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.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
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.
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.
Flann, N. und Dietterich, T. (1989). A Study of Explanation-Based Methods for Inductive Learning. Machine Learning, 4 (2) 187–226
Horn, W. (1989). MESICAR — A Medical Expert System Integrating Causal and Associative Reasoning. Applied Artificial Intelligence, Special Issue on Causal Modelling, 3 (2)305–336
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.
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 Kaufmann
Mitchell, T., Keller, R. und Kedar-Cabelli S. (1986). Explanation-Based Generalisation: A Unifying View. Machine Learning, 1 (1) 47–80
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.
Steels, L.(1985). Second Generation Expert Systems, Future Generations Computer Systems, 1 (4) 213–221.
Steels, L. (1990). Components of Expertise, AI-Magazine, 11 (2) 28–49
Utgoff, P. (1986). Machine Learning of Inductive Bias. Boston, Mass.: Kluwer.
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.
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.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1991 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Nagele, B., Widmer, G., Horn, W. (1991). Automatische Verfeinerung der Wissensbasis durch maschinelles Lernen in einem medizinischen Expertensystem. In: Kaindl, H. (eds) 7. Österreichische Artificial-Intelligence-Tagung / Seventh Austrian Conference on Artificial Intelligence. Informatik-Fachberichte, vol 287. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-46752-3_8
Download citation
DOI: https://doi.org/10.1007/978-3-642-46752-3_8
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-54567-5
Online ISBN: 978-3-642-46752-3
eBook Packages: Springer Book Archive