IME - AZ EGÉSZSÉGÜGYI VEZETŐK SZAKLAPJA

Tudományos folyóirat

   +36-30/459-9353       ime@nullimeonline.hu

   +36-30/459-9353

   ime@nullimeonline.hu

Ontológiák és alkalmazásuk orvosi területen

  • Cikk címe: Ontológiák és alkalmazásuk orvosi területen
  • Szerzők: Lukácsy Gergely, Szeredi Péter
  • Intézmények: IQSYS RT. BME
  • Évfolyam: III. évfolyam
  • Lapszám: 2004. / 1
  • Hónap: január-február
  • Oldal: 26-30
  • Terjedelem: 5
  • Rovat: INFOKOMMUNIKÁCIÓ
  • Alrovat: MÓDSZERTAN, DÖNTÉS ELŐKÉSZÍTÉS

Absztrakt:

A cikk áttekinti az ontológiák témakörét, és bemutat egy kísérleti ontológiakezelő rendszert, hangsúlyt fektetve annak orvosi területeken való alkalmazhatóságára. Az ontológiák fontos szerepet játszanak különféle intelligens keresőrendszerekben, nyelvészetiés adatbányászati eszközökben, csakúgy, mint a hagyományos információforrások hatékonyabb és kényelmesebb elérésének biztosításában. Az ontológiák különösen fontosak az orvostudományban, mert az utóbbi évek fejlődése olyan mennyiségű biológiai és orvosi adatot termelt ki magából, amelyek között egyre nehezebb a kívánt információ megtalálása.

Cikk letöltése




Vissza az előző oldalra
Szerző Intézmény
Szerző: Lukácsy Gergely Intézmény: IQSYS RT. BME
Szerző: Szeredi Péter Intézmény: IQSYS RT. BME

[1] Benkő T., Krauth P., Szeredi P.: A Logic Based System for Application Integration, Proceedings of the 18th International Conference on Logic Programming, ICLP 2002, Springer, LNCS, 2002
[2] Darvas F, Futó I, Szeredi P: Logic-based program system for predicting drug interactions, Int J Biomed Comput. 1978 Jul; 9(4):259-71.
[3] Ian Horrocks. Reasoning with expressive description logics: Theory and practice. In Andrei Voronkov, editor, Proc. of the 18th Int. Conf. on Automated Deduction (CADE 2002), number 2392 in Lecture Notes in Artificial Intelligence, pages 1-15. Springer, 2002.
[4] Ian Horrocks, Peter F. Patel-Schneider: Three theses of representation in the semantic web. In Proc. of the Twelfth International World Wide Web Conference (WWW 2003), pages 39-47. ACM, 2003.
[5] Lukácsy G.: RDFConsole – Intelligens lekérdezés és következtetés a Weben. NJSZT MI szakosztály előadás, Budapest, 2003 február.
[6] Lukácsy G., Benkő T., Szeredi P., Krauth P.: Ontológiakezelés logikai módszerekkel, Networkshop 2003 konferencia, előadás, Pécs 2003 április, http://nws.iif.hu/ncd2003/docs/ehu/EHU-122.pdf
[7] Nelson, Stuart J.; Johnston, Douglas, Humphreys, Betsy L: Relations in Medical Subject Heading. Relationships in the organization of knowledge. New York: Kluwer Academic Publishers; 2001. p.171-184.
[8] A. Rector, S. Bechhofer, C. A. Goble, I. Horrocks, W. A. Nowlan, W. D. Solomon: The Grail concept modelling language for medical terminology. Artificial Intelligence in Medicine, 9: 139-171, 1997.
[9] Szeredi P., Gyimóthy T.: Logikai programozás és alkalmazásai. IX. Neumann Kongresszus kiadványa: 181-198. Neumann János Számítástudományi Társaság, 2003.

