基于推演格技術的智能+診斷推理研究

黃軻　胡啟平　李莉　李泰郎

摘 ? 要：針對現有智能診斷方法的推理局限和不足，提出基于推演格技術的智能+診斷推理機制。推演格是一種格狀的結構，格具有一個根節點，多個中間節點和葉子節點組成，根節點表示判據，中間節點是同一類型不同判據的組合。基于推演格技術的推理機制用于復雜問題的分析和求解過程，核心是基于推演格的智能決策過程，和現有正向推理和反向推理方式相比，推演格更適用于復雜性問題的推演和求解過程，其優勢主要體現在解決問題時的效率性、推理結論的全面性等方面。具有憑借其對數據自動學習，從中提取隱含的規則或模型，并做出智能決策的強大能力。

關鍵詞：推演格 ?智能+ ?診斷 ?推理

中圖分類號：TP391 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2019）06（b）-0159-02

隨著經濟發展和民眾生活水平的提升以及老齡化的來臨，人們對健康的需求日益增長，當前醫療行業面臨如下挑戰，醫療資源的供給能力不足，難以滿足民眾對高水平生活的追求。醫療改革和應用新技術，是應對這種挑戰的兩項關鍵措施，很多國家都在進行醫療改革，同時也大力將新技術應用到醫療領域，人工智能技術正在成為提高醫療資源服務能力和提高療效，從而應對醫療服務挑戰的重要工具。目前，人工智能在醫學界、學術界乃至工業界受到廣泛的關注，人們健康意識不斷提高，對醫療衛生提出了的更高要求，各類疾病的篩查和診斷的需求量不斷增加。

1 ?現有智能診斷方法的推理局限

現采用的智能診斷運作方式是將患者的主訴和醫生進行的門診檢查結果為首次分析推理的數據，通過相關系統內的規則和推理，從而給出可能罹患的疾病和相應的醫學檢查項目，患者根據系統所建議的檢查項目進行醫學檢查，并且將檢查結果錄入專家系統中，系統根據這些結果和首次分析推理的結果推測和篩選出最可能的罹患的疾病，然后系統給出相應的治療方案（包括用藥，治療方法，療程等信息），最后根據治療結果進行評估，直至患者治愈。根據以上推理邏輯，局限在于以下幾方面。

1.1 疾病知識的收集和整理過于零散片面

疾病的各種信息很多，許多疾病僅在癥狀方面就十分復雜，需要有醫學專業知識的專家講解和指導。對于疾病中各項信息應采取何種形式描述，從而確保系統能夠識別不明確。

1.2 通過表象得到可能患有疾病的數據嚴重不足

對于反向推理目前技術未能實現。現在普遍用的方法是根據提供表象的集合，搜索整個知識庫，返回滿足這些條件的疾病集，通過臨床觀察進行進一步的篩選，然后系統給出相應的醫學檢查項目，根據這些檢查的結果再從疾病集中篩選直至得到確定的疾病。主要缺陷：（1）搜索的范圍很大，所需要的時間很多，得到的疾病集規模太大，導致系統給出的醫學檢測項目太多;（2）根據表象搜索結果和醫學檢測結果共同篩選后，依然無法得到確定的疾病。

1.3 規則集的建立方式和存儲及調用效率低下

現有診斷專家系統的規則集都是通過手工逐條建立起來的，對于一個覆蓋整個臨床醫學的專家系統，其中需要包含的規則數量將是巨大的，如何將這些規則一一建立起來，并且選用某種合適的方式存儲和使用時搜索到相應規則是一個難點。

2 ?基于推演格技術的智能+診斷推理

針對現有診斷方法的推理局限和不足，提出基于推演格的智能+診斷推理機制。

2.1 推理核心

在條件A輸入到系統之后，系統會從規則庫RuleSet中搜索出所有前件中包含A的規則組成規則集，加入有以下規則符合：

Rule1： A∧B∧C∧D→h1

Rule2： A∧C∧D∧E→h2

Rule3： A∧D∧E∧F→h3

Rule4： A∧G∧H→h3

A是首要條件，作為整個推演格的根節點;在Rule1，Rule2，Rule3中，除根節點A外，出現頻率最高的為判據D，故D和G作為下一層的中間節點;出現頻率次高的判據有C和E，均為兩次，故C和E為D的子節點，且C和E處于同一層次，形成推演格的余下部分。

推演格的主要推理順序是先從上至下，然后從左往右。以圖1為例，A為首要的條件，所以作為推演格的根節點。所以包含A條件的規則從規則集中搜索出來，形成本次推演的規則集，并將這個規則集構建成如圖1所示的推演格。

