Математика/2. Перспективы информационных систем

Д.т.н. Янковская А.Е.^1,2, Китлер С.В.³, Силаева А.В.⁴

¹Томский государственный университет,

²Томский государственный архитектурно-строительный университет,

³Томский государственный университет систем управления и радиоэлектроники,

⁴Сибирский государственный медицинский университет,

Россия

К вопросу построения интеллектуальных систем диагностики и профилактики депрессии

Актуальность создания интеллектуальных систем (ИС) и развития алгоритмов, лежащих в основе ИС, для слабоструктурированных областей, к каковым относятся медицина, психология, геология, является очевидной [1-4]. В настоящее время особенно актуальными темами исследований в практическом здравоохранении являются психические и поведенческие расстройства, в частности, аффективные. При выявлении расстройств настроения применяются диагностические критерии международной классификации болезней 10-го пересмотра (МКБ-10) [5], а также клинико-психологические опросники [6-9]. Однако, задача создания интеллектуальных систем выявления различного рода закономерностей, качественной и своевременной диагностики и профилактики этих расстройств остается открытой, также как и создание ИС экспресс-диагностики.

В лаборатории Интеллектуальных систем Томского государственного архитектурно-строительного университета под руководством А.Е. Янковской проводятся исследования по разработке интеллектуальных систем выявления закономерностей и принятия решений диагностического, организационно-управленческого характера, например, ИС выявления социально-психологических факторов в условиях коммуникативного стресса в учебном процессе [10]; ИС ДИАКОР-КС [11, 12], предназначенной для диагностики и коррекции коммуникативного стресса; гибридной ИС-ДКОС, предназначенной для диагностики и коррекции организационного стресса [13]; а также ИС экспресс-диагностики, например, упрощенной ИС диагностики и интервенции (коррекции) организационного стресса ДИОС [14]; диагностики и профилактики депрессии (ДИАПРОД) [15-17].

Весьма актуальна проблема создания ИС выявления различного рода логических закономерностей, а также диагностики и профилактики депрессии (ДИАПРОД-ЛОГ), по сути дела в комплексе решающей задачи выявления закономерностей и принятия решений. Именно основам создания интеллектуальной системы ДИАПРОД-ЛОГ, базируемой на логических методах тестового распознавания образов, и интеллектуальной системы экспресс-диагностики ДИАПРОД, основанной на нечёткой и пороговой логике, посвящается данная работа.

Отметим, что построение интеллектуальных систем для диагностики и профилактики депрессии актуально не только для практического здравоохранения, но и для проведения научных исследований в образовательных целях при подготовке специалистов в сфере охраны психического здоровья.

В данном докладе описывается рассматриваемая проблемная область, приводятся основы математического аппарата создания интеллектуальных систем по диагностике депрессии, даётся описание интеллектуальных систем ДИАПРОД-ЛОГ и ДИАПРОД.

Рассматриваемая проблемная область

Согласно данным Всемирной Организации Здравоохранения (ВОЗ), примерно 4-5% населения всего мира страдает депрессивным расстройством, при этом риск заболеть депрессией в течение жизни достигает 20%. Депрессия относится к аффективным расстройствам, иногда имеет рецидивирующий характер (повторные эпизоды возникают примерно у 60% больных) [18]. Также отмечается высокий риск возникновения суицидальных тенденций. Около 15% лиц, страдающих депрессией, совершают суицид. Среди всех случаев самоубийств в 60% их причиной являются депрессии [18]. Таким образом, смертность при депрессиях лишь немного уступает смертности от сердечно-сосудистых заболеваний. Поэтому, необходимость создания интеллектуальных систем диагностики и экспресс-диагностики депрессии, а также выявления различного рода закономерностей, принятия диагностических и профилактических решений по депрессии не вызывает сомнения.