INFOKOMMUNIKÁCIÓ MÓDSZERTAN Ontológiák és alkalmazásuk orvosi területen Lukácsy Gergely, IQSYS Rt., BME Szeredi Péter, IQSYS Rt., BME A cikk áttekinti az ontológiák témakörét, és bemutat egy kísérleti ontológiakezelő rendszert, hangsúlyt fektetve annak orvosi területeken való alkalmazhatóságára. Az ontológiák fontos szerepet játszanak különféle intelligens keresőrendszerekben, nyelvészeti- és adatbányászati eszközökben, csakúgy, mint a hagyományos információforrások hatékonyabb és kényelmesebb elérésének biztosításában. Az ontológiák különösen fontosak az orvostudományban, mert az utóbbi évek fejlődése olyan mennyiségű biológiai és orvosi adatot termelt ki magából, amelyek között egyre nehezebb a kívánt információ megtalálása. BEVEZETÉS Ontológián egy adott tudományterületen fellelhető tudás formális leírását értjük. Egy ilyen leírásban meg kell határoznunk az adott szakterület fogalmait és a köztük felállítható kapcsolatokat, le kell írnunk ezek hierarchikus elrendezését és a rájuk vonatkozó szabályokat. A Tolnai Lexikonban a görög eredetű szó jelentése a létről szóló tudomány. Foglalkozik a létezés kritériumaival, a létezők legáltalánosabb tulajdonságaival és megismerhetőségével. Vannak filozófiai rendszerek, amelyekben az ontológia összeesik a metafizikával. pelhetnek kapcsolatok, definíciók, szabályok (ezekre a fentiekben láthattunk néhány példát). Cikkünkben a LOBO (LOgic Based management of Ontologies) projektet mutatjuk be, amely egy alkalmazás-független, logikai alapú, intelligens ontológiakezelő és információ-integrációs eszköz kifejlesztését tűzte ki célul. Ismertetjük a LOBO rendszer megvalósítási alapelveit, valamint a rendszer kísérleti alkalmazását az orvosi ontológiák területén. Legfontosabb céljaink között szerepelt, hogy a rendszer tegye lehetővé nehézsúlyú ontológiák létrehozását és szerkesztését, létező ontológiák konzisztenciájának ellenőrzését, ontológiák összehasonlítását és integrálását, valamint az ontológiákon alapuló ismeretkezelést. Ez utóbbi magába foglalja a létező adatforrások ontológia-alapú lekérdezését, valamint ontológia-alapú konzisztencia ellenőrzését. ÁLTALÁBAN AZ ONTOLÓGIÁKRÓL Ontológiának általában bizonyos tulajdonságoknak megfelelő, formálisan reprezentált háttértudást hívunk. A leírás formális volta itt nagyon fontos, hiszen az ontológiák használatával azt szeretnénk elérni, hogy bizonyos (eddig nem automatizálható) folyamatokat a gépek sokkal intelligensebben tudjanak elvégezni, mint korábban. Például a lázas beteg fogalmát definiálhatjuk úgy, hogy az egy olyan személy, akinek a testhőmérséklete 38º felett van. Kapcsolat lehet az orvos-beteg viszony, amely két személyt kapcsol össze, vagy a testhőmérséklete tulajdonság, amely egy személyhez annak hőmérsékleti értékét rendeli. Fogalmak hierarchikus elrendezésekor gondolhatunk betegségek kategorizálására, valamilyen szempont szerint, vagy arra a kijelentésre, hogy minden lázas beteg egyben személy is. Szabály lehet például az, hogy akinek van háziorvosa, van TB kártyája is. Az ontológiai szabályok sok rokonságot mutatnak a különféle szakértő- és szabály-alapú rendszerekkel [2]. Ez a példa nem jó, egymástól függő fogalmakat nem szabad egymással meghatározni. (l. a deninitio szabályait). Helyes