李梵若 李忠

摘 要： 隨著人工智能技術(shù)的不斷發(fā)展，涉及到的范圍也在不斷擴大。專家系統(tǒng)作為人工智能中較為重要的組成部分，在醫(yī)療診斷中的應(yīng)用也愈發(fā)深入。本文主要介紹一種基于模糊證據(jù)推理的醫(yī)療診斷專家系統(tǒng)的設(shè)計與實現(xiàn)。該系統(tǒng)使用python+MySql為開發(fā)工具，C/S架構(gòu)，以患者的癥狀為條件，使用已經(jīng)具備的醫(yī)療知識作為推理證據(jù)，計算輸入癥狀與先驗知識中癥狀的相似度，再與設(shè)定的閾值進(jìn)行比較，從而確定患何種病并給出疑似病癥和處理建議。實驗證明，該系統(tǒng)的準(zhǔn)確率達(dá)到87%，本系統(tǒng)中應(yīng)用的模糊證據(jù)推理能夠更好地進(jìn)行多屬性的決策推理，符合一種疾病伴隨多種病癥的現(xiàn)實情況。該系統(tǒng)對輔助醫(yī)療診斷、實現(xiàn)常見疾病的自助診斷和指導(dǎo)使用非處方藥具有積極的推動作用。

關(guān)鍵詞： 模糊證據(jù)推理;專家系統(tǒng);醫(yī)療診斷;人工智能;相似性度量

文章編號：2095-2163（2019）04-0013-04?中圖分類號：TP393?文獻(xiàn)標(biāo)志碼：A

0 引 言

近年來，人工智能浪潮的不斷高漲，使得人工智能在輔助診斷、醫(yī)學(xué)影像、藥物挖掘和專家系統(tǒng)等方面都取得了較大的進(jìn)展[1]。其中，張德政等人[2]提出的中醫(yī)專家系統(tǒng)，周仲寧[3]提出的眼科疾病診斷專家系統(tǒng)，潘軍杰等人[4]提出的口腔電子病歷及輔助診療系統(tǒng)等都是人工智能在輔助診療和自助診斷方面較為成功的研發(fā)實踐。但是綜合前述文獻(xiàn)分析后可知，這些方案都是將人工智能應(yīng)用在某一具體醫(yī)療科室中，而將專家系統(tǒng)應(yīng)用在各個職能科室的疾病診斷的案例迄今仍較為少見。基于此，本系統(tǒng)致力于建立一個人機交互進(jìn)行常見病診斷的自助診斷專家系統(tǒng)，從而指導(dǎo)患者對輕微常見病使用合理的非處方藥進(jìn)行自診，對非輕微常見病有就醫(yī)科室的明確導(dǎo)診。文中擬從模糊證據(jù)推理的原理、病例知識庫的設(shè)計與構(gòu)建、智能診斷的實現(xiàn)等方面全面闡述基于模糊證據(jù)推理的醫(yī)療診斷專家系統(tǒng)的設(shè)計與實現(xiàn)。研究內(nèi)容詳見如下。

1 模糊證據(jù)推理

作為一種應(yīng)用較為廣泛的證據(jù)推理方法，模糊證據(jù)推理在推理邏輯、命題語句以及判斷時的隸屬函數(shù)上都有別于經(jīng)典證據(jù)推理。對此可做探討論述如下。

1.1 模糊邏輯及模糊命題

不同于經(jīng)典邏輯推理的非真即假的二值邏輯[5]，模糊邏輯推理將結(jié)果映射到[0，1]區(qū)間內(nèi)，本質(zhì)上說模糊邏輯是經(jīng)典二值邏輯應(yīng)用的推廣。

類似于模糊邏輯，模糊命題指的是帶有模糊可能的陳述句，其反映了事物的“真假”程度。綜合模糊邏輯和模糊命題的概念，可以將模糊證據(jù)推理抽象為如下的邏輯表達(dá)式：

1.2 隸屬函數(shù)

