论文部分内容阅读
摘要：本文简述了智能诊病系统的发展，简单介绍了智能诊病系统，指出了它的一些局限性，并且介紹了Naive Bayesian算法的原理，提出了以该算法为基础的改进方案。
关键词：智能诊病；人工智能；专家系统；知识库；推理机；Naive Bayesian算法
中图分类号：TH165.3 文献识别码：A 文章编号：1001-828X（2017）009-0-01
一、智能诊病系统的发展
人工智能是现今最尖端的技术之一，近三十年来，人工智能发展迅速，在很多领域都得到了广泛的应用。专家系统是人工智能重要的一个分支，它通过一个或多个专家提供的专业领域知识，模拟人类专家解决那些需要专业领域知识才能完成的问题。1965年，美国斯坦福大学研制出了DENRAL系统，该系统具有丰富的化学知识，能帮助化学家推断出分子的结构。DENRAL系统的完成标志着专家系统的诞生。20世纪70年代初， NTERNIST系统在匹兹堡大学问世，这是第一个用于医疗的内科病诊断咨询系统。同一时期，一款能够帮助普通内科医生诊治细菌感染性疾病的专家系统MYCIN也在斯坦福大学出世，这两款专家系统的成功激发了智能诊病系统的开发热潮，国内外都开始往这方面投入大量的人力物力。到21世纪初，智能诊病系统已经相对成熟。
二、智能诊病系统
智能诊病系统以基于规则的方式来构建系统，它主要将系统分为知识库和推理机两部分，知识库中存储着各种医学知识的集合，包含从书本中知识，以及医学专家的知识和经验，而推理机根据用户提供的有效信息，来决定所使用的推理规则，通过从知识库中获取的相关知识进行推理判断，从而得出最终的结论。推理分为精确推理和不精确推理，精确推理根据条件和结论之间的必然性，得出的结果是肯定的，不精确推理：在条件不足的情况下，得到的假设不能被完全证实，这个时候为每个假设赋予一个权值来表明这个假设的可信度，通过这些假设进行下一步推理，可能会得到多个不同的结论，以可信度最高的结论作为最终结论。
三、智能诊病系统的缺点
难以得到足够知识和规则填充知识库，智能诊病系统做为基于规则的专家系统，需要以大量知识和医学专家规则作为基础，才能够准确地诊断病人的病情，这就需要大量的医学专家和知识工程师的参与才能够实现。
缺乏学习能力，跟一般的基于规则的专家系统一样，智能诊病系统不具备从诊病过程中提取经验进行学习的能力，只会依循本来就存在的规则和知识进行推理判断，更新知识库，添加规则些工作仍然需要知识工程师来完成。
Naive Bayesian算法：
Na?ve Bayesian 算法能够较好地对事物进行分类，具有结构简单，计算高效等特点，是分类算法中最经典，最有影响力的算法之一。Na?ve Bayesian算法首先需要通过训练样本计算出先验概率，在此基础上，计算一个待分类的后验概率。下面是Na?ve Bayesian 算法的定义，对于一个待分类的事物x，设：
1.x有{a1，a2，a3，……an}这样一个属性集，每个a都是x的一个特征属性。
2.有{y1，y2，y3，……ym}这样一个类别集合，每个y代表一个类别。
3.分别计算P（y1|x），P（y2|x），P（y3|x），…..，P（ym|x）的概率。
4.如果有P（yi|x） >= P（yj|x）（j属于1～n），则事物x属于类型yk。
在这里，我们称P（yi|x）为后验概率，根据贝叶斯定理，P（yi|x） = P（x|yi）P（yi）/p（x）。
由于对于所有的后验概率，都需要除以P（x），所以在这里我们可以将P（x）忽略，只求出最大的P（x|yi）P（yi）即可。P（x|yi）P（yi） = P（a1|yi）P（a2|yi）P（a3|yi）…P（an|yi）P（yi），其中P（aj|yi）和P（yi）我们都需要通过样本数据进行计算：
1.设有样本集{x1，x2，…xn}，每个样本有一个属性集a其中包含若干属性。
2.有{y1，y2，…ym}这样一个类别集合。
3.P（yi）为样本中类别yi的个数/样本总数。
4.P（aj|yi）为样本中类别yi中含有aj属性的个数/类别中yi的个数。
通过Naive Bayesian算法对智能诊病系统的改进：
由于知识库中知识量和规则的限制，智能诊病系统可能会出现无法准确判断用户病情的状况，通过Na?ve Bayesian算法可以有效地改善这一情况。一个人患病的原因会跟他平时的生活环境，生活习惯还有家族遗传有很大的关系，由此，我们可以将生活环境，生活习惯和家族遗传作为特征属性，建立一个辅助诊断病情的Navie Bayesian分类器。算法的训练样本通过记录每个精确推理确诊的患者的生活环境，生活习惯，家族遗传等属性信息取得，通过不断地增加训练样本，Navie Bayesian分类器的准确性不断提升，从而提升智能诊断系统的不精确推理能力。
参考文献：
[1]Liu H， Motoda H. Feature selection for knowledge discovery and data mining[M].Springer Science
