论文部分内容阅读
【摘要】 目的：探讨专家系统在辅助中枢神经系统疾病的CT影像诊断中的价值。方法：根据影像诊断观察习惯，选取20个指标，建立中枢神经系统影像诊断知识库，并根据公认的发生概率设置各征象的初始值。采用VFP9.0数据库语言编程。选取三甲医院有完整临床和影像学资料并经病理证实的术前误诊病例共173例，分别由两名三甲医院副主任医师（第一组）共同阅片，根据经验进行讨论并达成一致，作出诊断；由一名副主任医师（第二组）和一名住院医师（第三组）分别将上述病例的相关信息输入专家系统，记录所得结果。各组间阅片结果采用 字2检验。结果：第一组诊断准确率为37.57%（65/173），第二组诊断准确率为63.01%（109/173），第三组诊断准确率为46.89%（81/173）。经统计学处理表明，第二组与另外两组间差异有统计学意义（P<0.05）。第一组与第三组间差异无统计学意义（P>0.05）。结论：将专家系统融入中枢神经系统CT影像诊断具有重要的实用价值。
【关键词】 影像诊断； 专家系统； 中枢神经系统
随着信息技术和人工智能的不断发展，专家系统在医学领域的应用逐步推广。但在中枢神经系统的影像诊断方面，较完整的应用尚未见报道，现将笔者在这一方面做的一些尝试介绍给大家，以供参考。
1 中枢神经系统影像诊断专家系统的背景
专家系统的任务是应用人工智能日趋成熟的各种技术，将专家的知识和经验以适当的形式存入计算机，利用类似专家的思维规则，对事例的原始数据进行逻辑或可能性的推理、演绎，并作出判断和决策[1-2]。
医疗专家系统最早成功应用的实例，是1976年美国斯坦福大学肖特列夫（Shortliff）等[3]开发的医学专家系统MYCIN，这个系统后来被视为“专家系统的设计规范”。此后的近四十年间，尤其是最近十多年，在网络互连技术、数据库技术、程序设计技术等信息处理技术的迅猛发展的推动下，专家系统技术的应用在广度和深度上都到达了一个新的高度，诊断的准确性或特异性均较传统诊断方法明显提高[4-8]。
目前在医学影像诊断领域内，专家系统在肺部结节定性、乳腺癌诊断及骨龄测定、骨肿瘤诊断等方面取得了不同程度突破[9-13]。在中枢神经系统领域内，专家系统的研发还仅限于单病种或单个部位的应用，如：1999年，北京神经外科研究所关于鞍区肿瘤的计算机辅助MR诊断研究[14]；2006年，上海交通大学进行了基于贝叶斯网络的脑胶质瘤恶性高低度的自动诊断方面的研究[15]；2010年，复旦大学进行了粗糙集、决策树及回归法对胶质瘤分级的对比研究[16]；2012年，加拿大瑞尔森大学开发的基于DWI成像和磁共振波谱的小儿代谢性脑病计算机辅助诊断系统等[17]。
2 设计原理
专家系统是基于知识的系统。一个完整的医学专家系统应由下列五个部分组成：数据库、知识库、推理机、解释接口和知识获取模块。数据库存放的是已确诊病例的临床和影像信息等数据集；知识库是用来存储已知的中枢神经系统疾病各种诊断信息数据以及各种诊断信息的发病概率；推理机是专家系统的思维机构，本质是一组程序，用来控制和协调整个系统，它通过输入的数据，利用知识库的原有知识按一定的推理策略解决所提出的问题；解释接口是用户与专家系统交互的环节，负责对推理给出必要的解释，便于用户了解推理过程，为用户向系统学习提供方便；人机接口主要用来完成输入输出工作；学习系统就是知识获取模块，它为修改和扩充知识库存的原有知识提供相应的手段，随着医学的不断发展和人类对疾病认识的不断深入，结合实践过程中总结出的经验和教训，程序设计者与临床医师间进行交流后可以通过学习系统来完成颅内疾病知识的完善和规则的修订，并输入知识库中。
当系统诊断一个疑似患者时，就可以将该患者的临床症状和影像信息通过人机接口输入计算机，推理机将这些资料与知识库当中的规则进行比对、匹配。处理的结果通过屏幕或打印系统提供给用户。
