Ιατρικά Συστήματα Τεχνητής Νοημοσύνης με την συνεργασία τεχνικών Ασαφούς Λογικής, Νευρωνικών Δικτύων και Γενετικών Αλγορίθμων. A.Τζαβάρας P.R.Weller B.

Παρουσίαση με θέμα: "Ιατρικά Συστήματα Τεχνητής Νοημοσύνης με την συνεργασία τεχνικών Ασαφούς Λογικής, Νευρωνικών Δικτύων και Γενετικών Αλγορίθμων. A.Τζαβάρας P.R.Weller B."— Μεταγράφημα παρουσίασης:

1 Ιατρικά Συστήματα Τεχνητής Νοημοσύνης με την συνεργασία τεχνικών Ασαφούς Λογικής, Νευρωνικών Δικτύων και Γενετικών Αλγορίθμων. A.Τζαβάρας P.R.Weller B. Σπυρόπουλος

2 Τεχνητή Νοημοσύνη Αλγόριθμοι & Μεθοδολογίες που μιμούνται την λειτουργία του ανθρώπινου εγκεφάλου. Λογική διεργασία (λήψη αποφάσεων, κριτήρια, κανόνες). Βιολογική διεργασία (ακούσια – μηχανική αντίδραση σε ερεθίσματα, μνήμη)

3 Τεχνητή Νοημοσύνη Ασαφής Λογική (Fuzzy Logic FL) Γενετικοί Αλγόριθμοι (Genetic Algorithms GAs) Νευρωνικά Δίκτυα (Neural Networks NN) Συνέργεια Μεθοδολογιών Πεδία Εφαρμογής στην Ιατρική Τεχνολογία

4 Ασαφής Λογική Fuzzy Logic Lofti.A.Zadeh (1965) Διαφέρει από την κλασσική θεωρία των συνόλων. Μια μεταβλητή μπορεί να ανήκει σε πολλαπλά υποσύνολα με διαφορετικό βαθμό συμμετοχής (0 έως 1). Με βάση την ασαφή λογική, μια μεταβλητή όπως ο κορεσμός οξυγόνου (SpO2), με τιμή 80%, μπορεί να ανήκει σε 2 υποσύνολα (γλωσσικές μεταβλητές) με την ονομασία Χαμηλός & Κανονικός με διαφορετικό βαθμό συμμετοχής.

5 Ασαφής Λογική Fuzzy Logic Η λειτουργία ενός συστήματος περιγράφεται με γλωσσικούς κανόνες. Εάν ο Κορεσμός Οξυγόνου ανήκει στο υποσύνολο Χαμηλό, Τότε η μεταβλητή εξόδου Λίτρα αναπνοής ανά λεπτό ανήκει στο υποσύνολο Υψηλός

6 Πλεονεκτήματα Fuzzy Logic Μπορούν εύκολα να μοντελοποιήσουν πολύπλοκα συστήματα. Προσομοιάζει την ανθρώπινη επικοινωνία. Οι γνώσεις των «ειδικών» μπορούν να ενσωματωθούν στο σύστημα. Οι κανόνες ενός συστήματος αξιολογούνται παράλληλα. Μοντελοποιούν με ευκολία την ασάφεια και την έλλειψη ακρίβειας στις παραμέτρους ενός συστήματος.

7 Γενετικοί Αλγόριθμοι GAs Βασίζονται στην θεωρία της εξέλιξης – φυσικής επιλογής. Τα συστήματα κωδικοποιούνται κατάλληλα σε χρωμοσώματα. Χρησιμοποιούν διαδικασίες όπως η αναπαραγωγή (reproduction), η ανταλλαγή γενετικού κώδικα (crossover) και η μετάλλαξη (mutation) για να εξελίξουν συστήματα. Τα συστήματα που έχουν καλύτερη απόδοση έχουν μεγαλύτερη πιθανότητα να περάσουν στην επόμενη γενιά.

8 Γενετικοί Αλγόριθμοι GAs start coding Initial population Evaluate Crossover Mutate Reproduce end N=N+1 N=G ? NO YES

9 Πλεονεκτήματα GAs Ερευνούν με επιτυχία το πεδίο εφαρμογής για την αναζήτηση της βέλτιστης λύσης. Μπορούν να εξελίξουν συστήματα χωρίς την βοήθεια «ειδικών». Τα συστήματα εξελίσσονται έχοντας σαν κριτήριο πειραματικά δεδομένα ή κάποιο πρότυπο.

10 Νευρωνικά Δίκτυα NN McCulloch & Pitts (1940s) Μιμούνται την λειτουργία των βιολογικών νευρώνων. Αποτελούνται από ένα δίκτυο τεχνητών νευρώνων. Εκπαιδεύονται να ανταποκρίνονται άμεσα στις εισόδους του συστήματος, με βάση διαθέσιμα πειραματικά στοιχεία.

11 Νευρωνικά Δίκτυα NN Οι νευρώνες διεγείρονται, μεταφέρουν & επεξεργάζονται τις διεγέρσεις. Κυτταρικό σώμα Νευράξονα Συναπτικά κομβία Δενδρίτες

12 Νευρωνικά Δίκτυα NN

13 Πλεονεκτήματα NN Εκπαιδεύονται (Learning) με βάση πρότυπα ή διαθέσιμα πειραματικά δεδομένα. Η απόκριση τους είναι επιτυχής ακόμα και σε δεδομένα τα οποία δεν χρησιμοποιήθηκαν για την εκπαίδευση (Generalization). Η απόκριση τους είναι ταχύτατη.

14 Συνέργεια Μεθοδολογιών Οι Γενετικοί αλγόριθμοι μπορούν να εκπαιδεύσουν συστήματα Ασαφούς λογικής. Όταν βελτιστοποιούν τμήμα ή το σύνολο υπάρχοντος συστήματος η διαδικασία ονομάζεται trimming, στην περίπτωση που δημιουργούν το σύστημα από την αρχή η διαδικασία ονομάζεται Learning. Αντίστοιχα μπορούμε να εισαγάγουμε τεχνικές ασαφούς λογικής σε Νευρωνικά δίκτυα (Fuzzy Neural) ή τεχνικές Νευρωνικών δικτύων σε συστήματα ασαφούς λογικής (Neural Fuzzy).

15 Συνέργεια Μεθοδολογιών Η συνέργεια των μεθόδων οδηγεί σε συστήματα που ενσωματώνουν τα πλεονεκτήματα των επιμέρους μεθόδων: 1.Μπορούν εύκολα να μοντελοποιήσουν πολύπλοκα συστήματα. 2.Οι κανόνες ενός συστήματος αξιολογούνται παράλληλα. 3.Μοντελοποιούν με ευκολία την ασάφεια και την έλλειψη ακρίβειας στις παραμέτρους ενός συστήματος. 4.Εκπαιδεύονται (Learning) με βάση πρότυπα ή διαθέσιμα πειραματικά δεδομένα. 5.Η απόκριση τους είναι επιτυχής ακόμα και σε δεδομένα τα οποία δεν χρησιμοποιήθηκαν για την εκπαίδευση (Generalization).

16 Πεδία Εφαρμογής Invasive Medicine Surgery Orthopaedics Anaesthesia Artificial Organs I.C.U. Neuromedicine Psychology Psychiatry Image and Signal Processing (monitoring and control) Radiation medicine Radiology Signal processing Laboratory Control Analysis of data Basic Science Medical information Anatomy Pathology Forensic medicine Genetics Pharmacology Biochemistry HealthCare Healthcare environment Healthcare organizations

17 Ευχαριστώ