醫(yī)學(xué)專家系統(tǒng)設(shè)計

醫(yī)學(xué)專家系統(tǒng)設(shè)計1醫(yī)學(xué)專家系統(tǒng)的發(fā)展歷程早在1954年,美國的錢家其已將計算機(jī)應(yīng)用于放射治療，計算劑量分布和制定治療計劃；1959年,美國的Ledley等首次將數(shù)學(xué)模型引入臨床醫(yī)學(xué)，提出了可將布爾代數(shù)和Bayes定理作為計算機(jī)診斷的數(shù)學(xué)模型，并以此診斷了一組肺癌病例，開創(chuàng)了計算機(jī)輔助診斷的先例;1966年,Ledley首次提出“計算機(jī)輔助診斷”(computeraideddiagnosis,CAD),形成了計量醫(yī)學(xué)；1976年，美國斯坦福大學(xué)的Short-liffe等研制成功了著名的用于鑒別細(xì)菌感染及治療的醫(yī)學(xué)專家系統(tǒng)MYCIN,建立了一整套專家系統(tǒng)的開發(fā)理論;1982年，美國匹茲堡大學(xué)的Miller等發(fā)表了著名的Internist-I內(nèi)科計算機(jī)輔助診斷系統(tǒng)，其知識庫中包含了572種疾病，約4500種癥狀;1991年美國哈佛醫(yī)學(xué)院Barnett等開發(fā)的“解釋”軟件，包含有2200種疾病和5000種癥狀。2醫(yī)學(xué)專家系統(tǒng)的組成專家系統(tǒng)是基于知識的系統(tǒng)(Knowledge-BesedSystem)。一個完整的醫(yī)學(xué)專家系統(tǒng)應(yīng)由知識庫(Knowledge-Base)、數(shù)據(jù)庫(DataBase)、推理機(jī)(InferenceEngine)、知識獲取模塊(Knowledge-AcpuisitionModule)和解釋接口(Explana-toryInterface)組成。知識庫中存放系統(tǒng)求解問題所需求的知識，數(shù)據(jù)庫用來存儲初始證據(jù)和推理過程中得到的各種中間信息，推理機(jī)是一組程序，用來控制和協(xié)調(diào)整個系統(tǒng),它通過輸入的數(shù)據(jù)，利用知識庫的原有知識按一定的推理策略解決所提出的問題。知識獲取模塊就是學(xué)習(xí)模塊，它為修改和擴(kuò)充知識庫存的原有知識提供相對應(yīng)的手段。解釋接口是用戶與專家系統(tǒng)交互的環(huán)節(jié),負(fù)責(zé)對推理給出必要的解釋，便于用戶了解推理過程，為用戶向系統(tǒng)學(xué)習(xí)和所作所為系統(tǒng)提供方便，具有解釋功能是專家系統(tǒng)區(qū)別于其它計算機(jī)程序的標(biāo)志。目前，已有一些知識表示型的醫(yī)療診斷專家系統(tǒng)。3醫(yī)學(xué)專家系統(tǒng)的設(shè)計建立醫(yī)學(xué)專家系統(tǒng)要求將專家的知識轉(zhuǎn)換為機(jī)器處理。在系統(tǒng)分析工作中，要求完全嶄新的基于知識的設(shè)計方法，使得計算機(jī)從數(shù)據(jù)處理過渡到知識處理，從計算和存儲數(shù)據(jù)轉(zhuǎn)為推理和提供知識。原型系統(tǒng)方法是醫(yī)學(xué)專家系統(tǒng)實現(xiàn)的重要開發(fā)方法，其早期階段的目標(biāo)是迅速發(fā)展最終系統(tǒng)的模型，獲得所有任務(wù)的初步方案，后繼階段進(jìn)行測試和擴(kuò)充，增加更多細(xì)節(jié),如此逐步發(fā)展和求精，直到逼近最終系統(tǒng)，滿足用戶要求。原型系統(tǒng)方法的優(yōu)點是：增進(jìn)用戶與開發(fā)人員的溝通;用戶在系統(tǒng)開發(fā)過程中起主導(dǎo)作用;辨認(rèn)動態(tài)的用戶需求;啟迪衍生式的用戶需求;縮短開發(fā)周期,降低開發(fā)風(fēng)險。因為專家系統(tǒng)分析層面難度大，技術(shù)層面難度相對較小，因此，原型系統(tǒng)方法是最為適宜的開發(fā)方法。