Кибернетическая

медицина 2015
Успех или
Мистификация ?
Сергей Добриднюк,
«Диасофт Системы»
резидент ИЦ «Сколково»
 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

Кибернетика – наука об общих Искусственный интеллект

закономерностях процессов
управления и передачи
информации в технических,
живых и социальных системах
(artificial intelligence, AI) –
свойство автоматических
систем брать на себя
отдельные функции человека,
в том числе когнитивные и
творческие

=
 Кибернетические системы

Экспертные модели
Регрессионные модели
Деревья решений
Нейронные сети
 Экспертные модели

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

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

Недостатки
«Улучшение» или «ухудшение» общего
целевого балла, если рассматриваемые
входные параметры коррелируют
между собой
 Примеры ИС, использующих экспертные
модели
WebMD Checker – диагностика по симптомам
PROTEGE – набор инструментов для построения баз знаний
DXPlain - системы поддержки клинических решений, используется для
ассистирования в процессе диагностики
CASNET предназначена для диагностики и выбора стратегии лечения
глаукомы
MYCIN, EMYCIN - диагностика и лечение инфекционных заболеваний
крови
Germwatcher - помощь больничному эпидемиологу. Включает базу
знаний, основанную на правилах, используется для генерации гипотез о
возможных инфекциях
PEIRS интерпретирует и комментирует отчеты по химическим патологиям
Puff - предназначена для интерпретации результатов
функционального пульмонологического теста на основе прецедентной
информации
HELP –госпитальная ИС с функциями поддержки принятия решений
 Регрессионные модели

Принцип
Построение полинома (чаще лог-регрессия)
на основе обучающей выборки
Достоинства
• 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
 Точность статистических моделей

Перем Коэффиц
енная Параметр иент
1 Число случаев беременности 0.1232
2 Концентрация глюкозы 0.0352
3 Артериальное диастолическое -0.0133
давление, мм. рт. ст.
4 Толщина кожной складки 0.0006
трехглавой мышцы, мм.
2-х часовой сывороточный
5 -0.0012
инсулин
6 Индекс массы тела 0.0897
Числовой параметр
7 0.9452
наследственности диабета
8 Возраст, лет 0.0149
confusion Фактически
matrix
Модель Положит. Отрицат.
*) Из UCI machine learning repository
Положит. TP FP
www.basegroup.ru
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

Принцип
Построение дерева (обычно С4.5) на основе
обучающей выборки

Достоинства
• 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
 Нейронные сети

Принцип
Модель самообучающихся сетей,
имитирующих работу человеческого мозга

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

San-Diego Univ. – разпознавание инфаркта у больных с острой болью

MYCIN–ECD – расшифровка ЭКГ
RES Informatica – кардиодиагностика по спектрам тахограмм
Toronto Univ. – прогноз пребывания в интенсивной терапии
Mayo Clinic – распознавание маммограм
ТРИНИТИ – выбор метода лечения базалиомы
Multineuron – диагностика меланомы
NCI – предсказание механизма действия химиотерапии
НИИЯФ МГУ – анализ заболеваний органов слуха
Sindey Univ – прогноз внезапной смерти новорожденных
Papnet – скрининг и интерпретация пап-мазков
Vienna Univ. – анализ биопсии простаты и урологических анализов
Aizenberg – фильтрация и сегментация томограмм мозга
Rajapakse – анализ рентгенограмм вн. органов: печень, почки
Dokur – анализ 4 специфичных волн ЭКГ при аритмии
KBANN – классификация МРТ (фосфор и пр) в онкологии
Kaiser 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»

Можно ли Нужны системы,

эффективно распознающие Когнитивные
отвечать на контекст и смысл
вопросы, если сказанного, системы,
действуешь умеющие Искусственный
механически, не исполнять
понимая смысл творческие интеллект
вопроса ? функции человека
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 данных

Не 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 !