриваемых альтернативных правил нужно вычислить значение ошибки в установлении диагноза для ка- ждого j -го из множества M комплектов статистических данных. Сформулированная задача является задачей экспоненциальной сложно- сти. В качестве методов решения сформулированной задачи могут исполь- зоваться методы глобального поиска или генетические алгоритмы. Выбира- ется вариант решения, обеспечивающий наилучшее значение выбранного критерия на массиве данных. Предлагается следующий путь решения проблемы. Виды функций и операторов fuzzy-логики (с точностью до определения неизвестных параме- тров) устанавливаются экспертным советом ведущих специалистов в данной области медицины. Целенаправленно изменяя значения вектора неизвест- ных параметров и на основе анализа полученного значения критерия сред- невзвешенного значения величины ошибок поставленного диагноза, выби- раются оптимальные параметры и наилучшее из альтернативных правил и оптимальные параметры fuzzy-логических операторов и граничные значе- ния параметров сделанных заключений. ЗАКЛЮЧЕНИЕ Главными проблемами при постановке правильного диагноза традицион- ными методами являются: субъективность и недостаточная квалификация врача в данной конкретной области медицины, трудности в правильных оценках жалоб, признаков и симптомов, наблюдаемых у больного, значения многих из которых не могут быть установлены точно и однозначно выраже- ны действительными числами, а представлены лингвистическими термами и размытыми понятиями, сходность значений симптомов при разных заболе- ваниях, нетрадиционные методы протекания заболеваний, а также большие объемы информации, правильные выводы на основании которой необходи- мо сделать в кратчайшие сроки. Научные достижения и клинический опыт последних лет показали, что экспертные системы и информационные технологии, обобщающие опыт ведущих специалистов в конкретных областях медицины, могут быть эф- фективным инструментом для точной и быстрой постановки правильного диагноза. Ю.А. Зак ISSN 1681–6048 System Research & Information Technologies, 2021, № 3 68 В работе показано, что, так как большое количество симптомов заболе- вания выражаются только лингвистическими термами или нечеткими дан- ными, решающие правила, основанные на операторах fuzzy-логики и прави- лах нечеткого логического вывода, могут быть надежным и эффективным инструментом в автоматизированных экспертных системах медицинской диагностики. Определены области применения этого типа информационных экспертных систем медицинской диагностики. Приведены многочисленные примеры, описанные в отечественной и зарубежной литературе, использо- вания fuzzy-логики в диагностике различного вида патологий: кардиологии, онкологических заболеваний различных органов, анализе снимков УЗИ и МРТ, диабета, прогнозирования послеоперационных осложнений, развития болезней и др. Поскольку в большинстве публикаций основное внимание уделялось медицинским аспектам конкретного заболевания и использовались опреде- ленного вида простые решающие правила его диагностики, в данной работе впервые рассмотрены: – виды функций принадлежности, преобразующие различные виды значений симптомов, выраженных действительными, лингвистическими, булевыми переменными и цифровыми шкалами в нечеткие множества; – fuzzy-логические заключения для установления диагноза, использу- ющие не только значения характеристических функций логических опера- торов отдельных симптомов, но и значения их сложных арифметических функций; – виды арифметических выражений и логических операторов, исполь- зуемых в fuzzy-логических заключениях; – структура и методы построения баз знаний систем медицинской диа- гностики и процессов принятия на их основе решений. На основе обобщенного клинического опыта и большого объема дан- ных, полученных из историй болезней, выбираются виды решающих пра- вил, арифметические и логические функции операторов и оптимальные па- раметры этих функций fuzzy-логических заключений, устанавливаются диагноз и степень опасности конкретного заболевания, а также показатели надежности и степени доверия полученного результата. ЛИТЕРАТУРА 1. Б.