醫(yī)學(xué)知識(shí)工程生產(chǎn)線與基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的醫(yī)學(xué)決策支持系統(tǒng)的研究.pdf

1、醫(yī)學(xué)專家系統(tǒng)是運(yùn)用人工智能和專家系統(tǒng)的設(shè)計(jì)原理與方法，模擬醫(yī)學(xué)專家診斷、治療疾病的思維過程而編制的計(jì)算機(jī)程序，它可以幫助醫(yī)生解決復(fù)雜的醫(yī)學(xué)問題，作為醫(yī)生推斷疾病、治療疾病以及預(yù)后等的重要輔助工具。醫(yī)學(xué)專家系統(tǒng)是人工智能在醫(yī)學(xué)中的重要應(yīng)用，是知識(shí)工程與醫(yī)學(xué)科學(xué)的緊密結(jié)合，也是計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)、通信技術(shù)和數(shù)據(jù)庫技術(shù)等一系列新技術(shù)與醫(yī)學(xué)科學(xué)的交叉，醫(yī)學(xué)專家系統(tǒng)的研究與發(fā)展已經(jīng)成為現(xiàn)代醫(yī)學(xué)科學(xué)的一個(gè)重要課題。 醫(yī)學(xué)專家系統(tǒng)的力量在于

2、它所擁有的精深醫(yī)學(xué)知識(shí)，這些知識(shí)使它能在專家水平上工作或解決問題，因此，醫(yī)學(xué)知識(shí)的獲取和醫(yī)學(xué)知識(shí)庫的構(gòu)建一直是醫(yī)學(xué)專家系統(tǒng)的核心和基礎(chǔ)。傳統(tǒng)的醫(yī)學(xué)知識(shí)獲取采用知識(shí)工程師與領(lǐng)域?qū)＜颐鎸?duì)面進(jìn)行交流的方式進(jìn)行，勞動(dòng)量非常大，并且知識(shí)獲取效率十分低下，嚴(yán)重影響了醫(yī)學(xué)專家系統(tǒng)的發(fā)展，成為了一個(gè)公認(rèn)的知識(shí)獲取瓶頸。隨著計(jì)算機(jī)技術(shù)和網(wǎng)絡(luò)技術(shù)的發(fā)展，人們不斷研究和開發(fā)了一些專門的醫(yī)學(xué)知識(shí)獲取工具，以期解決醫(yī)學(xué)知識(shí)獲取的難題。由于種種原因，這些醫(yī)學(xué)知識(shí)獲

3、取工具都具有各自的缺點(diǎn)，使醫(yī)學(xué)知識(shí)的獲取和應(yīng)用比較困難。作者借鑒工業(yè)生產(chǎn)線提高效率的方式，提出了研究和開發(fā)“醫(yī)學(xué)知識(shí)工程生產(chǎn)線”的構(gòu)思，其基本含義是建立和使用一個(gè)巨型醫(yī)學(xué)知識(shí)庫系統(tǒng)的過程應(yīng)該成為一條“生產(chǎn)線”，從醫(yī)學(xué)知識(shí)獲取和表達(dá)(知識(shí)庫的建立)，到知識(shí)補(bǔ)充和發(fā)展(知識(shí)庫的維護(hù))，到知識(shí)應(yīng)用(醫(yī)學(xué)診斷專家系統(tǒng))，再到知識(shí)反饋(知識(shí)庫更新)，形成一條大規(guī)模、高效率的“生產(chǎn)線”。因此，作者研究并設(shè)計(jì)開發(fā)了一個(gè)基于互聯(lián)網(wǎng)絡(luò)和醫(yī)學(xué)知識(shí)可信度表達(dá)

4、方式的醫(yī)學(xué)知識(shí)獲取系統(tǒng)。系統(tǒng)采用八位制層次型疾病分類編碼方式，使醫(yī)學(xué)知識(shí)在本系統(tǒng)中能夠方便地表達(dá)和應(yīng)用。系統(tǒng)構(gòu)建了三個(gè)知識(shí)庫(醫(yī)學(xué)核心知識(shí)庫，專家臨時(shí)知識(shí)庫和專家優(yōu)化知識(shí)庫)來存儲(chǔ)和管理不同準(zhǔn)確性水平的各種醫(yī)學(xué)知識(shí)，并通過三個(gè)模塊—知識(shí)獲取模塊、知識(shí)優(yōu)化模塊和知識(shí)更新模塊—初步實(shí)現(xiàn)了醫(yī)學(xué)知識(shí)從獲取、優(yōu)化到更新的循環(huán)過程。 隨著人工智能的發(fā)展，基于機(jī)器學(xué)習(xí)的智能型醫(yī)學(xué)決策支持系統(tǒng)得到了迅速發(fā)展，多種機(jī)器學(xué)習(xí)方法和技術(shù)被應(yīng)用到醫(yī)學(xué)診

