朴素贝叶斯算法在支气管炎诊断中的应用∗

钟春梅

（福州大学数学与计算机科学学院 福州 350108）

1 引言

支气管炎是十大就医疾病之一，是临床上比较常见的疾病［1］。支气管炎对患者所带来的危害非常巨大，严重时会导致癌症的出现，并且还会诱发一些呼吸系统疾病，甚至有可能发展为肺心病。目前，对于支气管炎的诊断一般都是基于临床的一些表现症状，并没有标准的诊断指标以及一些特异的实验室检查项目以供诊断。但是，随着科学技术的快速发展，越来越多学者开始结合数学和计算机的方法来对支气管炎病症进行研究，不断地提高诊断的精度和速度［2］。程留惠［3］等利用回顾性分析的方法探讨双源CT结合气道重建技术来对支气管炎进行诊断，得到支气管炎的诊断模型；董志明［4］等通过回顾性分析10 例经临床或病理证实的DPB 的CT 影像学资料，并利用HRCT 对支气管炎进行诊断得到支气管炎的诊断模型，等等。

朴素贝叶斯算法是基于贝叶斯定理与特征条件独立假设的分类方法［5～15］。对于给定的训练数据集，首先基于特征条件假设学习输入、输出的联合概率分布；然后基于此模型，对于给定的输入，利用贝叶斯定理求出后验概率最大的输出。因此，为了有效提高支气管炎疾病在诊断中的精度和速度，本文通过对某支气管炎交流群的支气管炎患者进行问卷调查得到98 位支气管炎患者的数据，随机选取30 名患者的数据，结合其支气管炎类型进行离散化处理，学习到支气管炎类型与病症症状的模型。最后，基于此模型，利用朴素贝叶斯算法求出该模型的最大后验概率分布，从而确定患者所属的支气管炎类型。

2 朴素贝叶斯算法

下面给出朴素贝叶斯算法的流程：

输出：实例x的分类。

1）计算先验概率：

2）计算条件概率：

3）对于给定的实例x=(x(1),x(2),…,x(n))T，计算后验概率：

4）确定实例x的类：

3 支气管炎诊断模型的构建

本节将随机选取30 名患者的数据来构建支气管炎的诊断模型，下面分别以发病的性质（x（1））、是否具有支气管炎和慢性咳嗽咳痰的病史（x（2））、胸闷或胸痛（x（3））、咳嗽及咳痰持续时长（x（4））、身体发热（x（5））、每年发病持续时长（x（6））、患病的病程（x（7））、喘息程度（x（8））、打喷嚏程度（x（9））作为特征；急性支气管炎（c1）、慢性支气管炎（c2）、毛细支气管炎（c3），Y ∈C={c1,c2,c3}作为支气管炎病症类型的类标记，建立支气管炎诊断模型，如表1所示。

表1 支气管炎诊断模型

根据问卷调查结果，对表1 的支气管炎诊断模型的数据进行离散化处理，获得如表2 的离散化支气管炎诊断模型。

表2 离散化的支气管炎诊断模型

4 模型的求解

下面根据朴素贝叶斯算法对表2 调用Matlab程序计算出模型的先验概率及条件概率，如表3 所示。

若给定X=｛X（1）=1，X（2）=1，X（3）=3，X（4）=2，X（5）=3，X（6）=1，X（7）=1，X（8）=1，X（9）=1，｝时，则其相应的后验概率分别如下：

表3 模型的先验概率及条件概率

即表明：若患者的表现出的特征为：x（1）为急、x（2）为不清楚、x（3）为经常、x（4）为2～3 周、x（5）为经常、x（6）为小于1 个月、x（7）为小于1 年、x（8）为基本不、x（9）为基本不时，可推断出患者所患的支气管炎类型为急性支气管炎。

5 结语

朴素贝叶斯算法是一种简单且高效的分类方法，它广泛应用于数据挖掘、模式识别等领域。通过构建支气管炎诊断模型，利用朴素贝叶斯算法求解模型的最大后验概率分布，确定患者所属的支气管炎病症类型。由于医患之间存在着不可避免的主观因素影响了信息的采集，因此难免会存在一定的缺陷，但该方法仍为支气管炎疾病的诊断研究开拓了新思路，医生们根据本文的研究成果，不仅可以降低在诊断中出现误诊和漏诊的几率，而且还能够提升诊断的速度和精度。此外，本文的研究方法对其他疾病的诊断研究具有一定的参考价值。