Заказать курсовые, контрольные, рефераты...
Образовательные работы на заказ. Недорого!

Методы решения задачи медицинской диагностики на основе математической модели предметной области

Диссертация: Методы решения задачи медицинской диагностики на основе математической модели предметной области
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Личный вклад автора. Все результаты, составляющие основное содержание диссертационной работы, получены автором самостоятельно. В работах автором разработана и формализована модель онтологии медицинской диагностики, основанная на знаниях экспертов. В работах автором описан метод медицинской диагностики и реализующий его алгоритм. В работах автор разработал концепцию программной системы, а в работе… Читать ещё >

Содержание

  • ГЛАВА 1. Системы медицинской диагностики, основанные на знаниях
    • 1. 1. Общая характеристика систем медицинской диагностики
    • 1. 2. Используемые в экспертных системах модели медицинской диагностики, основанные на онтологиях
    • 1. 3. Задачи, решаемые существующими системами медицинской диагностики
    • 1. 4. Методы решения задачи медицинской диагностики и их свойства
    • 1. 5. Элементы оптимизации в системах медицинской диагностики
    • 1. 6. Особенности реализации систем медицинской диагностики
    • 1. 7. Экспериментальное исследование и практическое применение систем медицинской диагностики
    • 1. 8. Выводы
  • ГЛАВА 2. Математическая модель онтологии предметной области «медицинская диагностика»
    • 2. 1. Неформальное описание онтологии предметной области «медицинская диагностика»
      • 2. 1. 1. Неформальное описание действительности
      • 2. 1. 2. Неформальное описание знаний
    • 2. 2. Расширение языка прикладной логики «Категории» и модернизированная прикладная логическая теория «Определение разбиений»
      • 2. 2. 1. Расширение «Категории»
      • 2. 2. 2. Прикладная логическая теория «Определение разбиений»
    • 2. 3. Базовые понятия и онтологические соглашения, описывающие знания и действительность предметной области
      • 2. 3. 1. Базовые понятия и онтологические соглашения, описывающие знания предметной области (параметры модели онтологии)
    • I. 2.3.2. Базовые, понятия и онтологические. соглашения, описывающие действительность предметной области (неизвестные модели онтологии)

    2.4. Термины знаний и действительности, описывающие различные причинно-следственные связи, их ограничения целостности, а также онтологические соглашения о соответствии между знаниями и действительностью.

    2.4.1. Термины знаний и действительности, описывающие нормальные ч реакции, и онтологические соглашения о соответствии между ними. 42 !

    2.4.2. Термины знаний и действительности, описывающие реакции на воздействие событий, и онтологические соглашения о соответствии между ними.

    2.4.3. Термины знаний и действительности, описывающие клинические проявления заболеваний, и онтологические соглашения о соответствии между ними.

    2.4.4. Термины знаний и действительности, описывающие клинические проявления заболеваний, изменённые воздействием событий, и онтологические соглашения о соответствии между ними.

    2.4.5. Термины знаний и действительности, описывающие этиологии, и онтологические соглашения о соответствии между ними.

    2.4.6. Термины знаний и действительности, описывающие осложнения, и онтологические соглашения о соответствии между ними.

    2.4.7. Общие термины и онтологические соглашения, используемые для описания причинно-следственных связей.

    2.5. Термины и соглашения, описывающие интервалы развития признака и причины заболеваний.

    2.5.1. Термины и соглашения, описывающие интервалы развития признака.

    2.5.2. Описание причин заболеваний, входящих в диагноз.

    2.6. Выводы.

    ГЛАВА 3. Задача медицинской диагностики и методы её решения.

    3.1. Постановки задач медицинской диагностики.

    3.2. Метод решения частной обратной задачи медицинской диагностики.

    3.3. Алгоритм решения частной обратной задачи медицинской диагностики.

    3.3.1. Описание подзадач.

    3.3.2. Описание данных.

    3.3.3. Алгоритмы подзадач.

    3.3.4. Теоремы об остановке и корректности алгоритма.

    3.4. Оптимизация метода решения частной обратной задачи медицинской диагностики.

    3.4.1. Сокращение переборов.

    3.4.2. Алгоритм анализа базы знаний.

    3.4.3. Модифицированный алгоритм медицинской диагностики.

