Гистологическое исследование является ключевым и самым значимым этапом онкологической диагностики опухолей с точки зрения принятия решения о диагнозе. Гистологическая диагностика основана на принципе подобия выявленных изменений некому стандарту и в значительной мере зависит от субъективных факторов: квалификации эксперта, его способности выделить, объединить и соотнести выявленные признаки с определенной нозологической единицей [1]. Микроскопические изображения, являющиеся при гистологическом исследовании объектами анализа, имеют сложную пространственно-яркостную организацию, поэтому задача их интерпретации относится к классу трудно формализуемых, не имеющих адекватного традиционного математического описания. Также это связано с отсутствием в ряде нозологий четких критериев и разнообразием форм объектов исследования. Процесс гистологического исследования микропрепаратов в клинической практике в большинстве случаев базируется на формировании у врача-патологоанатома качественных образов объектов, например разновидностей опухолей, аналогично у человека формируется память на лица.
Бсе вышеперечисленные факторы свидетельствуют о том, что в области гистологической диагностики необходимо создавать высокотехнологичные (с применением передовых информационных технологий) экспертные системы, аккумулирующие опыт и знания передовых врачей-диагностов, которых по некоторым заболеваниям в стране единицы. Такие экспертные системы могут использоваться как эффективное средство поддержки принятия диагностических решений врачом в сложных случаях заболеваний и опухолей. Наряду с диагностикой, они также призваны решать задачи обучения и повышения квалификации врачей.
Предложена модель построения экспертной системы гистологической диагностики (рис.1), в основе которой база знаний эталонных изображений опухолей, описанных в системе формализованных признаков, которые содержат как количественные, так и качественные характеристики объектов исследования. Также система содержит подсистемы интеллектуального вывода, обучения и редактирования. Стратегия поддержки принятия решений врачом, заложенная в систему, основана на сопоставлении комбинации стандартизованных информативных признаков исследуемого случая заболевания с совокупностью признаков эталонных объектов заданных классов заболеваний. Б результате определяется наиболее вероятный класс исследуемого случая и коэффициент достоверности полученного результата.
Математическая модель базы знаний включает в себя следующие основные положения:
Список классов - список нозологических форм, дифференцировка между которыми наиболее значима при постановке гистологического диагноза, {Ki}.
Выборка эталонных объектов (микропрепаратов), представляющих заданные классы {Mэk}.
Словарь информативных признаков. Иерархическая модель
словаря включает вектор свойств S и вектор признаков 
,
причем каждое свойство описывается своим вектором признаков 
. Каждому входному объекту X, таким образом, может быть поставлен в соответствие набор 
из указанного словаря.
Описания объектов из эталонной выборки классов {Mk} с помощью словаря признаков. Т.е. каждому объекту из класса ставится в соответствие набор свойств и признаков из словаря
1. При анализе исследуемого объекта лицо, принимающее решение, из указанного словаря определяет набор свойств и признаков, характерных для исследуемого объекта Х (см. (1)).
2. В системе происходит анализ введенной комбинации признаков входного объекта Х и оценивается наличие выбранного набора признаков в совокупности признаков для каждого класса эталонной выборки.
Обозначим как Wk - количество эталонных объектов в классе K, а Vэk - вес комбинации свойств и признаков объекта X в классе K.
Вес комбинации оценивается следующим образом:
где s - свойство из вектора свойств S входного объекта X . Тогда считается, что объект X ∈ классу Ki при условии, что для ∀t ( t ≠ i ) выпол-
няется условие
где 
- частота встречаемости комбинации признаков объекта X среди объектов Ki класса,
- частота встречаемости комбинации признаков объекта X среди объектов Kt класса,
3. Для характеристики уровня доверия к решению системы по отнесению анализируемого объекта к определенному классу вводится коэффициент достоверности, который вычисляется по следующей формуле.
где Gk - коэффициент, зависящий от представительности выборки класса K а Zx - условный вес комбинации признаков объекта X во всей выборке.
где N - число классов.
Таким образом, определяется наиболее вероятный класс входного объекта и коэффициент достоверности полученного результата.
Анализ предметной области, объектной среды, а также консультации с экспертами в области гистологической диагностики показали адекватность предложенных моделей для построения экспертных систем гистологической диагностики различных нозологий (щитовидной железы, молочной железы, органов желудочно-кишечного тракта и др.).
Созданные экспертные системы могут применяться в клинической практике для повышения достоверности принимаемых диагностических решений, повышения квалификации врачей патологоанатомов, обучения и тестирования студентов-медиков.
Эффективность предложенных решений реализации экспертных систем гистологической диагностики была подтверждена экспериментальными исследованиями на тестовой выборке изображений с участием молодых врачей со стажем работы менее 5 лет. Тестовая выборка составляла 180 изображений. Экспериментальные исследования показали, что система предложила правильный диагноз в 91% случаев (молодые врачи в 64%). Система ошиблась в 9%, причем ошибки распределились следующим образом: 71% - ошибки не имеющие существенного значения, 18% - лечебная тактика идеинтична, 11% - грубые ошибки. В соотношении с общим количеством случаев грубые ошибки системы составили менее 2% [3].
Эксперимент показал также, что в сложных пограничных случаях опухолей, возникают разногласия даже среди экспертов в интерпретации информативных признаков. Поэтому актуальной является задача повышения объективности формализованных списков признаков для экспертных систем гистологической диагностики с привлечением групп независимых экспертов.
Список литературы
1. Стратегия разработки информационно-диагностического комплекса «Биопсия» / Левадная М.Г., Никитаев Б.Г., Бердникович Е.Ю. и др. // Науч. Сессия МИФИ-2005. Сб. науч. тр. Б 15 томах. - М.: МИФИ, 2004.
2. Никитаев Б.Г., Бердникович Е.Ю. Система баз данных экспертных оценок для информационно-измерительных систем онкологической диагностики. Международный форум «Новые информационные технологии и менеджмент качества» (NIT & QM). Материалы международного форума. Под редакцией д.т.н., профессора Б.Н.Азарова. - М.:Фонд «Качество», 2009.
3. Экспертная система для гистологической диагностики опухолей щитовидной железы / Ротин Д.Л., Петровичев Н.Н., Бердникович Е.Ю. // Архив патологии. ISSN 0004-1955. 2004г. N 2.