贝叶斯网络在中医领域的应用

贝叶斯网络在中医领域的应用

贝叶斯网络也被称为信念网络、概率网络或因果网络。1981年，r.haley和j.math-son提出了不规则算子模型。带有概率分布注释的无环模型。这是概率分布和图论的产物。主要研究不确定性知识的表达和推理，可用于复杂多因素的分析。在过去的10年里，这是人工智能领域的研究热点和研究成果之一。贝叶斯网络可以把概率推理和网络结构有效地结合起来,根据先验知识和现有的统计数据,用概率的方法对未知事件进行预测,以直观的图型方法描述数据间的相互关系,用概率测度的权重表达多个变量间的时序关系、相关关系或因果关系等多种依赖关系。贝叶斯网络的结构学习及推理原理与中医辨证的思维认识过程颇为近似。近年来,贝叶斯网已越来越多地应用于中医研究。1贝叶斯网络的原理与中医辩证法的相似性1.1条件概率表贝叶斯网络的网络结构,由代表变量的节点及连接这些节点的箭头构成。贝叶斯网络模型的特点是可以用于描述复杂的因果关系。从直观上讲,贝叶斯网络表现为一个赋值的复杂因果关系网络图,网络中的每一个节点表示一个变量,即一个事件。各变量之间的弧表示事件发生的直接因果关系。每当一个原因节点的出现而导致某个结果的产生时,用条件概率进行表述,而不是必然结果。事件变量间关系的概率强度,构成贝叶斯网络中的条件概率表。根据贝叶斯网络结构以及条件概率表,可以快速得到每个基本事件的组合概率。其坚实的理论基础、直观的知识表达、灵活的推理能力以及方便的决策机制,使其成为数据挖掘领域的新兴技术。根据先验知识和现有的统计数据而建立数据库,让计算机按照贝叶斯网络的学习算法自动进行学习,可获得相应领域的贝叶斯网络模型。贝叶斯网络的学习,是为了实现贝叶斯网络的推理。在已知一些变量发生的条件下,计算机能从条件概率中计算出变量之间的因果关系和每一变量的局部概率分布,即根据先验概率推求后验概率。1.2网络模型的建立具有不确定性贝叶斯网络的推理过程是建立在相关概率的计算、阈值的设定和数理的推导基础之上,推理过程明确,结论表达的精确度很高,是对辨证进行信息挖掘处理的一种较好方法。贝叶斯网络技术对变量并无限制,只须将临床资料输入计算机,网络便可自行学习、发现、推理和预测而得出诊断结论,因而具有客观性。中医辨证有六经辨证、八纲辨证、脏腑辨证等领域知识,中医专家的临床经验和大量可用的医案、病例,可用以确定先验概率。为获得正确的输出,网络必须涵盖辨证的全部信息,为了获得良好的表示,每一个可能的依赖关系都必须进行考虑。中医辨证贝叶斯网络的结构学习,从完全潜在图出发,利用专家经验和先验知识,设定相关参数,有效地减少网络结构的搜索空间。将贝叶斯网络技术与中医辨证知识相结合,构建起中医辨证贝叶斯网络模型,将具有整体性、动态性、复杂性、模糊性等特点的中医辨证理论用可视的图形,清晰的语义,精细的数据进行描述,有助于对辨证的理解;利用多源信息,有机融合中医专家的先验知识和后验数据,有效地处理了中医辨证中存在着的不确定信息;采用全局的观点,符合中医从整体上进行辨证的思维原则。贝叶斯网络其推理过程与中医辨证的思维相似,为中医辨证客观化研究提供了新的思路和方法。2中医辨证的目的与意义近年来,证候一直是中医学研究的热点,特别是与临床流行病学、数据挖掘技术和人工智能等多学科交叉结合后,证候研究在原有基础上取得了重大进展。目前,探索建立智能化诊断模型已成为证候研究的主要方向之一。中医辨证的目的,是为了明确病位与病性等辨证要素,简称证素。各证素的相互组合,可概括成完整的证名诊断。“辨证”就是根据中医学理论,通过对患者临床表现进行分析,而确定其病理本质,并作出证名诊断的思维认识过程。在医学应用中,贝叶斯网络具有与人脑类似的思维模式,特别是与中医辨证过程有良好吻合性,为此不少中医学者选择贝叶斯网络作为中医证候研究的方法,广泛应用于中医证候研究中。2.1贝叶斯网络杂交学习算法在数据挖掘的各种方法中,贝叶斯网络以其丰富的概率表达能力、综合先验知识的增量学习特性及其稳固的数学基础引起了研究人员的关注,贝叶斯网络包括网络结构和参数集合两部分,现已有很多从数据中学习分类模型的应用,如基于约束和基于得分函数的贝叶斯网络结构学习算法,以及结合两者长处的杂交学习算法,根据先验知识和现有的统计数据而建立数据库,让计算机按照贝叶斯网络杂交学习算法自动进行学习,可获得相应的贝叶斯网络。