    3.4.4. Распараллеливание алгоритма медицинской диагностики.

    3.4.5. Теорема об эквивалентности оптимизированной и исходной версий алгоритма.

    3.5. Выводы.

    ГЛАВА 4. Компьютерный банк знаний по медицинской диагностике.

    4.1. Общие принципы создания банка знаний по медицинской диагностике.

    4.2. Информационное наполнение банка знаний по медицинской диагностике.

    4.3. Задачи, решаемые с помощью банка знаний пользователями различных типов, и соответствующее им программное наполнение.

    4.4. Реализация прототипа банка знаний по медицинской диагностике.

    4.4.1. Общие сведения.

    4.4.2. Сведения о реализации решателя задачи медицинской диагностики.

    4.4.3. Сведения о реализации параллельного модифицированного алгоритма медицинской диагностики.

    4.4.4. Сведения о реализации публикатора.

    4.5. Выводы.

    ГЛАВА 5. Экспериментальное исследование алгоритма медицинской диагностики и подсистемы медицинской диагностики в составе прототипа банка знаний.

    5.1. Общие сведения об экспериментальном исследовании временной сложности параллельного модифицированного алгоритма медицинской диагностики.

    5.2. Результаты исследования производительности алгоритма.

    5.2.1. Зависимость времени работы алгоритма от количества заболеваний.

    5.2.2. Зависимость времени работы алгоритма от количесгва признаков.

    5.2.3. Зависимость времени работы алгоритма от количества моментов наблюдения признаков.

    5.2.4. Зависимость времени работы алгоритма от количества наблюдаемых событий

    5.3. Результаты исследования практической применимости разработанного прототипа банка знаний.

    5.4. Выводы.

Методы решения задачи медицинской диагностики на основе математической модели предметной области (реферат, курсовая, диплом, контрольная)

Актуальность работы. Системы медицинской диагностики являются одним из приложений методов искусственного интеллекта. Их разработка имеет целью помочь врачу избежать собственных ошибок. Задачей таких систем является определение заболевания, которым болен пациент, на основе данных о его наблюдениях и построение объяснения принятого решения.

Значительный вклад в разработку систем медицинской диагностики для ЭВМ внесли отечественные и зарубежные ученые: H.H. Амосов, И. П. Быховский, A.A. Вишневский, И. М. Гельфанд, Е. В. Гублер, A.C. Клещев, Б. А. Кобринский, Г. А. Хай, М. Ю. Черняховская, В. Chandrasekaran, С.А. Kulikowski, R.S. Ledley, L.B. Lusted, F. Mizoguchi., S.G. Pauker, E.H. Shortliffe, P. Szolovits и другие.

Были разработаны модели медицинской диагностики, описывающие знания в форме правил, фреймов, патофизиологических моделей, а также модели онтологий медицинской диагностикипредложены методы решения задачи диагностики, которые либо моделируют рассуждения врача, либо обрабатывают заданные экспертами правила, либо проверяют соответствие состояния больного и клинических картин заболеваний, описанных врачомразработаны методы оптимизации алгоритмов диагностики, состоящие в использовании извлекаемой из баз знаний дополнительной информации или в использовании специальных сред разработки и техник программированиянекоторые системы медицинской диагностики созданы на базе сетевых технологий и предоставляют доступ к системе через сеть Интернетнаиболее широко в практической медицине применяются узконаправленные системы, способные проводить диагностику одного или небольшого числа заболеваний в какой-то области.

Однако модели знаний, лежащие в основе современных экспертных систем медицинской диагностики, все еще заметно проще реальных представлений врачей, большинство таких систем имеет локальную реализацию, а время работы многих систем всё ещё чрезмерно велико.

Таким образом, актуальной задачей является разработка методов решения задачи медицинской диагностики, основанных на математической модели онтологии, приближенной к реальным представлениям в области медицины, в терминах которой знания представлены в форме, понятной врачам, и которые позволяют определять не только диагноз пациента, но и причину каждого заболевания, а также объяснять изменение во времени наблюдаемых значений признаков с учетом индивидуальных особенностей пациента и происшедших с ним событий. При этом система, основанная на таких методах, должна быть способна ставить диагноз в приемлемое для врача время и предоставлять удаленный доступ многим пользователям-врачам.