példa egy szabályra: akinek jogosan van érvényes TAJ számot igazoló hatósági igazolványa, annak joga van az OEP költségére az OEP-el szerződött háziorvosok közül háziorvost választani. A leggyakrabban használt ontológiai háttértudás a fogalmak hierarchiája (taxonómia, rendszertan), amely már önmagában is jól felhasználható intelligens kereséshez, lekérdezéshez. A háttértudás azonban ennél sokkal bonyolultabb is lehet. Leírhatjuk például, hogy aki nő, nem férfi (fogalmak diszjunktsága), hogy a gyermekemnek én a szülője vagyok (inverz kapcsolatok), vagy, hogy a leszármazottam leszármazottja az én leszármazottam is (tranzitív kapcsolat). Kijelenthetjük, hogy akik orvos-beteg viszonyban vannak, csaknem biztosan ismerik is egymást – kivéve a még kivételes telemedicina eseteit (kapcsolatok hierarchiája). Ugyancsak szerepelhet egy ontológiában az a tudás, hogy mindenkinek, akinek van kedvenc sörfőzdéje, van kedvenc söre is (szabály), és bevezethetjük a „sokgyerekes apa” fogalmát úgy, hogy az egy olyan férfi, akinek van legalább két gyermeke (fogalomdefiníció). Az egyszerűbb ontológiák csak egy fogalmi hierarchiát írnak le, ezeket hívjuk pehelysúlyú ontológiáknak. Az ún. nehézsúlyú ontológiákban a fogalom-hierarchia mellett szere- Az ontológiákat leíró formalizmusok komoly matematikai háttérrel, sokszor több évtizedes múlttal rendelkeznek. Az orvosi ontológiák területén az egyik legfejlettebb ontológia a 26 IME III. ÉVFOLYAM 1. SZÁM 2004. JANUÁR-FEBRUÁR INFOKOMMUNIKÁCIÓ MÓDSZERTAN GRAIL (GALEN Representation and Integration Language) nyelv [8], amely az ún. leíró logikákon [3] alapul. Nem véletlen, hogy az egyik legrészletesebb klinikai ontológia éppen az OpenGalen CRM (Common Reference Model). Hasonlóan, a National Library of Medicine által gondozott másik népszerű orvosi ontológia, a MeSH [7] is rendelkezik megfelelő matematikai háttérrel, bár ez korántsem olyan kifejező, mint a GRAIL esetében. Az ontológiák felhasználása számos kérdést vet fel. Fontos, hogy a feladathoz megfelelő kifejezőerővel rendelkező formalizmust válasszunk. Tudni kell ugyanakkor, hogy minél bonyolultabb a formalizmus, annál nehezebb (időigényesebb) segítségével következtetni, és ez bizonyos esetekben problémát jelenthet. Ugyancsak lényeges kérdés, hogy hogyan kapcsoljuk össze az ontológiát az adatainkkal, valamint fontos lehet több ontológiából egy nagy, egységes ontológiát készíteni. HAGYOMÁNYOS ADATBÁZISOK ÉS AZ ONTOLÓGIÁK Az ontológiák egyik nagy előnye, hogy segítségükkel meglévő adatbázisok lekérdezése intelligensebbé tehető, anélkül, hogy magukon az adatforrásokon bármit is változtatni kellene [6]. Képzeljünk el egy relációs adatforrást, amelynek egy-egy sora egy-egy vírust azonosít, leírja a nevét, azt, hogy a vírus melyik törzsbe tartozik, valamint egy egyedi azonosítót, az alábbi táblázatban leírtakhoz hasonló módon: Vírusnév Törzs Azonosító Simplexvírusok 0134 HIV Lentivírusok 0022 SIV Retrovírusok 0345 Herpesvirus Feltételezzük, hogy az adatforrás készítője általában a legszűkebb törzsbe sorolja be az adott vírust, de ez nem feltétlenül van mindig így. A fenti példa a HIV vírust a lentivírusok családjába sorolja. Így, ha csak a fenti adatforrásra támaszkodunk, akkor arra a kérdésre, hogy