Técnicas de Inteligência Artificial para Aquisição e Exploração do Conhecimento Humano em Sistemas Especialistas para Diagnósticos Médicos
por Hassan Ahmad Sidaoui
por Hassan Ahmad Sidaoui
Este trabalho apresenta modelos computacionais para construção de sistemas especialistas de diagnóstico médico. Esses modelos empregam as ferramentas da Lógica Nebulosa para representação e exploração do conhecimento “lingüístico” ou incompleto e as técnicas de Reconhecimento de Padrões para a classificação de sintomas de acordo com gramáticas preestabelecidas. Visa-se a construção de ambientes capazes de emular a ação do especialista humano essencialmente qualitativo. O objetivo final sendo a captação do conhecimento e raciocínio especialistas e a obtenção de diagnósticos confiáveis.
Introdução
Um Sistema Especialista utiliza o conhecimento humano em um assunto para solucionar tópicos de maneira inteligente, da mesma forma que um especialista humano. Um Sistema Especialista serve como um assistente cujas habilidades incluem encontrar soluções inteligentes para problemas que não dispõem de respostas rápidas e “concretas”. Para solucionar tais problemas, os Sistemas Especialistas precisam ter acesso a uma substancial base de conhecimento do domínio de aplicação, base que precisa ser criada do modo mais eficiente. Nos anos recentes, Sistemas Especialistas se transformaram em sucessos tecnológico e industrial. Foram desenvolvidos sistemas computadorizados que controlam processos de manufatura, diagnosticam falhas e doenças, montam apólices de seguros, jogam xadrez, etc.
O uso das ferramentas da Lógica nebulosa para modelar e processar o conhecimento qualitativo e impreciso de uma forma rigorosa tem se tornado uma prática comum, consolidando-se como uma tendência de pesquisa a nível mundial. A razão do sucesso dessa nova lógica reside na sua capacidade em oferecer uma estrutura metodológica que é tolerante com a imprecisão e as verdades parciais, pois as técnicas tradicionais de análise de sistemas não são apropriadas para se lidar com a realidade da nebulosidade do pensamento humano.
Um Sistema Especialista utiliza o conhecimento humano em um assunto para solucionar tópicos de maneira inteligente, da mesma forma que um especialista humano. Um Sistema Especialista serve como um assistente cujas habilidades incluem encontrar soluções inteligentes para problemas que não dispõem de respostas rápidas e “concretas”. Para solucionar tais problemas, os Sistemas Especialistas precisam ter acesso a uma substancial base de conhecimento do domínio de aplicação, base que precisa ser criada do modo mais eficiente. Nos anos recentes, Sistemas Especialistas se transformaram em sucessos tecnológico e industrial. Foram desenvolvidos sistemas computadorizados que controlam processos de manufatura, diagnosticam falhas e doenças, montam apólices de seguros, jogam xadrez, etc.
O uso das ferramentas da Lógica nebulosa para modelar e processar o conhecimento qualitativo e impreciso de uma forma rigorosa tem se tornado uma prática comum, consolidando-se como uma tendência de pesquisa a nível mundial. A razão do sucesso dessa nova lógica reside na sua capacidade em oferecer uma estrutura metodológica que é tolerante com a imprecisão e as verdades parciais, pois as técnicas tradicionais de análise de sistemas não são apropriadas para se lidar com a realidade da nebulosidade do pensamento humano.
Sistema Inteligente de Auxílio ao Diagnóstico Médico
Na maioria dos casos, a inferência de diagnósticos médicos baseia-se na análise de imagens biomédicas. O exame de uma imagem médica para determinação de patologia baseia-se na análise de características tais como a forma dos componentes, sua morfologia, densidade e organização. As técnicas modernas de processamento de imagens incluindo a automação do processo de análise permitem a obtenção de uma grande quantidade de informações representando o estado real do paciente [1-4].
O primeiro passo na construção de um sistema inteligente de auxílio ao diagnóstico médico consiste na organização de todas as informações geradas pelas técnicas de aquisição de conhecimento com o objetivo de identificar as mais relevantes. Devido ao fato que informação não é conhecimento, é necessário interpretar a informação para torná-la conhecimento. Nosso objetivo é comparar os métodos de Inteligência Artificial que transformam a informação em conhecimento. As soluções discutidas formam as abordagens “consulte o especialista”, sintática e semântica.