А. Кобринский, “Нечеткость в медицине и необходимость ее отражения в экспертных системах”, Система поддержки принятия врачебных решений, № 5, с. 6–14, 2016. 2. Б.А. Кобринский, Б.В. Марьянчик, П.А. Темин, и А.Ю. Ермаков, “Применение технологии виртуальных статистик для разработки медицинской диагностиче- ской системы, основанной на знаниях”, Интеллектуальные и информационные системы в медицине. Cборник статей “Мониторинг и поддержка принятия решений”. М.-Берлин: Direct-Media, 2016, с. 21–36. 3. Н.А. Кореновский, “Использование нечеткой логики принятия решений для медицинских экспертных систем”, Медицинская техника, №1, c. 33–35, 2015. 4. Ю.А. Зак, Принятие решений в условиях размытых и нечетких данных. М.: URSS, 2013, 352 с. 5. А.Б. Гогчарова, “Постановка предварительного медицинского диагноза на основе теории нечетких множеств с использованием меры Сугено”, Вестник СПГУ. При- кладная математика. Информатика, т. 15, вып. 4, с. 529–543, 2019. Нечеткие логические выводы и заключения в экспертных системах … Системні дослідження та інформаційні технології, 2021, № 3 69 6. Н.А. Гудилина, Э.С. Иванова, А.В. Сибиряков, Н.В. Мехоношина, Н.Б. Росто- ва, и Р.А. Файзрахманов, “Использование кластерного анализа при разработке подходов по выбору и назначению схем лечения ВИЧ-инфицированным паци- ентам”, Бюллетень сибирской медицины, № 16 (3), c. 52–60, 2017. 7. В.А. Дюк и Д.И. Курапеев, “Применение методов интеллектуального анализа данных для оценки риска оперативного вмешательства в кардиохирургии”, Труды СПИИРАН, №9, с. 187–196, 2009. 8. S. Sridevi and S. Nirmala, “ANFIS based decision support system for prenatal detec- tion of Truncus Arteriosus congenital heart defect”, Applied Soft Computing, no. 46, pp. 577–587, 2016. 9. M.A.M. Abushariah, A.A.M. Alqudah, O.Y.Adwan, and R.M.M. Yousef, “Auto- matic Heart Disease Diagnosis System Based on Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS) Approaches”, Journal of Software Engineering and Applications, no. 07(12), pp. 1055–1064. 2014. 10. O. Castillo, P. Melin, E. Ramirez, and J. Soria, “Hybrid intelligent system for cardiac arrhythmia classification with Fuzzy K-Nearest Neighbors and neural networks combined with a fuzzy system”, Expert Systems with Applications, vol. 39, iss. 3, pp. 2947–2955, 2012. 11. C. Loganathan and K.V. Girija, “Cancer Classification using Adaptive Neuro Fuzzy Inference System with Runge Kutta Learning”, International Journal of Computer Applications, 79(4), pp. 46–50, 2013. 12. E. Al-Daoud, “Cancer Diagnosis”, Using Modified Fuzzy Network, no. 2, pp. 73–78, 2010. 13. F.C. Fernandes, L.M. Brasil, J.M. Lamas, and R. Guadagnin, “Breast cancer image assessment using an adaptative network-based fuzzy inference system”, Pattern Recognition and Image Analysis, 20(2), pp.192–200, 2010. 14. H. Min, F.J. Manion, E. Goralczyk, Y.N. Wong, E. Ross, and J.R. Beck, “Integration of prostate cancer clinical data using an ontology”, Journal of Biomedical Informat- ics, vol. 42, no. 6, pp. 1035–1045, 2009. 15. S.M. Odeh, “Using an Adaptive Neuro-Fuzzy Inference System (ANFIS) Algorithm for Automatic Diagnosis of Skin Cancer”, Journal of Communication and Computer, no. 8, pp. 751–755, 2011. 16. M.I. Obayya, N.F. Areed, and A.O. Abdulhadi, “Liver Cancer Identification using Adaptive Neuro-Fuzzy Inference System”, International Journal of Computer Appli- cations, 140(8), pp. 1–7, 2016. 17. P. Shanthakumar and P. Ganeshkumar, “Performance analysis of classifier for brain tumor detection and diagnosis”, Computers & Electrical Engineering, 45, pp. 302–311, 2015. 