[发明专利]将定性关系建模为因果关系图

说明书

技术领域

本发明涉及一种针对症状集合中的所观察症状确定病症集合中的病症子集的系统。

本发明还涉及一种包括这种系统的医疗工作站；针对症状集合中的所观察症状确定病症集合中的病症子集的方法；以及由计算机装置加载的计算机程序产品，其包括用于针对症状集合中的所观察症状确定病症集合中的病症子集的指令。

背景技术

决策支持系统(DSS)可以辅助其用户找到所面临的问题的原因。例如，在医疗应用中，在给定了患者的症状的情况下，医生能够采用临床DSS(CDSS)更快取得对一种或多种疾病的诊断，或者获得对疾病的更为全面的掌握。DSS不单单限于辅助诊断。其还能够对其他任务有所助益，例如，判断必须执行何种后续测试来排除备选的候选诊断，从而以最为有效地方式确定诊断，或者其还有助于取得治疗方案，或者其能够引导进行为治疗患者而必须执行的步骤序列。

典型的DSS包括两个部分：用于获取与感兴趣领域相关的通常人类知识的数据库以及提供用于解释的手段并在所存储的知识范围内进行导引的推理系统。典型地，可以按照因果关系的形式表述所述知识，所述因果关系如病症导致症状，这有可能通过各种中间状态的连锁反应(concatenation)。所述模型采取了有向非循环图(DAG)的形式。例如，就中风而言，血管破裂或者狭窄可能导致血管闭塞，而血管闭塞又可能导致脑损伤。典型地，在这一例子中，因果关系不是必须的，而是具有与之相关的可能性。

一种实现DSS的方法是采用贝叶斯网络(BN)，参考“Bayesian Networksand Decision Graphs”，F.V.Jensen，Springer，2001。BN存储所述模型中包括的变量，例如，病症、症状等能够取的所有状态值的联合概率分布。为了有效地实现这一目的，并且由此得到更为有效的推理算法，BN本身不存储所述联合概率分布，而是存储以其他变量的状态的精选的子集(称为父)为条件的变量的状态(称为子)的条件概率。典型地，BN中的父子对对应于上述因果关系。

与BN有关的一个公知问题就是将为网络中所有的可能为条件性的概率指定什么样的值的问题，参考“Building Probabilistic Networks：Where Dothe Numbers Come From？”，M.J.Druzdzel和L.C.van der Gaag，GuestEditors′Introduction to special section of IEEE Transactions of Knowledge andData Engineering，IEEE Trans.On Knowledge and Data Engineering 12(4)，2000。典型地，这些值中的一些是人类专家已知的，以不确定的语言表述形式，例如，“大多数”、“通常”、“可能发生”等，这些都不是定量的。指定确切的概率数值是一项困难的任务，尤其是在致力于为贝叶斯网络需要的所有概率全部赋值时。

另一种方法是采用机器学习技术从统计信息，即，从(f)实际患者数据中提取所述数值。在该方法中，实践表明，无法得到用来对网络进行训练所需的数据，至少无法以所需要的具有统计可靠性的形式获得足够大小的具有统计显著性的数据。

可以从文献“computer-based decision support in the management ofprimary gastric non-Hodgkin lymphoma”，Peter Lucas、Henk Boot和BabsTaal，Methods of Information in Medicine 37，1998，206-219中了解所述方法的实施例。这里，将说明胃的非霍奇金淋巴瘤的决策理论模型。所述模型的核心是描述做出决策过程中所隐含的不确定性的表示的概率网络。所述概率网络是一种由一组节点和一组弧线构成的有向非循环图，所述节点表示分立的随机变量，所述弧线表示随机变量之间的因果关系或相关性。为了将诸如节点间的“良好”、“一般”和“较差”的定性关系建模为定量概率，可以通过(例如)下述内容将定性关系建模为定性概率关系，

年龄段为10到69岁的人的总体健康状况为良好的概率大于年龄段为10到69岁的人的总体健康状况为一般的概率大于年龄段为10到69岁的人的总体健康状况为较差的概率，即：

Pr(总体健康状况＝良好|年龄＝10-69)>

Pr(总体健康状况＝一般|年龄＝10-69)>

Pr(总体健康状况＝较差|年龄＝10-69)