黃軻　胡啟平　李莉　李泰郎

摘 ? 要：針對現(xiàn)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(jié)點，多個中間節(jié)點和葉子節(jié)點組成，根節(jié)點表示判據(jù)，中間節(jié)點是同一類型不同判據(jù)的組合?；谕蒲莞窦夹g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(xiàn)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(yōu)勢主要體現(xiàn)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(shù)據(jù)自動學習，從中提取隱含的規(guī)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(jīng)濟發(fā)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(yī)療行業(yè)面臨如下挑戰(zhàn)，醫(yī)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(yī)療改革和應用新技術，是應對這種挑戰(zhàn)的兩項關鍵措施，很多國家都在進行醫(yī)療改革，同時也大力將新技術應用到醫(yī)療領域，人工智能技術正在成為提高醫(yī)療資源服務能力和提高療效，從而應對醫(yī)療服務挑戰(zhàn)的重要工具。目前，人工智能在醫(yī)學界、學術界乃至工業(yè)界受到廣泛的關注，人們健康意識不斷提高，對醫(yī)療衛(wèi)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(xiàn)有智能診斷方法的推理局限

現(xiàn)采用的智能診斷運作方式是將患者的主訴和醫(yī)生進行的門診檢查結果為首次分析推理的數(shù)據(jù)，通過相關系統(tǒng)內(nèi)的規(guī)則和推理，從而給出可能罹患的疾病和相應的醫(yī)學檢查項目，患者根據(jù)系統(tǒng)所建議的檢查項目進行醫(yī)學檢查，并且將檢查結果錄入專家系統(tǒng)中，系統(tǒng)根據(jù)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(tǒng)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(jù)治療結果進行評估，直至患者治愈。根據(jù)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(yī)學專業(yè)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(tǒng)能夠識別不明確。

1.2 通過表象得到可能患有疾病的數(shù)據(jù)嚴重不足

對于反向推理目前技術未能實現(xiàn)?，F(xiàn)在普遍用的方法是根據(jù)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(tǒng)給出相應的醫(yī)學檢查項目，根據(jù)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(guī)模太大，導致系統(tǒng)給出的醫(yī)學檢測項目太多;（2）根據(jù)表象搜索結果和醫(yī)學檢測結果共同篩選后，依然無法得到確定的疾病。

1.3 規(guī)則集的建立方式和存儲及調(diào)用效率低下

現(xiàn)有診斷專家系統(tǒng)的規(guī)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(yī)學的專家系統(tǒng)，其中需要包含的規(guī)則數(shù)量將是巨大的，如何將這些規(guī)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(guī)則是一個難點。

2 ?基于推演格技術的智能+診斷推理

針對現(xiàn)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(tǒng)之后，系統(tǒng)會從規(guī)則庫RuleSet中搜索出所有前件中包含A的規(guī)則組成規(guī)則集，加入有以下規(guī)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(jié)點;在Rule1，Rule2，Rule3中，除根節(jié)點A外，出現(xiàn)頻率最高的為判據(jù)D，故D和G作為下一層的中間節(jié)點;出現(xiàn)頻率次高的判據(jù)有C和E，均為兩次，故C和E為D的子節(jié)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(jié)點。所以包含A條件的規(guī)則從規(guī)則集中搜索出來，形成本次推演的規(guī)則集，并將這個規(guī)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(xù)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(guī)則集中無匹配的規(guī)則。

推演格的推理結果會有兩個：

（1）推演過程找到葉子節(jié)點，即找到了唯一性結論，推演結束;

（2）推演過程中發(fā)現(xiàn)某層的中間節(jié)點都無法匹配，即缺失目前問題的規(guī)則內(nèi)容，需要補充新規(guī)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(yōu)勢主要體現(xiàn)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(guī)則庫搜索一遍，而推演格在進行推演活動時，需要匹配的規(guī)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(jù)（事實）和規(guī)則的考慮更全面。推演格將判據(jù)（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(jù)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(xù)推演，避免高度疑似結論的缺失。

（6）通過使用統(tǒng)計數(shù)據(jù)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(tǒng)計數(shù)據(jù)，增強推演過程的準確度，而且可以對推演的分支節(jié)點和結論按照統(tǒng)計數(shù)據(jù)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(jié)點，多個中間節(jié)點和葉子節(jié)點組成，根節(jié)點表示判據(jù)，中間節(jié)點是同一類型不同判據(jù)的組合，葉子節(jié)點表示的是疾病，從根節(jié)點到葉子節(jié)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(jié)點的節(jié)點，其子節(jié)點時有序的，順序是從左到右，如果把表示疾病的葉子節(jié)點從格中去掉，則由剩余節(jié)點構成一棵樹，這樣的樹稱為推演樹。

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

其中ai表示任一中間節(jié)點，m為某一節(jié)點的所有子節(jié)點數(shù)，SubnodeSet（ak）以ak為根的推演樹的子節(jié)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(guī)則庫中尋找符合其中某一條件的所有規(guī)則，然后將這些規(guī)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(guī)則，或者在現(xiàn)有規(guī)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(jù)，結合對規(guī)則庫中規(guī)則的匹配，利用類似的格狀結構從根節(jié)點開始逐層推演，并最終在葉子節(jié)點處獲得推演結果。在推演過程中，還會使用一些判據(jù)的統(tǒng)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(jù)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(jù)，結合對規(guī)則庫中規(guī)則的匹配，利用類似的格狀結構從根節(jié)點開始逐層推演，并最終在葉子節(jié)點處獲得推演結果。在推演過程中，還會使用一些判據(jù)的統(tǒng)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(jù)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(tǒng)基于產(chǎn)生式規(guī)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(yī)學現(xiàn)象進行統(tǒng)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(chǎn)生式規(guī)則的推理機結構上的改進與優(yōu)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(yī)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(tǒng)的需求、現(xiàn)狀與挑戰(zhàn)[J].第二軍醫(yī)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.