igaz-e, hogy a HIV vírus retrovírus, nemleges lesz a válasz. Persze, hiszen honnan tudná egy gép, amely végrehajtja a lekérdezést, hogy a lentivírusok családja része a retrovírusokénak? Egy olyan ontológia segítségével, amely leírja a vírustörzsek tartalmazási hierarchiáját azonban már kikövetkeztethető, hogy a HIV retrovírus. Ehhez semmi más nem kell, mint • • • az eredeti adatbázis, az ontológia, amely a szükséges fogalmi rendszert (a vírustörzsek hierarchiáját, rendszertanát) írja le, és egy rendszer, amely képes összekapcsolni az ontoló- giát az adatforrással és ezért képes, az ontológia alapján intelligensebben válaszolni a feltett kérdésekre. Az ontológiák egy másik alkalmazási területe az adatkonzisztencia-ellenőrzés. Adatforrások összekapcsolásakor ugyanis előfordulhatnak olyan ellentmondások, amelyek bizonyos háttértudás nélkül nem szűrhetők ki. Tekintsük azt a példát, amikor egy adatforrásunkban a betegségekhez azok tüneteit társítjuk, például egy adott betegséghez többek között a levertséget. Egy másik adatforrásban betegségekhez ugyancsak tüneteket rendelünk, valamint előfordulási gyakoriságot, halálozási arányt stb. Nyilván érdemes ezen két adatforrást „egyként látni”, hiszen elképzelhető, hogy egyikben olyan betegségről is található információ, amelyről a másikban nem. Mi van azonban akkor, ha az egyik adatforrásban ugyanahhoz a betegséghez a levertség, a másikban a hiperaktivitás társul, mint jellemző tünet? Háttértudás segítségével figyelmeztethetjük az integrációt végző szakembert, hogy a két tünet általában kizárja egymást. Ontológia nélkül a két tünet pusztán két szó, amelyek viszonyáról semmit sem tudunk. A SZEMANTIKUS WEB Az ontológiák kiemelkedő szerepet játszhatnak abban is, hogy a jelenleginél intelligensebb módon kereshessünk a weben jelenlévő információ-dzsungelben, a honlapok, képek, folyóiratcikkek között. Az alábbiakban röviden áttekintjük az intelligens Internet megvalósítására irányuló legismertebb elképzelés, a szemantikus web [4, 5] alapjait. A szemantikus web megközelítés két alapötleten alapul. Az egyik az, hogy kapcsoljunk metainformációkat az Internetes erőforrásokhoz. Meta-adatnak nevezünk olyan adatot, amely adat egy adatról. Meta-adat például egy kémiai elemnek a felfedezője, egy honlapról az, hogy ki készítette és mikor, egy állományról annak típusa és mérete, vagy egy képről az, hogy van rajta oroszlán, csimpánz és banán. A szemantikus web elképzelés meglehetősen tágan értelmezi az Internetes erőforrások fogalmát és alapkövetelményének tekinti, hogy metainformációt társíthassunk lényegében bármihez, ami egyedileg azonosítható. Ilyen például egy honlap vagy a honlap egy része, egy kép, egy videó anyag, egy tetszőleges állomány, egy hardvereszköz. Ilyen lehet azonban egy kávéscsésze, egy betegség, egy daganat, egy szerv vagy egy kesztyű is, amennyiben egyedi azonosító társul hozzájuk. Így egy folyóiratcikkhez egységes módon társíthatunk információt, függetlenül attól, hogy az egy Word állományként vagy PDF formátumban áll rendelkezésre. A metainformációk erőforrásokhoz kapcsolásán túl a szemantikus web másik lényeges alapeleme, hogy következtetni kell tudni ezen metainformációk segítségével. IME III. ÉVFOLYAM 1. SZÁM 2004. JANUÁR-FEBRUÁR 