原型設(shè)計階段的目標(biāo)是解決領(lǐng)域知識的形式化問題，定義事實、關(guān)系和專家的推理策略,建立原型模型。原型系統(tǒng)的設(shè)計分為以下三個階段。3.1識別和定義系統(tǒng)的概念模型本階段的主要任務(wù)是知識獲取,識別系統(tǒng)的主要任務(wù)，識別和獲取相關(guān)的重要概念及其關(guān)系，定義概念模型。這些概念和關(guān)系對確定知識庫的結(jié)構(gòu)是很有用的。任務(wù)領(lǐng)域中的概念必須按照問題求解行為的具體例子抽象。專家的思考模式必須包含所有基本元素,并且能被修改和擴(kuò)充。本階段除了采訪專家獲取知識之外,大量信息可以從已存的書籍、資料等重要文獻(xiàn)中獲取。3.2概念設(shè)計在建立概念模型之后，就可開始概念設(shè)計，選擇合適的知識工程工具（如知識表示），正式地表示問題和解法。主要工作包括設(shè)計適合于專家智能活動的可執(zhí)行的知識表示模式、推理機(jī)制和用戶接口。知識工程師應(yīng)盡快設(shè)計和建立一個原型系統(tǒng),以便提供開始的側(cè)重點。3.2.1知識表示模式設(shè)計所謂知識表示模式設(shè)計就是根據(jù)醫(yī)學(xué)領(lǐng)域中知識類型及特征，選擇合適的知識表示方法,描述知識模型。一般來說，系統(tǒng)控制知識和專家的決策知識表示為產(chǎn)生式規(guī)則;如果對象各要素間的關(guān)系可通過邏輯運(yùn)算去體現(xiàn)，可采用謂詞邏輯表示法;對于較復(fù)雜的結(jié)構(gòu)結(jié)象可使用框架或語義網(wǎng)方法，如專業(yè)概念知識。為了有效地表示各種知識，系統(tǒng)可以綜合使用多種知識表示方法。設(shè)計的結(jié)果是應(yīng)用知識表示工具描述的知識模型。3.2.2推理機(jī)設(shè)計常用的推理方法有正向推理、逆向推理和雙向推理三種,這三種推理方法又可分為精確推理和不精確推理。推理機(jī)設(shè)計包括根據(jù)應(yīng)用領(lǐng)域選擇推理方法，設(shè)計自動推理算法結(jié)構(gòu)，以及其它控制結(jié)構(gòu)和各部分之間的通訊機(jī)制。它涉及知識的選擇和應(yīng)用問題。例如，專家系統(tǒng)最成功的實例之一，是1976年美國斯坦福大學(xué)肖特列夫（Shortliff）開發(fā)的醫(yī)學(xué)專家系統(tǒng)MYCIN,這個系統(tǒng)后來被知識工程師視為“專家系統(tǒng)的設(shè)計規(guī)范”。MYCIN主要用于協(xié)助醫(yī)生診斷腦膜炎一類的細(xì)菌感染疾病。在MYCIN知識庫里，大約存放著450條判別規(guī)則和1000條關(guān)于細(xì)菌感染方面的醫(yī)學(xué)知識。它一邊與用戶進(jìn)行對話,一邊進(jìn)行推理診斷。它的推理規(guī)則稱為“產(chǎn)生式規(guī)則”，類似于："IF（打噴嚏）OR（鼻塞）OR（咳嗽），THEN（有感冒癥狀）”這種醫(yī)生診斷疾病的經(jīng)驗總結(jié),最后顯示出它“考慮”的可能性最高的病因，并以給出用藥的建議而結(jié)束。概念設(shè)計中提供豐富的概念。各種概念隱含了程序設(shè)計方法及知識的表示形式。概念方法可以輔助知識工程師認(rèn)清對象之間的關(guān)系，以使概念化專家決策處理中所使用的各種對象及屬性。在概念設(shè)計中，要避免使用傳統(tǒng)系統(tǒng)經(jīng)驗，例如基于個別實例或部分關(guān)系,企圖畫出一個決策處理的與/或樹,這將導(dǎo)致失敗。概念設(shè)計方法將知識工程師從“過分分析的陷阱”中解放出來,以便有效地設(shè)計原型系統(tǒng)。3.3詳細(xì)設(shè)計概念設(shè)計建立了系統(tǒng)的主架,詳細(xì)設(shè)計階段的目標(biāo)是發(fā)展詳細(xì)的信息處理模型，識別和獲取與模型相關(guān)的微知識，例如概念、對象/實體的詳細(xì)描述。