マイシン

MYCIN は、初期の後方連鎖エキスパートシステムで、人工知能を使用して、菌血症や髄膜炎などの重篤な感染症を引き起こす細菌を特定し、患者の体重に合わせて投与量を調整した抗生物質を推奨しました。抗生物質の多くに接尾辞「-mycin」が付いているため、この名前は抗生物質自体に由来しています。Mycin システムは、血液凝固疾患の診断にも使用されました。MYCIN は、1970 年代初頭にスタンフォード大学で 5 ～ 6 年かけて開発されました。Bruce G. Buchanan、 Stanley N. Cohenらの指導の下、Edward Shortliffeの博士論文としてLispで書かれました。

MYCIN は、特定の医学的知識がなくても知識を獲得し、それに基づいて推論し、結果を説明するEMYCINエキスパートシステムシェル(「必須 MYCIN」) につながりました。これは、「EMYCIN = Prolog + 不確実性 + キャッシュ + 質問 + 説明 + コンテキスト - 変数」と説明できます。概要は、Paradigms of Artificial Intelligence Programming (PAIP)の第 16 章にあります。 ^[1]

方法

MYCIN は、かなり単純な推論エンジンと約 600 のルールからなる知識ベースを使用して動作しました。プログラムを実行している医師に、一連の単純な「はい/いいえ」またはテキスト形式の質問で問い合わせます。最後に、各診断の確率、各診断の確率に対する信頼度、各診断の根拠 (つまり、MYCIN は、診断を特定の方法でランク付けするに至った質問とルールもリストします)、および推奨される薬物治療コースに基づいて、高から低の順にランク付けされた、可能性のある原因細菌のリストを提供します。

サミュエル・クラークは、「確実性係数」として知られる、その場しのぎではあるが原則に基づいた不確実性の枠組みの使用について議論を巻き起こした。確実性係数は不信/確信を扱うように設計されたが、確率的な依存性/独立性を扱うものではなく、確率でもない。

開発者らは、MYCIN のパフォーマンスは個々のルールに関連する不確実性指標の変動によってほとんど影響を受けないことを示す研究を実施し、システムのパワーは数値的不確実性モデルの詳細よりも知識表現と推論スキームに関係していることを示唆した。一部の観察者は、古典的なベイズ統計を使用することも可能であったはずだと感じた。MYCIN の開発者らは、そうすると確率的独立性の非現実的な仮定が必要になるか、専門家が実現不可能なほど多数の条件付き確率の推定値を提供する必要があると主張した。^[2]^[3]

その後の研究では、確信度係数モデルは確率論的に解釈できることが示され、そのようなモデルの暗黙の仮定に問題があることが浮き彫りになった。しかし、システムのモジュール構造は非常に成功し、ベイジアンネットワークなどのグラフィカルモデルの開発につながった。^[4]

コンテクスト

MYCINのコンテキストは、どのようなタイプのオブジェクトを推論できるかを決定します。これは、Prologの変数やオペレーティングシステムの環境変数に似ています。^[1]

( defun mycin () 「患者に感染している微生物を特定します。」( emycin ( list ( defcontext患者(名前性別年齢) ()) ( defcontext培養(感染部位日数) ()) ( defcontext生物() (識別情報)))))

証拠の組み合わせ

MYCIN では、2 つ以上のルールが、異なる証拠の重みを持つパラメータについて結論を導き出す可能性がありました。たとえば、あるルールでは、問題の生物はE. Coliであると確信度 0.8 で結論付け、別のルールではE. Coliであると確信度 0.5 または -0.8 で結論付けます。確信度が 0 未満の場合、証拠は実際には仮説に反しています。確信度係数を計算するために、MYCIN はこれらの重みを次の式を使用して組み合わせ、単一の確信度係数を算出しました。