在科研中,实验及临床数据难收集,样本量少,而分析指标众多,是普遍存在的现象,而中医证候具有高维多阶、复杂非线性的特点,因此医学学者采用层次聚类和主成分分析这两种方法进行数据预处理,对高维的证候变量起到降维作用。李梢利用这两种方法对数据进行预处理,对高维的证候变量起到降维作用,并通过这种联合方法初步建立了一种慢性胃炎的证候诊断模型:以症状为维度的特征空间,以证候为分类目标的模型结构,以期通过这种方法为智能化证候诊断提供一种新的思路和方法。胡雪琴等通过这两种方法对数据进行预处理,同时考察贝叶斯网络的学习与推理的原理和算法,贝叶斯网络分类平均正确率达到了88.75%,该方法既能整体考虑临床症状与证候之间相互关系,又可以通过自学习,不断提高证候识别分类的能力,能较好地体现中医整体观念与辨证论治的特点。2.2中医证候分类识别基于数据预处理的贝叶斯网络分类方法应用到中医诊断学,有利于证候规范化研究的进展,推动科学的证候诊断和评价标准的建立,被广泛应用于中医证候研究中。朱文锋等以实例说明中医证素辨证的贝叶斯网络运算规律,将其运用于中医证素辨证体系中关于症状与证素间隶属关系以及证素之间组合关系的研究,结果与中医专家的经验有较高的吻合性。孙亚男等利用信息增益算法进行辨证属性选择,并分别采用朴素贝叶斯和强属性集贝叶斯网络算法建立了中医冠心病临床证型诊断模型,其实验结果表明该分类算法在中医冠心病临床诊断模型中具有良好的分类性能。张丽伟等在使用朴素贝叶斯分类方法对中医证候进行分类识别并用遗传算法进行了改进:先合理抽象鉴别诊断过程并建立数学模型,并提出了使用数据挖掘技术中的朴素贝叶斯分类方法对模型求解,同时考虑到特征数量较大,运用了遗传算法进行特征优化,最后使用医学上常用的ROC曲线评价方法对改进前后的分类识别的效率进行分析比较,发现朴素贝叶斯模型的ROC曲线下包围的面积为0.3865,而使用遗传算法改进的朴素贝叶斯模型的ROC曲线下包围的面积为0.7633,从结果上可以看到,使用遗传算法改进了的朴素贝叶斯分类模型不仅在所需特征上比原来少,而且在分类的准确度上还稍有提升,利用ROC曲线可观察到实验系统取得了较好的分类效率。王学伟等针对贪婪贝叶斯模式搜索算法在搜索最优贝叶斯网络结构时易陷入局部最优的不足,提出了一种改进GBPS算法,即在GBPS算法的邻域生成过程中引入了有向边的变向操作,并通过仿真实验研究了样本数量和网络节点的连接边数对算法寻优能力、结果准确度和计算量的影响。将该改进算法用于从中医临床诊断数据中辨识症状与辨证要素间的复杂关系。结果表明,该改进算法的学习结果优于GBPS算法和贪婪贝叶斯有向无环图搜索算法(GBDS)。所发现的症状-辨证要素间的相关关系与中医专家经验吻合较好,可用于从中医诊断数据中自动获取中医专家知识。李仕进等为了挖掘“症-证”之间的关系,提出了基于K近邻分类方法(KNN)的挖掘算法和基于贝叶斯的挖掘算法,对比试验证明,基于贝叶斯方法正确率达到65.76%,高于KNN的62.50%。朱咏华等通过将中医体系中的916个证候,51项证素及其构成的1700条证名构成中医辨证贝叶斯网络的节点集,初步建立起中医辨证数据库并通过网络学习,形成中医辨证贝叶斯网络结构及概率表,利用建立的贝叶斯网络中医辨证系统,进行数据计量分析、推理验证证候—证素—证名间的关系,其结果与中医专家经验有很高的吻合性。3贝叶斯网络的不足在中医辨证研究中,应用贝叶斯网络可以研究症状之间、症状与证素间复杂的因果关系,该技术对变量并无限制,只须将临床资料输入计算机,网络便可自行学习、发现、推理和预测而得出诊断结论,因而具有客观性。根据贝叶斯网络推理的原理及其在中医辨证中的应用实践,我们认为该技术能很好地模拟人脑的学习与思维过程,模拟临床医师实践经验的积累方式,其推理判断结构与中医专家经验有很高的吻合性,因此是对中医辨证进行信息挖掘处理的一种较好方法。但是,我们还应该认识到贝叶斯网络如同其它算法一样,也存在着不足:①一些出现频率较低的症状、证素或证名不能被纳入计算;②临床症状一般有轻、中、重之分,其辨证价值亦有差别,而贝叶斯网络对症状变量的描述只有“出现”或“不出现”两种状态,难以全面反映证候的辨证意义;③临床上有的症状的出现对某些证素的判断起否定作用,而贝叶斯网络计算出的局部概率分布参数则无正负之分,势必对辨证结果产生影响;④贝叶斯网络上的每个节点的条件概率是随机、动态的,未能提出每个节点相对静态、固定的概率数据,难以为临床医生掌握和应用。除此以外,我们还应注意到,由于贝叶斯网络的知识主要是从所提