Sztuczna Inteligencja w Medycynie.

Włodzisław Duch

I. Co to jest sztuczna inteligencja i do czego się może przydać medykom - 4 godz.

• Inteligencja obliczeniowa: wiadomości ogólne.
• Podstawowe metody reprezentacji wiedzy.
• Myślenie i szukanie rozwiązań.
• Systemy eksperckie - symboliczne modele rozumowania.
• Przykłady zastosowań systemów eksperckich w medycynie.

II. Przykłady zastosowań sztucznej inteligencji w medycynie - 4 godz.

Co to jest "Inteligencja Obliczeniowa" (Computational Intelligence, CI)?

Dziedzina nauki, zajmująca się rozwiązywaniem problemów, które nie są efektywnie algorytmizowalne, za pomocą obliczeń.

Pzykłady problemów niealgorytmizowalnych: rozumienie sensu zdań, rozpoznawanie twarzy, rozpoznawanie mowy, pisma ręcznego, planowanie terapii, rozwiązywanie nietypowych problemów.

Efektywna algorytmizowalność: przepis (algorytm) pozwalający na rozwiązanie zadań nie tylko w prostych, ale również złożonych sytuacjach.
Przykład: problem wyboru najkrótszej drogi (problem komwojażera) objazdu 5 miejsc da się łatwo rozwiązać, ale 100 nie, gdyż mamy 100!=10¹⁵⁸ możliwości! Tego samego rodzaju są problemy optymalizacji wykorzystania sal wykładowych (układanie planu), upakowania towarów (walizka jeszcze się da dobrze upakować, ale kontener już trudniej).

Częścią CI jest sztuczna inteligencja (Artificial Intelligence, AI), zajmująca się modelowaniem wiedzy, rozwiązywaniem problemów niealgorytmizowalnych w oparciu o symboliczną reprezentację wiedzy.

Dziedziny wchodzące w skład CI: sztuczne sieci neuronowe, logika rozmyta, algorytmy genetyczne i programowanie ewolucyjne, określane często wspólną nazwą "soft computing".
W skład CI wchodzą też: metody uczenia maszynowego, rozpoznawania obiektów (pattern recognition), metody statystyki wielowymiarowej (klasteryzacja, dyskryminacja, metody oparte na podobieństwie), metody optymalizacji, metody modelowania niepewności - probabilistyczne, posybilistyczne, zgrzebne (czyli zbiory i logika przybliżona), oraz metody teorii kontroli i sterowania.

CI wykorzystuje metody matematyczne z wielu dziedzin, korzysta z inspiracji biologicznych, biocybernetycznych, psychologicznych, statystycznych, matematycznych, logicznych, informatycznych, inżynierskich i innych, jeśli mogą się one przydać do rozwiązywania efektywnie niealgorytmizowalnych problemów.

Kilka użytecznych stron zawierających listy odnośników do ciekawych informacji w Internecie:

Sztuczna inteligencja i uczenie maszynowe: www.is.umk.pl/~duch/ai-ml.html

Sieci neuronowe, neurobiologia, przydatne metody matematyczne i statystyczne www.is.umk.pl/~duch/neural.html

Nauki kognitywne: www.is.umk.pl/~duch/cognitive.html

Oprogramowanie do CI/AI/statystyczne i przykładowe bazy danych: www.is.umk.pl/~duch/software.html

Co ostatecznie chce osiągnąć?

• Wersja "słaba" AI: komputer pozwala formułować i sprawdzać hipotezy dotyczące mózgu.
• Wersja "silna" AI: komputer odpowiednio zaprogramowany jest w istotny sposób równoważny mózgowi, ma stany poznawcze, jest umysłem.

Wersja silna jest obecnie bardzo intensywnie krytykowana przez filozofów umysłu.
Np. John Searl, "Umysł na nowo odkryty", PIW, Warszawa 1999 - "prawdziwe" zrozumienie nie jest dla maszyn możliwe.
Skuteczność metod AI nie zależy na szczęście od poglądów filozofów - z krytyki nie wynikają jakieś naturalne ograniczenia dla możliwości AI.