Целью диссертационной работы является разработка и исследование математической модели онтологии, методов и комплекса программ для решения задачи медицинской диагностики на многопроцессорной вычислительной системе.

Для достижения этой цели необходимо решить следующие задачи:

1) разработать математическую модель онтологии медицинской диагностики, отвечающую современным представлениям экспертов в этой области;

2) сформулировать задачу медицинской диагностики в терминах этой онтологии, разработать методы её решения и реализующий их алгоритм для многопроцессорной вычислительной системы;

3) разработать концепцию и методы реализации комплекса программ для решения задачи медицинской диагностики с использованием многопроцессорной вычислительной системы в качестве сервера приложений;

4) провести экспериментальное исследование вычислительной сложности реализованного алгоритма решения задачи медицинской диагностики и исследовать практическую применимость разработанного комплекса программ.

Методы исследования. Для решения указанных задач применялись элементы теории множеств, математической логики, теории формальных языков, методы разработки онтологий и построения их моделей, методы системного, объектно-ориентированного, параллельного программирования, методы разработки пользовательских интерфейсов.

Научная новизна работы состоит в следующем:

• впервые разработаны онтология медицинской диагностики и её математическая модель, отличающиеся от известных максимальной приближенностью к реальным представлениям экспертов в области медицинской диагностики в нашей стране;

• впервые разработаны метод и алгоритм решения задачи медицинской диагностики, основанные на математической модели нетривиальной онтологии, а так же доказаны теоремы об остановке и корректности алгоритма;

• впервые сформулирована концепция сетевого ресурса, предназначенного для обеспечения процесса согласованного решения комплекса задач по хранению, управлению и обработке данных и знаний в области медицинской диагностики острых заболеваний, с возможностью удаленного доступа.

Практическая ценность работы состоит в следующем:

• реализован алгоритм медицинской диагностики, способный работать в последовательном и параллельном режимах, основанный на математической модели нетривиальной онтологии и производящий поиск соответствия истории болезни пациента и картин заболеваний, описанных врачами;

• разработан комплекс программ (с применением платформы облачных вычислений Многоцелевой банк знаний) для решения задачи медицинской диагностики, способный проводить диагностику острых заболеваний в любой области медицины в приемлемое время и при этом выдавать понятное врачу объяснение полученного результата.

Реализация результатов работы. Результаты работы использованы в учебном процессе:

• во Владивостокском государственном медицинском университете — материалы второй и пятой глав используются для знакомства студентов с формальным представлением острых заболеваний глаза и его придаточного аппарата в курсах лекций по офтальмологии, материалы четвертой главы используются для практики в постановке диагнозов в области офтальмологии;

• в Дальневосточном государственном университете — материалы диссертации используются в учебном процессе при чтении курса лекций по СД «Системы искусственного интеллекта» студентам специальности 10 503.65 «Математическое обеспечение и администрирование информационных систем».

Результаты работы использованы в научной работе и исследованиях сотрудников кафедры ПО ЭВМ в Институте математики и компьютерных наук ДВФУ и сотрудников лаборатории интеллектуальных систем ИАПУ ДВО РАН.

Положения, выносимые на защиту:

• модель онтологии медицинской диагностики, максимально приближенная к реальным представлениям экспертов;

• метод решения частной задачи медицинской диагностики и реализующий его корректный алгоритм;

• доступный через сеть Интернет комплекс программ, позволяющий проводить медицинскую диагностику за приемлемое время, а также редактировать базы знаний, наблюдений и историй болезни.

Обоснованность и достоверность результатов работы обеспечиваются применением теоретических методов разработки интеллектуальных систем и подтверждены результатами экспериментальных исследований.

Апробация работы. Основные научные и практические результаты работы докладывались и обсуждались на следующих международных и российских конференциях и семинарах: втором Международном научно-практическом семинаре «Высокопроизводительные параллельные вычисления на кластерных системах» (Нижний Новгород, 2002), Дальневосточной математической школе-семинаре имени академика Е. В. Золотова (Владивосток, 2002, 2003, 2004, 2006, 2008; Хабаровск, 2005), открытом Дальневосточном конкурсе программных средств студентов, аспирантов и молодых специалистов «Программист» (Владивосток, 2003, 2004, 2006, 2009), II и III международных конференциях «Параллельные вычисления и задачи управления» (Москва, 2004, 2006), XIII международной конференции «Знание-Диалог-Решение».