27 INFOKOMMUNIKÁCIÓ MÓDSZERTAN Ez például azt jelenti, hogy valamilyen úton ki kell tudni deríteni, hogy a fentebb említett csimpánzos képen állatok szerepelnek, holott a metainformáció csak annyi volt, hogy csimpánz és oroszlán is látható rajta. Az ontológiák a szemantikus web következtetési oldalán játszanak nagyon fontos szerepet. Látható, hogy a fenti esetben egy közönséges, állatok hierarchikus viszonyait leíró ontológia is elég ahhoz, hogy kikövetkeztessük, a csimpánz és az oroszlán is állat. Sokszor persze ennél jóval bonyolultabb információkra is lehet szükség a hatékony kereséshez. A LOBO RENDSZER MEGVALÓSÍTÁSÁNAK ALAPJAI Egy általános ontológiakezelő rendszernek szüksége van heterogén adatforrások kezelésére. Ez azért fontos, mert a különböző ontológiák más-más nyelven készülnek, más-más reprezentációt használnak. A LOBO rendszer ilyen téren egy sikeres EU projekt, a SILK [1] eredményeire épít. A SILK rendszer vállalati információ-források integrálását segítő eszközök gyűjteménye. Az eszközkészletet a SILK (System Integration via Logic and Knowledge) EU projekt keretében, az 5. keretprogram IST alprogramjának támogatásával fejlesztette ki az IQSOFT Rt., francia, román és görög partnerekkel közösen. A LOBO működésének megértéséhez érdemes áttekinteni a SILK alapfilozófiáját, a modelltárház megközelítést, valamint megvizsgálni, hogy a heterogén információforrások kezelése milyen problémákat vet fel a megvalósítás során. A gyakorlatban sokszor előfordul, hogy különböző adatbázisok valamilyen szempontból összetartozó adatokat tárolnak, amelyeket érdemes lehet „egyként” látni. Képzeljünk el két, genetikai információkat tároló adatforrást. Az egyik például Ausztráliában, a másik Kanadában található. Egy orvos használhatja az egyiket is és a másikat is, sőt az is elképzelhető, hogy olyan kérdést tesz fel, amelyhez mindkét adatforrás egyidejű lekérdezése szükséges. Érdemes lehet tehát valamilyen módon összekapcsolni, integrálni ezeket az adatforrásokat, és az így létrejött egységes adathalmazt használni a lekérdezések során. További tipikus integrációs feladat egy nagyobb intézmény, pl. kórház különböző osztályain egymástól függetlenül kifejlesztett betegnyilvántartó rendszerek egyesítése, illetve két intézmény összeolvadásakor az adatbázisaik egységesítése. Az információ-integráció korántsem triviális feladat. Nagyon valószínű, hogy a különböző adatforrások különböző módon vannak tárolva, az egyik szabad szövegként, a másik relációs adatbázisként, a harmadik XML formátumú, részben strukturált szövegként (még a nyelv sem biztos, hogy azonos). Ha feltesszük, hogy azonos a tárolási formalizmus, akkor is szinte biztos, hogy más a logikája a tárolásnak. Az egyik, betegeket leíró adatbázis tárolja a beteg bizonyos adatait, a másik nem stb. Elképzelhető, hogy ún. me- 28 IME III. ÉVFOLYAM 1. SZÁM 2004. JANUÁR-FEBRUÁR ta-szintű inkonzisztenciák is fellépnek, mert például mindkét adatforrás korlátozza a betegek magasságát, de az egyik azt jelenti, ki, hogy a betegek nagyobbak, mint 3(láb), a másik pedig azt jelenti, ki, hogy kisebbek, mint 2,5(m). Persze mindkét adatforrás mértékegység nélkül tárolja a számokat (hiszen minden angol orvos feltételezi, hogy a saját adatforrásában