Historia AI

• Era prehistoryczna: od maszyny analitycznej Charles'a Babbage (1842) do około 1960 roku, kiedy pojawiły się powszechnie dostępne komputery.
• Era romantyczna: 1960-1965, kiedy przewidywano, że AI osiągnie swoje cele w ciągu 10 lat i odniesiono sporo początkowych sukcesów.
• Okres ciemności: 1965-1970, w którym niewiele się działo, opadł entuzjazm i pojawiły się głosy bardzo krytyczne.
• Renesans: 1970-1975, gdy zaczęto budować pierwsze systemy doradcze, użyteczne w praktyce.
• Okres partnerstwa: 1975-1980, gdy do badań nad AI wprowadzono metod z wielu nauk, np. z lingwistyki, nauk poznawczych i nauk o mózgu.
• Okres komercjalizacji: 1980-1990, gdy programy AI, a szczególnie systemy doradcze i ich uniwersalne oprawy (shells), zaczęto sprzedawać komercyjnie.

Kluczowe zagadnienia sztucznej inteligencji

Kilka problemów niealgorytmizowalnych, ważnych z medycznego punktu widzenia:

• Inteligentne wspomaganie decyzji: diagnozy medyczne, zalecenia dodatkowych testów, decyzje w nagłych przypadkach.
• Klasyfikacja struktur: rozpoznawanie symptomów, klasyfikacja stanu zdrowia, zachowań człowieka, sensu wypowiedzi.
• Kontrola: sprawdzanie dawek leków, możliwych interakcji leków, potencjalnych przeciwskazań.
• Planowanie: terapii, diety, optymalizacja działań w trakcie jej przebiegu.
• Sterowanie: urządzeń podtrzymujących funkcje życiowe, monitorowanie stanu pacjenta i ostrzeganie w sytuacjach kryzysowych.
• Analiza obrazów: rozpoznawanie i interpretacja obrazów z aparatury medycznej, kontrola jakości obrazu.
• Detekcja regularności: wykrywanie niebezpiecznych symptomów w sygnałach EKG, EEG i innych.
• Separacja sygnałów z wielu źródeł: oczyszczanie obrazów z szumów, filtracja sygnałów elektrycznych (np. mrugania powiek z EEG)
• Prognozowanie: rozwoju choroby.
• Gry strategiczne: uczenie się na błędach w symulowanej rzeczywistości
• Askrypcja danych - łączenie informacji z wielu baz danych, uwzględniając prawdopodobieństwa aprioryczne.
• Szukanie wiedzy w medycznych bazach danych, wniosków z obserwacji, inteligentne szukanie informacji (szukanie semantyczne).
• Selekcja cech: na co warto zwrócić uwagę.
• Redukcja wymiarowości problemu, możliwość oglądania danych w relacji do innych.
• Optymalizacja wielokryterialna i optymalne spełnianie ograniczeń.
• Zrozumienie umysłu: doświadczeń psychologicznych, sposobu rozumowania i kategoryzacji, poruszania się i planowania, procesów uczenia - przydatne każdemu.

Tradycyjne zagadnienia należące AI

• Rozwiązywanie problemów, procesy myślenia
• Rozumowanie logiczne
• Język naturalny
• Autoprogramowanie
• Uczenie się, systemy nabierające doświadczenia
• Ekspertyza - systemy eksperckie.
• Robotyka.
• Komputerowe widzenia - analiza i rekonstrukcja obrazu.
• Systemy operacyjne i języki programowania dla potrzeb AI
• Zagadnienia filozoficzne - czy komputer może być świadomy?