Болгария, Варна, 2007), научной сессии МИФИ (Москва, 2008), конференции «Системный анализ в медицине» (Благовещенск, 2009), Первой Российско-Тихоокеанской конференции в области компьютерных технологий и приложений (Владивосток, 2010).

Публикация результатов работы. По материалам диссертации опубликованы 32 печатные работы: 8 старей в российских журналах (из них 5 -в журналах, входящих в Перечень рекомендованных ВАК РФ), 4 статьи в иностранных журналах, 3 препринта, 17 тезисов и трудов конференций.

Структура и объём работы. Диссертационная работа состоит из. введения, пяти глав, заключения, списка литературы из 128 наименований и трёх приложений. Основная часть работы изложена на 139 страницах, содержит 5 таблиц и 12 рисунков.

Личный вклад автора. Все результаты, составляющие основное содержание диссертационной работы, получены автором самостоятельно. В работах [14−17, 71−73] автором разработана и формализована модель онтологии медицинской диагностики, основанная на знаниях экспертов. В работах [12, 13] автором описан метод медицинской диагностики и реализующий его алгоритм. В работах [43, 74] автор разработал концепцию программной системы, а в работе [102] дал сведения о её реализации и описал результаты исследования её производительности. В работах [44−46, 57, 58] автор формализовал знания о наблюдениях и острых заболеваниях в области офтальмологии.

5.4. Выводы.

В главе получены следующие результаты [41, 44, 45,58, 59, 102]:

1) описан метод проведения исследования временнойсложности алгоритмамедицинской диагностики, приведённого в главе 3;

2) приведены данные о времени работы алгоритма: медицинской диагностики при различных, наполнениях базы знании и>различном объёме наблюдений, которые показывают, что:

• оптимизациязаметноускоряет процесс постановки диагноза^ в — особенности, при наличии большого количества заболеваний в базе знаний,.

• наибольшая скорость постановки диагноза наблюдается при запуске не менее одного и не более двух процессов на каждом узле применявшейся многопроцессорной вычислительной системы (по одному для каждого ядра процессора).

• время работы алгоритма на всех использованных модельных наборах данных: при запуске оптимального числа процессов и использовании" оптимизации не превышает нескольких минут и растёт как максимум линейно, относительно — изменяемой величины данных, за: исключением увеличения количества произошедших событий, где оно растёт экспоненциально (так как при рекурсии происходит обработка большего числа запущенных вариантов ПСС в множестве МГРВПСС);

3) приведены данные о времени и результатах работы подсистемы диагностики прототипа банка знаний— при обработке реальных историй болезни., которые показывают, что, несмотря на использовании сложной модели онтологии и сетевых технологий, время работы подсистемы диагностикисоответствует времени, затрачиваемому на постановку диагноза наиболее быстрым современным системам медицинской диагностики (не превышает 1 минуты).

Заключение

.

1. Разработана математическая модель онтологии медицинской диагностики острых заболеваний. Модель учитывает взаимодействие причинно-следственных связей различных типов. Онтология близка к реальным представлениям медицины в нашей стране и описывает сочетанную и осложненную патологии, динамику патологических процессов во времени, а также воздействие лечебных мероприятий и других событий на проявления заболеваний. Модель онтологии включает определения терминов модели знаний и модели действительности, а также систему соотношений, состоящую из ограничений целостности модели знаний и модели действительности и соотношений между ними.

2. Даны постановки прямой и обратной задач медицинской диагностики в терминах модели онтологии, а также постановка частной практически полезной обратной задачи, для. которой разработан метод решения, допускающий оптимизацию по данным и естественное распараллеливание. Для алгоритма-её решения доказаны теоремы об остановке, корректности и о функциональной эквивалентности исходной и модифицированной-параллельной версий алгоритма.

3. Разработана концепция* комплекса программ для решения задачи медицинской" диагностики, названного банком знаний по медицинской диагностике. Выполнена его реализация в виде специализированного' банка знаний в рамках платформы Многоцелевого банка знаний и многопроцессор ной вычислительной системы, применяемой в качестве сервера приложений. Программные компоненты банка доступны через сеть Internet.

