貝葉斯在醫(yī)療診斷系統(tǒng)中的應用研究.pdf

1、隨著時代飛速的發(fā)展，各方面都開始智能化。特別是機器學習和數據挖掘的發(fā)展，使得各種專家系統(tǒng)都開始出現。這種專家系統(tǒng)的出現主要有三個目的：一、幫助專家進行診斷，提高決斷的精確度。二、簡化診斷流程，使得診斷的效率提高。三、減少診斷的花銷。專家系統(tǒng)的出現使得許多方面都開始了智能化。各種成熟的技術都被應用到智能系統(tǒng)中來，具有很好的社會效益。
　　隨著人們生活水平的提高，有一些疾病開始大量的出現。例如，心腦血管疾病，高血壓病，都成為現代人們生

2、活的幾個頭號殺手。對這些病的診斷也是一個比較復雜的過程，因此，開發(fā)一個能解決這類問題的專家系統(tǒng)將具有很好的實用價值。其優(yōu)點也是顯而易見的，例如，可以幫助專家進行精確的診斷，提高診斷的準確度，可以提高診斷的效率，可以減少診斷的費用等等。
　　一個專家系統(tǒng)的出現，與其采用的診斷方法有很大的關系。機器學習領域就提供了很多可以用來進行實際預測的分類方法，比較成熟方法有：決策樹，貝葉斯，K近鄰。K聚類等等。這些方法都已經被成功的應用在了多個

3、領域。這些方法都基本分為兩個流程：一個是訓練階段，一個是測試階段。訓練階段就是采用收集到的數據進行訓練，訓練好了模型之后就可以對測試數據進行分類和預測。舉個例子來說，比如專家已經對很多的病人進行了診斷，這樣的一些的數據進行訓練，然后建立好了模型之后，對于新來的病人就可以對其進行預測，是健康或者不健康。根據建立模型和訓練的方式，這些方法可以被分為兩類，一類是有指導的學習，一類是無指導的學習。其主要的分別如下，有指導的學習就是每一個實例都含

4、有類標記可以指導模型的建立，然后再用這樣的模型進行預測，這類算法在學習的過程中是有老師指導的。還有一類其中的實例是沒有類標記的，在模型的建立過程中只是根據實例之間的相似程度來進行的，處于同一類的實例具有很好的相似性，處于不同類之間的實例有很好的區(qū)分性，這種沒有學習方式稱為無導師的學習。另外，這樣的機器學習方法可以分為兩類：一類是懶惰的學習方式，這類學習方式對于每一個測試實例來臨時，然后根據這樣的實例去建立自己的模型，再進行預測。每來一個

5、實例，就建立一次模型，這樣的分類算法可想而知，很慢。那些不是懶惰的學習方式就是，先建立模型，然后每來一個實例都用這個模型進行預測，也就是說這樣的模型只建立一次，然后被重復用很多次。每種算法都有自己的優(yōu)缺點。
　　懶惰的學習方式分類精度好，但是時間的花費比較大。那些不是懶惰的學習方式雖然分類精度可能沒有前一種好，但是其時間花費較少。
　　本文主要研究了貝葉斯算法在醫(yī)療診斷中的應用。貝葉斯算法是一種懶惰的學習方式，以前簡單實用被

6、廣泛的應用于各個方面，本質上是一種基于概率的判別方式。每個實例的判別結果是屬于概率最大的那個類。本文從貝葉斯算的基本理論開始講起，分別介紹了樸素貝葉斯，貝葉斯網絡，最優(yōu)貝葉斯等，分別總結了它們各自的優(yōu)缺點，以及各自適應的范圍，
　　總的說貝葉斯算法一共有如下的幾個特點：
　　（1）其理論簡單，實用性強。只要在先驗概率可知的情況下，算法是很好計算的，眾多的實驗應用證明，這種算法具有很強的使用性。
　?。?）貝葉斯是一種基

7、于概率的分類方式。由此可以看出，訓練集的個數只要不是很大的變動，其分類結果是不會改變的。也就是說，算法具有好的魯棒性。
　　（3）學習的速度很快。沒有許多大量重復的工作。
　　本文開發(fā)了基于樸素貝葉斯的醫(yī)療診斷系統(tǒng)，導入訓練集之后進行訓練，便可以進行預測了。由算法分析可知，有兩個主要的因素會對算法的結果產生影響，一個是算法所采用的屬性集合，一個是采用幾折交叉。也就是說，采用不同的屬性集合對目標屬性進行預測，
　　采用不

8、同折數進行訓練和預測。我們設計多個詳細的實驗來證實這兩個不同因數的影響。
　　一個是固定的折數的情況下，不同的屬性集個數的情況下，算法的性能評估。一個是固定屬性集個數的情況下，不同的折數的情況下，算法的性能評估。從結果的分析可知，不同的屬性集個數的情況下，不同的折數的情況下，算法的性能是有差異的。
　　另外，我們還開發(fā)了基于貝葉斯的預警系統(tǒng)，其基本理論就是屬于各個類別的概率的之差。也就是說，如果一個實例被判定為歸于正常的概率

9、遠遠大于判定為不正常的概率，那個這個人的健康狀況很好，如果一個人被判定為正常的概率和不正常的概率相差不大，雖然這個人被歸結為正常，但是其身體的狀況可能也游走在健康和不健康之間，這是需要對其健康狀況進行預警，告知其要注意身體狀況。也就是說，一個實例被歸于正常的概率比不正常的概率越大，這個人越健康，反之這個人的健康越接近不健康。為了更好的了解一個人的健康狀況，我們根據兩個健康與不健康之間的差距，將其分為四個檔次：優(yōu)、良、一般、合格。其中的合