貝葉斯網(wǎng)絡(luò)-案例推理混合建模與應(yīng)用.pdf

1、癌癥、心臟病、糖尿病等重大突發(fā)疾病的早期發(fā)現(xiàn)和確診是疾病成功治療的關(guān)鍵。目前,對這些疾病的診斷主要依靠醫(yī)生的臨床經(jīng)驗。而我國的醫(yī)療資源相對不足,不同地區(qū)、醫(yī)療機(jī)構(gòu)間的診斷水平差異較大,因此導(dǎo)致患者無法得到及時的治療,醫(yī)療質(zhì)量難以得到有效保證。本文將人工智能中較為成熟的技術(shù)——案例推理和貝葉斯網(wǎng)絡(luò)引入醫(yī)療診斷中,通過分析過往臨床數(shù)據(jù),將醫(yī)生診斷經(jīng)驗形式化、客觀化,以提高診斷的準(zhǔn)確率。貝葉斯網(wǎng)絡(luò)和案例推理具有其各自的優(yōu)缺點(diǎn),能將二者進(jìn)行有效

2、融合并應(yīng)用于醫(yī)療診斷的模型還非常少。
　　本文在分析了貝葉斯網(wǎng)絡(luò)和案例推理的多種混合模型架構(gòu)后,結(jié)合醫(yī)療診斷的特點(diǎn),提出了一種BCBR模型。該模型以案例推理作為基本推理架構(gòu),將貝葉斯網(wǎng)絡(luò)作為一種數(shù)據(jù)挖掘工具來獲取診斷屬性間的關(guān)聯(lián)知識,并利用其特點(diǎn)簡化案例檢索過程。首先,通過計算信息增益比率,從大量診斷屬性中篩選最優(yōu)屬性子集,并對各屬性分配權(quán)重。其次,將數(shù)據(jù)分為各個子集,對每個子集分別建立貝葉斯網(wǎng)絡(luò)。對子集中的數(shù)據(jù)進(jìn)行聚類,縮減檢索

3、空間,然后以框架的方法進(jìn)行案例表示,從而得到了初始的案例庫。再次,將案例檢索分為初始匹配和二次檢索兩個過程,首先篩選出較匹配的一系列案例,再利用距離的方法計算相似度,從而得到最匹配的案例。最后,使用最匹配案例的貝葉斯網(wǎng)絡(luò)對待診斷病例進(jìn)行判斷。
　　本文將BCBR模型應(yīng)用于乳腺癌診斷問題,使用美國UCI數(shù)據(jù)庫中的Wisconsin乳腺癌數(shù)據(jù)集進(jìn)行模型的訓(xùn)練和測試,并將結(jié)果與樸素貝葉斯分類器、案例推理分類器等進(jìn)行了性能對比。結(jié)果表明B