4. Проведено экспериментальное исследование вычислительной сложности реализованного алгоритма решениязадачи медицинской диагностики, показавшее, что в широком диапазоне объёмов модельных баз знаний и историй болезни время его работы на одном процессоре не превышает нескольких минут, а использование многопроцессорной вычислительной системы и оптимизации сокращает время работы в несколько раз. Кроме того, исследование применимости разработанного комплекса программ по медицинской диагностике на реальных историях болезни (в области офтальмологии) подтвердило его практическую полезность.

Показать весь текст

Список литературы

  1. В.К., Сотников В. М. Использование многопараметрических методов анализа информации в онкологии // Вестник РНЦРР МЗ РФ! — 2006. ~ № 6. — Электронный ресурс. URL: http://vestiiik.mciT.ru/vestnik/v6/papers/ bozhenv6. htm (дата обращения: 02.10.2006).
  2. Т.В., Камалова JI.3., Попкова С. Я., Карташевская A.A. Проектирование экспертных систем медицинской диагностики на базе нечеткой логики с применением методов системного моделирования // Управление в сложных системах. Уфа. — 1999. — С. 127−134.
  3. В.П. Прикладные, экспертные системы, основанные на оболочке «ТЕСНЕХР». Электронный ресурс. URL: http://uacm.kharkov.ua/eng/index. shtml7eexpert. htm (дата обращения: 03.03.2003).
  4. А.Н., Дунин-Барковский В.Л., Кирдин А. Н. и др. Нейро-информатика. Новосибирск: Наука. Сибирское предприятие РАН, 1998. -296с.
  5. А.П., Шифман E.M., Павлов А. Г., Белоусов С. Е. Интернет-проект «Компьютерная диагностика преэклампсии». Электронный ресурс. URL: http://critical.onego.ru/critical/medlogic/ (дата обращения: 01.03.2003).
  6. A.C., Артемьева И. Л. Математические модели онтологий предметных областей. Часть 1. Существующие подходы к определению понятия «онтология» // НТИ. Серия 2. 2001. — № 2. — С.20−27.
  7. A.C., Артемьева И. Л. Математические модели онтологий предметных областей. Часть 2. Компоненты модели // НТИ. Серия 2. — 2001. -№ 3.- С. 19−28.
  8. A.C., Артемьева И. Л. Математические модели онтологий предметных областей. Часть 3. Сравнение разных классов моделей онтологий // НТИ. Серия 2.-2001.- № 4. С. 10−15.
  9. A.C., Артемьева И. Л. Необогащенные системы логических соотношений. Часть 1 // НТИ. Серия 2. 2000. — № 7. — С Л 8−28.
  10. A.C., Артемьева И. Л. Необогащенные системы логических соотношений. Часть 2 // НТИ. Серия 2. 2000. — № 8. — С.8−18.
  11. A.C., Москаленко Ф. М. Оптимизированный алгоритм решения задачи медицинской диагностики // 27-ая Дальневосточная школа-семинар им. академика Е. В. Золотова (тезисы докладов). Владивосток: Дальнаука. — 2002. — С.120−124.
  12. A.C., Москаленко Ф. М., Черняховская М.Ю: Модель онтологии медицинской диагностики // XXX Дальневосточная математическая школа-семинар им. академика Е. В. Золотова (тезисы докладов). Хабаровск: Изд-во ДВГУПС. — 2005. — С. 187.
  13. A.C., Москаленко Ф. М., Черняховская M.K)t Модель онтологии предметной области «Медицинская диагностика». Часть 1. Неформальное описание и определение базовых терминов // НТИ. Серия 2. 2005. — № 12. — С. 1−7.
  14. A.C., Москаленко Ф. М., Черняховская М. Ю. Онтология и модель онтологии предметной области «Медицинская диагностика»: Препринт. Владивосток: ИАПУ ДВО РАН, 2005. 44с.
  15. A.C., Самсонов В. В. МАКРОРЕПРО — язык спецификации компиляции баз знаний в базы правил: Препринт. Владивосток: ДВО РАН, 1992. 25с.
  16. A.C., Самсонов В. В., Черняховская М. Ю. Медицинская, экспертная система Консультант-2. Представление знаний: Препринт. Владивосток: ИАПУ ДВО АН СССР, 1987. 44с.