CF(x,y)={\begin{cases}X+Y-XY&{\text{if }}X,Y>0\\X+Y+XY&{\text{if }}X,Y<0\\{\frac {X+Y}{1-\min(|X|,|Y|)}}&{\text{otherwise}}\end{cases}}

ここで、XとYは確信度係数です。^[5]この式は、2つ以上のルールが同じパラメータについて結論を導き出す場合、複数回適用できます。これは交換可能であるため、重みがどの順序で結合されたかは関係ありません。

配合処方は、以下の望ましい特性を持つように設計されました。^[1]

-1 は「偽」、+1 は「真」、0 は「不確実」と解釈されます。
未知のものを何かと組み合わせても、それは変化しません。
true を( false を除く)何かと組み合わせるとtrue になります。falseの場合も同様です。
trueとfalse を組み合わせると、ゼロ除算エラーが発生します。
+x と -x を組み合わせると、不明な値になります。
2 つの正の数 ( trueを除く) を組み合わせると、より大きな正の数になります。負の数についても同様です。
プラスとマイナスを組み合わせると、その中間の何かが生まれます。

例

以下の例は PAIP の第 16 章からの抜粋です。この章には、教育目的で MYCIN を修正および簡略化したバージョンの Common Lisp実装が含まれています。

ルールとシステムによって生成された英語の言い換え:

(ルール52 ) (培養部位が血液) (グラム陰性菌) (形態が桿菌) (患者の火傷が重症) then .4 (同定菌はシュードモナス) )ルール52 : 1 )培養部位が血液2 )菌のグラム陰性3 )菌の形態が桿菌4 )患者の火傷が重症の場合、1 )菌の同定がシュードモナスであるという弱い示唆的証拠( 0.4 )がある。

結果

スタンフォード大学医学部で行われた調査では、MYCIN の治療計画は 8 人の独立した専門家のパネルから 65% の許容度評価を受けており、これは 5 人の教員による 42.5% ～ 62.5% の評価とほぼ同等であることがわかりました。 ^[6]この調査は、正しい治療の「ゴールドスタンダード」が存在しない場合に、専門家の間でも治療の決定について意見の相違が生じる可能性があることを示すものとしてよく引用されています。^[要出典]

実用

MYCIN は実際には一度も診療に使用されなかった。これは、その性能に弱点があったからではない。一部の観察者は、システムが誤った診断を下した場合の医師の責任に関して、医療におけるコンピュータの使用に関連する倫理的および法的問題を提起した。^[7]しかし、最大の問題であり、MYCIN が日常診療で使用されなかった理由は、特にそれが開発された当時のシステム統合の技術の状態であった。MYCIN はスタンドアロンシステムであり、ユーザーは MYCIN が提示する質問に回答を入力して、患者に関するすべての関連情報を入力する必要があった。このプログラムは、パーソナルコンピュータが開発される前の初期のインターネット ( ARPANet ) で利用可能な大規模なタイムシェアリングシステムで実行された。

したがって、MYCIN の最大の影響は、その表現と推論のアプローチの威力を実証したことにあります。MYCIN によるアプローチの導入後、多くの非医療分野でルールベースのシステムが開発されました。1980 年代には、エキスパートシステム「シェル」が導入され (MYCIN に基づくもの、E-MYCIN (その後Knowledge Engineering Environment - KEEに続く) を含む)、さまざまなアプリケーション領域でエキスパートシステムの開発がサポートされました。MYCIN およびその後の複雑なエキスパートシステムの開発中に顕著になった難題は、推論エンジンが使用するのに必要な知識を、関連分野の人間のエキスパートからルールベースに抽出すること(いわゆる「知識獲得ボトルネック」) でした。