Dwie gałęzie AI

1. Gałąź oparta na analizie logicznej, symbolicznej, koncepcyjne rozumienie inteligencji.
2. Gałąź subsymboliczna, modelowanie mózgu, symulacje komputerowe zamiast logicznych analiz.

Dlaczego AI ma szansę działać lepiej niż ludzie?
Irracjonalność ludzkiego myślenia.

Dlaczego jeszcze nie działa zbyt dobrze?
Potrzebne są systemy o podobnym stopniu skomplikowania co ludzkie mózgi, zdolne do aktywnej nauki i gromadzące doświadczenia.

Wiedza

Czym jest wiedza? Jak ją reprezentować?
Filozofia: nauką o naturze wiedzy jest epistemologia.

Rodzaje wiedzy:

• Obiekty, przedmioty - najprostsze? Trudności z kategoryzacją.
• Zdarzenia, zmienność w czasie.
• Umiejętności - wiedza niewerbalna
• Meta-wiedza, czyli wiem, że nic nie wiem.
• Wierzenia, przekonania lub ich brak.

Używanie wiedzy:

• Gromadzenie wiedzy, klasyfikacja i integracja
• Wydobywanie wiedzy
• Rozumowanie:
  • Formalne rozumowanie - logika
  • Proceduralne rozumowanie - według instrukcji
  • Rozumowanie przez analogię - trudne
  • Rozumowanie przez uogólnianie - indukcyjne, podstawa uczenia maszynowego
  • Meta-rozumowanie - co wiem o swojej wiedzy?

Teoria reprezentacji wiedzy - słabo rozwinięta.

• Reprezentacja logiczna
  Logika formalna:
  Wnioskowanie: z prawdziwych faktów wynikają nowe, prawdziwe fakty.
  Reguła wnioskowania nie zależy od wiedzy, z którą mamy do czynienia.

  Logika predykatów
  Logika stwierdzeń mających za argumenty obiekty, np. ja, człowiek, kartka.
  Predykaty mają argumenty i wartość logiczną, np. predykat jest-czerwony, większy-od, lżejszy niż
  Predykat isa, czyli "jest członkiem".
  Logika predykatów dopuszcza kwantyfikatory

  Logika pierwszego rzędu: kwantyfikatory do obiektów, a nie predykatów.
  Funkcje lub operatory (obiekt): mają argumenty, zwracają inne obiekty Równość w sensie predykatów: X=Y jeśli "P mamy P(X)=P(Y).

  Własności: nie można w niej dowieść fałszywego twierdzenia i wszystkie prawdziwe twierdzenia mają dowód.
  Logika pierwszego rzędu i rachunek predykatów pierwszego rzędu są ograniczone
  Logiki wyższego rzędu (HOL, Higher-Order Logic) są trudne w implementacji.
  Logiki nieklasyczne - później.
  

• Reprezentacja proceduralna
  Sekwencja czynności zapisana moze być najłatwiej w postaci instrukcji - programu komputerowego.
  Wiedza proceduralna jest nieodłącznie związana ze sposobem jej używania.
  Trudności: nieloklany charakter wiedzy.
  

• Sieci semantyczne
  Duże nadzieje wiązano z sieciami semantycznymi, w których symbole zapisywane są w węzłach grafów, a połączenia miedzy nimi (łuki grafu) reprezentują określone relacje. Kontekst, w jakim dopuszczalne jest użycie danego słowa, zapisany jest w strukturze sieci semantycznej.

   

  
  Rozumowanie: przeszukiwanie grafu
  

• Systemy produkcyjne
  Modularna forma zapisu wiedzy:
  Reguły produkcji: pary (warunek - działanie)
  IF warunek1 AND warunek2 ... THEN akcja

  Np. Jeśli kolor-oczu=żółty i bilirubina=wysoka to żółtaczka.
  

