专家系统及其在医学的应用(精)

第二章专家系统及其在医学的应用•临床诊断环节:是运用已有的医学知识对疾病的表现进行辩证分析，得出符合逻辑的结论的过程。其基本环节如下：收集资料一综合分析、推理，作出诊断。•传统的疾病诊断:其综合分析、推理除了各种疾病出现的概率只能从过去的历史资料中得来以外，还主要依据医生的个人经验。•计量诊断:与传统的疾病诊断基本环节一致，但其分析、推理不是凭经验，而是用一种定量的推理模式代替，再根据—定的法则作出合理的临床判断。称之为计算机辅助诊断。•计算机辅助诊断:利用机器模仿医生的智能。利用机器模仿人类的智能即人工智能。•工智能技术在医学上的典型应用:是专家系统。专家系统的实质就是让计算机系统代替专家为患者诊断，换句话说就是利用机器模仿人类专家的智能。•常用医学专家系统模型：–基于统计学原理（Bayes)–基于模糊数学原理–基于人工神经网络•专家诊断系统程序一般为四个模块。(1)输入模块。输入模块包括编码、查错、人机对话；(2)辩证模块。辩证模块包括分类、建立判别树、确定相关强度、综合评判；组方模块包括分类、交错症侯评判、组方；(3)随症加减模块。随症加减模块包括分类、建立子模块、子模块管理；(4)汉字输出模拟。汉字输出模拟包括建立汉字代码、汉字数据文件及汉字输出程序的数字模型采用“加权求和”和“浮动阈值”法。•计算机专家诊断系统的一般诊断过程是(1)要求输入足够多的病例统计资料；(2)选用一定数学模型，确定参数和诊断(运算)规则；(3)编制程序；(4)将诊断程序输入计算机；(5)将患者症状、体征、检查等资料用输入计算机；(6)经运算后，屏幕显示出诊断报告并打印出诊断结果。2.1基于统计模型的计算机辅助诊断1.贝叶斯模型1）事件及其相互关系•必然事件：在一定条件下必须出观的现象•不可能事件：在一定条件下必然不出现的现象。•随机事件：在一定条件下，可能出现也可能不出现以现象叫。•“两事件A,B中至少有一个出现”也是一事件，称此事件为A,B的和，记作AUB;•事件“A1,A2,A3,….An中至少有一出现称为Al，A2…An的和，记为AlUA2…Un。•若“n个事件A1,A2,A3,….An都出现也是—事件，则称为A1，A2…，An的交，记作A1∩A2∩…∩An。2）概率与频率•可用—个小于或等于1的正数P(A)来表示事件A出现的可能性，较大的可能性用较大的数字来标志，较小的就用较小的数字。这样P(A)就称为事件A的概率。•当概率值不易求出时我们往往取频率作为概率的近似值，频率的概念比较简单可以很方便地求出。3）贝叶斯定理•有时除了要知道事件的概率P(A)外，还需要知道在“事件B已出现”的条件下，事件A出现的条件概率P（A|B）。例如，我们需要知道在某疾病B发生条件下，症状A出现的概率时就要计算条件概率P（A|B）。式（3-1）称为贝叶斯定理。•这里H1,H2,…Hi分别表示j种互斥的疾病;•A为用于这些疾病鉴别诊断的某一临床表现或检验结果的组合（症候）;•式中P(Hj)为各疾病发生的先验概率,表示医生在具体诊断某患者前所掌握的疾病Hi的发病情况。•P(A|Hj)为在已知疾病Hi条件下，各症状A出现的“条件概率”，即某临床症候A的可能性，它可以通过收集足够数量的病例容易地得到。•P(Hj|A）称为后验概率，表示在患者症状A出现时,患疾病Hi的可能性。•对于两个或更多个症状存在的情况，仍可用贝叶斯(Bayes)公式计算。在各个症状彼此独立前提下，则各个症状同时出现的概率是各自单独出现时其概率的乘积。因此假设各症状互相独立，贝叶斯(Bayes)公式可写为：•在运用贝叶斯模型时须要注意的问题：(1)模型中j种疾病互斥，先验概率之和要为l(即要构成一个完整的疾病群)。(2)先验概率的确定。参考文献报道和历史资料统计频率作为近似估计。(3)条件概率的确定。(4)用于鉴别诊断的症候指标是互相独立无关的。(5)当计算出各后验概率P(Hj|A)后，作为临床判断的依据只有当P(Hj|A)(j＝l，2，…,n)间差距达五倍以上时方可下结论，或是当某一后验概率值达0．85才下结论。4）应用举例一、如对某地区1207位阑尾炎思考的资料统计为表3—1。按慢性阑尾炎、急性阑尾炎、阑尾炎穿孔三类统计症候频率(腹痛开始部位、恶心呕吐、大便、体温、体征及体检结果)。–若已知慢性阑尾炎H1、急性阑尾炎H2、阑尾炎穿孔H3发生的先验概率分别为：P(H1)＝0.391P(H2)＝0.493P(H3)＝0.116–现有一阑尾炎患者、开始上腹痛，之后呕吐，腹泻，人院体温37℃．全身腹肌紧张，压痛，WBC(白细胞)数达19350。显然其症侯为B＝B13·B23·B33·B42·B51·B61·B73,则其P(Hj|B)(j＝l，2，3，4)的大小可通过公式3-1算得。•其中，P(B|Hj)＝P(B13·B23·B33·B42·B51·B61·B73|Hj)＝P(B13|Hj)P(B23|Hj)P(B33|Hj)P(B42|Hj)P(B51|Hj)P(B61|Hj)P(B73|Hj)(j=l，2，3)P(B|H1)＝9．45×10-8P(H1)P(B|H1)＝0．351×9．