1 Formalizace biomedicínských znalostí Spojení OntoUML a GLIKREM ve znalostním rozhodování Ing. David Buchtela, Ph.D. 16. června 2014, Faustův dům, Praha Skupina mezioborových dovedností Fakulta informačních technologií České vysoké učení technické v Praze
2 Zkoumaný systém Znalostní rozhodování Báze dat reprezentace entit a vztahů mezi nimi Báze znalostí model znalostí expertní doporučení Inferenční mechanismus algoritmus rozhodování
3 Znalostní rozhodování Princip rozhodování na základě znalostí Reprezentace báze dat konceptuální model OntoUml Reprezentace báze znalostí GLIKREM stanovení rozhodovacích kritérií (strict-in, strict-out, rule-in, rule-out) Provázání modelů OntoUML a GLIKREM reprezentace stavů a přechodů mezi nimi vyhodnocení rozhodovacích kritérií (přechodů)
4 Reprezentace báze dat Konceptuální model OntoUML vytipování podstatných entit (pacient, lék, vyšetření, podnik, ) a jejich vztahy (asociace) typy a aspekty dle ontologické identity - typy Sortal(I+) a Non-Sortal(I-) dle modální logiky (rigidity) - typy Rigid(R+) a Anti-Rigid(R-) Role Phase
5 Reprezentace báze dat Podstatné typy OntoUML pro reprezentaci báze dat Kind, resp. Subkind (I+, R+) reprezentující nutné (z pohledu modální logiky) vlastnosti entit např. Osoba Role (I+, R-) reprezentující možné (z pohledu modální logiky) vlastnosti entit např. Lékař, Pacient, Jednatel, Phase (I+, R-) reprezentuje stav entity, který lze odvodit z vlastností entity např. Hypertenze I.stupně (stav Pacienta) závislý na velikosti jeho systolického a diastolického tlaku Mode (aspekt) reprezentuje stav entity v čase, tj. hodnoty jejích vlastností v nějakém časovém okamžiku např. stav Pacienta v době kontroly u Lékaře
6 GLIKREM (Guideline Knowledge Representation Model) Reprezentace báze znalostí V - neprázdná konečná množina vrcholů (kroků) v 0 - počáteční vrchol typu stav H - neprázdná konečná množina orientovaných hran - aktuální čas v modelu P - posloupnost parametrů modelu
7 Reprezentace báze znalostí Podstatné prvky GLIKREM pro reprezentaci báze znalostí Stav (State) počáteční stav nebo stav, ve kterém se zkoumaná entita nachází po provedení některého předchozího kroku (vrcholu), především pak vrcholu Rozhodování např. Hypertenze I.stupně, Diagnoza NAP, ale i předepsána kontrola za 3 měsíce Rozhodování (Decision) představuje výběr následného kroku na základě splnění logického kritéria (3-hodnotová logika) striktní, nezávislé na volbě uživatele (člověka) strict-in určitě následný krok strict-out určitě zakázaný krok doporučující, nutná volba uživatele nebo rozhodnutí na základě zkušeností rule-in doporučený krok rule-out nedoporučený krok
Spojení OntoUML a GLIKREM Proces rozhodování lze chápat jako formu nedeterministického konečného automatu, kdy sledujeme přechody mezi stavy dané entity Stavy spojení STATE-PHASE stav entity odvoditelný z hodnot vlastností (atributů) entity např. Hypertenze I.stupně (STK>130 a DTK>80) spojení STATE-MODE stav entity (všech vlastností) v čase např. Další měření tlaku za 3 měsíce (hodnoty STK a DTK v čase) <<phase>> Hypertenze I.stupně State <<kind>> Osoba <<role>> Pacient <<characterization>> <<mode>> Další měření tlaku za 3 měsíce ------------------- STK : Integer[1] DTK: Integer[1] 8
9 Spojení OntoUML a GLIKREM Přechody mezi stavy vyhodnocování ve 3-hodnotové logice (ano, ne, neznámo) Fáze načtení vstupních parametrů dostupné hodnoty z báze dat načtení (stanovení) hodnot obvykle v kroku Akce (GLIKREM) Fáze vyhodnocení striktních kritérií strict-out kritérium zakázaná větev (ano / ne) neznámo doplnit parametry strict-in kritérium určitě následná větev (ano / ne) neznámo doplnit parametry Fáze vyhodnocení doporučujících kritérií rule-in doporučená větev rule-out nedoporučená větev Pro všechny kombinace hodnot vstupních parametrů: Nesmí být všechna strictout pravdivá Nejvýše jedno strict-in pravdivé v povolených větvích
Model zkušeností Pro automatickou volbu následné větve v případě splnění pouze doporučujících kritérií (rule-in, rule-out) je třeba simulovat volbu člověka -> volba na základě zkušeností Reprezentace (model) zkušeností založená na: více (tří) vrstvých neuronových sítích na základě předchozích rozhodnutích (volbě člověka) se neuronová síť adaptuje (učí) Bayesovských sítích pravděpodobnostní reprezentace znalostí pomocí málorozměrných pravděpodobnostních distribucí David.Buchtela@fit.cvut.cz 10
11 Závěrem Pro proces rozhodování na základě znalostí je podstatné vytvořit konceptuální model v OntoUML převod na implementační (objektový) model nástroje pro implementaci a použití výsledné aplikace vytvořit model (procedurálních) znalostí GLIKREM na základě expertních doporučení daného oboru věnování pozornosti reprezentace vhodných stavů entit pro přechody mezi stavy definovat rozhodovací kritéria striktní i doporučující kritéria definovat propojení mezi modely OntoUML a GLIKREM mapování stavů (GLIKREM) na typy (OntoUML) implementace přechodů mezi stavy automatické vyhodnocení doporučujících kritérií na základě modelu zkušeností
12 Děkuji za pozornost! Dotazy?