5、斷決策支持系統(tǒng)的研究之中，比如規(guī)則歸納方法、決策樹方法、范例推理以及貝葉斯信念網(wǎng)絡(luò)等。人工神經(jīng)網(wǎng)絡(luò)具有并行處理、自組織、自學(xué)習(xí)和魯棒性等優(yōu)點(diǎn)，為醫(yī)學(xué)決策支持系統(tǒng)的研究開辟了一條新的有效途徑。本論文中，作者構(gòu)建了一個(gè)基于三層感知器結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)診斷決策支持系統(tǒng)，系統(tǒng)采用誤差反向傳播算法作為學(xué)習(xí)算法，在標(biāo)準(zhǔn)BP算法的基礎(chǔ)上，逐步采用增加動(dòng)量項(xiàng)、自適應(yīng)學(xué)習(xí)速率、遺忘機(jī)制和共軛梯度法改進(jìn)標(biāo)準(zhǔn)BP算法。構(gòu)建的神經(jīng)網(wǎng)絡(luò)系統(tǒng)用來鑒別診斷五種常見

6、的心臟病(冠心病、風(fēng)濕性心臟病、高血壓心臟病、慢性肺源性心臟病和先天性心臟病)，一個(gè)352份心臟病數(shù)據(jù)庫用來構(gòu)建和測(cè)試了該系統(tǒng)的性能。實(shí)驗(yàn)結(jié)果表明，逐步改進(jìn)標(biāo)準(zhǔn)BP算法，所構(gòu)建的系統(tǒng)對(duì)這五種心臟病的分類識(shí)別性能逐漸提高。采用三種不同樣本分類技術(shù)—交叉驗(yàn)證法、預(yù)留法和自舉法—對(duì)心臟病診斷決策支持系統(tǒng)進(jìn)行性能評(píng)估結(jié)果表明，該系統(tǒng)能對(duì)五種常見的心臟病有較好的分類識(shí)別能力，每一種測(cè)試方法的平均分類準(zhǔn)確性均在90％以上，從交叉驗(yàn)證法分析的程序準(zhǔn)確

7、性和用戶準(zhǔn)確性來看，每一種心臟病的識(shí)別準(zhǔn)確性也均在80％以上。這說明論文所構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)診斷決策支持系統(tǒng)對(duì)心臟病有較好的輔助診斷性能，表現(xiàn)出良好的臨床決策支持能力。 遺傳算法是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)全局優(yōu)化概率搜索算法，作者根據(jù)遺傳算法的特點(diǎn)，建立了一個(gè)基于混合遺傳算法的醫(yī)學(xué)診斷決策支持系統(tǒng)來鑒別診斷五種常見的心臟病。系統(tǒng)中染色體個(gè)體采用實(shí)值編碼方式。針對(duì)遺傳算法局部搜索能力較差的缺點(diǎn)，作者將

8、遺傳算法與BP算法相結(jié)合，用BP算法具有較強(qiáng)局部搜索能力的特性來加快遺傳算法的搜索速度。不同樣本分類技術(shù)對(duì)系統(tǒng)性能測(cè)試結(jié)果表明，論文構(gòu)建的基于混合遺傳算法的心臟病診斷決策支持系統(tǒng)對(duì)五種心臟病均有較好的診斷識(shí)別率，平均分類準(zhǔn)確性在85％以上，同樣表現(xiàn)出良好的心臟病的臨床診斷決策支持能力。 在用混合遺傳算法構(gòu)建心臟病診斷決策支持系統(tǒng)時(shí)，染色體個(gè)體采用了實(shí)值編碼方式，用這種編碼方式表達(dá)的染色體的基因值能反映診斷變量與診斷對(duì)象之間的內(nèi)在