Человеко-ориентированная нечеткая система поддержки принятия решений для медицинской диагностики с использованием нечетких когнитивных карт

Почему этот новый медицинский инструмент важен

Когда врачи решают, есть ли у пациента сердечное заболевание, рак или другое серьёзное состояние, они одновременно учитывают множество признаков: показатели лабораторных тестов, описания боли, результаты сканирования и годы практического опыта. Многие компьютерные программы умеют находить закономерности в этих данных, но часто работают как «черные ящики», внутренняя логика которых трудно просматривается или оспаривается. В этой статье предлагается инструмент поддержки принятия решений, который стремится мыслить ближе к клиницисту, используя нечеткие градации риска вместо жестких правил «да/нет», оставаясь при этом достаточно прозрачным, чтобы медицинские эксперты могли проверять и корректировать его внутренние механизмы.

Смешение мягкой логики с медицинским рассуждением

Исследование опирается на две идеи из искусственного интеллекта. Первая — нечеткая логика, которая позволяет утверждениям вроде «давление повышено» быть частично верными вместо жесткого порога. Вторая — нечеткая когнитивная карта, тип сетевой модели, где узлы представляют клинические понятия, такие как симптомы, результаты тестов или риск заболевания, а стрелки показывают, как одна концепция повышает или понижает другую. В медицине такие карты привлекательны, потому что отражают то, как говорят и рассуждают клиницисты, и потому что связи между понятиями можно демонстрировать и обсуждать. Но традиционные карты обычно фиксируются после выбора связей экспертами, что затрудняет их быстрое адаптирование при изменении руководств, данных или популяций пациентов.

Позволить данным обучаться, сохраняя контроль экспертов

Предложенная человеко-ориентированная нечеткая система поддержки принятия решений (HCFDSS) стремится уравновесить экспертные знания и обучение на данных. Она разделяет процесс на две петли. Во внутренней петле модель принимает «фаззифицированные» признаки пациента, прогоняет их через сеть концепций и сходится к стабильному паттерну активаций, представляющему диагностическое предположение. Во внешней петле силы связей между концепциями аккуратно подстраиваются под клинические данные, оставаясь в разумных пределах. Ключевой момент: врачи могут просматривать отдельные связи и предлагать исправления, а система затем смешивает эти человеческие корректировки с обновлением, основанным на данных, вместо того чтобы слепо перезаписывать одно другим.

Простой пример с сердечным заболеванием

Чтобы показать, как это работает, в статье приводится небольшой пример из трёх концепций: повышенное кровяное давление, боли в груди и сердечное заболевание. Сеть начинается со связей, выбранных экспертами, которые, например, указывают, что боли в груди способствуют вероятности сердечного заболевания. Когда образец пациента обрабатывается, модель прогнозирует определённый уровень активации болезни. Врач затем инспектирует карту и решает, что связь от боли в груди к сердечному заболеванию должна быть немного сильнее, чем предлагало обучение только на данных. После того как эксперт подтягивает эту одну связь вверх, сеть прогоняют снова, и активация сердечного заболевания немного возрастает, возможно, переводя решение из отрицательного в положительное. Это изменение легко проследить и обосновать, поскольку оно следует видимому пути через именованные концепции, а не через скрытые численные признаки.

Тестирование системы на реальных и смоделированных данных

Кроме наглядного примера, автор разрабатывает тщательный план оценки с использованием как смоделированных клинических сценариев, так и трёх известных публичных наборов данных по сердечным заболеваниям, раку груди и болезни Паркинсона. Прогнозы системы сравнивают с несколькими эталонами, включая фиксированные экспертные карты, изученные карты без руководства эксперта и распространённые методы машинного обучения, такие как логистическая регрессия, опорные векторы, случайные леса, градиентный бустинг, ближайшие соседи и нейронные сети. Исследование также проверяет, насколько подход устойчив при частично отсутствующих данных, при несбалансированных классах и при изменении влияния эксперта. Специальный показатель отслеживает, как часто изученные связи сохраняют то же медицинское значение и направление, что и первоначальный экспертный дизайн.

Что это значит для будущих инструментов поддержки в медицине

Результаты показывают, что хотя новая система не всегда превосходит стандартные модели машинного обучения по чистой точности, она обычно подбирается близко к ним, сохраняя полностью просматриваемую структуру. В частности, она удерживает предполагаемый экспертами знак и роль каждой активной связи, даже по мере обучения на данных. Для непрофессионала главное: эта рамочная конструкция направлена не на создание совершенного автоматического диагноста, а на создание ясной, редактируемой карты, которую могут разделять врачи и компьютеры. Она даёт клиницистам возможность увидеть, как модель формулирует свои предложения, проверить, соответствует ли это медицинскому пониманию, и мягко направлять систему, когда новые доказательства или опыт указывают на необходимость изменить определённые отношения.

Цитирование: Zakaria, A. A human-centric fuzzy decision support system for medical diagnosis using fuzzy cognitive maps. Sci Rep 16, 15336 (2026). https://doi.org/10.1038/s41598-026-51590-z

Ключевые слова: нечеткие когнитивные карты, поддержка медицинских решений, интерпретируемый ИИ, эксперт-в-петле, клиническая диагностика