18. P. Thirumurugan and P. Shanthakumar, “Brain tumor detection and diagnosis using ANFIS classifier”, International Journal of Imaging Systems and Technology, 26(2), pp. 157–162, 2016. 19. L.A. Gan Lim, R.N. Maguib, E.P. Dadios, and J.M.C. Avila, “Implementation of GA-KSOM and ANFIS in the classification of colonic histopathological images”, TENCON 2012 IEEE. Region 10 Conference, pp. 123–137. 20. E.D. Übeyli, “Automatic diagnosis of diabetes using adaptive neuro-fuzzy inference systems”, Expert Systems, 27(4), pp. 259–266, 2010. 21. E. El-Khamy, R.A. Sadek, and M.A. El-Khoreby, “An efficient brain mass detection with adaptive clustered based fuzzy C-mean and thresholding”, IEEE International Conference on Signal and Image Processing Applications, pp. 429–433, 2015. 22. B. Al-Naami, M. Abu Mallouh, and A.A. Kheshman, “Automated intelligent diag- nostic of alzheimer disease based on neuro-fuzzy system and discrete wavelet transform”, Biomedical Engineering: Applications, Basis and Communications, 26(03), pp. 135–145, 2014. Поступила 01.07.2021 Ю.А. Зак ISSN 1681–6048 System Research & Information Technologies, 2021, № 3 70 INFORMATION ON THE ARTICLE Yuriy A. Zack, Dr. Tech. Sc., scientific expert, Deutschland, e-mail: yuriy_zack@hotmail.com НЕЧІТКІ ЛОГІЧНІ ВИСНОВКИ І ВИСНОВКИ В ЕКСПЕРТНИХ СИСТЕМАХ МЕДИЧНОЇ ДІАГНОСТИКИ / Ю.О. Зак Анотація. Головними проблемами під час постановки правильного діагнозу є: суб’єктивність і недостатня кваліфікація лікаря, труднощі в правильних оцін- ках скарг пацієнта і симптомів захворювання, які спостерігаються у хворого, а також особисті види подання симптомів захворювання. У публікаціях щодо застосування експертних систем медичної діагностики з використанням нечіт- кої логіки основна увага приділялася медичним особливостям проблеми. У ро- боті вперше сформульовано загальні методичні аспекти побудови таких сис- тем, створення баз даних, подання нечіткими множинами дійсних чисел, цифрових шкал, лінгвістичних і булевих даних значень симптомів. Запропоно- вано види функцій належності, які доцільно використовувати для подання симптомів захворювань. У fuzzy-логічних висновках використовуються не тільки значення характеристичних функцій логічних термів окремих симпто- мів, але і складні арифметичні функції їх значень. Ключові слова: кластерний аналіз, багатовимірні функції належності, центро- їди fuzzy-множин об’єктів і кластерів, центри тяжкості і середини перетинів нечітких множин, критерії оптимальності та алгоритми кластеризації. FUZZY LOGICAL CONCLUSIONS AND CONCLUSIONS IN EXPERT SYSTEMS OF MEDICAL DIAGNOSTICS / Yu.A. Zack Abstract. The main problems in making a correct diagnosis are: subjectivity and insufficient qualifications of the doctor, difficulties in correctly assessing the patient’s complaints, signs and symptoms of the disease observed in the patient, as well as individual manifestations of the symptoms of the disease. In publications on the use of expert systems for medical diagnostics using fuzzy logic, the main attention was paid to the medical features of the problem. In this work, for the first time, general methodological aspects of building such systems, creating databases, representing by fuzzy sets of real numbers, digital scales, linguistic and Boolean data of symptom values are formulated. The types of membership functions that are advisable to use to represent the symptoms of diseases are proposed. In fuzzy- logical conclusions, not only the values of the characteristic functions of the logical terms of individual symptoms, but also complex arithmetic functions of their values are used. Keywords: cluster analysis, multidimensional membership functions, centroids of fuzzy-sets of objects and clusters, centers of gravity and mid-sections of fuzzy sets, optimality criteria and clustering algorithms. REFERENCES 1. B.A. Kobrinsky, “Fuzziness in medicine and the need for its reflection in expert sys- tems”, System of support for making medical decisions, no. 5, pp. 6–14, 2016. 