貝葉斯在醫(yī)療診斷系統(tǒng)中的應(yīng)用研究.pdf

1、隨著時(shí)代飛速的發(fā)展，各方面都開(kāi)始智能化。特別是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的發(fā)展，使得各種專家系統(tǒng)都開(kāi)始出現(xiàn)。這種專家系統(tǒng)的出現(xiàn)主要有三個(gè)目的：一、幫助專家進(jìn)行診斷，提高決斷的精確度。二、簡(jiǎn)化診斷流程，使得診斷的效率提高。三、減少診斷的花銷(xiāo)。專家系統(tǒng)的出現(xiàn)使得許多方面都開(kāi)始了智能化。各種成熟的技術(shù)都被應(yīng)用到智能系統(tǒng)中來(lái)，具有很好的社會(huì)效益。
　　隨著人們生活水平的提高，有一些疾病開(kāi)始大量的出現(xiàn)。例如，心腦血管疾病，高血壓病，都成為現(xiàn)代人們生

2、活的幾個(gè)頭號(hào)殺手。對(duì)這些病的診斷也是一個(gè)比較復(fù)雜的過(guò)程，因此，開(kāi)發(fā)一個(gè)能解決這類(lèi)問(wèn)題的專家系統(tǒng)將具有很好的實(shí)用價(jià)值。其優(yōu)點(diǎn)也是顯而易見(jiàn)的，例如，可以幫助專家進(jìn)行精確的診斷，提高診斷的準(zhǔn)確度，可以提高診斷的效率，可以減少診斷的費(fèi)用等等。
　　一個(gè)專家系統(tǒng)的出現(xiàn)，與其采用的診斷方法有很大的關(guān)系。機(jī)器學(xué)習(xí)領(lǐng)域就提供了很多可以用來(lái)進(jìn)行實(shí)際預(yù)測(cè)的分類(lèi)方法，比較成熟方法有：決策樹(shù)，貝葉斯，K近鄰。K聚類(lèi)等等。這些方法都已經(jīng)被成功的應(yīng)用在了多個(gè)

3、領(lǐng)域。這些方法都基本分為兩個(gè)流程：一個(gè)是訓(xùn)練階段，一個(gè)是測(cè)試階段。訓(xùn)練階段就是采用收集到的數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練好了模型之后就可以對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類(lèi)和預(yù)測(cè)。舉個(gè)例子來(lái)說(shuō)，比如專家已經(jīng)對(duì)很多的病人進(jìn)行了診斷，這樣的一些的數(shù)據(jù)進(jìn)行訓(xùn)練，然后建立好了模型之后，對(duì)于新來(lái)的病人就可以對(duì)其進(jìn)行預(yù)測(cè)，是健康或者不健康。根據(jù)建立模型和訓(xùn)練的方式，這些方法可以被分為兩類(lèi)，一類(lèi)是有指導(dǎo)的學(xué)習(xí)，一類(lèi)是無(wú)指導(dǎo)的學(xué)習(xí)。其主要的分別如下，有指導(dǎo)的學(xué)習(xí)就是每一個(gè)實(shí)例都含

4、有類(lèi)標(biāo)記可以指導(dǎo)模型的建立，然后再用這樣的模型進(jìn)行預(yù)測(cè)，這類(lèi)算法在學(xué)習(xí)的過(guò)程中是有老師指導(dǎo)的。還有一類(lèi)其中的實(shí)例是沒(méi)有類(lèi)標(biāo)記的，在模型的建立過(guò)程中只是根據(jù)實(shí)例之間的相似程度來(lái)進(jìn)行的，處于同一類(lèi)的實(shí)例具有很好的相似性，處于不同類(lèi)之間的實(shí)例有很好的區(qū)分性，這種沒(méi)有學(xué)習(xí)方式稱為無(wú)導(dǎo)師的學(xué)習(xí)。另外，這樣的機(jī)器學(xué)習(xí)方法可以分為兩類(lèi)：一類(lèi)是懶惰的學(xué)習(xí)方式，這類(lèi)學(xué)習(xí)方式對(duì)于每一個(gè)測(cè)試實(shí)例來(lái)臨時(shí)，然后根據(jù)這樣的實(shí)例去建立自己的模型，再進(jìn)行預(yù)測(cè)。每來(lái)一個(gè)

