Advertisement

Automatische Verfeinerung der Wissensbasis durch maschinelles Lernen in einem medizinischen Expertensystem

  • Bernhard Nagele
  • Gerhard Widmer
  • Werner Horn
Conference paper
Part of the Informatik-Fachberichte book series (INFORMATIK, volume 287)

Zusammenfassung

MESICAR ist ein Expertensystem der zweiten Generation, welches sehr allgemeine Beschreibungen rheumatologischer Krankheiten beinhaltet. Durch die Anwendung einer detaillierten, hierarchischen Beschreibung der menschlichen Anatomie ist das System in der Lage, Diagnoseentscheidungen zu unterstützen. Der vorliegende Beitrag beschreibt die Erweiterung des Expertensystems um eine Lernkomponente: Das neue System MESICAR-LEARN lernt automatisch verfeinerte Beschreibungen zu häufig auftretenden Krankheiten. Die dafür entwickelte Lernmethode ist eine Kombination von analytischem und empirischem Lernen. Dabei wird MESICARs Wissensbasis als domain theory verwendet. Die erlernten Konzepte werden in eine Krankheitshierarchie integriert und unterstützen so die effiziente und schnelle Diagnose von häufig vorkommenden Fällen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Bergadano, F. und Giordana, A. (1988). A Knowledge-Intensive Approach to Concept Induction. In Proceedings of the Fifth International Conference on Machine Learning. Los Altos, California: Morgan Kaufmann.Google Scholar
  2. Danyluk, A. (1987). The Use of Explanations for Similarity-Based Learning. In Proceedings of the Tenth International Joint Conference on Artificial Intelligence (IJCAI-87). Los Altos, California: Morgan Kaufmann.Google Scholar
  3. Flann, N. und Dietterich, T. (1989). A Study of Explanation-Based Methods for Inductive Learning. Machine Learning, 4 (2) 187–226Google Scholar
  4. Horn, W. (1989). MESICAR — A Medical Expert System Integrating Causal and Associative Reasoning. Applied Artificial Intelligence, Special Issue on Causal Modelling, 3 (2)305–336MathSciNetCrossRefGoogle Scholar
  5. Horn, W. (1991). Utilizing Detailed Anatomical Knowledge for Hypotheses Formation and Hypotheses Testing in Rheumatological Decision Support. Artificial Intelligence in Medicine, 3 (1) 21–39.CrossRefGoogle Scholar
  6. Mitchell, T., Mahadevan, S. und Steinberg, L. (1985). LEAP: A Learning Apprentice for VLSI Design, in Proceedings of the 9th International Joint Conference on Artificial Intelligence (II- CAI-85). Los Altos, California: Morgan KaufmannGoogle Scholar
  7. Mitchell, T., Keller, R. und Kedar-Cabelli S. (1986). Explanation-Based Generalisation: A Unifying View. Machine Learning, 1 (1) 47–80 Google Scholar
  8. Schlimmer, J.C. und Fisher, D. (1986). A Case Study of Incremental Concept Induction. In Proceedings of the Fifth National Conference on Artificial Intelligence (AAAI-86). Los Altos, California: Morgan Kaufmann.Google Scholar
  9. Steels, L.(1985). Second Generation Expert Systems, Future Generations Computer Systems, 1 (4) 213–221.CrossRefGoogle Scholar
  10. Steels, L. (1990). Components of Expertise, AI-Magazine, 11 (2) 28–49Google Scholar
  11. Utgoff, P. (1986). Machine Learning of Inductive Bias. Boston, Mass.: Kluwer.CrossRefGoogle Scholar
  12. Widmer, G. (1989). An Incremental Version of Bergadano & Giordana’s Integrated Learning Strategy. In Proceedings of the Fourth European Working Session on Learning (EWSL-89). London: Pitman.Google Scholar
  13. Widmer, G. (1991). Using Plausible Explanations to Bias Empirical Generalization in Weak Theory Domains. In Y. Kodratoff (Hrsg.), Proc. Fifth European Working Session on Learning (EWSL-91), Berlin: Springer.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1991

Authors and Affiliations

  • Bernhard Nagele
    • 1
  • Gerhard Widmer
    • 1
    • 2
  • Werner Horn
    • 1
    • 2
  1. 1.Institut für Medizinische Kybernetik und Artificial IntelligenceUniversität WienWienDeutschland
  2. 2.Österreichisches Forschungsinstitut für Artificial IntelligenceWienDeutschland

Personalised recommendations