Рассмотрим исследуемую проблемную область. Особенности создания интеллектуальных систем в сфере охраны психического здоровья населения имеет много общего с особенностями создания биомедицинских систем [3, 10], а также систем в сфере медицины катастроф и военной медицины [19]. В разрабатываемых нами интеллектуальных системах ДИАПРОД-ЛОГ и ДИАПРОД учитываются, сформулированные ранее, особенности создания интеллектуальных систем по биомедицине, медицине катастроф и военной медицине, а также ряд особенностей, перечисленных ниже:

1) необходимость вычисления статистических показателей в исследуемых районах, поскольку справочные статистические данные существенно отличаются в разных регионах и некорректное их использование приведет к искажению результатов принятия решений;

2) необходимость построения автоматического формирователя знаний по оценке здоровья населения, поскольку эксперты не в состоянии представить диагностические решения без необходимых вычислений на основе информации о значениях и значимости (положительных и отрицательных целочисленных весовых коэффициентов) признаков;

3) стандарты проведения психологического обследования не предполагают длительной процедуры диагностики;

4) необходимость задания вероятности единичного значения (нечёткости) того или иного параметра;

5) необходимость структурирования данных и знаний по разным уровням биосистем (биофизический, биохимический, морфологический уровень с подуровнями: внутриклеточные структуры, клеточный, органный и системный);

6) необходимость межуровневых, межподуровневых связей;

7) необходимость преобразования символьной информации в образы, тождественные либо подобные биологическим объектам, на различных этапах выявления закономерностей и принятия решений;

8) учёт неоднозначности толкования взаимосвязей и причинно-следственных связей;

9) учет влияния на структуру и функции биосистем внешних факторов (психологических, генетических, экологических, социальных, климато-географических и др.);

10) отсутствие во многих случаях или нечёткие представления о временных параметрах биологических процессов;

11) необходимость учета массовости обследования контингента и своевременного принятия решений по диагностике и профилактике психических расстройств.

Поскольку рамки доклада ограничены, в настоящем докладе при изложении основ математического аппарата создания интеллектуальных систем и описании ИС будут учтены не все вышеперечисленные особенности.

Основы математического аппарата создания интеллектуальной системы ДИАПРОД-ЛОГ

Для дальнейшего изложения воспользуемся понятиями и определениями, введёнными в публикациях [20, 21]. Математический аппарат ИС ДИАПРОД-ЛОГ основан на логических методах тестового распознавания образов [20]. Для представления данных и знаний в ИС ДИАПРОД-ЛОГ применяется матричная модель [21] (рис. 1), включающая целочисленную матрицу описаний (Q), задающую описание объектов в пространстве характеристических признаков z₁,z₂,...,z_m и целочисленную матрицу различений (R), задающую разбиение объектов на классы эквивалентности по каждому механизму классификации. Если значение признака несущественно для объекта, то данный факт отмечается прочерком ("–") в соответствующем элементе матрицы Q. Для каждого признака z_j (jÎ{1, 2,…m}) задаётся интервал изменения его значений.

Множество всех неповторяющихся строк матрицы R сопоставлено множеству выделенных образов, представленных одностолбцовой матрицей R', элементами которой являются номера образов.

Рис. 1. Матричное представление данных и знаний.

Данная модель позволяет представлять не только данные, но и знания экспертов, поскольку одной строкой матрицы Q можно задавать в интервальной форме подмножество объектов, для которых характерны одни и те же итоговые решения, задаваемые соответствующими строками матрицы R.

Диагностическим тестом (ДТ) [21] называется совокупность признаков, различающих любые пары объектов, принадлежащих разным образам. Диагностический тест называется безызбыточным (тупиковым [20]), если содержит безызбыточное количество признаков. Безызбыточный безусловный диагностический тест (ББДТ) характеризуется одновременным предъявлением всех входящих в него признаков исследуемого объекта при принятии решений.

Определение закономерностей в данных и знаниях приведено в публикации [21]. К закономерностям будем относить константные (принимающие одно и то же значение для всех образов), устойчивые (константные внутри образа, но не являющиеся константными), неинформативные (не различающие ни одной пары объектов), альтернативные (в смысле включения в ДТ), зависимые (в смысле включения подмножеств различимых пар объектов), несущественные (не входящие ни в один безызбыточный ДТ), обязательные (входящие во все безызбыточные ДТ), псевдообязательные (не являющиеся обязательными, но входящие во все ББДТ, участвующие в принятии решений) признаки, а также все минимальные и все (либо часть при большом признаковом пространстве) безызбыточные различающие подмножества признаков, являющиеся, по сути, соответственно минимальными и безызбыточными ДТ.