Na abordagem “consulte o especialista”, os especialistas são consultados para identificar as características relevantes para cada diagnóstico. Esta abordagem é eficiente no caso de doenças conhecidas. Para realizar um consenso “interespecialistas”, vários especialistas podem ser consultados. Obviamente, entrevistar especialistas constitui um processo difícil e de alto custo em tempo [5].
Na abordagem sintática, dois conjuntos de dados são considerados: um conjunto de dados de um paciente afetado e um de paciente sadio. As características dos conjuntos (cor, forma, tintas fluorescentes, etc.) são analisadas e diferenças significantes permitem a identificação da doença. Este método funciona em vários casos. Todavia, sem uma interpretação das diferenças, é impossível justificar a escolha dos dados relevantes.
A abordagem semântica baseia-se no conhecimento. Modelos casuais do domínio incorporando a incerteza são usados [6]. Para determinar as características relevantes a partir de um grande conjunto de dados, os modelos devem ser simulados supondo a existência de doença. O resultado da simulação deverá indicar dos dados relevantes para o diagnóstico [7]. Esta abordagem possui duas vantagens: os modelos usados são construídos uma só vez e podem ser usados para vários tipos de doenças; o processo de seleção dos dados relevantes pode se explicado em termos compreensíveis para os usuários do sistema o que constitui uma importante característica que torna o sistema aceitável.
Na maioria dos casos, a inferência de diagnósticos médicos baseia-se na análise de imagens biomédicas. O exame de uma imagem médica para determinação de patologia baseia-se na análise de características tais como a forma dos componentes, sua morfologia, densidade e organização. As técnicas modernas de processamento de imagens incluindo a automação do processo de análise permitem a obtenção de uma grande quantidade de informações representando o estado real do paciente [1-4].
O primeiro passo na construção de um sistema inteligente de auxílio ao diagnóstico médico consiste na organização de todas as informações geradas pelas técnicas de aquisição de conhecimento com o objetivo de identificar as mais relevantes. Devido ao fato que informação não é conhecimento, é necessário interpretar a informação para torná-la conhecimento. Nosso objetivo é comparar os métodos de Inteligência Artificial que transformam a informação em conhecimento. As soluções discutidas formam as abordagens “consulte o especialista”, sintática e semântica.
Na abordagem “consulte o especialista”, os especialistas são consultados para identificar as características relevantes para cada diagnóstico. Esta abordagem é eficiente no caso de doenças conhecidas. Para realizar um consenso “interespecialistas”, vários especialistas podem ser consultados. Obviamente, entrevistar especialistas constitui um processo difícil e de alto custo em tempo [5].
Na abordagem sintática, dois conjuntos de dados são considerados: um conjunto de dados de um paciente afetado e um de paciente sadio. As características dos conjuntos (cor, forma, tintas fluorescentes, etc.) são analisadas e diferenças significantes permitem a identificação da doença. Este método funciona em vários casos. Todavia, sem uma interpretação das diferenças, é impossível justificar a escolha dos dados relevantes.
A abordagem semântica baseia-se no conhecimento. Modelos casuais do domínio incorporando a incerteza são usados [6]. Para determinar as características relevantes a partir de um grande conjunto de dados, os modelos devem ser simulados supondo a existência de doença. O resultado da simulação deverá indicar dos dados relevantes para o diagnóstico [7]. Esta abordagem possui duas vantagens: os modelos usados são construídos uma só vez e podem ser usados para vários tipos de doenças; o processo de seleção dos dados relevantes pode se explicado em termos compreensíveis para os usuários do sistema o que constitui uma importante característica que torna o sistema aceitável.
VEJA TAMBÉM
A graduação da Faculdade IBTA promoveu o Primeiro Encontro de Gestão Empresarial, com palestrantes da Gradiente Eletrônica, ABN AMRO Bank, Russell & Reynolds Associates e ASLOG - Associação Brasileira de Logística.
Por meio do trabalho realizado pelo IBTA Carreiras, o Instituto de Pesquisas Tecnológicas (IPT) selecionou três estudantes da Faculdade IBTA, unidade de São Paulo, para estagiarem no Primeiro Laboratório Antivírus do Brasil.
Apresentando o trabalho "Desenvolvimento enxuto versus planejamento", Marcus Vinicius Pereira Pessôa representará a Faculdade IBTA e o Brasil no Congresso Internacional, realizado anualmente pelo PMI - Project Management Institute, em Toronto.
São José dos Campos
Confira aqui as novas turmas
do Centro de Treinamento da
Faculdade IBTA.
do Centro de Treinamento da
Faculdade IBTA.