主要的工作包括：識別邏輯命題、書寫一些描述和過程的代偽代碼，副出語義網(wǎng)絡(luò)圖;將與/或樹轉(zhuǎn)換為自然語言規(guī)則；畫出直接表示圖或模型;識別和命名表示的框架及槽;識別和命名數(shù)據(jù)庫的款目等。詳細(xì)設(shè)計應(yīng)規(guī)定語法和語言的特殊限制，但不應(yīng)開始實際編碼,也就是說詳細(xì)設(shè)計應(yīng)獨(dú)立于任何程序設(shè)計語言。自然語言規(guī)則提供詳細(xì)的編碼描述規(guī)格。應(yīng)用自然語言表達(dá)規(guī)則,使所有設(shè)計者能容易地明白知識表示結(jié)構(gòu)，便于參加編碼和檢測。4醫(yī)學(xué)專家系統(tǒng)的實現(xiàn)方法實現(xiàn)原型系統(tǒng)階段的主要任務(wù)是選擇合適的開發(fā)工具，完成原型系統(tǒng)的程序設(shè)計，即編碼、測試和修改。4.1系統(tǒng)開發(fā)工具的選擇為選擇合適工具,需要考慮如下問題。4.1.1開發(fā)工具的通用性工具系統(tǒng)通用性越強(qiáng)，則在用其構(gòu)造一個具體的專家系統(tǒng)時，知識工程師的編程任務(wù)越復(fù)雜，對知識工程師研制系統(tǒng)的能力及編程水平要求越高。例如ISP、OPS5,PROLOG等工具都是通用性較強(qiáng)的工具系統(tǒng)。使用通用性工具設(shè)計的系統(tǒng)，其使用范圍較廣，便于移植和推廣。另一方面,工具系統(tǒng)的通用性越強(qiáng)，一般說來其領(lǐng)域針對性也越差。對于某些專業(yè)領(lǐng)域，某一個通用性工具所生成的專家系統(tǒng)的效率往往很低。因此，在選擇開發(fā)工具時，必須在通用性與方便性，通用性與具體專業(yè)領(lǐng)域的針對性之間進(jìn)行反復(fù)的權(quán)衡。4.1.2開發(fā)工具的特性與專業(yè)領(lǐng)域特性的匹配程序4.1.2.1與專業(yè)領(lǐng)域的問題特性的比較著重比較搜索空間的大小、數(shù)據(jù)的形式、問題的結(jié)構(gòu)等。4.1.2.2與求解問題的方法特性的比較例如搜索類型，知識表示法、不確定性的處理方法、控制結(jié)構(gòu)形式等的比較。4.1.2.3專家系統(tǒng)學(xué)習(xí)能力的強(qiáng)弱、知識庫維護(hù)能力、知識獲取能力、人機(jī)接口的友善水準(zhǔn)、系統(tǒng)的擴(kuò)展性與協(xié)作適應(yīng)性等。目前大多數(shù)專家系統(tǒng)選用人工智能語言,如PROLOG,LISP。PROLOG的數(shù)據(jù)庫能力較強(qiáng)。它們提供很多適于人工智能處理的功能。選用該類語言,系統(tǒng)設(shè)計的主要任務(wù)是設(shè)計知識庫和人機(jī)接口。缺點是使用存儲空間多、速度慢，因此，可部分使用C語言作為輔助工具。面向較窄專業(yè)領(lǐng)域的專家系統(tǒng)，多選用專家系統(tǒng)工具，可以迅速產(chǎn)生原型系統(tǒng)，因為醫(yī)學(xué)專家系統(tǒng)的專業(yè)領(lǐng)域一般較窄，故大多采用專家系統(tǒng)工具。專家系統(tǒng)工具已與強(qiáng)有力的數(shù)據(jù)庫系統(tǒng)相連接，可用性越來越強(qiáng)，它們成為建造專家系統(tǒng)的合適工具。若系統(tǒng)設(shè)計對于存儲空間和速度要求較高，并且知識工程師人力較充足時，也可選用一般的程序設(shè)計語言，尤其是面向?qū)ο蟮某绦蛟O(shè)計語言，中VC、VB、JAVA等。在選擇開發(fā)工具過程中，知識工程師起主要作用，并應(yīng)與領(lǐng)域?qū)＜颐芮袇f(xié)商，全面考慮硬件、軟件、領(lǐng)域問題和上述原則，選出恰當(dāng)?shù)墓ぞ呦到y(tǒng)。4.2編碼編碼是應(yīng)用選擇的工具語言記錄事件和知識。它將詳細(xì)設(shè)計階段產(chǎn)生的知識結(jié)構(gòu)、推理規(guī)則、控制策略及其它部件的形式描述轉(zhuǎn)換為工具語言形式。