  17. A.C., Черняховская М. Ю. Системы медицинской диагностики, основанные на принципах искусственного интеллекта. Представление медицинского знания: Препринт. Владивосток: ИАПУ ДВНЦ АН СССР, 1982.-39с.
  18. A.C., Черняховская М. Ю. Системы представления проблемно-ориентированных знаний // Техническая кибернетика. — 1982. — № 5. -С.43−63.
  19. .А. Автоматизированные диагностические и информационно-аналитические системы в педиатрии // Русский медицинский журнал. 1997. — Электронный ресурс. URL: http://www.rmj.ru/rmj7t7/n4/ 5. htm (дата обращения: 06.03.2006).
  20. .А. Ретроспективный анализ медицинских экспертных систем // Новости Искусственного Интеллекта. 2005. — № 2. — С.6−16.
  21. A.B., Седунов И. М., Семенченко Е. А., Морох В. А. Экспертная система «Диагностика коматозных состояний» // Фирма АдминРу — 1992. — Электронный ресурс. URL: http://www.adminru.com (дата обращения: 15.02.2005).
  22. .В. Метод виртуальных статистик и его применение в партнерских системах для компьютерной диагностики // Компьютер, хроника. 1996. — № 5. — С.65−74. — Электронный ресурс. URL: http://www.pedklin.ru/Publ/25.html (дата обращения: 15.02.2005).
  23. Ф.М. Задача медицинской диагностики и алгоритм её решения, допускающий распараллеливание // Информатика и системы управления. 2005. — № 2(10). — С.52−63.
  24. Ф.М. Параллельный оптимизированный алгоритм медицинской диагностики // Информатика и системы управления. 2006. — № 1(11). — С.87−98.
  25. Сборник докладов. Владивосток: ИАПУ ДВО РАН. — 2006. — С.76−80.
  26. Ф.М. Проект компьютерного банка знаний по медицинской диагностике // Информатика и системы управления. 2007. — № 2(14). —1. С.55−66.i
  27. Ф.М. Прототип банка знаний по диагностике острых J конъюнктивитов // XXXIII Дальневосточная математическая школа-I семинар им. академика Е. В. Золотова (тезисы докладов). Владивосток: j Изд-во Дальнаука. — 2008. — С.25−27.
  28. Ф.М. Система оптимизирующих преобразований медицинской f базы знаний для многопроцессорного вычислительного комплекса //
  29. Ф.М. Экспертная система медицинской диагностики, основанная1 на реальной онтологии медицины, для многопроцессорной ЭВМ // Труды II
  30. Ф.М., Клещёв A.C., Черняховская М. Ю. Концепция компьютерного1.банка знаний по медицинской диагностике // Proceedings of the ХШ-th International
  31. В.А., Клещёв A.C. Компьютерные банки знаний. Модель процессаредактирования информационного наполнения // Информационныетехнологии. 2006. — № 7. — С. 11 -16.
  32. В.А., Клещёв A.C. Компьютерные банки знаний. Универсальный подход к решению проблемы редактирования информации // Информационные технологии. 2006. — № 5. — С.25−31.
  33. Э.В. Экспертные системы реального времени // Открытые системы. 1995. — Электронный ресурс. URL: http://www.osp.ru/os/1995/02/178 608/ (дата обращения: 11.04.2004).
  34. В.В. Разработка и исследование методов преобразования прикладных семантических сетей в базы правил: Дис.. канд. тех. наук. Владивосток. 1993. 181с.
  35. В.В., Сорокин B.C., Черняховская М. Ю. Экспериментальная медицинская экспертная система Консултант-2 // Проблемы проектирования экспертных систем: Тез. докл. Всесоюз. школы-совещания. 4.2. -Москва. 1988. — С.238−239.
  36. Хай Г. А. Компьютерная поддержка работы врача // Информационные технологии в здравоохранении. 2001. — № 10−12. — С.10−11.
  37. М.Ю. Представление знаний в экспертных системах медицинской диагностики Владивосток, ДВНЦ АН СССР. — 1983. — 212с.
  38. М.Ю., Мельников В. Я., Догадова Л. П., Негода В. И., Москаленко Ф. М. Формальное представление знаний о конъюнктивитах: Препринт. Владивосток: ИАПУ ДВО РАН, 2007. 56с.
