მაია მიქელაძე

Рассматривается задача анализа медицинских данных с целью выявления часто встречающихся симптомов и наборов симптомов для данного заболевания. Для анализа данных используется метод поиска ассоциаций, который позволяет оценить специфичность найденных симптомов и достоверность диагностических правил, построенных на основе выявленных ассоциаций. Предложенный метод был применен для обработки клинических данных ряда эндокринологических заболеваний. Полученные ассоциативные правила были использованы для формирования базы знаний медицинской интеллектуальной системы, предназначенной для диагностирования эндокринологических заболеваний.

Рассматривается интеллектуальная система диагностики заболеваний, использующая медицинские знания и способная к обучению. В качестве модели знаний используется семантическая сеть, представленная в виде матрицы отношений. И сеть, и матрица задают отношения между симптомами и вызывающими их причинами. Дугам сети и соответствующей матрице приписаны весовые коэффициенты. Эти коэффициенты формируются в процессе обучения. Для принятия решения по установлению диагноза используется линейное преобразование вектора, определяющего наличие симптомов с помощью матрицы заболеваний. Для принятия решения также используется метод, базирующийся на теории нечётких множеств. Эти методы были использованы на примере решения задачи диагностики первичных головных болей.

Рассматривается задача анализа медицинских данных как одна из задач интеллектуального анализа данных (Data Mining). В качестве методов ее решения  предлагаются методы машинного обучения - логический метод классификации на основе концептуального подхода и нейронные сети прямого распространения. Для обучения сети используется алгоритм обучения с исправлением ошибок. На основе результатов, полученных при применении этих методов, построена интеллектуальная система диагностики и прогнозирования первичных головных болей, используемая для поддержки принятия решений врачом.

Огромное количество разнородных данных, генерируемых в современной медицине, требуют развития новых технологий по анализу данных с целью выявления определенных закономерностей и скрытых знаний. Именно методы интеллектуального анализа данных (Data Mining) предоставляют новые возможности для решения этой актуальной задачи. В статье рассмотрены особенности медицинских данных и основные задачи, связанные с их анализом и обработкой. Дан краткий обзор методов и алгоритмов интеллектуального анализа данных, наиболее часто используемых в сфере медицины; рассмотрены их преимущества и недостатки; приведены примеры их практического применения для решения различных задач медицинской диагностики и прогнозирования, а также наиболее актуальные направления развития технологий интеллектуального анализа медицинских данных.

Рассматривается проблема обработки данных в задачах медицинской диагностики как одна из задач интеллектуального анализа данных (Data Mining). В качестве метода интеллектуального анализа данных предлагается логический метод распознавания на основе концептуального подхода, а также алгоритм бинаризации количественных признаков, обеспечивающие эффективность правила–классификатора с точки зрения как диагностирующей, так и дифференцирующей способностей.

შეთავაზებულია რთული სისტემების დიაგნოსტირების არაფორმალიზებული ამოცანის ამოხსნის მეთოდები კონცეპტუალური მიდგომის საფუძველზე. რთული სისტემის დიაგნოსტირება განიხილება როგორც კლასიფიცირების და სახეთა გამოცნობის ამოცანა, ხოლო კლასების განზოგადებული აღწერის აგება ხორციელდება მაგალითებზე დასწავლის გზით. შეთავაზებული მეთოდები უზრუნველყოფენ ახალი მდგომარეობების მიკუთვნებას გარკვეული კლასისადმი (ექსტრაპოლიაციას) როგორც რაოდენობრივი, ასევე თვისობრივი ნიშნებისთვის. ამ მეთოდების გამოყენებით გადაწყვეტილია შაკიკის და დაძაბულობის ტიპის თავის ტკივილის დიფერენციალური დიაგნოსტირების არაფორმალიზებული ამოცანა.

განიხილება ინტელექტუალურ საინფორმაციო სისტემებში ცოდნის ორგანიზების საკითხი დიაგნოსტირების არაფორმალიზებული ამოცანების გადაწყვეტისას. შემოთავაზებულია რთული სისტემების მდგომარეობათა დიაგნოსტირების მეთოდი, რომელიც მუშაობს როგორც რაოდენობრივი, ასევე თვისობრივი მონაცემების შემთხვევაში. მდგომარეობათა კლასის აღმწერი ფუნქციის სახით მიიღება მაღალინფორმატიული პრედიკატი - კონიუნქციების დიზიუნქცია, რომელთაგან თითოეული ხასიათდება სარწმუნოების კოეფიციენტით. ყოველივე ეს საშუალებას იძლევა წარმოვადგინოთ მიღებული ევრისტიული ცოდნა პროდუქციული მოდელით სარწმუნოების კოეფიციენტების გამოყენებით, რომელიც ეფექტურად მუშაობს მონაცემების და ცოდნის არამკაფიობის, გაურკვევლობის და არასრულობის პირობებში.