Для выявления различного рода закономерностей при построении ББДТ применяется процедура построения матрицы импликаций (U) [21].

Матрица U представляет собой целочисленную матрицу, столбцы которой сопоставлены столбцам матрицы Q, а строки – всевозможным парам объектов v, l из разных образов a, b соответственно (классов при фиксированном механизме классификации); vÎ{1,2,...,σ(Q^a)}, lÎ{1,2,...,σ(Q^b)}, где σ(Q^a) (σ(Q^b)) – количество строк в подматрице Q^a (Q^b) матрицы Q. Строка U_i матрицы U представляет собой значение целочисленной вектор-функции различения, j-я (jÎ{1,2,...,m}) компонента u_i,j которой вычисляется по формуле:

,

где () – значение признака z_j для объекта v (l), а iÎ{1,2,...,s} – множество строк матрицы U.

Будем говорить, что строка U_d поглощает строку U_ρ , если .

Безызбыточной матрицей импликаций назовем такую матрицу U', в которой отсутствуют поглощающие строки [21].

По матрице U' выявляются различного рода закономерности с целью сокращения признакового пространства, определения наиболее значимых признаков и оценки величины их значимости [22]. Также с применением логико-комбинаторных алгоритмов определяются все безызбыточные столбцовые покрытия матрицы U' [22], задающие по сути все ББДТ. По построенным ББДТ принимается решение, к какому образу принадлежит исследуемый объект, как правило, не входящий в обучающую выборку.

Основы математического аппарата создания интеллектуальной системы экспресс-диагностики ДИАПРОД

В целях полноты изложения данного доклада представим математический аппарат создания ИС ДИАПРОД [15-17]. В основу создания ИС ДИАПРОД положен математический аппарат, базируемый на пороговой и нечеткой логике, принятии диагностических и профилактических решений, разнообразных графических, включая когнитивные, средствах визуализации решений.

Для экспресс-диагностики депрессии был сконструирован опросник [15], включающий вопросы, выявляющие одну из 3-х степеней тяжести депрессии (легкая, средняя, тяжелая). В основе опросника лежат диагностические критерии международной классификации болезней десятого пересмотра (МКБ-10) [5] и концепция А.Бека [6], позволяющая учитывать степень усиления (выраженности) симптомов (признаков).

Для выявления депрессии и значений (форм) её тяжести используется совокупность признаков и степень их выраженности.

Значения признаков находятся в интервале [0, 1], а количество значений каждого признака равно 5 (0; 0,25; 0,5; 0,75; 1). Такая детализация позволяет сделать диагностику депрессии более точной и дать качественную интерпретацию состояния обследуемого, снабдить его индивидуальной подобранной рекомендацией по профилактике депрессии.

В МКБ-10 для постановки диагноза принимается во внимание факт отсутствия или наличия симптома, в ИС ДИАПРОД используется описание 5-ти градаций признаков в зависимости от их продолжительности: «нет» – отсутствует (0), «редко» – симптом наблюдается в течение 2-3 дней на протяжении 2-х последних недель (0,25), «иногда» – 3-5 дней на протяжении 2-х последних недель (0,5), «часто» – 6 и более дней на протяжении 2-х последних недель (0,75), «постоянно» – ежедневно на протяжении 2-х последних недель (1).

Для принятия диагностического решения применяется пороговая функция f(x).

Если a₁x₁+ …+ a_ix_i+… +a_nx_n ≥ b_jk,

то f(x)=1,

иначе f(x)=0,

где a_i – степень выраженности i-го признака (симптома), где i Î {1, n}, a_i Π{0, 0.25, 0.5, 0.75, 1}; x_i – i-й признак для каждой j-й степени тяжести депрессии, где jÎ {1, 2, 3}; n=3 – количество симптомов для каждой степени тяжести депрессии по основным симптомам; n=7 – количество симптомов для каждой степени тяжести депрессии по дополнительным симптомам; b_jk – порог, kÎ {1, 2}, где k – признак наличия основных (k=1) и дополнительных (k=2) симптомов.