主要的工作是轉(zhuǎn)換自然語言推理規(guī)則，構(gòu)造知識庫；轉(zhuǎn)換推理算法為推理程序。盡管此項工作與非智能語言的編碼沒有區(qū)別,而這里一般使用的語言是LISP,PROLOG或?qū)＜蚁到y(tǒng)工具語言。在編碼中，知識工程師常發(fā)現(xiàn)詳細(xì)設(shè)計中的問題，因此，詳細(xì)設(shè)計和編碼常是緊密相關(guān)的循環(huán)處理。編碼中發(fā)現(xiàn)的問題也可能引起大范圍的反復(fù)處理，例如，可能需要完全重新設(shè)計知識表示。4.3測試與修改測試階段的主要任務(wù)是評價原型系統(tǒng)及其實現(xiàn)形式是否符合設(shè)計者、專家及用戶的要求，應(yīng)用各種各樣的實例，檢測知識庫和推理結(jié)構(gòu)中的弱點，修改原型。4.3.1檢測推理檢測推理就是檢查無效的推理。主要工作是檢測機(jī)制細(xì)節(jié),如接口和內(nèi)部流程。知識工程師構(gòu)造人工模擬實例檢測系統(tǒng)的詳細(xì)部分，當(dāng)系統(tǒng)違背設(shè)計得意愿，則發(fā)現(xiàn)錯誤。糾正無效推理中的錯誤，需要重新編碼。產(chǎn)生無效推理的原因是程序員錯誤地轉(zhuǎn)換知識。4.3.2檢測知識在知識系統(tǒng)中，準(zhǔn)確的編碼并不意味著知識準(zhǔn)確。這種處理努力探測無效的和模糊不清的知識。除了人工實例，專家和知識工程師還可用真實實例檢測，讓系統(tǒng)作合適的決策,并可保留這些檢測實例以備后用。無效知識的發(fā)生,是因為專家沒有準(zhǔn)確地描述事實或沒有完全理解事實。當(dāng)系統(tǒng)違背專家的意愿時，可發(fā)現(xiàn)這類錯誤。模糊知識的發(fā)生是因為專家不能識別所有的蘊(yùn)含關(guān)系，如組合條件太多。當(dāng)系統(tǒng)選擇不同的解法（而專家要求相同解法）時，可發(fā)現(xiàn)這類錯誤。例如重復(fù)執(zhí)行概念識別，以便發(fā)現(xiàn)錯誤的知識;重復(fù)執(zhí)行概念設(shè)計來重新評估知識表示的選擇，這兩種處理又引起重復(fù)執(zhí)行詳細(xì)設(shè)計。當(dāng)知識是完整一致的，僅要求重復(fù)執(zhí)行詳細(xì)設(shè)計和編碼。若在檢測推理機(jī)制中,專家發(fā)現(xiàn)了檢測子問題的新條件,則重復(fù)執(zhí)行問題定義、概念識別、概念與詳細(xì)設(shè)計及編碼。因而專家可用發(fā)現(xiàn)的新條件精煉已存知識表示。當(dāng)專家對早期的知識檢測不滿意，將知識加入知識庫時,發(fā)現(xiàn)一些錯誤，則他重新執(zhí)行是識別和定義概念，處理和發(fā)現(xiàn)新概念。為此，概念設(shè)計、詳細(xì)設(shè)計、編碼和檢測推理均需要新執(zhí)行，調(diào)整由定義新概念所引起的變化。4.4證實原型系統(tǒng)當(dāng)專家和知識工程師相信推理和知識是準(zhǔn)確的，則執(zhí)行本處理。這種處理用執(zhí)行大量的真實例檢測隱含錯誤。知識工程師可將原型放入檢查區(qū)域,工作一段時間，這種檢測可能發(fā)現(xiàn)較少的小錯誤。證實也可發(fā)現(xiàn)專家和知識工程師的偏見。專家和系統(tǒng)的交互中可能存有盲目的缺點。因此，應(yīng)邀請其他多位專家指導(dǎo)證實處理。他們的新觀點可能會發(fā)現(xiàn)新問題。最后的證實工作是并行執(zhí)行系統(tǒng)檢測和人工檢測（人工檢查活動不與系統(tǒng)交互）。然后按要求逐個比較結(jié)果，并做客觀地記錄。這些檢測將提供大量的寶貴意見。4.5系統(tǒng)的發(fā)展與維護(hù)檢測工作完成后，原型可被進(jìn)一步修改和擴(kuò)充，發(fā)展成為實用系統(tǒng)。維護(hù)的目標(biāo)是評價和擴(kuò)展系統(tǒng)，改進(jìn)系統(tǒng)執(zhí)行。