基于案例推理的高血壓輔助診療方法研究

王 蕾，蔣喬薇，王新宴，張莎莎，王 樅

基于案例推理的高血壓輔助診療方法研究

王 蕾，蔣喬薇，王新宴，張莎莎，王 樅

針對高血壓臨床診療過程中的案例數據進行處理與分析，提出基于案例推理的高血壓輔助診療方法。對高血壓復雜的案例數據進行整理分析，提取案例中的關鍵癥狀作為特征屬性構成案例模版，對高血壓案例的癥狀進行創新特征表達，并提出一種快速案例推理的檢索方法。根據病理原理以及數據分析提出采用內省學習方法，不斷學習案例癥狀屬性的權重，實現更高效、更準確的案例匹配。輔助診療方法提高了案例推理的準確率與高效性，有助于提高高血壓輔助診療的自動化水平。

案例推理；高血壓；輔助診療；案例檢索；多屬性決策

高血壓是我國常見的慢性病之一，1991年我國約有9 000萬高血壓患者，目前我國高血壓患者人數已經高達3.3億，患病人群多為40～50歲，近年來更有年輕化趨勢[1]。高血壓極易發展為心腦血管疾病，引起卒中、心肌梗死或腎功能不全等嚴重并發癥，危害人類健康。

案例推理是一種很重要的類比推理方法，案例推理的基本思想是利用已有的解決類似問題的經驗案例進行推理求解新問題，即目標案例[2]。案例推理發展于1980年，是應用于人工智能領域中一種較新的問題求解和機器學習方法。目前案例推理系統已經廣泛應用于機械行業、工業設計、天氣預報等諸多領域，且得到越來越多的關注[3]。在醫療領域中由于醫療數據的復雜性和特殊性，案例推理的應用尚沒有達到理想的效果，已經研發出的案例推理系統大多應用于中醫診斷，尚缺少在臨床方面案例推理的應用。同時，在案例推理系統中，案例檢索是非常重要的，檢索策略的合理性與否直接影響整個輔助診療系統的實現效果。其中，以相似度為基礎的最近鄰策略得到廣泛關注，很多文獻都討論了屬性間權重分配問題，比如遺傳算法[4]、信息熵等[5-7]。即使當前醫療技術處于不斷發展之中，某些參數的屬性權重可能需要改變[8]，但在使用這些算法時一旦系統確定了權重便不能再輕易調整。于是，將權重優化內省學習方法引入案例推理系統中，通過檢查系統自身的屬性權重邏輯來改進權重帶來的問題，實現系統自我學習、權重修正策略，便可以提高系統的檢索準確率。本研究根據高血壓的目標案例與案例庫中的案例檢索對比分析，以發現案例之間的相似度，達到臨床輔助診療的效果。

1 高血壓案例推理流程

在案例推理系統中，當遇到新的案例時，在案例庫中檢索最接近的案例，并推薦醫生采用源案例的解決方法來處理目標案例，達到輔助診療的目的。如果案例庫中檢索不到相類似的案例，則人工提出解決方法，并將該案例和新的處理方法存儲到知識庫中，從而完成學習過程。案例推理系統的設計包含案例表示、案例檢索、案例重用、案例修正和案例保存5個部分。系統運行的模型見圖1。

圖1 高血壓案例推理模型

2 高血壓案例特征向量表示及輔助診療案例庫設計

2.1 案例癥狀特征向量表示 高血壓患者的病例癥狀數據類型可以分為確定數值型、二元變量型數值、模糊多概念型數值以及區間型數值4類。

2.1.1 確定數值型 所記錄的癥狀屬性信息值是連續型的、離散的，取其實際值作為特征值，表達:

其中，a為常數，但在計算確定數值型相似度時，取值范圍大的屬性對相似度的影響肯定高于取值范圍小的屬性，為了解決該問題，即要對各個屬性的數值大小進行規格化統一。規格化的做法即是將案例中的各個屬性值按照比例映射到統一的區間，這樣就可以平衡案例中不同屬性數值大小范圍的影響。映射公式:

其中，max(xk)和min(xk)表示對某屬性中所有特征描述的第k個屬性的最大值與最小值。在高血壓案例推理系統中，有關血壓檢查的很多數據都屬于確定數值型，如患者年齡、血常規檢查、血糖檢查等。

2.1.2 二元變量型數值 即癥狀描述可以用明確的“是”“不是”或者“有”“沒有”來表示結果。其參數化定義為:

高血壓案例癥狀描述中很多屬性具有2種變量值，類似布爾值，如患者的性別、尿蛋白檢查結果用“＋”“－”表示等情況，同樣可以認為是二元變量型數據。

2.1.3 模糊多概念型數值 模糊多概念是指該癥狀描述沒有確定的數量等級，而是用一系列定性的描述來表示其結果。例如在高血壓案例描述中，患者的腦血管病史可能會有腦出血、缺血性卒中、短暫性腦缺血發作等多種結果。采用抽象化模糊集和歸一化模糊集方式來確定模糊多概念屬性的特征值。

2.1.3.1 抽象化模糊集 將相應的癥狀描述屬性首先轉化為特征值集合描述{0，1，2，3，4}等這樣按順序對應的數字集合，0代表該癥狀正常，1等其他數字代表病情的嚴重程度逐步加重。

2.1.3.2 歸一化模糊集 經過第一步抽象模糊轉化將癥狀屬性描述的字符轉化為有一定順序規律的模糊集，對于模糊集可以將其通過某種方法映射為值域在[0，1]上的一個映射。定義為:

其中，x為描述原癥狀的取值，n為描述原癥狀個數，xk為經過關系映射后得到的表征該癥狀的新的取值。經過映射之后，原模糊多屬性元素均在區間[0，1]上，并且當該癥狀描述為多個屬性時，癥狀描述采用相加計算得到癥狀表征描述。

2.1.4 區間型數值 某些癥狀的描述結果通常由一段區間變量表示，高血壓案例中一般沒有這類區間型數據，所以暫不考慮。

2.2 高血壓輔助診療案例庫設計 案例庫用于存儲案例源，高血壓癥狀屬性數據較多，選擇其中權重較大的17個代表癥狀屬性為例進行分析。各個特征屬性的表達方式以及取值范圍如:①高血壓等級，分別為正常、1級、2級、3級；②性別，男性(1)、女性(0)；③年齡，數值型；④吸煙，是(1)、否(0)；⑤尿蛋白，有＋(1)、沒有－(0)；⑥腹型肥胖，有(1)、沒有(0)；⑦血常規血紅蛋白，數值型；⑧血常規白細胞計數，數值型；⑨早發心血管病家族史，有(1)、無(0)；⑩尿糖，檢查結果一共有5種，包括不變(－)、微量(＋)、少量(＋＋)、中量(＋＋＋)、大量(＋＋＋＋)；?血清鐵，數值型；?血清鐵蛋白，數值型；?腦血管病史，沒有該疾病史、腦出血與缺血性卒中、短暫性腦缺血發作；?心臟疾病，沒有該疾病史、心肌梗死史、心絞痛、冠狀動脈血運重建史、慢性心力衰竭；?腎功能受損，有(1)、沒有(0)；?糖尿病腎病，有(1)、沒有(0)；?空腹血糖，數值型。

高血壓診斷性評估分類包括3個方面:①確定患者血壓水平以及其他心血管危險因素；②判斷患高血壓的病因，明確有無繼發性高血壓；③尋找靶器官損害以及相關臨床情況[9]。

3 高血壓案例檢索

在案例推理系統中，案例檢索的方法直接關系到整個高血壓輔助診療系統的性能，因此案例檢索的匹配率是輔助診療系統的關鍵問題。案例檢索的目的是為了快速有效地從案例庫中找到與新的問題描述最相似的案例[10]。在案例檢索算法中，使用最廣泛的是以相似度為基礎的最近鄰檢索方法，但此種計算方法對于案例庫中相關性不大的數據比較敏感。高血壓輔助診療系統中要考慮的因素眾多，指標權重不同，在案例檢索過程中，不同的屬性權重會直接影響案例之間的相似度計算結果，進而影響輔助診療系統的評判結果。