2.1 知识库的建立 系统各相关指标的设置是根据日常工作中，影像诊断医师的常规观察习惯，并结合各种CT征象在诊断中的权重来选取。主要有：发病部位（额叶、颞叶、顶叶、枕叶、小脑半球、脑干、基底节区、鞍区、桥小脑脚区、松果体区、侧脑室、三脑室、四脑室、脑膜、脊髓、颅骨以及跨多部位等）、病灶形态（圆形、类圆形、不规则形）、占位效应（有、没有）、平扫时病灶的密度（等密度、低密度、高密度和混合密度）、是否有钙化（没有、斑点状、条片状、完全钙化）、囊变、坏死（没有、小囊、大囊、多囊）、水肿（没有、轻度、中度、重度）、脑积水（没有、有）、强化程度（没有、轻度、明显）以及强化的特征（均匀、不均匀、厚环形、薄环形、开环形、壁结节强化等）、病灶境界（清楚、模糊）、病灶数量（单发，多发）等十二个CT征象，以及发病年龄、发热、智力障碍、功能障碍、外伤史、疫区生活史等临床指标信息，并建立每项影像特征的标准化选项。
根据各指标分别建立信息库，信息库包括每种疾病各指标的属性值及发生概率。各指标发生概率的系统初始值以目前学术界公认的概率为标准设置。在系统开始使用后，随着每一条随访记录的录入，系统通过后台的维护模块将自动调整各指标的发生概率。
2.2 程序编写 中枢神经系统影像诊断专家系统编程开发语言为VFP9.0，数据库管理系统软件为VFP9.0，操作系统为Windows。系统采用采用VFP9.0数据库和SQL技术。为了确保信息采集的准确性，系统采用下拉式选项框方式进行信息采集。按照影像专家日常分析图像的习惯，分步骤采集患者各种影像及临床信息。通过SQL技术获取符合上述特征的候选疾病，通过各参数在相关疾病的发病概率计算，得出可能的疾病，再结合关键性信息，得出最终的诊断结果，供影像诊断医师参考，见图1～2。
2.3 准确性验证 采用三甲医院有完整临床和影像学资料并经病理证实的术前误诊病例共173例，包括肿瘤、感染、中毒、外伤、血管、先天性、变性、代谢、脱髓鞘、遗传性病变等十大类疾病。测试方法：⑴由两名三甲医院副主任医师（第一组）共同阅片，根据经验进行讨论并达成一致，作出诊断；⑵由一名副主任医师（第二组）和一名住院医师（第三组）分别将上述病例的相关信息输入专家系统，记录所得结果。并分别对第一组与第二组，第二组与第三组进行准确率统计。 2.4 统计学处理 采用SPSS 13.0软件，对三组结果分别进行两组间 字2检验，以P<0.05为组间差异具有统计学意义。
3 结果
4 讨论
4.1 临床应用价值 医疗诊断是一项典型的专家任务。医学专家必须具有特定领域的知识和丰富的实践经验。而要培养一个医学专家既需要时间，又花费巨大。因此，开发特定应用的计算机辅助医疗专家系统就成为生物医学工程领域的一个热点课题。
医疗专家系统有许多吸引人的特征，如不像人类专家那样会遗忘或退休，专家知识可以不再受时间和空间的限制而得以永久保留并广为推广应用；专家系统的可靠性高；还可以综合多个专家的知识和经验，提高解决问题的能力。计算机辅助医学诊断系统是计算机技术在医学领域中应用的深化。利用专家系统技术来处理这些知识密集性的任务，可以将人们从重复和繁重的脑力劳动中解放出来，从事更富有创造性的工作。
国内专家系统在医疗领域的应用和发展相对来说规模较小、水平较低，应用范围也有限，这与我国计算机专业人员与医生缺乏交流等因素有关。通过从事计算机研究的专家和医学专家们的共同努力，特别是跨学科的生物医学工程人员的培养，相信专家系统必将在医疗领域得到更为广泛的重视和应用。
目前在医学影像诊断领域内，在肺部结节、乳腺癌诊断及骨龄测定等领域有部分应用。颅内病变诊断方面，2009年复旦大学医学院进行了基于模糊集的脑胶质瘤分级自动诊断方面的研究。1999年，北京神经外科研究所开发了鞍区及鞍上肿瘤计算机辅助MR影像诊断软件。而较为完整和全面的神经系统方面的专家系统，目前国内外文献均未见报道。
由于专家数量相对于患者数量以及医疗机构的数量仍然是明显偏少的，不少中、小型及偏远地区医院的医生或者经验不够丰富的年轻医生的误诊率偏高。本系统的实现与应用将有助于改善这种情况。