45×10-8＝3．695×10-8同理P(H2)P(B|H2)=5.53×10-5P(H3)P(B|H3)=1.136×10-4得：P(H1|B)=0.02%P(H2|B)=32.2%P(H3|B)=67.76%所以：诊断为阑尾炎穿孔（H3).2、最大似然诊断模型在前述过程中，如果假定各疾病发生的先验概率是等同的，此时公式3-1可以简化。•P(Hj|A)的相对大小完全取决于条件概率P(A|Hj)的相对大小，分母部分总是一致的。•这个结果表明，在先验概率相同的假设基础上，计量决策诊断的基本判别依据，可以转化为P(A|Hj)。•这种以条件概率P(A|Hj)为判别依据的模式为似然诊断模型。临床的实用中常常把似然诊断模型进一步简化为评分法。3、贝叶斯专家诊断系统设计实现•贝叶斯模型与传统医生诊断的差异–贝叶斯条件概率决策诊断模型及最大似然诊断模型使用时必须预先知道所规定的全部征候表现，然后再进行综合分析、判断。–临床医师的诊断过程常是根据已掌握的病人的临床表现，结合自己的知识与经验进行分析、判断和逐步问诊、检查后再分析及再判断，直至有足够把握作出结论。•贝叶斯逐步问诊模型就是仿效这种过程，进行逐步提问和逐步分析的计量诊断模型。•贝叶斯逐步问诊模型的特点是把第K-1步的验后概率作为第K步的先验概率，逐次递推。其公式的一般形式为:其中Bk＝B1u1·B2u2·…Bkuk.。当k＝1时，有P0(Hj|B0)＝P(Hj)与贝叶斯公式相比，这里的Pk-1(Hj|Bk-1)就相当于“先验概率”，但在第k-1步公式中的Pk-1(Hj|Bk-1)又是验后概率。贝叶斯逐步向诊模型就是以Pk-1(Hj|Bk-1)为“桥梁”进行递推的。•逐步问诊过程与基本结构逐步问诊基本结构：识别部分判定部分提问选择部分•如何选择提问：基本原则是遵循临床医师的选挥原则，同时考虑医师问诊的习惯，当分析结果提示某种疾病的可能性较大时，就选择最有利于进一步肯定或否定此可能的征候指标。•何时停止问诊作出结论：一般可采用阈值限定法。即先给定一个阈值Q，对于第一步，若P1(Hj|B1)＜Q(j＝l，2，…n)就继续问诊，若存在H，使P1(Hj|B1)＞Q就停止问诊，并诊断为患疾病Hj。•用贝叶斯模型建立专家系统的具体步骤：(1)进行选择列出疾病的各个方面的症状，并把由各个症状所反映的互不相容的疾病情况分别以不同的数据结构表示之。(2)收集资料统计已确诊的病例，并用程序计算出事先概率和条件概率。(3)确定诊断即是在已知症状的前提下，通过运算得各种病的可能性是多少。•举例二：中风部位诊断。–基础资料：在因中风造成死亡的病例中选择发作后24小时仍处于昏迷状态的47例为对象(62岁-87岁)。–方法：在中风即刻到24小时内患者所表现的症状中选择六项症状进行研究：•S1：呕吐•S2：陈施氏呼吸•S3：发作后血压上升到200mmHg以上•S4：单侧麻痹•S5：对光反射减弱或消失•S6：心房颤动–诊断疾病分类：•G1：大脑前、中动脉支配区域的出血与下丘脑出血•G2：小脑出血与蛛网膜下腔出血•G3：大脑中动脉支配区域的栓塞–诊断表编制步骤：对47例病人按G1，G2，G3三类分组，计算出各组内每一症状出现的频率。由于标本数不太多，所以症状出现率为。时以0.01表示，出现率为1时以0.99表示。•某患者出现的症状为S1，S3，S4，S5，而S2和S6症状没有出现，根据表2-7可分别计算出该患者分属三类的似然函数。于是，LG1＝0.83×(1-0.08)×0.54×0.83×0.79×(1-0.01)=0.27LG2＝0.83×(1-0.01)×0.17×0.33×0.83×（1-0.01）=0.04LG3＝0.29×(1-0.18)×0.01×0.99×0.24×（1-0.35）=0.0005比较上面三个似然函数的大小，最大函数为LG1，因而可以判断患者所得的病名属于G1类：大脑前，中动脉支配区域出血。•判断实验结果•在验证实验结果时除了上述47例外，还利用了原来没有考虑的脑干出血3例，脑干栓塞1例，其结果见表2-8，由表可知：病理诊断为G1类计24例，计量诊断符合20例，病理诊断为G2类计6例，计量诊断符合4例；病理诊断为G3类计17例，计量诊断符合16例。•若将病理诊断G1与G2合并后分为出血类(G1+G2)和栓塞类(G3)二大类，则病理诊断G1+G2类计30例计量诊断符合28例；栓塞17例中符合16例；同时，3例脑于出血全部符合，只有l例脑于栓塞误分在G1类中。2.2基于模糊算法的专家系统2．1．1模糊数学概述1、模糊数学的定义•处理现实对象的数学模型–确定性数学模型:确定性或固定性,对象间有必然联系.–随机性数学模型:对象具有或然性或随机性–模糊性数学模型:对象及其关系均具有模糊性.•随机性与模糊性的区别–随机性:指事件出现某种结果的机会.–模糊性指存在于现实中的不分明现象.•模糊数学:研究模糊现象的定量处理方法.•模糊概念用数学语言来说就是模糊集合。模糊集合的基本思想是把经典集合中的绝对隶属关系灵活化，用特征函数的语言来讲就是；元素对“集合”的隶属度不再是局限于取0或1，而是可以取从0到1的任一数值。•