3.1 癥狀的特征向量局部相似度計算 根據上述高血壓案例結構定義的癥狀特征描述數據類型的不同，分別定義不同數據類型的局部相似度計算公式，從而避免數據類型不同不具備可比性的問題。例如，案例庫中存在2個案例分別定義為X＝[x1，x2，…xk，…，xn]和Y＝[y1，y2，…yk，…，yn]。

3.1.1 確定數值型相似度計算 數值型的相似度計算公式:

3.1.2 二元變量型相似度計算

3.1.3 模糊多概念型相似度計算 對于模糊多概念型數據類型，由上文可知，對于模糊集在[0，1]上的隸屬度，可以用它們自身的隸屬度之差來表示2個案例之間模糊多概念型相似程度[11]，因此可以定義:

3.2 高血壓癥狀特征向量全局案例相似度計算若案例庫中存在2個案例X、Y則可根據上文所述將每個案例的記錄屬性值根據數據類型的不同選擇相似度函數計算案例的局部屬性相似度，然后根據最近鄰算法歐氏距離[12]的相似度定義計算全局案例相似度:

3.3 權重的內省學習 在上述公式中對每個指標采用的是相同權重匹配案例庫中的案例，而權重分配的不同會得到不同的相似度計算結果，進而影響案例匹配的準確性。權重的調整方式是內省學習中比較關鍵的方法，最基本的方法是加減或乘除一個固定量。根據2個案例相同屬性的描述，將案例分為癥狀匹配屬性和癥狀不匹配屬性。

設有2個案例X＝[x1，x2，…xk，…，xn]和Y＝[y1，y2，…yk，…，yn]，若滿足則稱案例X，Y的第k個癥狀屬性匹配，否則稱為癥狀不匹配屬性。其中δmatch為判斷屬性是否匹配的閾值，表示2個案例同一屬性的接近程度[13-14]。

權重學習策略基于內省學習原理:

(1)當多條案例與目標案例匹配成功時，癥狀匹配屬性的權重增加，以此增加案例X，Y匹配的相似度。

(2)當多條案例與目標案例匹配成功時，不匹配屬性的權重減少，以此增加案例X，Y的匹配相似度。

權重增加:

權重減少:

其中，ωk(t)是第k個屬性第t次迭代的權重；ωk(t＋1)是第k個屬性第t＋1次迭代的過程權重決定權重的變化量，m是案例中屬性的個數。當一條案例所有的權重都被調整之后，為保證所有屬性的權重之和為1，則需要進行歸一化操作:

其中，ωk(t＋1)′是第k個屬性第t＋1次迭代的最終權重。權重迭代計算時，要確定權重是有界的，即權重過程是收斂的[15]。

3.4 案例保存 案例保存是整個案例推理系統的學習過程之一，保障了系統的自學能力，使得系統可以逐步提高推理能力。如果目標案例在案例庫中沒有相似度很高的源案例，或者源案例的解決方案不適合目標案例，則需要將目標案例和相應的解決方案添加到案例庫中，這即是案例學習過程。

4 高血壓輔助診療方法研究驗證實驗

4.1 實驗數據 實驗數據來自高血壓醫享網(www.yx129.com/index.php)積累病例，整理選取其中300條高血壓病例，部分案例數據見表1，選取100條不同高血壓病情嚴重程度(低危、中危、高危、很高危)的案例記錄作為訓練集，分為4組，其他200條案例作為測試集。根據醫生以及系統累積經驗，暫將內省學習權重調整值設定為0.15/17，17為案例中屬性個數，每個匹配屬性的閾值δmatch取為0.1。分為4組對比實驗。