Основанием для принятия диагностических решений по каждой степени тяжести депрессии по основным симптомам является выполнение критерия превышения порога b_j1=2, а по дополнительным симптомам величина порогов определяется следующими интервалами: 2≤b₁₂<2,5; 2,5≤b₂₂<4; b₃₂≥ 4.

Значение порогов базируется на МКБ-10 и концепции А. Бека. Анализ признаков позволяет проводить экспресс-диагностику по выявлению депрессии и её степени тяжести.

Описание интеллектуальной системы экспресс-диагностики ДИАПРОД-ЛОГ

Создаваемая ИС ДИАПРОД-ЛОГ будет реализована в виде динамически подключаемого модуля к интеллектуальному инструментальному средству (ИИС) ИМСЛОГ [23], на базе которого строятся прикладные интеллектуальные системы. Модуль разрабатывается на основе программой среды Borland C++ Builder. Входными данными модуля являются матрицы Q и R, диапазон измерения характеристических признаков. Выходными данными являются принятие решение по выявлению депрессии у обследуемого. Библиотека классов модуля содержит математические объекты (целочисленные векторы и целочисленные матрицы), динамически создаваемые, обрабатываемые и удаляемые по мере необходимости.

Программная реализация ИИС ИМСЛОГ выполнена с использованием системы программирования Borland C++ Builder, а также API и GUI операционной среды Windows.

Один модуль реализован как резидентный, имеет встроенную систему команд, выполняет функции координирующего центра и называется ядром. Все остальные модули являются динамически подключаемыми, называются плагинами и подразделяются на функциональные модули, модули системных данных и базовый модуль интеллектуального пользовательского интерфейса.

Описание интеллектуальной системы экспресс-диагностики ДИАПРОД

ИС ДИАПРОД реализует, как и в системе ДИОС [14], упрощенный ускоренный пошаговый, основанный на пороговой и нечеткой логике алгоритм диагностики депрессии. ИС ДИАПРОД позволяет диагностировать наличие или отсутствие депрессии, а также её тяжесть на основе критериев МКБ-10 и концепции А. Бека и формировать профилактические решения на базе научных литературных данных и знаний экспертов.

На рис. 2 представлена блок-схема работы ИС ДИАПРОД.

Рис 2. Блок-схема работы системы экспресс-диагностики ДИАПРОД

Аналогично интеллектуальной системе ДИОС в ИС ДИАПРОД применяются когнитивные средства.

ИС ДИАПРОД реализует следующие функции: ввод анкетных данных об обследуемом; извлечение признаков (симптомов) с целью выявления наличия депрессии той или иной степени тяжести и её диагностирование на основе пороговой и нечёткой логики, а также обоснование диагностических решений; вывод с применением когнитивных средств и формирование заключения по диагностическим и профилактическим решениям депрессии.

ИС ДИАПРОД содержит: базу данных и знаний, в которой хранятся данные и знания об обследуемых такие, как фамилия, имя, отчество; год рождения; пол; место работы/учёбы; e-mail; математический аппарат; опросник, содержащий основные и дополнительные вопросы для выявления и определения степени тяжести депрессии; результаты экспресс-диагностики обследуемых; иллюстрации.

Данные об обследуемых и их экспресс-опросах, аналогично ИС ДИОС, выводятся в виде древовидного списка в левой части главного окна ИС ДИАПРОД, при этом "Фамилия Имя Отчество" обследуемого является корневым узлом для коллекции дочерних узлов, соответствующих данным об экспресс-опросах.

При выделении фамилии обследуемого, раскрывается дочерний список экспресс-опросов по данному обследуемому. В режиме экспресс-опроса в ИС ДИАПРОД в отдельном диалоговом окне выводятся вначале основные, а затем дополнительные вопросы опросника, на которые пользователь может ответить, выбрав один из предложенных вариантов ответов.