2. B.A. Kobrinsky, B.V. Marjanchik, P.A. Temin, and A.Yu. Ermakov, “Application of the technology of virtual statistics for the development of a medical diagnostic system based on knowledge”, Intellectual and information systems in medicine. Collection of articles “Monitoring and decision support”. М.-Berlin: Direct-Media, 2016, pp. 21–36. 3. N.A. Korenovsky, “The use of fuzzy decision-making logic for medical expert systems”, Medical equipment, no. 1, pp. 33–35, 2015. 4. Yu.A. Zack, Making decisions in the face of blurry and fuzzy data. M.: URSS, 2013, 352 p. 5. A.B. Gogcharova, “Formulation of a preliminary medical diagnosis based on the theory of fuzzy sets using the Sugeno measure”, Bulletin of St. Petersburg State University. Applied math. Informatics, vol. 15, iss. 4, pp. 529–543, 2019. 6. N.A. Gudilina, E.S. Ivanova, A.V. Sibiryakov, N.V. Mekhonoshina, N.B. Rostova, and R.A. Faizrakhmanov, “The use of cluster analysis in the development of approaches to Нечеткие логические выводы и заключения в экспертных системах … Системні дослідження та інформаційні технології, 2021, № 3 71 the selection and prescription of treatment regimens for HIV-infected patients”, Bulletin of Siberian Medicine, no. 16 (3), pp. 52–60, 2017. 7. V.A. Duke and D.I. Kurapeev, “Application of data mining methods to assess the risk of surgery in cardiac surgery”, Proceedings of SPIIRAS, no. 9, pp. 187–196, 2009. 8. S. Sridevi and S. Nirmala, “ANFIS based decision support system for prenatal detection of Truncus Arteriosus congenital heart defect”, Applied Soft Computing, no. 46, pp. 577–587, 2016. 9. M.A.M. Abushariah, A.A.M. Alqudah, O.Y.Adwan, and R.M.M. Yousef, “Automatic Heart Disease Diagnosis System Based on Artificial Neural Network (ANN) and Adap- tive Neuro-Fuzzy Inference Systems (ANFIS) Approaches”, Journal of Software Engi- neering and Applications, no. 07(12), pp. 1055–1064. 2014. 10. O. Castillo, P. Melin, E. Ramirez, and J. Soria, “Hybrid intelligent system for cardiac ar- rhythmia classification with Fuzzy K-Nearest Neighbors and neural networks combined with a fuzzy system”, Expert Systems with Applications, vol. 39, iss. 3, pp. 2947–2955, 2012. 11. C. Loganathan and K.V. Girija, “Cancer Classification using Adaptive Neuro Fuzzy In- ference System with Runge Kutta Learning”, International Journal of Computer Applica- tions, 79(4), pp. 46–50, 2013. 12. E. Al-Daoud, “Cancer Diagnosis”, Using Modified Fuzzy Network, no. 2, pp. 73–78, 2010. 13. F.C. Fernandes, L.M. Brasil, J.M. Lamas, and R. Guadagnin, “Breast cancer image as- sessment using an adaptative network-based fuzzy inference system”, Pattern Recogni- tion and Image Analysis, 20(2), pp.192–200, 2010. 14. H. Min, F.J. Manion, E. Goralczyk, Y.N. Wong, E. Ross, and J.R. Beck, “Integration of prostate cancer clinical data using an ontology”, Journal of Biomedical Informatics, vol. 42, no. 6, pp. 1035–1045, 2009. 15. S.M. Odeh, “Using an Adaptive Neuro-Fuzzy Inference System (ANFIS) Algorithm for Automatic Diagnosis of Skin Cancer”, Journal of Communication and Computer, no. 8, pp. 751–755, 2011. 16. M.I. Obayya, N.F. Areed, and A.O. Abdulhadi, “Liver Cancer Identification using Adap- tive Neuro-Fuzzy Inference System”, International Journal of Computer Applications, 140(8), pp. 1–7, 2016. 17. P. Shanthakumar and P. Ganeshkumar, “Performance analysis of classifier for brain tu- mor detection and diagnosis, Computers & Electrical Engineering, 45, pp. 302–311, 2015. 18. P. Thirumurugan and P. Shanthakumar, “Brain tumor detection and diagnosis using ANFIS classifier”, International Journal of Imaging Systems and Technology, 26(2), pp. 157–162, 2016. 