基于推演格技术的智能+诊断推理研究

黄轲　胡启平　李莉　李泰郎

摘   要：针对现有智能诊断方法的推理局限和不足，提出基于推演格技术的智能+诊断推理机制。推演格是一种格状的结构，格具有一个根节点，多个中间节点和叶子节点组成，根节点表示判据，中间节点是同一类型不同判据的组合。基于推演格技术的推理机制用于复杂问题的分析和求解过程，核心是基于推演格的智能决策过程，和现有正向推理和反向推理方式相比，推演格更适用于复杂性问题的推演和求解过程，其优势主要体现在解决问题时的效率性、推理结论的全面性等方面。具有凭借其对数据自动学习，从中提取隐含的规则或模型，并做出智能决策的强大能力。

关键词：推演格  智能+  诊断  推理

中图分类号：TP391                                 文献标识码：A                       文章编号：1674-098X（2019）06（b）-0159-02

随着经济发展和民众生活水平的提升以及老龄化的来临，人们对健康的需求日益增长，当前医疗行业面临如下挑战，医疗资源的供给能力不足，难以满足民众对高水平生活的追求。医疗改革和应用新技术，是应对这种挑战的两项关键措施，很多国家都在进行医疗改革，同时也大力将新技术应用到医疗领域，人工智能技术正在成为提高医疗资源服务能力和提高疗效，从而应对医疗服务挑战的重要工具。目前，人工智能在医学界、学术界乃至工业界受到广泛的关注，人们健康意识不断提高，对医疗卫生提出了的更高要求，各类疾病的筛查和诊断的需求量不断增加。

1  现有智能诊断方法的推理局限

现采用的智能诊断运作方式是将患者的主诉和医生进行的门诊检查结果为首次分析推理的数据，通过相关系统内的规则和推理，从而给出可能罹患的疾病和相应的医学检查项目，患者根据系统所建议的检查项目进行医学检查，并且将检查结果录入专家系统中，系统根据这些结果和首次分析推理的结果推测和筛选出最可能的罹患的疾病，然后系统给出相应的治疗方案（包括用药，治疗方法，疗程等信息），最后根据治疗结果进行评估，直至患者治愈。根据以上推理逻辑，局限在于以下几方面。

1.1 疾病知识的收集和整理过于零散片面

疾病的各种信息很多，许多疾病仅在症状方面就十分复杂，需要有医学专业知识的专家讲解和指导。对于疾病中各项信息应采取何种形式描述，从而确保系统能够识别不明确。

1.2 通过表象得到可能患有疾病的数据严重不足

对于反向推理目前技术未能实现。现在普遍用的方法是根据提供表象的集合，搜索整个知识库，返回满足这些条件的疾病集，通过临床观察进行进一步的筛选，然后系统给出相应的医学检查项目，根据这些检查的结果再从疾病集中筛选直至得到确定的疾病。主要缺陷：（1）搜索的范围很大，所需要的时间很多，得到的疾病集规模太大，导致系统给出的医学检测项目太多;（2）根据表象搜索结果和医学检测结果共同筛选后，依然无法得到确定的疾病。

1.3 规则集的建立方式和存储及调用效率低下

现有诊断专家系统的规则集都是通过手工逐条建立起来的，对于一个覆盖整个临床医学的专家系统，其中需要包含的規则数量将是巨大的，如何将这些规则一一建立起来，并且选用某种合适的方式存储和使用时搜索到相应规则是一个难点。

2  基于推演格技术的智能+诊断推理

针对现有诊断方法的推理局限和不足，提出基于推演格的智能+诊断推理机制。

2.1 推理核心

在条件A输入到系统之后，系统会从规则库RuleSet中搜索出所有前件中包含A的规则组成规则集，加入有以下规则符合：

Rule1： A∧B∧C∧D→h1

Rule2： A∧C∧D∧E→h2

Rule3： A∧D∧E∧F→h3

Rule4： A∧G∧H→h3

A是首要条件，作为整个推演格的根节点;在Rule1，Rule2，Rule3中，除根节点A外，出现频率最高的为判据D，故D和G作为下一层的中间节点;出现频率次高的判据有C和E，均为两次，故C和E为D的子节点，且C和E处于同一层次，形成推演格的余下部分。

推演格的主要推理顺序是先从上至下，然后从左往右。以图1为例，A为首要的条件，所以作为推演格的根节点。所以包含A条件的规则从规则集中搜索出来，形成本次推演的规则集，并将这个规则集构建成如图1所示的推演格。

D和G是接下来需要匹配的条件，如果条件D匹配，则在D分支下进行匹配，G分支下忽略，对条件C进行匹配，如果C匹配则继续向下先匹配E，如果E不匹配，则匹配B;如果D匹配不成功，则就舍弃D分支，需要对G分支进行搜索匹配，如果G匹配不成功，则说明规则集中无匹配的规则。