  Czy człowiek używa reguł logicznych? Jedynie w nielicznych przypadkach. Próby analizy tekstów w oparciu o reguły logiczne okazały się bardzo trudne, gdyż zbyt wiele takich reguł da się zastosować w konkretnym przypadku i w efekcie nie wiadomo, które zastosować. Jest to powszechny problem, związany z "eksplozją kombinatoryczną", czyli bardzo szybko rosnącą liczbą zagadnień lub reguł, które należy zastosować by rozwiązać pierwotne zadanie. Reprezentacja wiedzy w postaci bardziej złożonych struktur, takich jak "ramy", daje większe możliwości. Ramy zawierają wiedzę ogólną o obiektach, gromadząc wewnątrz opis cech danego obiektu. Nieznane cechy mogą mieć wartości domyślne, najczęściej spotykane, mogą mieć też procedury związane z używaniem wiedzy zawartej w ramach.

  Systemy produkcyjne składają się z 3 części:
  a) bazy reguł produkcji
  b) specjalnej struktury danych, nazywanej kontekstem
  c) interpretera, kontrolującego aktywność systemu
  

  Zalety systemów produkcyjnych:

  • Modularność
  • Jednolitość
  • Naturalność
  Wady: trudno zapisać algorytm, reguły nie odwołują się do siebie

• Reprezentacje bezpośrednie Relacje i własności części odpowiadają relacjom i własnościom części rzeczywistego (modelowanego) systemu.
  Bezpośrednie pod pewnym względem, symboliczne pod innym
  Reprezentacje geometryczne
  Przestrzeń koncepcji
  

• Ramy (frames)
  Złożone struktury powstałe w wyniku nagromadzenia się wcześniejszych doświadczeń.
  Ramy mają haczyki (slots, hooks) na fakty lub procedury.
  Rozumowanie: zapełnianie haczyków.
  Wiedza deklaratywna i proceduralna w dobrze zdefiniowanych ramach.
  

  Reprezentacja wiedzy za pomocą ram

  Ogólna rama, PIES

  Klasa: Zwierzę; zwierzę domowe Rasa: ? Wielkość: średni Właściciel: Osoba Nazwa: imię własne (zwykle=Burek)

  Rama: PIES SĄSIADA

  Klasa: Pies Rasa: kundel Wielkość: duży Właściciel: Jurek Nazwa: Reks

  Jednakże używanie ram nie rozwiązuje podstawowego problemu, jakim jest dobór odpowiedniej wiedzy kontekstowej do danej sytuacji, a więc wybór ram, które należy użyć. Reprezentacja wiedzy w postaci reguł lub ram działa bardzo dobrze jeśli mamy do czynienia z niewielką, ściśle zdefiniowaną domeną wiedzy, dla której znanych jest niewiele faktów.

  Którą ramę zastosować do danej sytuacji?
  Problem "kruchości" reprezentacji.
  Dobór strategii przez dobór ram.
  

• Skrypty: wiedza dotycząca typowej sekwencji zdarzeń.

Szukanie

Głębokie rozumowanie wymaga algorytmów szukania.
Szukanie - jedna z najważniejszych metod informatyki
Przestrzeń poszukiwań:

• baza danych;
• możliwe operacje;
• strategia kontrolna

Rozumowanie bezpośrednie; data driven; z dołu do góry, bottom-up
Rozumowanie wsteczne: goal directed, z góry na dół, top-down
Analiza środków i celów (means-ends analysis)

Reprezentacja wiedzy:
Grafy lub struktury drzewiaste - strategie przeszukiwania
Zagadnienia nieobliczalne, NP-trudne - liczba węzłów rośnie kombinatorycznie, prowadząc do "eksplozji kombinatorycznej".
Wiedza heurystyczna - pomocna, wynikająca z doświadczenia, ale nie gwarantująca rozwiązania.

Jak przewieźć lisa, gęś i ziarno małą łódką na drugą stronę rzeki, jeśli zmieści się w niej nie więcej niż jedna rzecz ?