D和G是接下來需要匹配的條件，如果條件D匹配，則在D分支下進行匹配，G分支下忽略，對條件C進行匹配，如果C匹配則繼續向下先匹配E，如果E不匹配，則匹配B;如果D匹配不成功，則就舍棄D分支，需要對G分支進行搜索匹配，如果G匹配不成功，則說明規則集中無匹配的規則。

推演格的推理結果會有兩個：

（1）推演過程找到葉子節點，即找到了唯一性結論，推演結束;

（2）推演過程中發現某層的中間節點都無法匹配，即缺失目前問題的規則內容，需要補充新規則再次推演，推演結束。

基于推演格的推理機制用于復雜問題的分析和求解過程。其優勢主要體現在解決問題時的效率性、推理結論的全面性等方面：

（1）采用交互式方法從用戶獲取事實。

（2）推演格的匹配過程復雜程度低。正向推理和逆向推理在每次匹配時都需要將整個規則庫搜索一遍，而推演格在進行推演活動時，需要匹配的規則會逐漸減少，從而盡量減少匹配的復雜程度和資源消耗。

（3）推演格的匹配過程更科學合理，對判據（事實）和規則的考慮更全面。推演格將判據（事實）分為類別和模式兩個部分，在進行匹配時首先對類別進行匹配，然后對模式進行匹配，根據類別和模式的匹配結果來確定下一步的行動。

（4）推演格的匹配效率高、消耗資源少。

（5）推演格的分支結構更加靈活。推演格的匹配不是僅考慮匹配成功的路徑，對于類型匹配成功，模式匹配不成功的分支也要繼續推演，避免高度疑似結論的缺失。

（6）通過使用統計數據結果，提高推演格推演準確度。在推演格的推演過程中，通過引入結果統計數據，增強推演過程的準確度，而且可以對推演的分支節點和結論按照統計數據進行排序，這些是正向推理和逆向推理方法所無法具備的。

2.2 算法說明

推演格是一種格狀的結構，格具有一個根節點，多個中間節點和葉子節點組成，根節點表示判據，中間節點是同一類型不同判據的組合，葉子節點表示的是疾病，從根節點到葉子節點具有多條路徑，這樣可以表示一病多因，也可以表示一因多病，對任意擁有子節點的節點，其子節點時有序的，順序是從左到右，如果把表示疾病的葉子節點從格中去掉，則由剩余節點構成一棵樹，這樣的樹稱為推演樹。

同一節點的兄弟節點是有序的，任一中間節點不能出現在該節點為根節點的子節點集和其右邊兄弟節點以及這些兄弟節點為根的節點集中，即：

其中ai表示任一中間節點，m為某一節點的所有子節點數，SubnodeSet（ak）以ak為根的推演樹的子節點集，i=0，…， m。

2.3 推演格的推理機制

推演格及基于推演格的推理方法，先從規則庫中尋找符合其中某一條件的所有規則，然后將這些規則按構造推演格算法生成推演格，再進行條件匹配，可以快速匹配其中的某條規則，或者在現有規則集中無法匹配。推演格是一種新型高效、智能的推理模型，通過收集的判據，結合對規則庫中規則的匹配，利用類似的格狀結構從根節點開始逐層推演，并最終在葉子節點處獲得推演結果。在推演過程中，還會使用一些判據的統計分析結果來輔助推演，在獲取確定的推演結果的同時還會推演出其他疑似結論，并將這些疑似結論根據其置信度進行排序。

相比正向推理和反向推理來說，推演格是一種新型高效、智能的推理模型，通過收集的判據，結合對規則庫中規則的匹配，利用類似的格狀結構從根節點開始逐層推演，并最終在葉子節點處獲得推演結果。在推演過程中，還會使用一些判據的統計分析結果來輔助推演，在獲取確定的推演結果的同時還會推演出其他疑似結論，并將這些疑似結論根據其置信度進行排序，從而提供全面的推演信息供決策者參考。

3 ?結語

本文針對傳統基于產生式規則的推理機面臨的問題，提出了一種基于推演格技術的智能+解決方案，核心是智能決策。將臨床診斷過程中所遇到的醫學現象進行統一描述，結合知識庫的構建，闡述了推演格的定義，并說明了推演格的整體結構與推理算法。對比說明了基于推演格的推理結構與基于產生式規則的推理機結構上的改進與優化。

基于推演格技術的智能+方法存在一定的局限性。例如推理結構在知識庫的組織方面，知識庫中表述的字段不足以完全表示在實際醫療診斷過程中所需要的信息。

參考文獻

[1] 胡啟平，胡煜州.一種推演格及基于推演格的推理方法[P].湖北：CN106529676A，2017-03-22.

[2] 顧堅磊，江建平，田園，等.人工智能技術的應用：罕見病臨床決策系統的需求、現狀與挑戰[J].第二軍醫大學學報，2018，39（8）：819-825.

[3] 張藝帆.基于語義技術的臨床決策知識庫研究[D].浙江大學，2017.