  39. М.Ю., Москаленко Ф. М., Мельников В. Я., Негода В. И., Догадова Л. П. Формальное представление знаний о конъюнктивитах (издание второе, исправленное и дополненное): Препринт. Владивосток: ИАПУ ДВО РАН, 2009. 56с.
  40. Allen J.F. Maintaining knowledge about temporal intervals // Comm. ACM. -1983. № 26. — pp.832−843.
  41. Allen J.F., Hayes P.J., Moments and points in an interval-based temporal logic // Computational Intelligence. 1989. — № 5. — pp.225−238.
  42. Andrade H., Saltz J. Query Optimization in Kess An Ontology-Based KBMS // in: Proceedings of the 15th Brazilian Symposium on Databases. — 2000. -Электронный ресурс. URL: ftp://ftp.cs.umd.edu/pub/hpsl/papers/edbt2000.ps.Z (дата обращения: 15.05.2005)
  43. Anigbogu S.O., Inyiama H.C. Artificial Intelligence-based medical diagnostic expert system for malaria and the related ailments // Journal of computer science & its applications. June 2006. — № 1. — Vol.12. — pp.3−8.
  44. Augusto J.C. Temporal reasoning for decision support in medicine // Artificial Intelligence in Medicine. 2005. — № 33. — pp.1−24.
  45. Chabat F., Hansell D.M., Guang-Zhong Yang. Computerized Decision Support in Medical Imaging. London: Imperial College, 1997. Электронный ресурс. URL: http://www.doc.ic.ac.uk/~gzy/pub/chabat-decision-support.pdf (дата обращения: 20.10.2002).
  46. R.A., Rothwell D.J., Palotay J.L., Beckett R.S., Brochu L. (eds): The Systematized Nomenclature of Human and Veterinary Medicine: Snomed International. Northfield, II: College Of American Pathologists. 1993.
  47. Detmer W.M., Shortliffe E.H. Using the Internet to Improve Knowledge Diffusion in Medicine. Stanford, 1997. Электронный ресурс. URL: http://www-smi.stanford.edu/pubs/SMIReports/SMI-97−0658.pdf (дата обращения: 10.10.2002).
  48. Droy J.-M., Darmoni S.J., Massari P., Blanc Т., Moritz F., Leroy J. SETH: an expert system for the management on acute drug poisoning. 1995. Электронный ресурс. URL: http://www.chu-rouen.fr/dsii/publi/seth.html (дата обращения: 15.05.2007).
  49. Gamper J., Nejdl W. Abstract Temporal Diagnosis in Medical Domains // in: Artificial Intelligence in Medicine. 1997. — № 10(3). — pp.209−234. -Электронный ресурс. URL: http://www.inf.unibz.it/~gamper/publ/aim97.pdf (дата обращения: 19.09.2006).
  50. Gangemi A., Pisanelli D., Steve G. Ontology Integration: Experiences with Medical Terminologies // in: Guarino N. (Ed.), Formal Ontology in Information Systems. -IOS Press. 1998. -pp: 163−178.
  51. Heijst G.V., Schreiber A.Th., Wielinga B.J. Using explicit ontologies in KBS development // International Journal of Human-Computer Studies. 1997. -Vol.46.-pp.l83−292.
  52. Ingargiola G. Building Classification Models: ID3 and C4.5. Электронный ресурс. URL: http://www.cis.temple.edu/~ingargio/cis587/readings/id3-c45.html (дата обращения: 11.10.2006).
  53. Kappen В., Wiegerinck W., Braak E. Decision support for medical diagnosis. 2000. Электронный ресурс. URL: http://www.snn.ru.nl/nijmegen/components/ compubman/pubs/KappenSTT.pdf (дата обращения: 11.11.2005).
  54. Kononenko I. Machine Learning for Medical Diagnosis: History, State of the Art and Perspective. 2000. Электронный ресурс. URL: http://lkm.fri.uni-lj.si/ xaigor/slo/clanki/aimedOO.pdf (дата обращения: 11.10.2007).
  55. Kukar M. Transductive reliability estimation for medical diagnosis I I Artificial Intelligence in Medicine. -2003. -№ 29. -pp.81−106.