在本项目的数据测试中，未使用专家系统辅助诊断的准确率为37.57%（65/173），与文献[14]报道类似。这与大多数人的认识有很大差异，主要是因为测试中，仅以第一诊断作为判断准确率的依据，与日常工作中以常见病、多发病为主有所不同；另外，也与测试病例均为误诊病例有关。使用辅助诊断的两组的准确率分别为第二组63.01%（109/173）和第三组46.89%（81/173）。两组的准确率均较未使用软件辅助诊断的准确率高，其中第二组与第一组、第三组之间具有显著性意义，差异有统计学意义（P<0.05）。本系统通过逐步提问，引导医生全面、仔细阅片，通过及时反馈可能结果，可以拓展年轻医生的思路，对于提高基层医院和广大低年资医师的中枢神经系统疾病诊断水平有很大帮助。
4.2 关于推理机的设计 传统的医学诊断专家系统一般采用概率统计法，为解决医学活动中的不确定性知识，近来又发展出基于二元Logistic回归法、分类回归树及粗糙集等数据挖掘技术的模糊算法专家系统。影像诊断的特点是要全面分析病灶的各种信息，并密切结合临床信息，综合分析。本系统根据影像诊断的过程和特点，采用概率法与关键特征相结合的推理机制。相对于贝叶斯算法、二元Logistic回归法、分类回归树及粗糙集等数据挖掘技术的模糊算法，本系统有实现相对简单，紧密联系临床等优点。
4.3 自我学习功能 自我学习功能是提高专家系统自我更新、自我完善能力的重要途径。常见的专家系统推理方法，如贝叶斯算法、二元Logistic回归法、分类回归树及粗糙集等数据挖掘技术的模糊算法，需要具有专业知识的人员定期进行数据的重新训练、挖掘，无法实现用户对软件在后期应用中的自我更新、完善。本系统初步具备了自我更新、自我完善的能力，通过知识补充模块，可以添加系统原来无法诊断的疾病，也可以补充原本不完整的知识信息，并且，随着数据库中样本数量的不断扩大，学习程序可以通过每一个随访病例的录入，自动调整各种指标属性值的发病概率，以达到自我学习，自我完善的目的。
4.4 目前存在的不足之处 虽然，使用软件的第一诊断准确率高于常规组，但仅有63.01%。造成第一诊断准确率偏低的原因有以下可能性：所选病例为术前误诊的疑难病例；软件对某些征象的描述、分类不够细化；属性赋值不够精确；软件使用者对一些影像征象的观察不够准确。随着对影像征象的分类、描述更趋合理，系统搜集的确诊病例不断丰富，以及医务人员对影像资料解读的不断提高，软件的诊断准确率必将进一步提高。
计算机辅助诊断是影像诊断学发展的方向之一。将来，随着计算机辅助诊断与图像处理、PACS系统等技术融合，专家系统的临床应用范围将进一步扩大。本系统希望能为这方面的工作做一些有益的尝试。
参考文献
[1]俞思伟.医学专家系统的设计原理与实现方法[J].医学信息，2002，15（6）：346-349.
[2]韦晓虎，郑虹.基于事例推理的医学诊断专家系统[J].玉林师范学院学报，2006，27（3）：179-180.
[3] E. H . Short liffe， S. G. Axline， B. G. Buchanan ， et al. An artificial intelligence program to advise physicians regarding antimicrobial therapy[J].Computers an d Biomedical Research，1973，6（6）：544-560.
[4] Yongqian Qiang，Youmin Guo ，Xue Li，et al.The Diagnostic Rules of Peripheral Lung Cancer Preliminary Study Based on Data Mining Technique[J].Journal of Nanjing Medical University，2007，21（3）：190-195. [5] Engin Avci， Ibrahim Turkoglu. An intelligent diagnosis system based on principle component analysis and ANFIS for the heart valve diseases[J]. Expert Systems with Applications，2009，36（3）：2873-2878.