因為在發(fā)展中迅速設(shè)計原型，可以避免和減少維護(hù)工作。如果系統(tǒng)中使用的規(guī)則和過程以常規(guī)變化為條件，則需要專家和管理者周期地檢查系統(tǒng)的執(zhí)行。一個知識系統(tǒng)模式化人類在特定領(lǐng)域中的專知，而專家和知識都不是靜止不變的，因此系統(tǒng)中的知識庫和推理模式必須繼續(xù)檢測和發(fā)展。這包括收集關(guān)于系統(tǒng)執(zhí)行的知識、缺陷及定義的變化。主要方法是利用機(jī)器學(xué)習(xí)技術(shù)維護(hù)、擴(kuò)展知識庫,以改進(jìn)系統(tǒng)執(zhí)行。這種設(shè)計方法適用于所有的知識系統(tǒng)，對于復(fù)雜的綜合型系統(tǒng)，還要考慮與其它分系統(tǒng)的通訊與協(xié)作。5總結(jié)與展望縱觀國內(nèi)外醫(yī)學(xué)專家系統(tǒng)的發(fā)展，可從以下3個方面進(jìn)行總結(jié)。5.1人工智能、專家系統(tǒng)理論70年代，多用概率統(tǒng)計法，即所謂的數(shù)字計算法，從疾病一臨床資料（癥狀、體征理化檢查）的發(fā)生頻率與疾病概率之間的明確統(tǒng)計學(xué)分析，得出最相似的診斷。此方法現(xiàn)已趨于淘汰。80年代后，則多用人工智能的方法,即以疾病的數(shù)值表敘與專家的推理相結(jié)合導(dǎo)致的一種決策方法。兩種方法都要通過一定的數(shù)學(xué)模型來實現(xiàn)，常見的數(shù)學(xué)模型有Bayes公式，模糊數(shù)學(xué)及加權(quán)求和一閾值浮動（至80年代中期，國內(nèi)2/3的系統(tǒng)采用了這3種數(shù)學(xué)模型，但這3種數(shù)學(xué)模型的應(yīng)用,有一定局限性）。還有的研究是關(guān)于診斷系統(tǒng)的通用開發(fā)平臺等方法學(xué)方面的,使醫(yī)學(xué)診斷專家系統(tǒng)在解釋方法學(xué)、評價標(biāo)準(zhǔn)、知識庫建立以及因果定量推理等方面成為研究熱點。關(guān)于醫(yī)學(xué)診斷中推理的復(fù)雜性，有人提出，病人可能有相互關(guān)聯(lián)的多種疾病，而表現(xiàn)出的癥狀并不確定與某一類疾病相關(guān)，一個癥狀是否會出現(xiàn)也不確定,因而復(fù)雜水準(zhǔn)不同的推理，可以精密水準(zhǔn)不同的模型中進(jìn)行。此外，因為人類疾病的適時性，有必要在沒有明確的診斷結(jié)論時給出相關(guān)診療建議。同時，用來監(jiān)測、存儲和顯示大量數(shù)據(jù)的系統(tǒng)數(shù)據(jù)庫應(yīng)與推理有機(jī)的結(jié)合起來。啟發(fā)式分類也是人工智能方法中的一種，即從一組輸入數(shù)據(jù)中提取特征，并進(jìn)行分類，根據(jù)分類特征在一組已知的診斷類型中選擇。模糊邏輯原理尤其適合于醫(yī)學(xué)應(yīng)用，因為醫(yī)學(xué)決策所需的很多信息都是不確定的。適于人工智能、專家系統(tǒng)應(yīng)用的計算機(jī)語言，在早期有LISP和PROLOG，但到現(xiàn)在，尚無更新的、合適的語言出現(xiàn)。5.2人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)專家系統(tǒng)中的應(yīng)用人工神經(jīng)網(wǎng)絡(luò)是最近幾年發(fā)展起來的一項新技術(shù)，是模仿生物神經(jīng)系統(tǒng)中神經(jīng)元的一種數(shù)學(xué)處理方法。因為它的并行處理方式、自學(xué)習(xí)能力、記憶能力、預(yù)測事件發(fā)展能力，因而可以起到專家系統(tǒng)的作用。特別在分類、診斷以及基于分類的智能控制和優(yōu)化求解方面，神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)比傳統(tǒng)的專家系