განიხილება გარემოს ეკოლოგიური მდგომარეობის შეფასების ამოცანა. ნაჩვენებია, რომ გარემოს ეკოლოგიური მდგომარეობის დიაგნოსტირების შედეგად მიღებული ინფორმაცია არ არის საკმარისი მისი ადეკვატური შეფასებისთვის. ამოცანის გადასაწყვეტად აგრეთვე საჭიროა გარემოს ეკოლოგიური მდგომარეობის პროგნოზირების და მიზეზ-შედეგობრივი ანალიზის შედეგად მიღებული ინფორმაცია. შემოთავაზებულია ინტელექტუალური სისტემის მოდელი, რომელიც იყენებს მათემატიკური ლოგიკის, ბულის ალგებრის და დისკრიმინანტული ანალიზის მეთოდებს.

В данной работе предлагаются методы решения неформализованных задач диагностики сложных систем на основе концептуальног подхода. Диагностирование состояния системы рассматривается как задача классификации и распознавания, а построение обобщенного описания классов осуществляется путём обучения на примерах. Предложенные методы обеспечивают отнесение новых состояний к определенному классу (экстраполяцию) как для количественных, так и для качественных значений признаков. На основе этих методов была решена неформализованная задача дифференциальной диагностики мигрени и головной боли напряжения.

In the description of the patient, like any multi-system, we are confronting not only with abundance, but also with a large variety of factors (attributes, symptoms). In such a situation, the challenge becomes: how all this variety of features should be reduced to one type without information losing. Proposed algorithm helps to achieve this objective. The algorithm of data unification that allowing reducing all variety of exact and vague factors to one type without the loss of information is offered for that problem solution.

მოხსენებაში წარმოდგენილია ცოდნაზე დაფუძნებული სისტემის მაკეტის აღწერილობა, რომლის დანიშნულებაა ექსპერტის ძნელადფორმალიზებადი ინტუიტიური ცოდნის გამოვლენა და მისი წარმოდგენა პროდუქციის ტიპის წესების სახით, რომელთა საშუალებით ეკონომიკური სისტემის მდგო-მარეობა შეფასდება როგორც «დამაკმაყოფილებელი» ან «არადამაკმაყოფილებელი». ნიშანთვისებათა არსებითი მნიშვნელობებისათვის დიფერენციაციის თვისების შემოღება უზრუნველყოფს სისტემის «არასასურველ» მდგომარეობათა ამოგდებას მაღალი სიზუსტით. ამის გარდა სისტემაში გათვალის-წინებულია არასრულ მონაცემთა დაზუსტების პროცედურა ცნებათა იერარქიის, ზოგადი ცნების და მის კონკრეტიზაციას შორის კავშირის და არამკაფიო სიმრავლეების საფუძველზე.

დისერტაციის რეცენზირება

სამაგისტრო ნაშრომების ხელმძღვანელობა

სადოქტორო თემის ხელმძღვანელობა/თანახელმძღვანელობა

უცხოურ ენებზე მონოგრაფიის სამეცნიერო რედაქტირება

ქართულ ენაზე მონოგრაფიის სამეცნიერო რედაქტირება

რეფერირებული ან პროფესიული ჟურნალის/ კრებულის მთავარი რედაქტორობა

სამეცნიერო პროფესიული ჟურნალის/ კრებულის რეცენზენტობა

რეფერირებული სამეცნიერო ან პროფესიული ჟურნალის/ კრებულის სარედაქციო კოლეგიის წევრობა

საერთაშორისო ორგანიზაციის მიერ მხარდაჭერილ პროექტში/გრანტში მონაწილეობა

სახელმწიფო ბიუჯეტის სახსრებით მხარდაჭერილ პროექტში/ გრანტში მონაწილეობა

პატენტის ავტორობა

უფლება ქართულ ან უცხოურ სასაქონლო ნიშანზე, სასარგებლო მოდელზე

საქართველოს მეცნიერებათა ეროვნული აკადემიის ან სოფლის მეურნეობის აკადემიის წევრობა

საერთაშორისო პროფესიული ორგანიზაციის წევრობა

კონფერენციის საორგანიზაციო/ საპროგრამო კომიტეტის წევრობა

ჯილდო ეროვნული/ დარგობრივი პრემია, ორდენი, მედალი და სხვ.

საპატიო წოდება

მონოგრაფია

სახელმძღვანელო

სტატია მაღალ რეიტინგულ და ადგილობრივ ჟურნალებში

პუბლიკაცია სამეცნიერო კონფერენციის მასალებში, რომლებიც ინდექსირებულია Web of Science-ში და Scopus-ში