(1)不使用內省學習方法的輔助診療系統計算方法。在案例不斷測試添加的過程中，系統案例屬性要素的權重不會改變。

(2)使用內省學習方法的輔助診療系統計算方法。在案例計算的不斷對比學習過程中，案例屬性不斷改變。

表1 部分高血壓案例實例數據集

4.2 實例計算過程分析 通過實際數據展示3個不同案例之間相似度計算過程。

其中假設初始權重相同，因此案例相似度計算過程有以下幾種。

(1)將案例中的數據按照不同的數據類型計算公式分別計算出案例1、案例2及案例3的癥狀特征向量:

案例1＝[0.25，1，50，1，141，10.5×109，0，0，1，0.8，50×0.179，60，0.5，0.6，0，0，9.6]

案例2＝[0.25，1，53，0，110，4.5×109，0，1，1，0.6，45×0.179，50，0.75，0.4，1，0，8.6]

案例3＝[0.5，0，52，0，119，5.5×109，0，1，1，0.6，48×0.179，60，0，0，0，0，8.8]

(2)將3個案例的特征向量分別根據數據類型按照公式分別計算出屬性相似度。

案例1與案例2每一項的相似度初步計算結果為[1，1，1，0，1，1，1，0，1，0.8，1，1，0.75，0.8，0，1，1]。

案例1與案例3每一項的相似度初步計算結果為[0.75，0，2/3，0，22/31，5/6，1，0，0，0.8，0.4，0，0.5，0.4，1，1，0.8]。

案例2與案例3每一項相似度初步計算結果為[0.75，0，1/3，1，9/31，1/6，1，1，0，1，0.6，1，0.75，0.6，0，1，0.2]。

(3)根據公式(8)計算全局案例相似度為:

sim(案例1，案例2)＝0.86916

sim(案例1，案例3)＝0.6442

sim(案例2，案例3)＝0.69061

此計算過程每個屬性的權重是相同的。

(4)根據內省學習方法，每次從案例庫中查找相似案例，案例每個屬性的權重都會進行相應的改變，例如迭代3次后根據屬性的變化，重新計算權重之后案例相似度為:

sim(案例1，案例2)＝0.83627

sim(案例1，案例3)＝0.66523

sim(案例2，案例3)＝0.69672

4組對比實驗，每組共為25個案例測試集，每組的測試集分別對應由高到低的高血壓病情嚴重程度，測試結果見表2。

表2 內省學習方法測試結果

根據計算結果比較，加上專業醫生的查看結果判定內省學習方法確實提高了案例相似度計算的匹配率，不同病情嚴重程度的高血壓案例匹配率都有所提高，匹配的準確度也有所提高，并且迭代次數越多準確率越高。

為提高輔助診療的自動化水平，本研究提出了基于案例推理的高血壓專科輔助診療方法。首先，針對高血壓的病例數據進行分析與整理，提取病例中關鍵癥狀信息構建案例模版并將案例癥狀屬性數據結構化展示，依據高血壓專科案例的屬性與案例庫構成分級、分層結構；然后，采用內省學習方法使得權重每次檢索之后都能自動調整，提高案例檢索結果的準確度；最后，根據臨床上的實際案例數據進行案例之間的相似度計算，結果表明確實提高了案例檢索的準確率。

本研究構建的高血壓?？戚o助診療系統可以起到很好的輔助決策作用，具有很好的臨床應用前景。在以后的研究中將進一步完善癥狀描述屬性選擇的相關問題，擬將高血壓所有臨床癥狀進行記錄并可由醫生選擇任意相關癥狀進行案例對比，并逐漸確定癥狀權重迭代學習的穩定性，進而使輔助診療方法更加具有實用性。

[1]楊秉輝.驚悉我國高血壓病人3.3億[J].食品與生活，2013(8):52.

[2]Allsopp DJ，Harrison A，Sheppard C.A database architecture for reusable common KADS agent specification components[J].Knowl-Based Syst，2002，15(5/6):275-283.