После подтверждения пользователем правильности введенных ответов, результаты экспресс-опроса сохраняются в базе данных и применяются для формирования заключений по диагностике и профилактике депрессии.

Программная реализация ИС ДИАПРОД выполняется с использованием средств Borland C++ Builder.

ИС ДИАПРОД ориентирована на семейство операционных систем Windows XP и выше. В настоящее время для работы с базой опросника используется Borland Database Engine для 32-х разрядных систем.

Заключение

Описана исследуемая проблемная область создания и развития интеллектуальных систем по диагностике и профилактике депрессии на основе различных методов, например, тестовых методов распознавания образов и пороговой и нечеткой логики.

Приведены основы математического аппарата создания ИС ДИАПРОД-ЛОГ, базируемой на методах тестового распознавания образов, выявления различного рода закономерностей, принятия и обоснования решений и ИС ДИАПРОД, базируемой на пороговой и нечёткой логике, принятии диагностических и профилактических решений, разнообразных графических, включая когнитивные, средствах визуализации решений.

Дано описание интеллектуальных систем ДИАПРОД-ЛОГ и ДИАПРОД.

Применение предложенных интеллектуальных систем ДИАПРОД-ЛОГ и ДИАПРОД позволит своевременно осуществлять диагностику депрессии, определять степень её тяжести, принимать профилактические решения, а также, на основе диагностических и профилактических решений формировать экспертное заключение.

Дальнейшие исследования посвящены созданию комплекса интеллектуальных систем диагностики и профилактики депрессии на основе разрабатываемых ИС ДИАПРОД-ЛОГ и ИС ДИАПРОД, апробации ИС ДИАПРОД-ЛОГ и ИС ДИАПРОД в целях исследования психологического здоровья населения в Томском регионе с использованием интеллектуального расширения геоинформационных систем (ГИС) [24], а также внедрению разрабатываемого интеллектуального расширения ГИС в других регионах России.

Работа выполнена при финансовой поддержке РФФИ (проекты № 10-01-00462-а, №11-07-98015_р-сибирь_а и №12-07-31109-мол_а).

Литература

1. Кобринский Б.А. Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта. – 2005. – № 2. – С.6-17.

2. Кузнецов О. П. Интеллектуализация поддержки управляющих решений и создание интеллектуальных систем // Специальный выпуск журнала «Проблемы управления». – 2009. – Т. 1, № 3. – С. 64-72.

3. Yankovskaya A.E., Il'inskikh N.N. On the Question of the Development and Application of Intelligent Biomedical Systems // Pattern Recognition and Image Analysis. – 1998. – Vol. 8, No, 3. – P.470-472.

4. Янковская А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики // Компьютерная хроника. – 1994. – №8/9. – С. 61-83.

5. МКБ-10 (Международная статистическая классификация болезней) Московский центр ВОЗ. : – М: Медицина, 2003. – 924 с.

6. Beck A.T., Ward C., Mendelson M. Beck Depression Inventory (BDI) / Arch Gen Psychiatry. – 1961. – Vol.4. - № 6. – Р. 561-571.

7. Zung W.W.K., Durham N.C. A self-rating depression scale // Arch Gen Psychiatry. – 1965. – No 12. – Р. 63-70.

8. Montgomery S.A., Asberg M. A new depression scale designed to be sensitive to change // Br J Psychiatry. – 1979. – No. 134. – P. 382-389.

9. Hamilton M. A rating scale for depression // J Neural Neurosurg Psychiatry. – 1960. – No. 23. – Р. 56-62.

10. Янковская А.Е., Рождественская Е.А. Выявление социально-психологических факторов в условиях коммуникативного стресса в учебном процессе с использованием интеллектуальной системы // Психологический универсум образования человека ноэтического. Материалы Международного симпозиума. – Томск, 1998. - С. 184-186.

11. Янковская А.Е., Муратова Е.А., Аметов Р.В., Рождественская Е.А. Интеллектуальная информационная система для диагностики состояний коммуникативного стресса // Интеллектуальные системы (AIS'06), Интеллектуальные САПР (CAD-2006). Труды Международной научно-технической конференции. – Т. 1., Москва: Физматлит, 2006. – С.258-266.