[6] Prasad K， Winter J， Bhat U M，et al. Image Analysis Approach for Development of a Decision Support System for Detection of Malaria Parasites in Thin Blood Smear Images[J].J Digit Imaging，2012，25（4）：542-549.
[7] Florin Gorunescu ， Smaranda Belciug， Marina Gorunescu ，et al. Intelligent decision-making for liver flbrosis stadialization based on tandem feature selection and evolutionary-driven neural network[J].Expert Systems with Applications，2012，39（5）：12824-12832.
[8] Alexandre Savio，Manuel Gra?a.Deformation based feature selection for Computer Aided Diagnosis of Alzheimer’s Disease. Expert Systems with Applications[J]. April 2013，40（5），1619-1628.
[9] De Boo D. W.，Prokop M.，Uffmann M ，et al. Computer-aided detection （CAD） of lung nodules and small tumours on chest radiographs[J].European Journal of Radiology，2009，72（2）：218-225.
[10] Engin Avci. A new expert system for diagnosis of lung cancer： GDALS- SVM[J].Journal of Medical Systems，2012，36（3）：2005-2009.
[11]邹薇薇，刘士远.计算机辅助诊断系统在肺结节诊断中的应用[J].人民军医，2007，50（5）：302-303.
[12]王亚辉，朱广友，乔可，等.X线骨龄评估方法研究进展与展望[J].法医学杂志，2007，（23）5：365-369.
[13]许春华.多信息源乳腺癌医学诊断专家系统[D].山东：山东大学，2001.
[14]林燕，高培毅，孙楠.鞍内及鞍上肿瘤计算机辅助MR影像诊断[J].中华放射学杂志，1999，33（12）：815-818.
[15]马军，杨杰，耿道颖.基于贝叶斯网络的脑胶质瘤恶性高低度的自动诊断[J].生物医学工程学杂志，2006，23（1）：184-188.
[16]卢又燃，冯晓源，梁宗辉.粗糙集、决策树及回归法根据常规MRI预测胶质瘤分级的对比研究[J].中国卫生统计，2010，27（6）：572-576.
[17] Sina Zarei Mahmoodabadi，1 Javad Alirezaie，2 Paul Babyn，etc. A Novel mCAD for pediatric metabolic brain diseases incorporating DW imaging and MR spectroscopy[J].Expert Systems，2013，30（1）：21-33.
（收稿日期：2014-04-01） （本文编辑：王宇）
【关键词】 影像诊断； 专家系统； 中枢神经系统
随着信息技术和人工智能的不断发展，专家系统在医学领域的应用逐步推广。但在中枢神经系统的影像诊断方面，较完整的应用尚未见报道，现将笔者在这一方面做的一些尝试介绍给大家，以供参考。
1 中枢神经系统影像诊断专家系统的背景
专家系统的任务是应用人工智能日趋成熟的各种技术，将专家的知识和经验以适当的形式存入计算机，利用类似专家的思维规则，对事例的原始数据进行逻辑或可能性的推理、演绎，并作出判断和决策[1-2]。
