Machine Learning on Otoneurological Data: Decision Trees for Vertigo Diseases
Viikki, Kati (2002)
Viikki, Kati
Tampere University Press Tampereen yliopisto
2002
Tietojenkäsittelyoppi - Computer Science
Informaatiotieteiden tiedekunta - Faculty of Information Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Väitöspäivä
2002-06-05
Julkaisun pysyvä osoite on
https://urn.fi/urn:isbn:951-44-5390-5
https://urn.fi/urn:isbn:951-44-5390-5
Tiivistelmä
Asiantuntijajärjestelmät ovat tietokoneohjelmia, jotka ratkaisevat asiantuntijatason tietämystä vaativia reaalimaailman ongelmia. Niiden suorituskyky perustuu sovellusalueen tietämykseen, joka on upotettu tietämyskantaan, sekä tietämystä hyödyntäviin päättelymenetelmiin.
Tarkastelen väitöskirjatyössäni otoneurologisen asiantuntijajärjestelmä ONEn (Otoneurological Expert System ONE) tietämyskannan jalostamista ja laajentamista. Tutkimusryhmässämme kehitetty asiantuntijajärjestelmä ONE on tarkoitettu tukemaan huimaussairauksien diagnostiikkaa. Sen tietämyskanta sisältää huimaussairauksien kuvauksia, joista päättelymenetelmä hakee diagnosoitavan potilaan oireita parhaiten vastaavan kuvauksen. Tietämys ONEn ensimmäistä, 90-luvulla rakennettua, versiota varten hankittiin lääketieteellisiltä asiantuntijoilta sekä alan kirjallisuudesta.
Tietämyksen hankinta haastattelemalla asiantuntijoita ja tutkimalla kirjallisuutta ja muita tietämyslähteitä on hidasta ja työlästä. Väitöskirjassani tutkitaan koneoppimismenetelmien hyödyntämistä tietämyksen hankinnassa. Koneoppimismenetelmät muodostavat yleisiä malleja tutkimalla yksittäisistä esimerkkitapauksista koostuvia aineistoja. Niiden avulla tietämyksen hankintaa voidaan osin automatisoida.
Tutkimuksessa sovelletaan erityisesti päätöspuumenetelmää huimauspotilasaineistoon diagnostisen tietämyksen hankkimiseksi huimaussairauksille. Erityistä huomiota kiinnitetään aineiston esikäsittelyyn eli toimenpiteisiin, jotka aineistolle tehdään ennen sen syöttämistä varsinaiselle koneoppimismenetelmälle. Mielenkiinnon kohteena ovat kysymykset, mitä attribuutteja käytetään kuvaamaan esimerkkitapauksia ja mitä tapauksia otetaan opetusaineistoon mukaan. Työn tuloksena syntyy muuttujien ryhmittelymenetelmä, joka auttaa käyttäjää muodostamaan käsityksen aineistosta. Lisäksi sitä voidaan hyödyntää attribuuttien valitsemisessa koneoppimismenetelmää varten. Työssä osoitetaan, että tilanteet, joissa esimerkkitapauksilla on sekoittavia arvoja, ovat mallinnettavissa, mikäli opetusaineisto sisältää tällaisia tapauksia riittävästi.
Päätöspuumenetelmällä hankittua tietämystä hyödynnetään asiantuntijajärjestelmä ONEn tietämyskannan jalostamisessa ja laajentamisessa. Työssä tutkitaan myös menetelmiä tietämyskuvausten oppimiseksi aineistosta. Työn tuloksena syntyy tietämyskanta, joka toimii aiempaa tietämyskantaa paremmin reaalimaailman tilanteissa.
Tarkastelen väitöskirjatyössäni otoneurologisen asiantuntijajärjestelmä ONEn (Otoneurological Expert System ONE) tietämyskannan jalostamista ja laajentamista. Tutkimusryhmässämme kehitetty asiantuntijajärjestelmä ONE on tarkoitettu tukemaan huimaussairauksien diagnostiikkaa. Sen tietämyskanta sisältää huimaussairauksien kuvauksia, joista päättelymenetelmä hakee diagnosoitavan potilaan oireita parhaiten vastaavan kuvauksen. Tietämys ONEn ensimmäistä, 90-luvulla rakennettua, versiota varten hankittiin lääketieteellisiltä asiantuntijoilta sekä alan kirjallisuudesta.
Tietämyksen hankinta haastattelemalla asiantuntijoita ja tutkimalla kirjallisuutta ja muita tietämyslähteitä on hidasta ja työlästä. Väitöskirjassani tutkitaan koneoppimismenetelmien hyödyntämistä tietämyksen hankinnassa. Koneoppimismenetelmät muodostavat yleisiä malleja tutkimalla yksittäisistä esimerkkitapauksista koostuvia aineistoja. Niiden avulla tietämyksen hankintaa voidaan osin automatisoida.
Tutkimuksessa sovelletaan erityisesti päätöspuumenetelmää huimauspotilasaineistoon diagnostisen tietämyksen hankkimiseksi huimaussairauksille. Erityistä huomiota kiinnitetään aineiston esikäsittelyyn eli toimenpiteisiin, jotka aineistolle tehdään ennen sen syöttämistä varsinaiselle koneoppimismenetelmälle. Mielenkiinnon kohteena ovat kysymykset, mitä attribuutteja käytetään kuvaamaan esimerkkitapauksia ja mitä tapauksia otetaan opetusaineistoon mukaan. Työn tuloksena syntyy muuttujien ryhmittelymenetelmä, joka auttaa käyttäjää muodostamaan käsityksen aineistosta. Lisäksi sitä voidaan hyödyntää attribuuttien valitsemisessa koneoppimismenetelmää varten. Työssä osoitetaan, että tilanteet, joissa esimerkkitapauksilla on sekoittavia arvoja, ovat mallinnettavissa, mikäli opetusaineisto sisältää tällaisia tapauksia riittävästi.
Päätöspuumenetelmällä hankittua tietämystä hyödynnetään asiantuntijajärjestelmä ONEn tietämyskannan jalostamisessa ja laajentamisessa. Työssä tutkitaan myös menetelmiä tietämyskuvausten oppimiseksi aineistosta. Työn tuloksena syntyy tietämyskanta, joka toimii aiempaa tietämyskantaa paremmin reaalimaailman tilanteissa.
Kokoelmat
- Väitöskirjat [4773]