Оптимизация процесса принятия решений в медицинских экспертных системах на базе нечеткой логики с использованием исторических данных

Abstract

Наиболее популярными подходами к построению систем поддержки принятия решений являются системы нечеткого вывода и системы машинного обучения с учителем. При этом системы нечеткого вывода строятся только на формализации процесса принятия решения экспертом и не учитывают исторические данные, а системы машинного обучения выводят статистические зависимости только по набору исторических данных, и эти зависимости не поддаются формальному экспертному анализу. В работе рассматриваются возможные способы объединения этих подходов – построение и оптимизации медицинских систем нечеткого вывода на основании исторических данных. Two of the most popular approaches to building decision supportsystems are fuzzy inference systems and supervised machine learning systems. However, fuzzyinference systems are based solely on expert decision-making process formalization and don’t take historical data into account, while machine learningsystems infer certain statisticaldependencies based solely onhis-torical data, and those dependencies are very hard to formally analyze reason about from an expert point of view. The possible ways of combining these two approaches – building and optimizing medical fuzzy inference systems based on historical data are considered.