医疗专家系统最早成功应用的实例，是1976年美国斯坦福大学肖特列夫（Shortliff）等[3]开发的医学专家系统MYCIN，这个系统后来被视为“专家系统的设计规范”。此后的近四十年间，尤其是最近十多年，在网络互连技术、数据库技术、程序设计技术等信息处理技术的迅猛发展的推动下，专家系统技术的应用在广度和深度上都到达了一个新的高度，诊断的准确性或特异性均较传统诊断方法明显提高[4-8]。
目前在医学影像诊断领域内，专家系统在肺部结节定性、乳腺癌诊断及骨龄测定、骨肿瘤诊断等方面取得了不同程度突破[9-13]。在中枢神经系统领域内，专家系统的研发还仅限于单病种或单个部位的应用，如：1999年，北京神经外科研究所关于鞍区肿瘤的计算机辅助MR诊断研究[14]；2006年，上海交通大学进行了基于贝叶斯网络的脑胶质瘤恶性高低度的自动诊断方面的研究[15]；2010年，复旦大学进行了粗糙集、决策树及回归法对胶质瘤分级的对比研究[16]；2012年，加拿大瑞尔森大学开发的基于DWI成像和磁共振波谱的小儿代谢性脑病计算机辅助诊断系统等[17]。
2 设计原理
专家系统是基于知识的系统。一个完整的医学专家系统应由下列五个部分组成：数据库、知识库、推理机、解释接口和知识获取模块。数据库存放的是已确诊病例的临床和影像信息等数据集；知识库是用来存储已知的中枢神经系统疾病各种诊断信息数据以及各种诊断信息的发病概率；推理机是专家系统的思维机构，本质是一组程序，用来控制和协调整个系统，它通过输入的数据，利用知识库的原有知识按一定的推理策略解决所提出的问题；解释接口是用户与专家系统交互的环节，负责对推理给出必要的解释，便于用户了解推理过程，为用户向系统学习提供方便；人机接口主要用来完成输入输出工作；学习系统就是知识获取模块，它为修改和扩充知识库存的原有知识提供相应的手段，随着医学的不断发展和人类对疾病认识的不断深入，结合实践过程中总结出的经验和教训，程序设计者与临床医师间进行交流后可以通过学习系统来完成颅内疾病知识的完善和规则的修订，并输入知识库中。
当系统诊断一个疑似患者时，就可以将该患者的临床症状和影像信息通过人机接口输入计算机，推理机将这些资料与知识库当中的规则进行比对、匹配。处理的结果通过屏幕或打印系统提供给用户。
2.1 知识库的建立 系统各相关指标的设置是根据日常工作中，影像诊断医师的常规观察习惯，并结合各种CT征象在诊断中的权重来选取。主要有：发病部位（额叶、颞叶、顶叶、枕叶、小脑半球、脑干、基底节区、鞍区、桥小脑脚区、松果体区、侧脑室、三脑室、四脑室、脑膜、脊髓、颅骨以及跨多部位等）、病灶形态（圆形、类圆形、不规则形）、占位效应（有、没有）、平扫时病灶的密度（等密度、低密度、高密度和混合密度）、是否有钙化（没有、斑点状、条片状、完全钙化）、囊变、坏死（没有、小囊、大囊、多囊）、水肿（没有、轻度、中度、重度）、脑积水（没有、有）、强化程度（没有、轻度、明显）以及强化的特征（均匀、不均匀、厚环形、薄环形、开环形、壁结节强化等）、病灶境界（清楚、模糊）、病灶数量（单发，多发）等十二个CT征象，以及发病年龄、发热、智力障碍、功能障碍、外伤史、疫区生活史等临床指标信息，并建立每项影像特征的标准化选项。
根据各指标分别建立信息库，信息库包括每种疾病各指标的属性值及发生概率。各指标发生概率的系统初始值以目前学术界公认的概率为标准设置。在系统开始使用后，随着每一条随访记录的录入，系统通过后台的维护模块将自动调整各指标的发生概率。
2.2 程序编写 中枢神经系统影像诊断专家系统编程开发语言为VFP9.0，数据库管理系统软件为VFP9.0，操作系统为Windows。系统采用采用VFP9.0数据库和SQL技术。为了确保信息采集的准确性，系统采用下拉式选项框方式进行信息采集。按照影像专家日常分析图像的习惯，分步骤采集患者各种影像及临床信息。通过SQL技术获取符合上述特征的候选疾病，通过各参数在相关疾病的发病概率计算，得出可能的疾病，再结合关键性信息，得出最终的诊断结果，供影像诊断医师参考，见图1～2。
2.3 准确性验证 采用三甲医院有完整临床和影像学资料并经病理证实的术前误诊病例共173例，包括肿瘤、感染、中毒、外伤、血管、先天性、变性、代谢、脱髓鞘、遗传性病变等十大类疾病。测试方法：⑴由两名三甲医院副主任医师（第一组）共同阅片，根据经验进行讨论并达成一致，作出诊断；⑵由一名副主任医师（第二组）和一名住院医师（第三组）分别将上述病例的相关信息输入专家系统，记录所得结果。并分别对第一组与第二组，第二组与第三组进行准确率统计。 2.4 统计学处理 采用SPSS 13.0软件，对三组结果分别进行两组间 字2检验，以P<0.05为组间差异具有统计学意义。