隸屬函數(shù)用于描述前項屬于推理結(jié)果的模糊集合的隸屬度[6]，取值范圍在[0，1]之間。隸屬程度越大，其隸屬于結(jié)果的程度也就越高。在該系統(tǒng)中，采用患者癥狀與病例知識庫中癥狀之間的相似性作為隸屬函數(shù)，利用兩者間的歐幾里得距離作為相似性度量。設(shè)定與知識庫癥狀的相似性閾值為60%，用來判定患病的可能性。

2 病例知識庫的設(shè)計與構(gòu)建

為了達(dá)到患者能夠進(jìn)行常見病的自助診斷，指導(dǎo)患者對輕微常見病使用合理的非處方藥進(jìn)行自診，對非輕微常見病提供明確就醫(yī)科室的目的，該系統(tǒng)中病例知識庫涵蓋的疾病范圍要較為廣泛;數(shù)據(jù)庫的設(shè)計要盡量減少數(shù)據(jù)冗余，從而提高診斷效率。對此設(shè)計可得闡釋分述如下。

2.1 病例知識庫設(shè)計

醫(yī)療診斷專家系統(tǒng)中需要分別建立各個科室的病例庫，縮小相似性計算量，提高診斷效率。此外，還需要對病人的基本信息（姓名、性別、年齡、過敏史等）詳加了解，并記錄病人的診斷歷史等信息。該系統(tǒng)共設(shè)計3種類型數(shù)據(jù)庫表，具體結(jié)構(gòu)見表1～表3。

研究中設(shè)計得到的數(shù)據(jù)庫表均符合第二范式的設(shè)計要求，數(shù)據(jù)冗余較少，保證了較高的診斷效率。

2.2 病例知識庫的構(gòu)建

為了涵蓋較為廣泛的疾病范圍，該系統(tǒng)從醫(yī)脈通、愛愛醫(yī)醫(yī)學(xué)網(wǎng)、病例庫等病例網(wǎng)站中收集了包括兒科、眼科、泌尿科等6個科室的200多條病例及對應(yīng)癥狀和診斷建議，基本包括了常見的輕微疾病和非輕微疾病。選取部分眼科、內(nèi)分泌科的病例信息如圖1和圖2所示。

3 智能診斷的實現(xiàn)及測試

3.1 系統(tǒng)功能和流程

該系統(tǒng)采用C/S架構(gòu)，實現(xiàn)了基本的用戶登錄、注冊以及患者自助式醫(yī)療專家診斷的功能。對于有疑問的診斷建議，患者可以通過給專家留言的功能獲得解答。本次系統(tǒng)研發(fā)的軟件流程設(shè)計如圖3所示。

在圖3“推理機進(jìn)行智能判定”這一節(jié)點中，將根據(jù)患者選擇科室，運用設(shè)計研發(fā)算法對患者輸入的癥狀進(jìn)行模糊推理，并在符合條件的可疑疾病中給出相似度最高的疾病及對應(yīng)處理方法。這里，針對計算相似度的模糊推理邏輯可得研究描述如下。

input_X #輸入的患者病癥集合

standard_X #病例知識庫中病癥集合

standard_Y#病例知識庫中病癥對應(yīng)的疾病集合

for i in standard_X ：

#計算歐氏距離

distance=sqrt（[（input_X1-standard_X1）^2+（input_X2-standard_X2）^2+........+（input_Xn-standard_Xn）^2]）

similarity=distance/len（standard_X）

#計算以歐式距離為衡量的相似性

if（similarity>0.6）

print（standard_Y）#輸出可能病狀集合

這一方法較為合理地將模糊證據(jù)推理和實際應(yīng)用環(huán)境以及知識庫的數(shù)據(jù)相結(jié)合，不僅使得該系統(tǒng)對于疑難雜癥的診斷能力大大提高，而且保證了常見疾病診斷的準(zhǔn)確率。

