Σκοπός της παρούσας εργασίας ήταν η δημιουργία ενός ευφυούς συστήματος για τη διάγνωση νοσημάτων του προστάτη αδένα με βάση σημεία και συμπτώματα που διαπιστώνονται σε έναν ασθενή όπως καταγράφονται κατά την κλινική του εξέταση. Τα βασικά σημεία της εργασίας είναι τα εξής: αρχικά παράγεται το μοντέλο της διαγνωστικής στρατηγικής που ακολουθείται για τη διάγνωση των συγκεκριμένων παθήσεων και στη συνέχεια γίνεται εκμαίευση της διαγνωστικής γνώσης από ειδικούς ή/και από εμπειρικά δεδομένα. Η διαδικασία και η γνώση αναπαρίστανται με χρήση υβριδικών μεθόδων αναπαράστασης και με τη χρήση ασάφειας ή/και αβεβαιότητας, η οποία είναι εγγενής σε τέτοια διαγνωστικά συστήματα. Το σύστημα αναπτύχθηκε με τέτοια εργαλεία που δίνουν την δυνατότητα στέγασής του σε ιστότοπο ώστε να χρησιμοποιηθεί ως ειδικός συμβουλευτικός οδηγός από ενδιαφερομένους μη ειδικούς ιατρούς & από ασθενείς καθώς και από φοιτητές υγειονομικών σχολών για εκπαιδευτική χρήση. Το σύστημα περιέχει γνώση εμπειρογνωμόνων σε συνδυασμό με στοιχεία πλούσιας βιβλιογραφικής αναζήτησης και μελέτης. Τέλος πραγματοποιήθηκε επικύρωση των αποτελεσμάτων μέσα από μια τυχαιοποιημένη κλινική έρευνα. Η υλοποίηση του συστήματος μας στηρίζεται σε ένα ειδικό κέλυφος δημιουργίας ευφυών συστημάτων και σε εργαλεία μεθόδων μηχανικής μάθησης. Επίσης, υλοποιούνται δύο εκδοχές (Hirofilos Ι & ΙΙ) και γίνεται σύγκριση των απο-τελεσμάτων. Αναγνωρίστηκε η σαφής υπεροχή του Hirofilos ΙΙ που αναπτυχθηκε με σύστημα μηχανικής εκμάθησης και με δυνατότητα διαχρονικής αναβάθμισης. / During making this project our concern was the creation of a new expert system for diagnosis prostate disease depending on the clinical status of a patient as these are identified during medical examination. The main points were as follows: First has been constructed a diagnosis process model which was followed by the diagnosis for the most common prostate diseases. Secondly was implemented extracting of the medical knowledge based on specialists or/and experimental data. The whole process and the medical Knowledge will be developed using hybrid methods of representation and having the partcipation of such saying fuzziness or inaccuracy, that is innate in that kind of intelligent decision-support. The new intelligent system is already accommodated on a hospital server and is used as a decision-support system, as well as an e-learning platform for medical students. For the implementation of the new system have been used an expert system shell and knowledge engineering tools.

Στην εργασία που ακολουθεί, ασχολούμαστε με την εφαρμογή μεθόδων Τεχνητής Νοημοσύνης σε ένα πραγματικό πρόβλημα, που αναφέρεται στην διάγνωση του βαθμού ασφαλισιμότητας ενός πελάτη μιας ασφαλιστικής εταιρείας. Η ανάγκη για την εφαρμογή αυτή προέκυψε από το γεγονός ότι πολλές φορές ο εμπειρογνώμονας της εταιρείας δεν είναι διαθέσιμος, αλλά και όταν είναι, χρειάζεται ένα συμβουλευτικό πρόγραμμα. Πιο συγκεκριμένα, για τη λύση του προβλήματος χρησιμοποιούνται: α) ένα ασαφές έμπειρο σύστημα υλοποιημένο με τη βοήθεια του εργαλείου FuzzyCLIPS, β) ένα έμπειρο σύστημα που χρησιμοποιεί κανόνες με συντελεστές βεβαιότητας τύπου MYCIN, γ) ένα έμπειρο σύστημα που χρησιμοποιεί κανόνες με συντελεστές βεβαιότητας τύπου weighted, υλοποιημένα και τα δύο με βάση το εργαλείο CLIPS και δ) ένα νευρωνικό δίκτυο υλοποιημένο με βάση το εργαλείο WEKA. Στο τέλος συγκρίνουμε τα παραπάνω συστήματα με βάση κάποιες μετρικές. Πριν να ξεκινήσουμε την ανάλυση του προβλήματός μας και των υλοποιήσεων των παραπάνω συστημάτων, αναλύουμε λίγο παραπάνω τους όρους και τα εργαλεία που ήδη αναφέραμε, δίνοντας περισσότερες πληροφορίες για την προέλευση τους, τα χαρακτηριστικά τους, τη χρησιμότητά τους, κτλ. Έτσι, αρχικά δίνουμε περισσότερα στοιχεία για τον τομέα της Τεχνητής Νοημοσύνης και πώς αυτός έχει εξελιχτεί στις τελευταίες δεκαετίες, και αναλύουμε τη συσχέτιση των Έμπειρων Συστημάτων με την Τεχνητή Νοημοσύνη, τα χαρακτηριστικά τους, τη δομή τους, τα πλεονεκτήματα και μειονεκτήματά τους. Στη συνέχεια, αναλύουμε τα τρία εργαλεία που θα χρησιμοποιήσουμε και τις δυνατότητες αυτών. Κι αφού δώσουμε περισσότερες πληροφορίες για το πρόβλημα της ‘Ασφαλισιμότητας’ και τον τρόπο που το αντιμετωπίζουμε, γίνεται παρουσίαση των παραπάνω ευφυών συστημάτων και των αποτελεσμάτων τους σε συγκεκριμένο σύνολο δεδομένων. Τέλος, προχωράμε σε σύγκριση και σχολιασμό των τιμών των μετρικών που προέκυψαν από τις προηγούμενες εφαρμογές, και εξαγωγή των συμπερασμάτων της σύγκρισης. / In the work that follows, we deal with the application of methods of Artificial Intelligence in a real problem, that is concerned with the diagnosis of degree of ‘how safe is to insure a customer’ in an insurance company. The need for this application resulted from the fact that many times over, the expert of the insurance company may not be available, but also when he is, he could use an advisory program. To be more exact, for the solution of the problem described above we use: a) a fuzzy expert system (in our case we use FuzzyCLIPS), b) an expert system that use rules with certainty factors as in the MYCIN tool, c) an expert system that uses rules with certainty factors as in the Weighted tool, both programmed using the CLIPS expert systems tool d) a neural network through WEKA neural network producer tool. Finally, we compare the above mentioned systems by calculating a set of metrics to conclude which method produces the most accurate results. Before analysing our problem and running the systems mentioned above, we analyze fatherly the terms and the tools that we use, providing more information on their characteristics, usefulness, etc. Thus, initially we give more information about Artificial Intelligence and how it has developed in the last decades, and we analyze the cross-correlation of Expert Systems with Artificial Intelligence, their characteristics, their structure, their advantages and disadvantages. After that, we analyze the three tools that we will use, and their possibilities, advantages and disadvantages. After giving more information on the problem of ‘how safe is to insure a customer’ and the way we deal with it, we present the above expert systems and their results in a specific dataset. Finally, we compare the metrics that were calculated from the previous applications, and comment on the conclusions of this comparison.