3 结果
4 讨论
4.1 临床应用价值 医疗诊断是一项典型的专家任务。医学专家必须具有特定领域的知识和丰富的实践经验。而要培养一个医学专家既需要时间，又花费巨大。因此，开发特定应用的计算机辅助医疗专家系统就成为生物医学工程领域的一个热点课题。
医疗专家系统有许多吸引人的特征，如不像人类专家那样会遗忘或退休，专家知识可以不再受时间和空间的限制而得以永久保留并广为推广应用；专家系统的可靠性高；还可以综合多个专家的知识和经验，提高解决问题的能力。计算机辅助医学诊断系统是计算机技术在医学领域中应用的深化。利用专家系统技术来处理这些知识密集性的任务，可以将人们从重复和繁重的脑力劳动中解放出来，从事更富有创造性的工作。
国内专家系统在医疗领域的应用和发展相对来说规模较小、水平较低，应用范围也有限，这与我国计算机专业人员与医生缺乏交流等因素有关。通过从事计算机研究的专家和医学专家们的共同努力，特别是跨学科的生物医学工程人员的培养，相信专家系统必将在医疗领域得到更为广泛的重视和应用。
目前在医学影像诊断领域内，在肺部结节、乳腺癌诊断及骨龄测定等领域有部分应用。颅内病变诊断方面，2009年复旦大学医学院进行了基于模糊集的脑胶质瘤分级自动诊断方面的研究。1999年，北京神经外科研究所开发了鞍区及鞍上肿瘤计算机辅助MR影像诊断软件。而较为完整和全面的神经系统方面的专家系统，目前国内外文献均未见报道。
由于专家数量相对于患者数量以及医疗机构的数量仍然是明显偏少的，不少中、小型及偏远地区医院的医生或者经验不够丰富的年轻医生的误诊率偏高。本系统的实现与应用将有助于改善这种情况。
在本项目的数据测试中，未使用专家系统辅助诊断的准确率为37.57%（65/173），与文献[14]报道类似。这与大多数人的认识有很大差异，主要是因为测试中，仅以第一诊断作为判断准确率的依据，与日常工作中以常见病、多发病为主有所不同；另外，也与测试病例均为误诊病例有关。使用辅助诊断的两组的准确率分别为第二组63.01%（109/173）和第三组46.89%（81/173）。两组的准确率均较未使用软件辅助诊断的准确率高，其中第二组与第一组、第三组之间具有显著性意义，差异有统计学意义（P<0.05）。本系统通过逐步提问，引导医生全面、仔细阅片，通过及时反馈可能结果，可以拓展年轻医生的思路，对于提高基层医院和广大低年资医师的中枢神经系统疾病诊断水平有很大帮助。
4.2 关于推理机的设计 传统的医学诊断专家系统一般采用概率统计法，为解决医学活动中的不确定性知识，近来又发展出基于二元Logistic回归法、分类回归树及粗糙集等数据挖掘技术的模糊算法专家系统。影像诊断的特点是要全面分析病灶的各种信息，并密切结合临床信息，综合分析。本系统根据影像诊断的过程和特点，采用概率法与关键特征相结合的推理机制。相对于贝叶斯算法、二元Logistic回归法、分类回归树及粗糙集等数据挖掘技术的模糊算法，本系统有实现相对简单，紧密联系临床等优点。
4.3 自我学习功能 自我学习功能是提高专家系统自我更新、自我完善能力的重要途径。常见的专家系统推理方法，如贝叶斯算法、二元Logistic回归法、分类回归树及粗糙集等数据挖掘技术的模糊算法，需要具有专业知识的人员定期进行数据的重新训练、挖掘，无法实现用户对软件在后期应用中的自我更新、完善。本系统初步具备了自我更新、自我完善的能力，通过知识补充模块，可以添加系统原来无法诊断的疾病，也可以补充原本不完整的知识信息，并且，随着数据库中样本数量的不断扩大，学习程序可以通过每一个随访病例的录入，自动调整各种指标属性值的发病概率，以达到自我学习，自我完善的目的。
4.4 目前存在的不足之处 虽然，使用软件的第一诊断准确率高于常规组，但仅有63.01%。造成第一诊断准确率偏低的原因有以下可能性：所选病例为术前误诊的疑难病例；软件对某些征象的描述、分类不够细化；属性赋值不够精确；软件使用者对一些影像征象的观察不够准确。随着对影像征象的分类、描述更趋合理，系统搜集的确诊病例不断丰富，以及医务人员对影像资料解读的不断提高，软件的诊断准确率必将进一步提高。
计算机辅助诊断是影像诊断学发展的方向之一。将来，随着计算机辅助诊断与图像处理、PACS系统等技术融合，专家系统的临床应用范围将进一步扩大。本系统希望能为这方面的工作做一些有益的尝试。
参考文献
[1]俞思伟.医学专家系统的设计原理与实现方法[J].医学信息，2002，15（6）：346-349.