a mértékegység láb stb.), amiből az integráció során ellentmondás keletkezik. A LOBO rendszer az adatintegrációs stratégiák közül az ún. modelltárház megközelítést használja, szemben a talán szélesebb körben ismert adattárház megközelítéssel. A modelltárház megközelítés egy ún. virtuális adatbázist épít. Ennek során csak az integrálandó adatforrásokat leíró modelleket, másképpen metaadatokat szükséges valójában összekapcsolni. Relációs esetben például metaadat az adatbázisban szereplő táblák neve és adatai, valami olyasmi, hogy „ebben az adatforrásban vírusnevek vannak a hozzájuk kapcsolódó azonosítóval és rövid szöveges magyarázattal”. A metaadatok segítségével lehetővé válik az egyes adatforrások távoli lekérdezése. A felhasználó a kérdéseit a virtuális adatbázishoz intézi: ő úgy látja, mintha valójában létezne a megfelelő adattárház. A tényleges lekérdezés az ún. mediátor segítségével történik. Egy mediátor a megkapott kérdést felbontja olyan részekre, melyek megválaszolásához már csak egy-egy konkrét, valódi adatforrás szükséges. A modelltárház-megközelítés nagy előnye, hogy az adatforrásokban történő esetleges változásokat valós időben képes átvezetni a rendszeren. Így, ha bármilyen adatszintű változás történt egy adatforrásban, az érezteti a hatását már a következő lekérdezéskor. További előny, hogy létrehozásához nem kell költséges új hardver-elemeket venni, nem szükséges óriási mennyiségű információtömeggel közvetlenül dolgozni. Hátránya ugyanakkor a modelltárházaknak, hogy az összes megközelítés közül, lekérdezéskor, ennek a legnagyobb az erőforrásigénye, és emiatt a teljesítménye alacsonyabb lehet bizonyos, több adatforrást átfogó kérdéseknél. A SILK és a LOBO rendszerek komoly szimbolikus és logikai feladatok megvalósítását igénylik, ezért természetesen adódott a logikai programozás [9], mint a fő implementációs paradigma. Így a rendszerek magja a Prolog logikai nyelven készült, míg az adatbázisok elérését ill. a felhasználói felületet biztosító komponensekhez a Java nyelvet használtuk. AZ ORVOSI TERÜLET SPECIÁLIS IGÉNYEI Az utóbbi években tapasztalható fejlődés miatt az orvosi területek ma már exponenciálisan növekedő adatmennyiséget „termelnek ki”. Különböző adatbázisok jelentek meg, melyek például orvosi cikkeket, kutatási eredményeket tesznek kereshetővé, sok esetben ingyenesen. Ilyen rendszer például a PubMed, melyet az orvos-kutatók a tényleges na- INFOKOMMUNIKÁCIÓ MÓDSZERTAN pi rutin során is használnak. Ugyanakkor, az adatmennyiség növekedésével párhuzamosan egyre nehezebbé válik a releváns adatok hatékony elérése, felhasználása. Ebben segíthetnek az ontológiák. Például a PubMed rendszer a cikkekhez társítja a MeSH ontológia különböző kategóriáit, így történhet az meg, hogy olyan találatokat kapunk vissza, melyek egyáltalán nem következnek magából a feltett keresőkérdésből. Az orvosi területeken megjelenő adatok és a hozzájuk tartozó ontológiák egységes központi „adatbázisba” való szervezése azonban gyakorlatilag kivihetetlen, az ismeretek és információk rendkívüli bonyolultsága, elosztottsága, heterogén, nem szabványos tárolási módjuk és az adatmennyiség gyors növekedése miatt. Az adatok együttes elérése azonban mindenképpen kívánatos, hiszen nagy segítség