  56. Kulikowski C.A., Weiss S.M. Representation of Expert Knowledge for Consultation: The CASNET and EXPERT Projects // Ch.2 in: Szolovits P. (Ed.), Artificial Intelligence in Medicine. Westview Press, Boulder, Colorado. — 1982.
  57. Lavalette G.R. et all. Formalisation for decision support in anesthesiology // Artificial Intelligence in Medicine. 1998. — Vol.11. — pp.189−214.
  58. Lucas P. Bayesian Analysis, Pattern Analysis and Data Mining in Health Care // in: Current Opinion in Critical Care. 2004. — pp.399−403. — Электронный ресурс. URL: http://www.cs.ru.nl/~peterl/cun-ent-opinion.pdf (дата обращения: 11.11.2007).
  59. Oehm S., Siessmeier Т., Buchholz H.-G., Bartenstein P., Uthmann T. A Knowledge-Based System for the Diagnosis of Alzheimer’s Disease // Proceedings of the 9th Conference on Artificial Intelligence in Medicine in Europe (AIME 2003). 2003. — pp.117−121.
  60. Pisanelli D.% Gangemi A., Steve G. An (c)ntological Analysis of the UMLS Metathesaurus // Journal of the American Medical Inforlatiocs Association. -1998. ~№ 5. -pp.810−814.
  61. Quan H., Fehr N., Roos L. Studying Health Care: Some ICD-10 Tools. 2006. Электронный ресурс. URL: http://www.bibalex.org/supercourse/supercourseppt /22 011−23 001/2237l.ppt (дата обращения: 08.11.2005).
  62. Rector A., Rogers J., Pole P. The Galen High Level Ontology // in: Proceedings of Medical Informatics in Europe (MIE'96). -1996: pp.174−178.
  63. Sawar S.J. Diagnostic Decision Support System of POEMS. 1999. Электронный ресурс. URL: http://www.cbl.leeds.ac.uk/sawar/projects/poems/ poems-in-detail.html (дата обращения: 07.11.2002).
  64. Shahar Y. The RESUME project. 2006. Электронный ресурс. URL: http://smi-web.stanford.edu/projects/resume/ (дата обращения: 07.07.2007).
  65. Sordo M., Buxton H., Watson D. A Hybrid Approach to Breast Cancer Diagnosis // 2001. Электронный ресурс. URL: http://www.acl.icnet.uk/ PUBLICATIONS/sordo/chapter2001.pdf (дата обращения: 17.08.2004).
  66. Spackman К., Campbell К., Cote R. SNOMED RT: A Reference Terminology for Health Care // in: Proceedings of the 1997 Amia Annual Symposium. Nashville, Tn. October 25−29, 1997. Philadelphia, Pa: Hanley & Belfus. — 1997.
  67. Spreckelsen С., Habermeyer E., Spitzer K. Integrational aspects of a knowledge-based assistance system in psychiatry. Электронный ресурс.
  68. Teije A., Rotterdam E. Diagnostic Reasoning with Anaesthesia Knowledge // 1998. Электронный ресурс. URL: http://www.cs.vu.nl/~annette/postscript/ CESA96. ps (дата обращения: 17.11.2003).
  69. Ultsch A., Korus D., Kleine T. Integration-of Neural Networks and Knowledge-Based Systems in-Medicine // in: 5th Conf. on Artificial Intelligence in Medicine Europe AIME'95. Lecture Notes in Artificial Intelligence. — 1995. — № 934. -pp.425−426,
  70. Vilain M. Kautz H. Constraint propagation algorithms for temporal reasoning // in: Proceedings of the Fifth National Conference on Artificial Intelligence. -1986. pp.377−382.
  71. Waiss S. M, Kuiikowski C.A., Amarel S., Safir A. A model-based method, for computer-aided medical decision-making // Artificial Intelligence. 1978. -№ 2. — Vol.11. — pp. 145−172.
  72. Zweigenbaum P. Consortium Menelas: Menelas: Coding and Information Retrieval from Natural Language Patient Discharge Summaries // Advances in Health Telematics. Amsterdam: IOS Press. — 1995. — pp.82−89.
  73. Zweigenbaum P., Bachimont В., Bouaud J., Charlet J., Boisvieux J.-F. Issues In the Structuring and Acquisition of an Ontology for Medical Language Understanding // Methods of Information In Medicine. 1995. -№ 34(½). — pp. 15−24.
Заполнить форму текущей работой

Сдать сессию!