[2]韦晓虎，郑虹.基于事例推理的医学诊断专家系统[J].玉林师范学院学报，2006，27（3）：179-180.
[3] E. H . Short liffe， S. G. Axline， B. G. Buchanan ， et al. An artificial intelligence program to advise physicians regarding antimicrobial therapy[J].Computers an d Biomedical Research，1973，6（6）：544-560.
[4] Yongqian Qiang，Youmin Guo ，Xue Li，et al.The Diagnostic Rules of Peripheral Lung Cancer Preliminary Study Based on Data Mining Technique[J].Journal of Nanjing Medical University，2007，21（3）：190-195. [5] Engin Avci， Ibrahim Turkoglu. An intelligent diagnosis system based on principle component analysis and ANFIS for the heart valve diseases[J]. Expert Systems with Applications，2009，36（3）：2873-2878.
[6] Prasad K， Winter J， Bhat U M，et al. Image Analysis Approach for Development of a Decision Support System for Detection of Malaria Parasites in Thin Blood Smear Images[J].J Digit Imaging，2012，25（4）：542-549.
[7] Florin Gorunescu ， Smaranda Belciug， Marina Gorunescu ，et al. Intelligent decision-making for liver flbrosis stadialization based on tandem feature selection and evolutionary-driven neural network[J].Expert Systems with Applications，2012，39（5）：12824-12832.
[8] Alexandre Savio，Manuel Gra?a.Deformation based feature selection for Computer Aided Diagnosis of Alzheimer’s Disease. Expert Systems with Applications[J]. April 2013，40（5），1619-1628.
[9] De Boo D. W.，Prokop M.，Uffmann M ，et al. Computer-aided detection （CAD） of lung nodules and small tumours on chest radiographs[J].European Journal of Radiology，2009，72（2）：218-225.
[10] Engin Avci. A new expert system for diagnosis of lung cancer： GDALS- SVM[J].Journal of Medical Systems，2012，36（3）：2005-2009.
[11]邹薇薇，刘士远.计算机辅助诊断系统在肺结节诊断中的应用[J].人民军医，2007，50（5）：302-303.
[12]王亚辉，朱广友，乔可，等.X线骨龄评估方法研究进展与展望[J].法医学杂志，2007，（23）5：365-369.
[13]许春华.多信息源乳腺癌医学诊断专家系统[D].山东：山东大学，2001.
[14]林燕，高培毅，孙楠.鞍内及鞍上肿瘤计算机辅助MR影像诊断[J].中华放射学杂志，1999，33（12）：815-818.
[15]马军，杨杰，耿道颖.基于贝叶斯网络的脑胶质瘤恶性高低度的自动诊断[J].生物医学工程学杂志，2006，23（1）：184-188.
[16]卢又燃，冯晓源，梁宗辉.粗糙集、决策树及回归法根据常规MRI预测胶质瘤分级的对比研究[J].中国卫生统计，2010，27（6）：572-576.
[17] Sina Zarei Mahmoodabadi，1 Javad Alirezaie，2 Paul Babyn，etc. A Novel mCAD for pediatric metabolic brain diseases incorporating DW imaging and MR spectroscopy[J].Expert Systems，2013，30（1）：21-33.
（收稿日期：2014-04-01） （本文编辑：王宇）