基于機器學(xué)習(xí)的臨床決策支持系統(tǒng)的設(shè)計

摘 要：臨床決策支持系統(tǒng)對提高醫(yī)生決策能力具有重要意義，本文設(shè)計了臨床決策系統(tǒng)的功能及組成，并利用粗糙集理論及神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來獲取疾病知識，提高了知識獲取的準確性和全面性；并采用模糊神經(jīng)網(wǎng)絡(luò)的高效推理機制，構(gòu)建了臨床決策系統(tǒng)模型，為引導(dǎo)醫(yī)生逐步診斷出疾病，提供了參考的治療方案。

關(guān)鍵詞：數(shù)字化醫(yī)院；機器學(xué)習(xí)；臨床決策；支持系統(tǒng)

中圖分類號：TP181

機器學(xué)習(xí)是研究怎樣使用計算機來實現(xiàn)對人類學(xué)習(xí)活動過程進行模擬，通過針對一些經(jīng)驗性的指導(dǎo)性事例或數(shù)據(jù)進行訓(xùn)練和學(xué)習(xí)，歸納出識別性的概念或有規(guī)律的函數(shù)，從而提高自我性能。通過機器學(xué)習(xí)，采取分析歸納的態(tài)度對所有疾病進行分類總結(jié)，并運用知識系統(tǒng)、專家系統(tǒng)、模式識別等領(lǐng)域的知識構(gòu)建了臨床決策系統(tǒng)的模型，從而有效解決了醫(yī)生知識的局限性，為醫(yī)療質(zhì)量提供了保證。本文主要針對疾病診治醫(yī)學(xué)信息采集與處理需求，研究常見與重大疾病的特征參數(shù)，通過機器學(xué)習(xí)來完成對診斷模式的判定，并設(shè)計構(gòu)建了臨床決策系統(tǒng)模型，為疾病診斷提供了新的思路。

1 臨床決策支持系統(tǒng)的設(shè)計

1.1 系統(tǒng)組成

臨床決策支持系統(tǒng)設(shè)計主要包括三個功能模塊，分別是疾病診斷模塊、疾病治療模塊和疾病預(yù)防模塊。

（1）疾病診斷模塊。系統(tǒng)的開發(fā)設(shè)計過程中將所有疾病癥狀特征進行分類總結(jié)和概括，對主要指標(biāo)進行整理，建立主要癥狀集合。根據(jù)患者的臨床癥狀，對應(yīng)進入相應(yīng)的癥狀集合，并根據(jù)賦予的相關(guān)權(quán)重進行診斷。

（2）疾病治療模塊。根據(jù)使用者所選擇的運行方式，經(jīng)過對應(yīng)的推理，系統(tǒng)給出相應(yīng)的診斷結(jié)論，并根據(jù)診斷結(jié)論給予科學(xué)的治療方案。

（3）疾病預(yù)防模塊。系統(tǒng)將會針對主要疾病，根據(jù)采集的相應(yīng)信息提出相應(yīng)的預(yù)防措施。

1.2 知識庫設(shè)計

診斷知識庫主要有兩部分，診斷參數(shù)是進行疾病診斷的基本參數(shù)；規(guī)則表現(xiàn)了疾病癥狀與疾病性質(zhì)、原因之間的內(nèi)在聯(lián)系。規(guī)則庫是診斷系統(tǒng)知識庫的最重要組成部分，采用產(chǎn)生式規(guī)則的知識表示法表示專家經(jīng)驗知識。

自組織映射神經(jīng)網(wǎng)絡(luò)來獲取粗糙集知識，其是一個非參數(shù)遞歸衰減過程，能夠?qū)崿F(xiàn)特征自動識別的聚類分析功能。其基本步驟如下：

（1）初始化。在[0，1]區(qū)間內(nèi)隨機確定一個數(shù)值作為網(wǎng)絡(luò)的連接權(quán)值Wij的取值，確定a（t）的初始值為a（0），Ng（t）的初始值為Ng（0），確定神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的總次數(shù)T的數(shù)值。