[3]Bichindaritz I，Montani S，Portinale L.Special issue on casebased reasoning in the health sciences[J].Appl Intell，2008，28(3):207-209.

[4]Ahn H，Kim KJ，Han I.Global optimization of feature weights and the number of neighbors that combine in a casebased reasoning system[J].Expert Syst，2006，23(5):290-301.

[5]Wang H，Xu A，Ai L，et al.An integrated CBR model for predicting endpoint temperature of molten steel in AOD[J].ISIJ Int，2012，52(1):80-86.

[6]Zhou YN，Zhu YA.Algorithm for adjusting weights of decision-makers in multi-attribute group decision-making based on grey system theory[J].Control and Decision，2012，27(7):1113-1116.

[7]Huang MJ，Chen MY，Lee SC.Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis[J].Expert Syst Appl，2007，32(3):856-867.

[8]Mabotuwana T，Warren J，Kennelly J.A computational framework to identify patients with poor adherence to blood pressure lowering medication[J].Int J Med Inform，2009，78(11):745-756.

[9]劉力生.中國高血壓防治指南2010[J].中華心血管病雜志，2011，39(7):701-708.

[10]Bichindaritz I.Prototypical case mining from biomedical literature for bootstrapping a case base[J].Appl Intell，2008，28(3):222-237.

[11]Herrera F，Martinez L.An approach for combining linguistic and numerical information based on the 2-tuple fuzzy linguistic representation model in decision-making[J].Int J Uncertain Fuzz，2000，8(5):539-562.

[12]Aamodt A，Plaza E.Case-based reasoning:foundational issues，methodological variations，and system approaches[J].Ai Commun，1994，7(1):39-59.

[13]Zhao K，Yu X.A case based reasoning approach on supplier selection in petroleum enterprises[J].Expert Syst Appl，2011，38(6):6839-6847.

[14]García J，Cano JR，García S.A nearest hyperrectangle monotonic learning method[M].Switzerland:Springer International Publishing，2016.

[15]張春曉，嚴愛軍，王普.案例推理分類器屬性權重的內省學習調整方法[J].計算機應用，2014，34(8):2273-2278.

Computer-aided diagnosis method for hypertension treatment with case-based reasoning

WANG Lei1，2，JIANG Qiaowei1，2，WANG Xinyan3，ZHANG Shasha1，2，WANG Cong1，2

(1.School of Software，Beijing University of Posts and Telecommunications，Beijing 100876，China；2.Key Laboratory of Trustworthy Distributed Computing and Service，Ministry of Education，Beijing University of Posts and Telecommunications，Beijing 100876，China；3.Department of Special Diagnosis，Air Force General Hospital，Beijing 100142，China)

In this paper，through analyzing the treatment process data during the hypertension clinical diagnosis，the computer-aided diagnosis method is proposed for hypertension diagnosis with case-based reasoning.Based on the analysing for the complicated case data of the hypertension，the key information and the key symptom attribute information of the case were extracted to construct the case template.Based on the innovative expression for the symptoms of hypertension cases，a rapid retrieval method with case-based was proposed.According to the theory of pathology and data analysis，an introspective learning method was proposed，which is used to study the weights of case symptom attributes and to achieve a more efficient and accurate case matching process.The method can improve the accuracy and efficiency of case-based reasoning，and it also proves that the method is feasible and accurate，which can help to improve the level of the automation on diagnosis and treatment of hypertension.

Case-based reasoning；Hypertension；Computer aided diagnosis；Case retrieval；Multi-attribute decision

R447；R544.1

A

2095-3097(2017)06-0328-05

10.3969/j.issn.2095-3097.2017.06.003

科技部科技基礎性工作專項(2015FY111700-06)

100876北京，北京郵電大學軟件學院(王 蕾，蔣喬薇，張莎莎，王 樅)，可信分布式計算與服務教育部重點實驗室(王 蕾，蔣喬薇，張莎莎，王 樅)；100142北京，空軍總醫院特診科(王新宴)

2017-06-18 本文編輯:張在文)