Odpowiednia reprezentacja to znaczna część rozwiązania problemu: uwidacznia istotne relacje, pozwala na ujawnienie się wszystkich więzów ograniczających możliwe relacje, powinna być zrozumiała, kompletna, zwięzła i pozwalająca na efektywne wykorzystanie w modelu komputerowym.

Przykład: Czy 31 domin może pokryć wszystkie pola szachownicy, z której usunięto 2 rogi?

Szukanie ślepe i heurystyczne

Jeśli mamy jakieś funkcje oceny "dobrej sytuacji", odległości od pożądanego rozwiązania, kosztów, obecnego stanu, np. w 15-ce odległość poszczególnych cyfr od ich końcowego położenia, możemy używać algorytmów szukania heurystycznego.

Wspinanie do góry (hill climbing), na każdym kroku najlepsze rozwiązanie; metody gradientowe nie gwarantują najlepszych wyników.

Najpierw najlepszy, lub na każdym kroku kilka najlepszych.

A* - wariant metody "najpierw najlepszy" używający kosztów dojścia do danego etapu i oceny kosztów dojścia do stanu końcowego.

Szukanie niedeterministyczne: Monte Carlo, przypadkowo generuj nowe konfiguracje.

Simulated annealing, czyli metoda stopniowego studzenia: przypadkowo generuj i powoli skupiaj się na najbardziej interesujących, stosując coraz mniejsze odstępstwa od najlepszych.

Algorytmy genetyczne: wybierz nowe konfiguracje stosując operatory mutacji i krzyżowania.

Procedura minimaxu: jeśli nie wystarczy ocena statyczna, np. w grach z przeciwnikiem, zakłada się najlepsze ruchy przeciwnika.
Zasada alfa-beta: parametry oceniające, którymi posunięciami warto się zajmować

Analiza celów i środków (means-ends analysis) - mierz siły na zamiary

Szukanie a ludzkie myślenie

Ekspert pamięta 50-100 tysięcy "prototypowych" wzorców lub struktur.
Ogromna pamięć, rozpoznawania wzorców.
Liczba pamiętanych "prototypowych" wzorców rzędu 50.000 - 100.000
Pomiedzy szybkością szukania, liczbą reguł i poziomem kompetencji istnieje wyraźny związek.
Komputery i mózgi mają całkiem inne ograniczenia sprzętowe.

Mistrz ułoży po 5-sekundowej ekspozycji średnio 23 figury z 25 na pokazanych pozycjach a nowicjusz tylko 3 lub 4 figury.
Jeśli jednak figury ułożone są przypadkowo to robi taką samą liczbę błędów.

Mechanizm "porcjowania" (chunking) przy pamiętaniu złożonych struktur.

Monty Hall Paradox, czyli przykład złudzenia kognitywnego. Mamy 3 kubki. Wychodzisz z pokoju, ja pod jednym z kubków ukrywam złotą monetę. Wracasz i wybierasz jeden z kubków. Ja - wiedząc, pod którym jest moneta - odkrywam jeden z pustych kubków. Masz teraz szansę zmienić swoją decyzję i pozostać przy już wybranym kubku lub wybrać pozostały.

Czy najlepszą strategią jest:

1. zawsze trzymanie się pierwotnego wyboru;
2. zawsze zmiana;
   
3. czy przypadkowy wybór?

Co jeśli dwie osoby wybierają?

Szukanie semantyczne

Metody AI pozwalają odszukać dokumenty na podstawie sensu pytania, a nie tylko słów kluczowych. Wymaga to zdefiniowania przestrzeni koncepcji dla danego pytania.

Projekt InterSpace i projekt MedSpace

Przykłady szukania informacji na tematy medyczne:
Cancere gene oraz Medline

Systemy eksperckie

Spośród innych programów wykorzystujących techniki AI systemy eksperckie wyróżnia używanie obszernej wiedzy w postaci faktów i procedur (sposobów postępowania) zdobytych od prawdziwego eksperta.