19. L.A. Gan Lim, R.N. Maguib, E.P. Dadios, and J.M.C. Avila, “Implementation of GA- KSOM and ANFIS in the classification of colonic histopathological images”, TENCON 2012 IEEE. Region 10 Conference, pp. 123–137. 20. E.D. Übeyli, “Automatic diagnosis of diabetes using adaptive neuro-fuzzy inference sys- tems”, Expert Systems, 27(4), pp. 259–266, 2010. 21. E. El-Khamy, R.A. Sadek, and M.A. El-Khoreby, “An efficient brain mass detection with adaptive clustered based fuzzy C-mean and thresholding”, IEEE International Confer- ence on Signal and Image Processing Applications, pp. 429–433, 2015. 22. B. Al-Naami, M. Abu Mallouh, and A.A. Kheshman, “Automated intelligent diagnostic of alzheimer disease based on neuro-fuzzy system and discrete wavelet transform”, Biomedical Engineering: Applications, Basis and Communications, 26(03), pp. 135–145, 2014.
id	journaliasakpiua-article-244471
institution	System research and information technologies
keywords_txt_mv	keywords
language	Russian
last_indexed	2025-07-17T10:27:33Z
publishDate	2021
publisher	The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
record_format	ojs
resource_txt_mv	journaliasakpiua/6a/7f3d7b9c715f4a11d65ce36db90d106a.pdf
spelling	journaliasakpiua-article-2444712022-02-09T17:33:09Z Fuzzy logical conclusions and conclusions in expert systems of medical diagnostics Нечеткие логические выводы и заключения в экспертных системах медицинской диагностики Нечіткі логічні висновки і висновки в експертних системах медичної діагностики Zack, Yuriy кластерний аналіз багатовимірні функції належності центроїди fuzzy-множин об’єктів і кластерів центри тяжкості і середини перетинів нечітких множин критерії оптимальності та алгоритми кластеризації cluster analysis multidimensional membership functions centroids of fuzzy-sets of objects and clusters centers of gravity and mid-sections of fuzzy sets optimality criteria and clustering algorithms кластерный анализ многомерные функции принадлежности центроиды fuzzy-множеств объектов и кластеров центры тяжести и средины сечений нечетких множеств критерии оптимальности и алгоритмы кластеризации The main problems in making a correct diagnosis are: subjectivity and insufficient qualifications of the doctor, difficulties in correctly assessing the patient’s complaints, signs and symptoms of the disease observed in the patient, as well as individual manifestations of the symptoms of the disease. In publications on the use of expert systems for medical diagnostics using fuzzy logic, the main attention was paid to the medical features of the problem. In this work, for the first time, general methodological aspects of building such systems, creating databases, representing by fuzzy sets of real numbers, digital scales, linguistic and Boolean data of symptom values are formulated. The types of membership functions that are advisable to use to represent the symptoms of diseases are proposed. In fuzzy-logical conclusions, not only the values of the characteristic functions of the logical terms of individual symptoms, but also complex arithmetic functions of their values are used. Главными проблемами при установлении правильного диагноза являются: субъективность и недостаточная квалификация врача, трудности в правильных оценках жалоб пациента, признаков и симптомов заболевания, наблюдаемых у больного, а также различные виды представления симптомов заболевания. В публикациях по применению экспертных систем медицинской диагностики с использованием нечеткой логики основное внимание уделялось медицинским особенностям проблемы. Впервые сформулированы общие методические аспекты построения таких систем, создания баз данных, представления нечеткими множествами действительных чисел, цифровых шкал, лингвистических и булевых данных значений симптомов. Предложены виды функций принадлежности, которые целесообразно использовать для