lenne, ha különböző adatbázisokban egyszerre kereshetnék az orvosok a számukra érdekes adatokat. A LOBO PROJEKT JELENLEGI ÁLLÁSA A LOBO eszközkészletet a SILK rendszer ontológia irányú kibővítéseként fejlesztjük ki. A SILK modellalapú szemléletmódja tökéletes alap egy ontológiakezelő rendszer létrehozásához. A SILK támogatja a modellek összehasonlítását, összekapcsolását, integrációját, heterogén információforrások modellalapú, komplex lekérdezését. A bővítés célja, hogy a SILK nyelvét kiegészítsük az ontológiakezeléshez szükséges matematikai konstrukciókkal, valamint lehetővé tegyük, hogy ezen konstrukciók a megfelelő módon használhatók legyenek a rendszer által nyújtott összes szolgáltatás során. A modelltárházban tároljuk a modelleket/ontológiákat. Ezeket létrehozhatjuk és szerkeszthetjük magával a LOBO rendszerrel, de felhasználhatunk erre a célra külső eszközöket is. Ilyen eszköz lehet például a Protégé-2000 rendszer, melyben már készültek orvosi ontológiák. Ezen ontológiákat bevihetjük a LOBO rendszerbe és összeköthetjük létező információforrásokkal, összehasonlíthatjuk más ontológiákkal stb. A bővítés érdekében olyan modulokat is elkészítettünk, amelyek lehetővé teszik, hogy a szemantikus web alapnyelvén, az RDF nyelven írt ontológiákat beolvassunk a LOBO modelltárházába. Ezután létrehoztunk egy alkalmazást, amely képes a MeSH ontológiát RDF alakúra konvertálni, amelyet így a LOBO rendszer is beolvashat. Készül továbbá egy olyan modul is, mely a GRAIL forrásokat teszi elérhetővé a LOBO számára. A projekt kapcsán kifejlesztettünk egy, a LOBO-hoz szorosan kötődő ontológiaszerkesztő eszközt, a LORE-t, mely az ontológiák böngészése során sokat kamatoztat az ún. Topic Map (ISO 13250-es szabvány) szemléletmódból. Ez utóbbi egy tudásreprezentációs formalizmus, amely nagyon közeli rokonságban áll az RDF-fel. A felhasználó szemszögéből nézve ez egy nagyon jól áttekinthető és követhető böngészési módot tesz lehetővé. Jelenleg a LOBO rendszer „webesítésén” dolgozunk. Egy olyan webalkalmazást hozunk létre, mely elérhetővé teszi a LOBO rendszer legfőbb szolgáltatásait nyilvánosan, a weben keresztül. Terveink szerint lehetővé válik, hogy a felhasználók néhány gombnyomás segítségével megadhassák az általuk integrálni kívánt információ-források elérhetőségét, az esetleges kiegészítő ontológiákat. Ezek után a rendszer segítségével máris lehetővé válik komplex, több információ-forrás egyidejű használatát igénylő lekérdezések futtatása. ÖSSZEFOGLALÁS Az ontológiák használata jelentősen elősegítheti meglévő adatbázisok és információforrások intelligensebb lekérdezését és kezelését. Az általunk fejlesztett LOBO rendszer képes az ismertebb orvosi ontológiák beolvasására és kezelésére. Az ontológiák heterogén és elosztott tárolási módja szükségessé teszi azt is, hogy egy ontológiakezelő rendszer információ-integrációs feladatokat végezzen. Mi erre a célra a modelltárház megközelítést használjuk. KÖSZÖNETNYILVÁNÍTÁS A cikkben bemutatott munkát az EU 5. Keretprogramjának IST-1999-11135 számú SILK projektje, ill. az OM IKTA programjának 00126/2002 számú LOBO projektje keretében végeztük el. A szerzők köszönettel tartoznak a SILK és LOBO projekt összes résztvevőjének. Külön szeretnénk megköszönni Benkő Tamásnak a cikk írása során nyújtott segítségét, nagyon értékes tanácsait és megjegyzéseit. IRODALOMJEGYZÉK [1] Benkő T., Krauth P., Szeredi P.: A Logic Based System for Application Integration, Proceedings of the 18th International Conference on Logic Programming, ICLP 2002, Springer, LNCS, 2002 [2] Darvas F, Futó I, Szeredi P: Logic-based program system for predicting drug interactions, Int J Biomed Comput. 