一個用于惡性腫瘤早期輔助診斷的協(xié)作學習模型

胡傳志 黃華

摘 要：本文基于多主智的體群學習算法（GLBMA）提出了一個協(xié)作學習模型，通過各agent能夠針對某一領(lǐng)域問題交換意見，分別擴充或修改各自原有的知識，直到達成共識。把該模型用于惡性腫瘤早期輔助診斷可以解決專家知識分布存儲聯(lián)合求解的醫(yī)療問題。

關(guān)鍵詞：機器學習；協(xié)作；agent；醫(yī)學診斷

惡性腫瘤是一種常見病，嚴重威脅著人類的健康，越是早期發(fā)現(xiàn)，其治愈惡性越高，惡性腫瘤的臨床具有隱蔽性，較早較準的發(fā)現(xiàn)很重要。惡性腫瘤的診斷是一個綜合的處理過程[1]，通常是根據(jù)病人的臨床體癥和相關(guān)影像學和病理組織學檢查而最終確診的，像咳嗽，發(fā)熱，X光，血液，細胞學檢查等等，這種檢查結(jié)果與醫(yī)生水平，臨床經(jīng)驗等等人為因素有很大關(guān)系。而且由于思維慣性，不太可能對每一病人做出特異的檢查，容易造成誤診和漏診。在信息時代，通過計算機深入研究各種引起癌癥種種常見臨床表現(xiàn)數(shù)據(jù)，并在此基礎(chǔ)上得出診斷結(jié)果，必將成為的惡性腫瘤早期輔助診斷發(fā)展趨勢。

1 惡性腫瘤早期診斷流程

⑴特征數(shù)據(jù)提取。通常診斷結(jié)果是通過三個方面數(shù)據(jù)分析得出的。一是：往往癌癥與年齡、性別，家族史、既往史、吸煙史、術(shù)后病理、等有關(guān)的。二是：通過儀器X射線檢查、CT檢查、纖維支氣管鏡檢查、PAT痰等等檢查的結(jié)果，三是：通過惡性腫瘤有許多顯著的臨床特征如：1）大小便習慣改變，2）傷口長期不愈合，3）乳房或身體其他部位無痛性的、較硬的腫塊，4）消化不良或吞咽困難，5）明顯的變化的疣或痣，6）或刺激性的咳嗽或聲音嘶啞等等。對上述的進行量測特征提取，將結(jié)果數(shù)值化，作為agent知識庫的輸入值，數(shù)據(jù)主要是有關(guān)由此引起的惡性腫瘤的概率用P表示，它可以通過專家經(jīng)驗獲得，或者是通過一個統(tǒng)計分析的結(jié)果。這樣就可以建立許多數(shù)據(jù)對。

⑵數(shù)據(jù)的預(yù)處理。首先對單個數(shù)據(jù)對采?。?或0，P）形式，1表示存在上述三個方面的某個特征，如有吸煙史，0則表示沒有，P為其對應(yīng)的概率，同上初始值源于專家，我們把上述的三個方面的所有特征組成兩個序列，都是采用（年齡、性別，…，X射線檢查、CT檢查，…，大小便習慣改變，傷口長期不愈合，…）這種序列，其順序是固定的，因為決策過程采用的BP神經(jīng)網(wǎng)絡(luò)，它的對應(yīng)的輸入采取的是由P組成的有序序列（P1，P2，…， Pn），我們把這些由0，1組成的序列如（1，1，0，…，0，1）作為系統(tǒng)中監(jiān)控agent的輸入控制信息。這個監(jiān)控agent來激活下層agent。同時接受來自下層agent的反饋信息序列。

2 基于群體協(xié)作學習模型GLBMA

GLBMA（Group Learning Based Multi-Agent）其目標是多個agent協(xié)調(diào)各自的行為，通過群體學習合作完成共同的目標。文獻[2]把基于主智能體的GLBMA應(yīng)用于機器人足球，其中引入了主智能體的概念。

把GLBMA應(yīng)用于惡性腫瘤早期診斷，我們選用監(jiān)控agent的概念。其作用與主agent有所不同，在這里監(jiān)控agent不是執(zhí)行學習任務(wù)的主角，而是起協(xié)調(diào)和任務(wù)分配作用。其它體癥agent，如：咳嗽agent為輔智能體，激活后這些agent將成為學習任務(wù)的主角。通過監(jiān)控agent和輔助agent以及輔助agent之間的信息交互來實現(xiàn)整個團隊的學習，達到共同目標。

⑴agent模型。在惡性腫瘤早期診斷系統(tǒng)中，agent是有統(tǒng)一的機構(gòu)，每個agent一般都有自主性，交互性，主動性，其一般包括，通信管理模塊，推理控制模塊，agent狀態(tài)欄，和agent知識庫，改造文獻[3]的模型，可以設(shè)計agent模塊如圖1。

通信管理模塊：（Communication Module，CM）完成的是agent與用戶或與其他agent之間的信息傳遞，它負責將從外界接收到的信息傳遞到內(nèi)部控制，或者將內(nèi)部控制塊的信息傳送給指定的agent或人。

學習系統(tǒng)模塊：可以完成特定的學習任務(wù)，目前主要有三種學習策略：類比學習系統(tǒng)，解釋性學習系統(tǒng)和歸納邏輯程序設(shè)計學習系統(tǒng)。

⑵訓練。對該系統(tǒng)每個agent，提供足夠的臨床案例加以訓練，使之更好的實現(xiàn)和盡可能的提高該系統(tǒng)的準確性非常必要，特別是對函數(shù)fi的調(diào)整很重要，盡可能多的輸入涉及到更多的agent病例，從而使更多的agent交互，另外使知識庫更完備，使函數(shù)更加準確。

3 結(jié)束語

本文把基于多主智的體群學習算法（GLBMA）應(yīng)用于惡性腫瘤早期診斷系統(tǒng)中，通過主智能體和輔智能體的角色切換來實現(xiàn)整個團隊的學習，改進了傳統(tǒng)的學習算法。仿真試驗表明，GLBML可以解決學習狀態(tài)空間過大，連續(xù)狀態(tài)空間的行為選擇及多智能體合作求解等問題。

[參考文獻]

[1]惡性腫瘤有哪些診斷方法？2002-01-18，http：//www.em800.com/m/ca7264.htm.

[2]程顯毅，李淑琴，夏德深.基于主智能體的群體學習算法GLBMA的研究. 江蘇大學學報（自然科學版），2005，26（5）：437-440.

[3]劉貴全，陳小平，蔡慶生，劉潔.一個基于Agent協(xié)作式學習系統(tǒng).中國科技大學學報，2000，30（1）：34-37.