（2）樣本模式Pk規(guī)范化處理 。

（3）計算 與 間的距離 （1）其中：j=0，1，2，L，m獲勝節(jié)點是使dk最小的神經(jīng)元g。

（4）對獲勝節(jié)點的值權(quán)進行更新，對其領(lǐng)域Ng（t）節(jié)點的連續(xù)權(quán)值進行修改： ，其中j=0，1，2，L，n （2）

（5）返回步驟2，將樣本集中的其他數(shù)據(jù)輸入網(wǎng)絡(luò)并訓(xùn)練，直到所有數(shù)據(jù)都輸入完為止。

（6）再對a（t）及Ng（t）進行更新。

（7）并令t=t+1，返回步驟2，重復(fù)至t=T為止。SOM神經(jīng)網(wǎng)絡(luò)在經(jīng)訓(xùn)練后，按照以下的方式對輸入模式分類，競爭神經(jīng)元的輸出為：

輸出值為1的獲勝神經(jīng)元即代表輸入模式的類別。

采用基于粗糙集與神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)進行規(guī)則提取的主要步驟如下：

1）根據(jù)實際的診斷案例和數(shù)據(jù)，構(gòu)造決策表。

2）對數(shù)據(jù)進行規(guī)范化處理。

3）用約簡算法對新表進行化簡，消除冗余。

4）根據(jù)新表中數(shù)據(jù)構(gòu)建神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試樣本集。

5）用訓(xùn)練樣本數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并保存網(wǎng)絡(luò)結(jié)構(gòu)。

6）用測試樣本進行測試。

7）測試通過，將訓(xùn)練的結(jié)果存入知識庫；若測試不通過，放棄該組結(jié)果。

1.3 推理機制設(shè)計

其中第一層為輸入層，xi（i=1，2，L，n），取1、0或2、0表示該癥狀不出現(xiàn)；1表示該癥狀出現(xiàn)且程度輕微，2表示該癥狀出現(xiàn)且程度嚴重，第二、三層為隱含層，第四層為輸入層，得出疾病診斷的結(jié)果，輸出的結(jié)果可能有兩個，其中y1表示概率較大的疾病名，y2為概率次之的疾病名。

2 結(jié)束語

針對疾病診治醫(yī)學(xué)信息采集與處理需求，利用機器學(xué)習(xí)的方法設(shè)計了臨床決策系統(tǒng)模型。知識獲取是建立專家診療系統(tǒng)的主要難題，本文利用粗糙集理論及神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)自反饋的能力來獲取疾病知識，建立知識庫。此外，對癥狀和疾病之間的關(guān)系進行了量化，利用模糊神經(jīng)網(wǎng)絡(luò)很好的處理模糊輸入和疾病診斷情況，并能夠記憶診斷過程和結(jié)果，從而歸納出新的診斷規(guī)則，有效提高了推理速度。最后，針對某一具體病例從輸入癥狀到最終的疾病診斷做了闡述，提供參考治療方案，為疾病診斷提供了新的思路。

參考文獻：

[1]謝薇薇.機器學(xué)習(xí)在模擬電路故障診斷中的應(yīng)用研究[D].中國海洋大學(xué)，2009.

[2]胡利平.基于智能計算的移動式專家系統(tǒng)研究[D].中國農(nóng)業(yè)大學(xué)，2005.

[3]吳今培，肖建華.智能故障診斷與專家系統(tǒng)[M].北京：科學(xué)出版社，1997.

[4]乇竹萍，章笠中.基于數(shù)字化醫(yī)院無線臨床移動系統(tǒng)的幵發(fā)研究[J].中國數(shù)字醫(yī)學(xué)，2008（05）：36-38.

[5]虞和濟.基于神經(jīng)網(wǎng)絡(luò)的智能診斷[M].北京：冶金工業(yè)出版社，2002.

[6]曾黃麟.粗集理論及其應(yīng)用——關(guān)于數(shù)據(jù)理論的新方法[M].重慶：重慶大學(xué)出版社，1998.

作者簡介：湯建（1986.03-），男，江蘇淮安人，工程師，工學(xué)碩士，研究方向：醫(yī)院信息化系統(tǒng)、人工智能。

作者單位：淮安市婦幼保健院，江蘇淮安 223002