1978 Jul; 9(4):259-71. Folytatás a következő oldalon. IME III. ÉVFOLYAM 1. SZÁM 2004. JANUÁR-FEBRUÁR 29 INFOKOMMUNIKÁCIÓ MÓDSZERTAN [3] Ian Horrocks. Reasoning with expressive description logics: Theory and practice. In Andrei Voronkov, editor, Proc. of the 18th Int. Conf. on Automated Deduction (CADE 2002), number 2392 in Lecture Notes in Artificial Intelligence, pages 1-15. Springer, 2002. [4] Ian Horrocks, Peter F. Patel-Schneider: Three theses of representation in the semantic web. In Proc. of the Twelfth International World Wide Web Conference (WWW 2003), pages 39-47. ACM, 2003. [5] Lukácsy G.: RDFConsole – Intelligens lekérdezés és következtetés a Weben. NJSZT MI szakosztály előadás, Budapest, 2003 február. [6] Lukácsy G., Benkő T., Szeredi P., Krauth P.: Ontológiakezelés logikai módszerekkel, Networkshop 2003 konferencia, előadás, Pécs 2003 április, http://nws.iif.hu/ncd2003/docs/ehu/EHU-122.pdf [7] Nelson, Stuart J.; Johnston, Douglas, Humphreys, Betsy L: Relations in Medical Subject Heading. Relationships in the organization of knowledge. New York: Kluwer Academic Publishers; 2001. p.171-184. [8] A. Rector, S. Bechhofer, C. A. Goble, I. Horrocks, W. A. Nowlan, W. D. Solomon: The Grail concept modelling language for medical terminology. Artificial Intelligence in Medicine, 9: 139-171, 1997. [9] Szeredi P., Gyimóthy T.: Logikai programozás és alkalmazásai. IX. Neumann Kongresszus kiadványa: 181198. Neumann János Számítástudományi Társaság, 2003. A SZERZÔK BEMUTATÁSA 30 Lukácsy Gergely 2003-ban szerzett okleveles mérnök-informatikus diplomát a Budapesti Műszaki és Gazdaságtudományi Egyetemen. Tanulmányokat folytatott a Wyoming-i egyetem computer science szakán is. Jelenleg a BME Informatika Doktori Iskolájának állami ösztöndíjas doktorandusz hallgatója, témája az intelligens keresőrendszerek, a szemantikus Web és az ontológiák kapcsolata. 2002 óta az IQSOFT Rt. illetve IQSYS Rt. dolgozója. Szeredi Péter 1972-ben szerzett matematikus diplomát az Eötvös Loránd Tudományegyetemen, 1998-ban kapta meg a PhD fokozatot a Budapesti Műszaki és Gazdaságtudományi Egyetemen (BME). 1972-től szoftver-fejlesztőként dolgozott a NIM Ipargazdasági és üzemszervezési Intézetben, majd 1979től a Számítástechnikai Kutató és Inno- vációs központban (SZKI). 1987 és 1990 között a Manchesteri majd a Bristoli Egyetemen volt vendégkutató. 1990-től az IQSOFT illetve IQSYS Rt. munkatársa, majd tudományos vezetője. Ezzel párhuzamosan 1998-tól a BME félállású egyetemi docense. Közel 30 éve dolgozik fő kutatási területén, a logikai programozási nyelvek megvalósításán és alkalmazásán. 1977 óta vesz részt a logikai programozás orvos-biológiai alkalmazásainak kutatásában. 1983-ban megosztott Akadémiai, 1988-ban megosztott Állami Díjban részesült. IME III. ÉVFOLYAM 1. SZÁM 2004. JANUÁR-FEBRUÁR