参照

参考文献

^ abc Norvig, Peter (2007). 「16. エキスパートシステム」。人工知能プログラミングのパラダイム: Common LISP のケーススタディ( Nachdr. ed.)。カリフォルニア州サンフランシスコ: Morgan Kaufmann。ISBN 978-1-55860-191-8。
^ Shortliffe, EH; Buchanan, BG (1975). 「医学における不正確な推論のモデル」. Mathematical Biosciences . 23 (3–4): 351–379. doi :10.1016/0025-5564(75)90047-4. MR 0381762. S2CID 118063112.
^ Buchanan, BG; Shortliffe, EH (1984).ルールベースエキスパートシステム: スタンフォードヒューリスティックプログラミングプロジェクトの MYCIN 実験。マサチューセッツ州レディング: Addison-Wesley。ISBN 978-0-201-10172-0。
^ Heckerman, D.; Shortliffe, E. (1992). 「確実性要因から信念ネットワークへ」(PDF) .医学における人工知能. 4 (1): 35–52. CiteSeerX 10.1.1.157.4459 . doi :10.1016/0933-3657(92)90036-O.
^ ジャクソン、ピーター (1999)。エキスパートシステム入門。アディソン・ウェスリー・ロングマン・リミテッド。p. 52。ISBN 978-0-201-87686-4。
^ Yu, Victor L. (1979-09-21). 「コンピュータによる抗菌薬の選択」. JAMA . 242 (12): 1279–82. doi :10.1001/jama.1979.03300120033020. ISSN 0098-7484. PMID 480542.
^ Trivedi, MC (2014). 人工知能への古典的アプローチ (第 2 版). Van Haren Publishing. p. 331

ウィンストン、パトリック・ヘンリー編 (1986) 。AI ビジネス: 人工知能の商業的利用(第 4 版)。マサチューセッツ州ケンブリッジ: MIT Pr. ISBN 978-0-262-23117-6。

外部リンク

人工知能プログラミングのパラダイム、第 16 章。

ルールベースのエキスパートシステム: スタンフォードヒューリスティックプログラミングプロジェクトの MYCIN 実験-(ブルース G. ブキャナンとエドワード H. ショートライフ編、電子書籍版)
TMYCIN、MYCIN に基づくシステム
「Mycin エキスパートシステム: Ruby実装」(Web アーカイブ)。
「MYCIN: 簡単なケーススタディ」
「一部のエキスパートシステムには常識が必要」 - (ジョンマッカーシー著)
「エキスパートシステム」

[:0-1] Norvig, Peter (2007). 「16. エキスパートシステム」。人工知能プログラミングのパラダイム: Common LISP のケーススタディ( Nachdr. ed.)。カリフォルニア州サンフランシスコ: Morgan Kaufmann。ISBN 978-1-55860-191-8。

[2] Shortliffe, EH; Buchanan, BG (1975). 「医学における不正確な推論のモデル」. Mathematical Biosciences . 23 (3–4): 351–379. doi :10.1016/0025-5564(75)90047-4. MR 0381762. S2CID 118063112.

[3] Buchanan, BG; Shortliffe, EH (1984).ルールベースエキスパートシステム: スタンフォードヒューリスティックプログラミングプロジェクトの MYCIN 実験。マサチューセッツ州レディング: Addison-Wesley。ISBN 978-0-201-10172-0。

[4] Heckerman, D.; Shortliffe, E. (1992). 「確実性要因から信念ネットワークへ」(PDF) .医学における人工知能. 4 (1): 35–52. CiteSeerX 10.1.1.157.4459 . doi :10.1016/0933-3657(92)90036-O.

[5] ジャクソン、ピーター (1999)。エキスパートシステム入門。アディソン・ウェスリー・ロングマン・リミテッド。p. 52。ISBN 978-0-201-87686-4。

[6] Yu, Victor L. (1979-09-21). 「コンピュータによる抗菌薬の選択」. JAMA . 242 (12): 1279–82. doi :10.1001/jama.1979.03300120033020. ISSN 0098-7484. PMID 480542.

[7] Trivedi, MC (2014). 人工知能への古典的アプローチ (第 2 版). Van Haren Publishing. p. 331