5、實(shí)例，就建立一次模型，這樣的分類(lèi)算法可想而知，很慢。那些不是懶惰的學(xué)習(xí)方式就是，先建立模型，然后每來(lái)一個(gè)實(shí)例都用這個(gè)模型進(jìn)行預(yù)測(cè)，也就是說(shuō)這樣的模型只建立一次，然后被重復(fù)用很多次。每種算法都有自己的優(yōu)缺點(diǎn)。
　　懶惰的學(xué)習(xí)方式分類(lèi)精度好，但是時(shí)間的花費(fèi)比較大。那些不是懶惰的學(xué)習(xí)方式雖然分類(lèi)精度可能沒(méi)有前一種好，但是其時(shí)間花費(fèi)較少。
　　本文主要研究了貝葉斯算法在醫(yī)療診斷中的應(yīng)用。貝葉斯算法是一種懶惰的學(xué)習(xí)方式，以前簡(jiǎn)單實(shí)用被

6、廣泛的應(yīng)用于各個(gè)方面，本質(zhì)上是一種基于概率的判別方式。每個(gè)實(shí)例的判別結(jié)果是屬于概率最大的那個(gè)類(lèi)。本文從貝葉斯算的基本理論開(kāi)始講起，分別介紹了樸素貝葉斯，貝葉斯網(wǎng)絡(luò)，最優(yōu)貝葉斯等，分別總結(jié)了它們各自的優(yōu)缺點(diǎn)，以及各自適應(yīng)的范圍，
　　總的說(shuō)貝葉斯算法一共有如下的幾個(gè)特點(diǎn)：
　?。?）其理論簡(jiǎn)單，實(shí)用性強(qiáng)。只要在先驗(yàn)概率可知的情況下，算法是很好計(jì)算的，眾多的實(shí)驗(yàn)應(yīng)用證明，這種算法具有很強(qiáng)的使用性。
　?。?）貝葉斯是一種基

7、于概率的分類(lèi)方式。由此可以看出，訓(xùn)練集的個(gè)數(shù)只要不是很大的變動(dòng)，其分類(lèi)結(jié)果是不會(huì)改變的。也就是說(shuō)，算法具有好的魯棒性。
　?。?）學(xué)習(xí)的速度很快。沒(méi)有許多大量重復(fù)的工作。
　　本文開(kāi)發(fā)了基于樸素貝葉斯的醫(yī)療診斷系統(tǒng)，導(dǎo)入訓(xùn)練集之后進(jìn)行訓(xùn)練，便可以進(jìn)行預(yù)測(cè)了。由算法分析可知，有兩個(gè)主要的因素會(huì)對(duì)算法的結(jié)果產(chǎn)生影響，一個(gè)是算法所采用的屬性集合，一個(gè)是采用幾折交叉。也就是說(shuō)，采用不同的屬性集合對(duì)目標(biāo)屬性進(jìn)行預(yù)測(cè)，
　　采用不

8、同折數(shù)進(jìn)行訓(xùn)練和預(yù)測(cè)。我們?cè)O(shè)計(jì)多個(gè)詳細(xì)的實(shí)驗(yàn)來(lái)證實(shí)這兩個(gè)不同因數(shù)的影響。
　　一個(gè)是固定的折數(shù)的情況下，不同的屬性集個(gè)數(shù)的情況下，算法的性能評(píng)估。一個(gè)是固定屬性集個(gè)數(shù)的情況下，不同的折數(shù)的情況下，算法的性能評(píng)估。從結(jié)果的分析可知，不同的屬性集個(gè)數(shù)的情況下，不同的折數(shù)的情況下，算法的性能是有差異的。
　　另外，我們還開(kāi)發(fā)了基于貝葉斯的預(yù)警系統(tǒng)，其基本理論就是屬于各個(gè)類(lèi)別的概率的之差。也就是說(shuō)，如果一個(gè)實(shí)例被判定為歸于正常的概率

9、遠(yuǎn)遠(yuǎn)大于判定為不正常的概率，那個(gè)這個(gè)人的健康狀況很好，如果一個(gè)人被判定為正常的概率和不正常的概率相差不大，雖然這個(gè)人被歸結(jié)為正常，但是其身體的狀況可能也游走在健康和不健康之間，這是需要對(duì)其健康狀況進(jìn)行預(yù)警，告知其要注意身體狀況。也就是說(shuō)，一個(gè)實(shí)例被歸于正常的概率比不正常的概率越大，這個(gè)人越健康，反之這個(gè)人的健康越接近不健康。為了更好的了解一個(gè)人的健康狀況，我們根據(jù)兩個(gè)健康與不健康之間的差距，將其分為四個(gè)檔次：優(yōu)、良、一般、合格。其中的合