医疗诊断专家系统研究进展

收稿日期:2001-08-24　作者简介:邵　虹,博士研究生,讲师.目前主要从事医学图像检索、图像处理和专家系统等研究.E-mail:shaoh @neusoft .com 崔文成,硕士研究生.助理研究员,研究方向为数据挖掘、网络等.张继武,博士.教授,博士生导师.研究方向为医学多媒体信息处理及通信技术等.赵　宏,教授,博士生导师,研究方向为分布式多媒体信息系统及多媒体网络技术.

医疗诊断专家系统研究进展

邵　虹1,2　崔文成2　张继武3　赵　宏1

1(

东北大学软件中心,辽宁沈阳110179)

2(

沈阳工业大学,辽宁沈阳110023)

3(中国科学院西安光学精密机械研究所,陕西西安710068)

摘　要:专家系统是人工智能领域的重要分支,医疗诊断专家系统可以作为医生诊断的一种辅助工具.本文从医疗诊断专家系统中的知识表示、推理机制等理论知识和实践研究两方面,对其研究现状进行了回顾.关键词:专家系统;医疗诊断

中图分类号:T P 391 文献标识码:A 文章编号:1000-1220(2003)03-0509-04

Research Advances on Medical Diagnosis Expert System

SHAO Hong 1,2,CU I Wen-cheng 2,ZHA NG Ji-w u 3,ZHA O Ho ng 1

1(

S ef tw are Center ,N or theaster n Univer sity ,S heny ang 110179,China )

2(

She nyang Unive rsity of T echnology ,S henyang 110023,China )

3

(X i an Institute of Op tics &P recision M echanics ,S inic Ac ad emy of S cience ,X i an 710068,China )

Abstract :Expert sy stem is an impor tant embra nchment of ar tifical intellig ent ,medical diag no sis exper t system may be assistant to ol for docto r s dia gnosis .T his paper r ev iew s resear ch adva nces on m edical diag no sis practice and theo ries including know ledg e repr esentat ion,inference,etc.Key words :exper t system ;medical diag no sis

1　引　言

专家系统是当前人工智能研究中最活跃的分支之一,它实现了人工智能从理论研究走向实际应用,从一般思维方法探讨转入专门知识运用的重大突破.从20世纪70年代开始,人们着手进行“医疗诊断专家系统”的研究工作,美国斯坦福大学最先于1974年开发出了性能较高、功能较全的M Y CIN 系统,用于帮助内科医生诊治感染性疾病.在这之后将近三十年的时间内,国内外都投入了巨大的力量进行研究与开发,有了一定的进展,但真正能为医生所接受并投入实际临床使用的为数极少.

能够诊断疾病的专家系统可以帮助医生解决复杂的医学问题,可以作为医生诊断的辅助工具,可以继承和发扬医学专家的宝贵理论以及丰富的临床经验,特别是对那些年轻无经验的医生,能够帮助他们提高诊断技能,为患者提供最佳的诊断方案.医疗诊断领域是信息处理技术的一个前景十分广阔的应用领域.但是,要想在该领域内取得真正有意义的发展,必须认真研究过去的医疗专家系统.下面将从理论和实践两方面对医疗诊断专家系统进行回顾.

2　医疗诊断专家系统的理论研究

知识表示和推理机制是人工智能的重要研究课题,是专家系统的核心.2.1　医学知识的表示

所谓知识表示是指将问题领域的知识和专家的经验知识用适当的结构表示出来,且便于在计算机中存储、检索和修改,知识表示是知识处理中最基本的问题,因为各种领域的知识必须表示成某种形式才能被记录下来,没有知识表示就谈不上知识使用.目前,已经提出了许多较为成熟而又针对特定领域的知识表示方法,常用的有:谓词逻辑表示法,产生式系统,框架理论,语义网络等.下面介绍在医疗诊断专家系统中所用到的几种知识表示方法.

产生式规则是目前应用最为广泛的一种知识表示方法.规则描述的是事物间的因果关系,规则的产生式表示形式常称为产生式规则,简称为产生式,或规则.产生式表示法易于理解,能充分表示与问题有关的推理规则和行为,较好地体现了动态知识即专家的经验知识.其基本形式是“IF a T HEN b ”,IF 部分称为前提,T HEN 部分称为操作.它说明在产生式系统的执行过程中,如果某条规则的条件部分被满足,那么这条规则就可以被应用,即可以给出结论或触发另一条规则.这种方法的缺点是:由于疾病的种类繁多,症状各异,因而需要的规则很多.

　第24卷第3期 2003年3月

小型微型计算机系统M IN I -M ICR O SY ST EM S V ol .24N o .3 M ar .2003

随着面向对象技术在软件开发方法中的发展,许多研究人员着眼于将面向对象技术与知识表示相结合,开始了面向对象知识表示的研究.将对象技术运用于知识表示中,会使知识层次化、模块化,减少知识冗余.此种表示方法将多种单一的知识表示方法(规则、框架等)按照面向对象的程序设计原则组成一种混合知识表示形式,即以对象为中心,将对象的属性、动态行为、领域知识和处理方法等有关知识“封装”在表达对象的结构中.林媛指出将知识用一个四元组描述K no w l-edg e=〔1〕.C(Class)为类集合;I(Instance)表示实例对象的集合;A(A ttr ibut e)是类及对象的数据结构,即属性集;M(M etho d)是方法集.对象是一个五元组,O bject=< ID,A,M,C,R>.ID:病症名称,所属种类;A:病症的症状、体征、实验室检查项目;M:过程性知识;C:隶属度向量;R:病人症状的输入,推理结果的输出,与其它对象的关系,对引发症和并发症进行处理.面向对象的知识表示对诊断推理有重要的作用,面向对象的结构化特征有助于有效地组织和控制推理行为.