System ekspercki: definicja.

Jest to inteligentny program komputerowy wykorzystujący procedury wnioskowania do rozwiązywania tych problemów, które są na tyle trudne, że normalnie wymagają znaczącej ekspertyzy specjalistów. Wiedza (niezbędna, by zapewnić odpowiedni poziom ekspertyzy), wraz z procedurami wnioskowania, może być uważana za model ekspertyzy, normalnie posiadanej tylko przez najlepszych specjalistów w tej dziedzinie. Wiedza systemu eksperckiego składa się zazwyczaj z faktów i heurystyk. Fakty są podstawą bazy wiedzy systemu - informacją, która jest ogólnie dostępna i powszechnie akceptowana przez specjalistów w danej dziedzinie. Heurystyki są zwykle bardziej subiektywną informacją, która charakteryzuje proces oceny i rozwiązywania problemu przez określonego specjalistę. Przykładami heurystyk są: intuicyjne domysły, przypuszczenia, zdroworozsądkowe zasady postępowania. Poziom ekspertyzy, oferowany przez dany system ekspercki, jest przede wszystkim funkcją rozmiaru i jakości bazy wiedzy danego systemu.

Dlaczego?

1. Koszty: w dłuższym okresie czasu są znacznie tańsze, pomagają w rozwiązywaniu problemów wymagających najbardziej specjalistycznej (a więc najdroższej) wiedzy.
2. Brak ekspertów.
3. Pracują szybciej, nie męczą się, są bardziej niezawodne niż ludzie.
4. Konsekwentne, konsystentne, obiektywne, dokładne.
5. Zawsze do dyspozycji (nie strajkują!).
6. Analiza dużych ilości danych wymaga komputera.

SE: systemy oparte na wszystkich sposobach reprezentacji wiedzy, najczęściej w postaci reguł produkcji.

Tworzenie systemu: etapy

1. Analizy problemu - oceny, czy budowa SE dla danego problem ma sens.
2. Specyfikacji systemu - szczegółowego określenia funkcji i oczekiwań.
3. Akwizycji wiedzy - zgromadzenia, wydobycia z ekspertów i organizacji wiedzy.
4. Wyboru metody reprezentacji wiedzy i narzędzi do budowy SE.
5. Konstrukcji systemu - utworzenia bazy wiedzy, reguł wnioskowania, systemu wyjaśniającego rozumowanie i prowadzenia dialogu z użytkownikiem.
6. Weryfikacji i testowania systemu.
7. Akwizycja wiedzy wymaga transferu ekspertyzy i jej reprezentacji.

Wiedza może być w postaci:

• Faktów z danej dziedziny wiedzy, np: "W starych silnikach diesla przy przegrzaniu dochodzi do gwałtownego podwyższenia obrotów na skutek chwilowego spalania oleju."
• Reguł typu: "Przed zdjęciem obudowy wyciągnąć wtyczkę."
• Heurystyk, czyli co by tu zrobić: "Jak nie zaskakuje a jest iskra to warto sprawdzić przewód paliwa".
• Ogólnych strategii postępowania
• Teorii danej dziedziny, np. działania silników samochodowych.

Metody wydobywania wiedzy to:

1. prowadzenie wywiadów z ekspertami
2. analiza kwestionariuszy wypełnianych przez ekspertów
3. analiza raportów pisanych przez ekspertów
4. analiza komentarzy ekspertów wykonywanych w czasie pracy
5. obserwacja ekspertów przy pracy
6. introspekcja

Rodzaje systemów eksperckich:

• Systemy kontrolne pozwalające na sterowanie skomplikowanymi systemami, takimi jak automatyczne zakłady produkcyjne itp.
• Systemy diagnostyczne to jedno z najbardziej popularnych zastosowań SE, w zagadnieniach technicznych, medycynie, analizie chemicznej i wielu innych problemach.
• Systemy testujące pomagają przy znajdywaniu problemów i mogą być częścią systemów kontrolnych lub systemów diagnostycznych.
• Systemy naprawcze nie tylko prowadzą testy ale i planują działania korekcyjne. Można do nich zaliczyć również niektóre systemy medyczne, zalecające leczenie.
• Systemy projektujące wspomagają prace projektowe, takie jak projektowanie układów elektronicznych, CAD czy CAM.
• Systemy edukacyjne czyli CAI, lub ICAI (Intelligent Computer Aided Instruction), a więc inteligentne wspomaganie nauczania, systemy algebry symbolicznej.
• Systemy interpretujące wspomagające analizę i interpretację informacji, wydobywanie informacji z baz danych, interpretujące dane geologiczne.
• Systemy planistyczne wspomagające strategiczne działanie i planowanie zadań, np. planowanie syntezy związków chemicznych czy budowy systemów komputerowych.
• Systemy prognostyczne wspomagające wyciąganie wniosków i przewidywanie tendencji.

Konstrukcja systemów eksperckich

Bazy wiedzy oddzielone są od mechanizmów wnioskowania.

Reguły produkcji:
<obiekt,atrybut,wartość>, np. <samochód,kolor,czerwony>

Architektury:
hierarchiczna: dzieli wiedzę na dziedziny, zawiera meta-poziom
wielowarstwowa: kilka poziomów, np. działanie, planowanie, strategia
tablicowa (blackboard): łączenie wiedzy z kilku źródeł
hybrydowa: regułowo-koneksjonistyczna
symulacyjna: modele numeryczne i sieci powiązań przyczynowych
korzystająca z analogii: case-based reasoning

DSS (Decision Support Systems), Systemy Wspomagania Decyzji
Dialog z użytkownikiem i wyjaśnienia sposobów wnioskowania systemu.
Nie zawsze system rozumuje w sposób podobny do człowieka.

Rozumowanie retrospektywne
Rozumowanie hipotetyczne: co by było gdyby ...
Rozumowanie kontrfaktyczne, wbrew faktom (counterfactual reasoning): byłoby lepiej gdyby P było faktem; czemu nie ma P? Czasami odwrotnie, jest gorzej bo P, czemu jest?

Problem: niepewność wiedzy.

Prawdopodobieństwo warunkowe, współczynniki ufności lub pewności (confidence factors), teoria wiarygodności, teoria zbiorów rozmytych.

System MYCIN

Program do diagnostyki i terapii chorób zakaźnych (Stanford, 1972).

Wiedza: reguły produkcji, listy, tabele, opis parametrów klinicznych

• REGUŁA 095
  IF Kultura bakteryjna rozwinęła się we krwi
  i odczyn jest gramopozytywny i bakterie wniknęły przez jelito
  i żołądek lub miednica są miejscem infekcji
  

  THEN Istnieją silne poszlaki, że jest to klasa Enterobacteriacae.
  

• META-REGUŁA 001
  IF (1) infekcja ma charakter brzuszny i
  (2) użyto reguł które wspominają o Enterobacteriacae i
  (3) użyto reguł wspominających o pałeczkach grampozytywnych
  

  THEN z poziomem ufności 0.4 reguły dotyczące Enterobacteriacae powinny być użyte przed regułami dotyczącymi pałeczek.
  

Porównanie diagnoz i zaleceń MYCIN z zaleceniami 5 specjalistów z kliniki w Stanfordzie: MYCIN 52 punkty, specjaliści od 34 - 50 punktów, student medycyny uzyskał 24 punkty.

EMYCIN (1981), NEOMYCIN (1984)

PUFF i jego rozwinięcie CENTAUR (1983), diagnoza chorób płuc.

INTERNIST: choroby poszczególnych organów: płuc, serca, wątroby

Wiele innych systemów medycznych.

Przykład systemu eksperckiego: program AI-TEX.

Czemu nie ma SE w szpitalach?