专家系统及其在医学的应用(精).ppt

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2.1基于统计模型的计算机辅助诊断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)＝9．45×10-8
P(H1)P(B|H1)＝0．351×9．45×10-8
＝3．695×10-8
同理P(H2)P(B|H2)=5.53×10-5
P(H3)P(B|H3)=1.136×10-4得：
P(H1|B)=0.02%
P(H2|B)=32.2%
P(H3|B)=67.76%
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