医疗知识也可以用一维数据结构表示〔2〕,该结构是一种面向对象的结构.樊永正指出医学信息有其独特的性质,不适合用关系数据库来处理.各种疾病的症候各不相同,有的疾病可能只有几项,而有的疾病的症候可能有几十项甚至上百项,对同一种疾病而言,不同的情况下其症候也各不相同.采用一维结构存储数据,依靠相同的关键字(疾病名或其代码)来实现一种疾病与其症候之间的相互联系.其中一个记录只代表一个对象的某个方面的信息,一个对象的全部信息要用若干个记录来表示.这种表示方法的缺点是占用空间多,但灵活、适用范围广、功能强大、使用方便.

医疗诊断知识库还可以采用层次分类结构〔3〕.把医学专家或医学书籍中的知识表示成森林状的层次结构,结构中的非叶子节点代表疾病类,叶子节点代表疾病,每个节点以疾病或疾病类的症状作为类别特征向量.然后根据类别体系的层次结构,自顶向下,逐层分类,最终把病人的病症或综合症归属到层次结构的某个叶子节点.知识用特征向量描述,其中类别特征向量是从本疾病的特征向量以及它的各个子类中抽取的区分能力较强的特征项构成的新向量.患者症状的特征向量由症状轻重程度以及症状的重要程度构成.

以上各种知识表示方法都有各自的优缺点,可以将几种表示方法综合起来使用,即采用知识的混合表示法,这样能克服单一表示法的不足,而且能发挥各自的长处.

2.2　医疗诊断推理

所谓推理是指按照某种策略从已知事实出发去推出结论的过程.例如:将所有与诊断有关的医疗常识和专家经验都被保存在知识库中.当系统开始诊断疾病时,首先需要把病人的症状和检查结果放到事实库中,然后再从事实库中的这些初始证据出发,按照某种策略在知识库中寻找匹配的知识,如果得到的是一些中间结论,还需要把它们作为已知事实放入事实库中,并继续寻找可以匹配的知识,如此反复进行,直到推出最终结论为止.目前用的较多的推理是基于规则的推理,这种推理存在着几个主要缺陷:

(1)当知识库中的规则太多时,每一规则的前件又包含很多前提,需对规则的各前提一一匹配,以致在规则库中寻找可用规则的开销很大,从而造成推理的低效、容错性差、抗干扰性差等诸多缺陷;

(2)自学习能力很弱,对知识库知识的修改、补充必须借助知识工程师的规则干预才能进行,没有机器的自学习机制.

由Sy car a提出的案例推理是目前自动推理研究的焦点之一,主要思路是从案例库中提取隐含的“指导思想”,用量化方式表示,形成知识库.赵卫东提出了基于案例的医疗诊断支持系统〔4〕.他指出在医学领域,专家的知识难以形式化,而适合于用案例形式表达.专家在诊断时面对的是多样、复杂和难以确定的疾病,所以单靠规则推理是行不通的,在很大程度上上他们需要从病例库中得到启发,产生直觉,以往的诊断病例对诊断起着很重要的作用,专家头脑中的病例越多,通常诊断越准确.目前基于案例推理的诊断方法还存在着许多局限性,例如如何有效地表示病例;对于大型病例库如何快速有效地检索相似病例;如何评价诊断对象和相关病例的相似度等问题.

用神经网络实现专家系统,也已经成为人工智能界的一个研究热点,尽管这种系统的功能还很有限,如只适于解决规模较小的问题、性能受训练数据集的限制以及无法解释推理过程和依据等.选择它作为建立专家系统的工具是因为:

(1)神经网络实现了并行处理的机制,可以提供高速处理的能力;

(2)具有联想记忆与联想映射能力,可以增强专家系统的容错能力;

(3)可存储大量的专家知识,且能根据学习算法,不断地自动学习,完善知识的存储;

(4)是一类大规模的非线性系统,提供了系统自组织和协同的潜力.

目前对神经网络已开展了大量的研究,自组织映射AO M网、Hopfield网的联想记忆能力、AR T网络的自动聚类、BP网络的分类等在实际应用中已屡见不鲜.林媛提出的医疗诊断推理机采用了具有自反馈的Ho pfield联想记忆神经网络〔1〕,这种神经网络由于其具有信息分布式存储、大规模自适应并行处理、高度的容错型和鲁棒性、自学习等特点,所以对于含不确定性的较大规模的医疗诊断专家系统表现出了很好的适应性.

我们可以将上述推理方法结合起来,赵卫东提出将案例推理与规则推理相结合〔8〕,对容易形式化的部分,由规则推理完成;而对病态结构的问题或者偶尔发生的异常问题,用案例求解;还可以将神经网络和案例推理相结合〔13〕.

2.3　多专家协同诊断系统

当前现存的专家系统一般为单个专家系统,问题求解方法单一,解决问题的领域很窄,很难得到满意的应用.协同式专家系统是克服单专家系统局限性的一个重要途径,也称为“群专家系统”,由若干个相近领域或一个领域的多个方面的分专家系统组成,这些分专家系统分别发挥其自身的特长,解决某一方面的问题,同时又相互协作.

510 小　型　微　型　计　算　机　系　统 2003年