3.2 系統(tǒng)測試

為了檢驗軟件運行后的應(yīng)用效果，分別對軟件的用戶登錄注冊模塊、患者自助診斷模塊以及疑難雜癥專家留言模塊進(jìn)行測試，測試結(jié)果如圖4所示。在患者輸入3條自身存在的癥狀后，系統(tǒng)根據(jù)患者描述，成功地給出疑似疾病以及對應(yīng)的診斷意見。

但在患者描述的癥狀較為單一，并且還包含了可能的致病因素時，系統(tǒng)卻未能提供對應(yīng)的診斷結(jié)果。如圖5所示。

4 測試結(jié)果分析

經(jīng)過上述測試，在病癥較為多樣或者表現(xiàn)較為復(fù)雜的疾病中，該系統(tǒng)的診斷效果較為優(yōu)秀，準(zhǔn)確率達(dá)到87%。而有11%的錯誤率主要來自于癥狀過多，知識庫中有較多符合閾值條件的疾病，難以分辨;剩余2%的誤判是由于患者的癥狀較為單一或較少，推理過程中沒有達(dá)到對應(yīng)疾病的最低閾值，從而系統(tǒng)沒有生成評判結(jié)果。

閾值對于診斷結(jié)果以及不同疾病的影響較大，并且由于癥狀的多少和致病外界因素也會對診斷結(jié)果有一定程度的影響。

5 結(jié)束語

目前，在人工智能應(yīng)用較為廣泛的醫(yī)療領(lǐng)域中，已經(jīng)出現(xiàn)了若干科室一級的專家系統(tǒng)。本文討論了一種基于模糊證據(jù)推理的醫(yī)療診斷專家系統(tǒng)的設(shè)計與實現(xiàn)，建立了一個人-機交互進(jìn)行常見病診斷的自助診斷專家系統(tǒng)，指導(dǎo)患者對大多數(shù)并不局限于某一科室的常見病進(jìn)行處理。文中詳細(xì)論述了模糊證據(jù)推理的方法、病例知識庫設(shè)計與構(gòu)建以及具體的系統(tǒng)流程設(shè)計，并分析了測試結(jié)果。得到如下結(jié)論：

（1）基于模糊證據(jù)推理的醫(yī)療診斷系統(tǒng)基本能夠?qū)崿F(xiàn)患者對于常見疾病的自助診斷，準(zhǔn)確率達(dá)到87%。

（2）模糊證據(jù)推理的方法能夠較好地適用于類似醫(yī)療診斷這種多屬性證據(jù)推理中。

（3）以“癥狀—疾病名稱”為設(shè)計模式的知識庫能夠很好地反映出癥狀和疾病之間的關(guān)系，降低了模糊證據(jù)推理的不確定性。

（4）在對模糊推理的隸屬函數(shù)進(jìn)行設(shè)置時，應(yīng)該做到閾值的動態(tài)變化，對不同的疾病科室設(shè)定不同的閾值，以保證診斷的準(zhǔn)確性。

（5）致病因素與疾病之間存在著多對多的關(guān)系，在知識庫的設(shè)計中應(yīng)考慮添加致病因素。

參考文獻(xiàn)

[1]曾梅. 淺談人工智能在醫(yī)療器械領(lǐng)域的應(yīng)用[J]. 科技廣場， 2017（12）：57-60.

[2]?張德政，彭嘉寧，范紅霞. 中醫(yī)專家系統(tǒng)技術(shù)綜述及新系統(tǒng)實現(xiàn)研究[J]. 計算機應(yīng)用研究，2007，24（12）：6-9.

[3]?周仲寧. 眼科疾病診斷專家系統(tǒng)的研究與實現(xiàn)[J]. 計算機工程與應(yīng)用，1998（6）：80-81.

[4]?潘軍杰，張文清，周震. 口腔電子病歷及輔助診療系統(tǒng)[J]. 深圳中西醫(yī)結(jié)合雜志，2003，13（4）：252-254.

[5]?戴細(xì)華. 多值邏輯語義博弈[D]. 廣州：中山大學(xué)，2006.

[6]?胡寶清. 模糊理論基礎(chǔ)[M]. 2版. 武漢：武漢大學(xué)出版社，2010.