12. Янковская А.Е., Казанцева Н.В., Корнетов Н.А., Черногорюк Г.Э. Концептуализация создания современной интеллектуальной информационной технологии диагностики и коррекции состояний коммуникативного стресса на рабочем месте // Современные информационные и телемедицинские технологии для здравоохранения. Матер. II Межд. конф., Минск: ОИПИ НАН Беларуси, 2008. – С. 349-353.

13. Янковская А.Е., Китлер С.В. Гибридная интеллектуальная система диагностики и коррекции организационного стресса, основанная на сочетании матричного и критериального подходов // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сб. научн. тр. VI-й Межд. научно-техн. конф. – Т. 2, М.: Физматлит, 2011. – С. 832-843.

14. Yankovskaya A.E., Ametov R.V., Kitler S.V. Decision-Making for Diagnostic and Intervention of Organizational Stress in Intelligent System DIOS // Proceedings of 8th Open German-Russian Workshop «Pattern Recognition and Image Understanding» OGRW-8-11, Nizhny Novgorod, 2011. – P. 353-356.

15. Янковская А.Е., Силаева А.В., Ракитин С.С. Информационная технология диагностики и профилактики депрессии обследуемых, основанная на пороговой и нечеткой логике // Доклады международной конференции "Новые информационные технологии и менеджмент качества" (NIT&QM' 2012). Редкол.: А.Н. Тихонов (пред.) и др. ФГАУ ГНИИ ИТТ "Информатика". - М.: ООО "Арт-Флэш", 2012. – С. 179-182.

16. Янковская А.Е., Китлер С.В., Силаева А.В., Ракитин С.С. Интеллектуализация поддержки принятия диагностических и профилактических решений по депрессии на основе интеллектуальной системы ДИАПРОД // Интеллектуализация обработки информации: 9-я межд. конф.: Сборник докладов. – М. Торус Пресс, 2012. – С. 569-572.

17. Янковская А.Е., Китлер С.В., Аметов Р.В. Основы создания интеллектуальной системы экспресс-диагностики и профилактики депрессии // Труды конгресса по интеллектуальным системам и информационным технологиям "IS&IT'12". Научное издание в 4-х томах. – М.: Физматлит, 2012. – Т. 2. – С. 265-272.

18. Депрессия [Электронный ресурс] // Информационный бюллетень Всемирной организации здравоохранения (ВОЗ). – 2012. - № 369. – Режим доступа: http://www.who.int/mediacentre/factsheets/fs369/ru/. Дата обращения: 14.10.2012.

19. Янковская А.Е., Приходько А.Н., Кошелев В.П. Динамическая экспертная система принятия организационных решений при ликвидации последствий катастроф // Военно-медицинский журнал. – 1992. – № 10. – С. 16-18.

20. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и анализ изображений// Искусственный интеллект в 3-х кн. Книга 2. Модели и методы: Справочник/ Под ред. Д.А. Поспелова. Москва: Радио и связь. – 1990. – С. 149-191.

21. Янковская А.Е. Логические тесты и средства когнитивной графики. Издательский Дом: LAP LAMBERT Academic Publishing. – 2011. – 92 с.

22. Kolesnikova S.I., Yankovskaya A.E. Estimation of Significance of Features for Tests in Intelligent Systems// Journal of Computer and Systems Sciences International. – 2008. – Vol. 47, No 6. – pp. 930-943.

23. Yankovskaya A.E., Gedike A.I., Ametov R.V., Bleikher A.M. IMSLOG-2002 Software Tool for Supporting Information Technologies of Test Pattern Recognition// Pattern Recognition and Image Analysis. – 2003. – Vol. 13. – No. 2. – P. 243-246.

24. Yankovskaya A., Semenov M. To the problem about the intelligent extension construction of the geoinformational systems // Pattern Recognition and Image Understanding. Proceedings of 8th Open German-Russian Workshop (OGRW-8-11), Nizhny Novgorod: Nizhny Novgorod Lobachevsky State University, 2011. – P. 349-352.