关键词：智能诊病；人工智能；专家系统；知识库；推理机；Naive Bayesian算法
中图分类号：TH165.3 文献识别码：A 文章编号：1001-828X（2017）009-0-01
一、智能诊病系统的发展
人工智能是现今最尖端的技术之一，近三十年来，人工智能发展迅速，在很多领域都得到了广泛的应用。专家系统是人工智能重要的一个分支，它通过一个或多个专家提供的专业领域知识，模拟人类专家解决那些需要专业领域知识才能完成的问题。1965年，美国斯坦福大学研制出了DENRAL系统，该系统具有丰富的化学知识，能帮助化学家推断出分子的结构。DENRAL系统的完成标志着专家系统的诞生。20世纪70年代初， NTERNIST系统在匹兹堡大学问世，这是第一个用于医疗的内科病诊断咨询系统。同一时期，一款能够帮助普通内科医生诊治细菌感染性疾病的专家系统MYCIN也在斯坦福大学出世，这两款专家系统的成功激发了智能诊病系统的开发热潮，国内外都开始往这方面投入大量的人力物力。到21世纪初，智能诊病系统已经相对成熟。
二、智能诊病系统
智能诊病系统以基于规则的方式来构建系统，它主要将系统分为知识库和推理机两部分，知识库中存储着各种医学知识的集合，包含从书本中知识，以及医学专家的知识和经验，而推理机根据用户提供的有效信息，来决定所使用的推理规则，通过从知识库中获取的相关知识进行推理判断，从而得出最终的结论。推理分为精确推理和不精确推理，精确推理根据条件和结论之间的必然性，得出的结果是肯定的，不精确推理：在条件不足的情况下，得到的假设不能被完全证实，这个时候为每个假设赋予一个权值来表明这个假设的可信度，通过这些假设进行下一步推理，可能会得到多个不同的结论，以可信度最高的结论作为最终结论。
三、智能诊病系统的缺点
难以得到足够知识和规则填充知识库，智能诊病系统做为基于规则的专家系统，需要以大量知识和医学专家规则作为基础，才能够准确地诊断病人的病情，这就需要大量的医学专家和知识工程师的参与才能够实现。
缺乏学习能力，跟一般的基于规则的专家系统一样，智能诊病系统不具备从诊病过程中提取经验进行学习的能力，只会依循本来就存在的规则和知识进行推理判断，更新知识库，添加规则些工作仍然需要知识工程师来完成。
Naive Bayesian算法：
Na?ve Bayesian 算法能够较好地对事物进行分类，具有结构简单，计算高效等特点，是分类算法中最经典，最有影响力的算法之一。Na?ve Bayesian算法首先需要通过训练样本计算出先验概率，在此基础上，计算一个待分类的后验概率。下面是Na?ve Bayesian 算法的定义，对于一个待分类的事物x，设：
1.x有{a1，a2，a3，……an}这样一个属性集，每个a都是x的一个特征属性。
2.有{y1，y2，y3，……ym}这样一个类别集合，每个y代表一个类别。
3.分别计算P（y1|x），P（y2|x），P（y3|x），…..，P（ym|x）的概率。
4.如果有P（yi|x） >= P（yj|x）（j属于1～n），则事物x属于类型yk。
在这里，我们称P（yi|x）为后验概率，根据贝叶斯定理，P（yi|x） = P（x|yi）P（yi）/p（x）。
由于对于所有的后验概率，都需要除以P（x），所以在这里我们可以将P（x）忽略，只求出最大的P（x|yi）P（yi）即可。P（x|yi）P（yi） = P（a1|yi）P（a2|yi）P（a3|yi）…P（an|yi）P（yi），其中P（aj|yi）和P（yi）我们都需要通过样本数据进行计算：
1.设有样本集{x1，x2，…xn}，每个样本有一个属性集a其中包含若干属性。
2.有{y1，y2，…ym}这样一个类别集合。
3.P（yi）为样本中类别yi的个数/样本总数。
4.P（aj|yi）为样本中类别yi中含有aj属性的个数/类别中yi的个数。
通过Naive Bayesian算法对智能诊病系统的改进：
由于知识库中知识量和规则的限制，智能诊病系统可能会出现无法准确判断用户病情的状况，通过Na?ve Bayesian算法可以有效地改善这一情况。一个人患病的原因会跟他平时的生活环境，生活习惯还有家族遗传有很大的关系，由此，我们可以将生活环境，生活习惯和家族遗传作为特征属性，建立一个辅助诊断病情的Navie Bayesian分类器。算法的训练样本通过记录每个精确推理确诊的患者的生活环境，生活习惯，家族遗传等属性信息取得，通过不断地增加训练样本，Navie Bayesian分类器的准确性不断提升，从而提升智能诊断系统的不精确推理能力。
参考文献：
[1]Liu H， Motoda H. Feature selection for knowledge discovery and data mining[M].Springer Science