Expertní systém pro řešení problémů laparoskopických a otevřených operací jater

Abstract

Jádrem předložené diplomové práce je zavedení metod softcomputingu do lékařské oblasti. Jedná se o snahu částečnou, v ideálním případě úplnou, náhradu lidského elementu technikou. V konkrétním případě rozebírané problematiky se téma týká využití expertních systémů v oblasti nádorových onemocnění jater a nalezení závislostí mezi existujícími reálnými sledovanými parametry. K práci byla využita pacientská data FN v Ostravě, mezi nimiž byly vytipovány závislosti pomocí experta. Byl navržen expertní systém s předem danou strukturou s modelem typu Takagi-Sugeno, jehož funkce byla ověřena a potvrzena jako správná. Funkčnost navržené metody byla využita pro konkrétní skupiny pacientských dat. K identifikaci jednotlivých závislostí a jejich hledaných koeficientů bylo použito metody nelineární regresní analýzy a optimalizačních vlastností genetických algoritmů. Důležitým okamžikem bylo stanovení hodnoty ztrátové funkce pro každou zvolenou závislost a srovnání reálných a identifikovaných vstupních hodnot pro konkrétní závislost. Na základě požadované hodnoty ztrátové funkce byly prohlášeny závislosti, splňující tato kritéria, za dostatečně kvalitní.

This thesis deals with aplication of softcomputing methods in the medical field at the core. It is especially an effort to partial or complete replacement of human thinking by the technique. This concerns in specific case of using expert systems in the liver cancer area and finding dependencies between real and monitored parameters. The thesis use patient data form Faculty Hospital in Ostrava and between those dates are dependences selected by the expert. Expert system was designed with a predetermined structure model Takagi-Sugeno type. Function of this model was verified and confirm as correct. This method is used for a specific group of patient data. It was used methods of nonlinear regression analysis to identify dependencies and search coeficients. The important point was to determine the value of the loos function for each selected dependence and compare real and identified input values. Such dependence which had the criteria of the loos function declared as good enough.