推演格的推理结果会有两个：

（1）推演过程找到叶子节点，即找到了唯一性结论，推演结束;

（2）推演过程中发现某层的中间节点都无法匹配，即缺失目前问题的规则内容，需要补充新规则再次推演，推演结束。

基于推演格的推理机制用于复杂问题的分析和求解过程。其优势主要体现在解决问题时的效率性、推理结论的全面性等方面：

（1）采用交互式方法从用户获取事实。

（2）推演格的匹配过程复杂程度低。正向推理和逆向推理在每次匹配时都需要将整个规则库搜索一遍，而推演格在进行推演活动时，需要匹配的规则会逐渐减少，从而尽量减少匹配的复杂程度和资源消耗。

（3）推演格的匹配过程更科学合理，对判据（事实）和规则的考虑更全面。推演格将判据（事实）分为类别和模式两个部分，在进行匹配时首先对类别进行匹配，然后对模式进行匹配，根据类别和模式的匹配结果来确定下一步的行动。

（4）推演格的匹配效率高、消耗资源少。

（5）推演格的分支结构更加灵活。推演格的匹配不是仅考虑匹配成功的路径，对于类型匹配成功，模式匹配不成功的分支也要继续推演，避免高度疑似结论的缺失。

（6）通过使用统计数据结果，提高推演格推演准确度。在推演格的推演过程中，通过引入结果统计数据，增强推演过程的准确度，而且可以对推演的分支节点和结论按照统计数据进行排序，这些是正向推理和逆向推理方法所无法具备的。

2.2 算法说明

推演格是一种格状的结构，格具有一个根节点，多个中间节点和叶子節点组成，根节点表示判据，中间节点是同一类型不同判据的组合，叶子节点表示的是疾病，从根节点到叶子节点具有多条路径，这样可以表示一病多因，也可以表示一因多病，对任意拥有子节点的节点，其子节点时有序的，顺序是从左到右，如果把表示疾病的叶子节点从格中去掉，则由剩余节点构成一棵树，这样的树称为推演树。

同一节点的兄弟节点是有序的，任一中间节点不能出现在该节点为根节点的子节点集和其右边兄弟节点以及这些兄弟节点为根的节点集中，即：

其中ai表示任一中间节点，m为某一节点的所有子节点数，SubnodeSet（ak）以ak为根的推演树的子节点集，i=0，…， m。

2.3 推演格的推理机制

推演格及基于推演格的推理方法，先从规则库中寻找符合其中某一条件的所有规则，然后将这些规则按构造推演格算法生成推演格，再进行条件匹配，可以快速匹配其中的某条规则，或者在现有规则集中无法匹配。推演格是一种新型高效、智能的推理模型，通过收集的判据，结合对规则库中规则的匹配，利用类似的格状结构从根节点开始逐层推演，并最终在叶子节点处获得推演结果。在推演过程中，还会使用一些判据的统计分析结果来辅助推演，在获取确定的推演结果的同时还会推演出其他疑似结论，并将这些疑似结论根据其置信度进行排序。

相比正向推理和反向推理来说，推演格是一种新型高效、智能的推理模型，通过收集的判据，结合对规则库中规则的匹配，利用类似的格状结构从根节点开始逐层推演，并最终在叶子节点处获得推演结果。在推演过程中，还会使用一些判据的统计分析结果来辅助推演，在获取确定的推演结果的同时还会推演出其他疑似结论，并将这些疑似结论根据其置信度进行排序，从而提供全面的推演信息供决策者参考。

3  结语

本文针对传统基于产生式规则的推理机面临的问题，提出了一种基于推演格技术的智能+解决方案，核心是智能决策。将临床诊断过程中所遇到的医学现象进行统一描述，结合知识库的构建，阐述了推演格的定义，并说明了推演格的整体结构与推理算法。对比说明了基于推演格的推理结构与基于产生式规则的推理机结构上的改进与优化。

基于推演格技术的智能+方法存在一定的局限性。例如推理结构在知识库的组织方面，知识库中表述的字段不足以完全表示在实际医疗诊断过程中所需要的信息。

参考文献

[1] 胡启平，胡煜州.一种推演格及基于推演格的推理方法[P].湖北：CN106529676A，2017-03-22.

[2] 顾坚磊，江建平，田园，等.人工智能技术的应用：罕见病临床决策系统的需求、现状与挑战[J].第二军医大学学报，2018，39（8）：819-825.

[3] 张艺帆.基于语义技术的临床决策知识库研究[D].浙江大学，2017.