представления симптомов заболеваний. В fuzzy-логических выводах используются не только значения характеристических функций логических термов отдельных симптомов, но и сложные арифметические функций их значений. Головними проблемами під час постановки правильного діагнозу є: суб’єктивність і недостатня кваліфікація лікаря, труднощі в правильних оцінках скарг пацієнта і симптомів захворювання, які спостерігаються у хворого, а також особисті види подання симптомів захворювання. У публікаціях щодо застосування експертних систем медичної діагностики з використанням нечіткої логіки основна увага приділялася медичним особливостям проблеми. У роботі вперше сформульовано загальні методичні аспекти побудови таких систем, створення баз даних, подання нечіткими множинами дійсних чисел, цифрових шкал, лінгвістичних і булевих даних значень симптомів. Запропоновано види функцій належності, які доцільно використовувати для подання симптомів захворювань. У fuzzy-логічних висновках використовуються не тільки значення характеристичних функцій логічних термів окремих симптомів, але і складні арифметичні функції їх значень. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2021-09-30 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/244471 10.20535/SRIT.2308-8893.2021.3.05 System research and information technologies; No. 3 (2021); 55-71 Системные исследования и информационные технологии; № 3 (2021); 55-71 Системні дослідження та інформаційні технології; № 3 (2021); 55-71 2308-8893 1681-6048 ru https://journal.iasa.kpi.ua/article/view/244471/242326
spellingShingle	кластерний аналіз багатовимірні функції належності центроїди fuzzy-множин об’єктів і кластерів центри тяжкості і середини перетинів нечітких множин критерії оптимальності та алгоритми кластеризації Zack, Yuriy Нечіткі логічні висновки і висновки в експертних системах медичної діагностики
title	Нечіткі логічні висновки і висновки в експертних системах медичної діагностики
title_alt	Fuzzy logical conclusions and conclusions in expert systems of medical diagnostics Нечеткие логические выводы и заключения в экспертных системах медицинской диагностики
title_full	Нечіткі логічні висновки і висновки в експертних системах медичної діагностики
title_fullStr	Нечіткі логічні висновки і висновки в експертних системах медичної діагностики
title_full_unstemmed	Нечіткі логічні висновки і висновки в експертних системах медичної діагностики
title_short	Нечіткі логічні висновки і висновки в експертних системах медичної діагностики
title_sort	нечіткі логічні висновки і висновки в експертних системах медичної діагностики
topic	кластерний аналіз багатовимірні функції належності центроїди fuzzy-множин об’єктів і кластерів центри тяжкості і середини перетинів нечітких множин критерії оптимальності та алгоритми кластеризації
topic_facet	кластерний аналіз багатовимірні функції належності центроїди fuzzy-множин об’єктів і кластерів центри тяжкості і середини перетинів нечітких множин критерії оптимальності та алгоритми кластеризації cluster analysis multidimensional membership functions centroids of fuzzy-sets of objects and clusters centers of gravity and mid-sections of fuzzy sets optimality criteria and clustering algorithms кластерный анализ многомерные функции принадлежности центроиды fuzzy-множеств объектов и кластеров центры тяжести и средины сечений нечетких множеств критерии оптимальности и алгоритмы кластеризации
url	https://journal.iasa.kpi.ua/article/view/244471
work_keys_str_mv	AT zackyuriy fuzzylogicalconclusionsandconclusionsinexpertsystemsofmedicaldiagnostics AT zackyuriy nečetkielogičeskievyvodyizaklûčeniâvékspertnyhsistemahmedicinskojdiagnostiki AT zackyuriy nečítkílogíčnívisnovkiívisnovkivekspertnihsistemahmedičnoídíagnostiki

Нечіткі логічні висновки і висновки в експертних системах медичної діагностики

Institution

Ähnliche Einträge