1、2018/9/2,史忠植 协同决策支持,1,医学信息学,2018/9/2,史忠植 协同决策支持,2,本课程内容,第一二讲、课程概述及MATLAB快速入门 第三四讲、MATLAB与医学决策支持经典模型示例 第五六讲、人工神经网络及MATLAB应用 第七讲、遗传算法及MATLAB应用 第八讲、决策树及MATLAB应用 第九十一讲 综合练习 教材：医学智能信息处理技术 参考书： 精通MATLAB6.5张志涌 北京航空航天大学出版社基于MATLAB6.x的系统分析与设计神经网络许东 吴铮 西安电子科技大学出版社,（一）引言 （二）智能信息处理技术重要分支 科学决策,第一讲 智能医学信息处理技术概述,2
2、018/9/2,史忠植 协同决策支持,4,（一）引言,一、什么是智能医学信息处理技术？ 二、医学生学习智能医学信息处理技术的目的？ 三、从何处着手学习？ 四、如何深入学习？ 五、如何结合自己的专业开展研究？,2018/9/2,史忠植 协同决策支持,5,一、什么是智能医学信息处理技术？,智能信息处理就是指利用某种关于信息的经验和知识并将上层知识与下层处理相结合的信息处理.它有望解决信息量不足的病态问题、有计算复杂性与实时性要求的问题、用数学模型难以描述的非线性问题等计算智能技术以神经网络、模糊逻辑以及遗传算法等为核心，模仿人类的思维方式及演化规律，已经在以控制为主的许多领域受到越来越多的重视。计
3、算智能技术有着传统控制方法无法比拟的优越性，显示出强盛的生命力。 智能信息处理主要面对的是不确定性系统和不确定性现象信息处理问题。,2018/9/2,史忠植 协同决策支持,6,信息获取,信息传递,信息处理,策略执行,外部世界,策略制定,策略传递,语法信息,知识,智能策略,思维器官（狭义智能）,智能行为,本体论信息,智能科学的基本内涵,语法信息,智能策略,目标,知识生成,数据/全信息,2018/9/2,史忠植 协同决策支持,7,智能系统与其他系统的关系（计算机-计算机网络-自动化系统）,感测系统,通信系统,处理系统,控制系统,外部世界,决策系统,通信系统,认知系统,思考：一个自动输液系统构造！,
4、2018/9/2,史忠植 协同决策支持,8,智能化: 历史进程的新标志,农业社会,工业社会,信息社会,人力工具- 镰刀- 锄头,动力工具- 机车- 机床,智能工具 -知行机 -知行网,思考：我们可以设计一些什么样的智能工具？,2018/9/2,史忠植 协同决策支持,9,二、医学生学习医学智能信息处理技术的目的？,了解用智能信息处理技术解决问题的实验途径（用MATLAB开展实验的方法）便于跟踪智能信息处理技术的发展，并以最快的方式引入医学应用，开展医学研究有利于高端课题的申报。,2018/9/2,史忠植 协同决策支持,10,三、从何处着手学习？,通过MATLAB软件的使用了解信息智能处理的方式知
5、道智能信息处理工具的基本工作过程 了解智能信息处理的实际应用价值,2018/9/2,史忠植 协同决策支持,11,四、如何深入学习？,提出问题 找答案互联网、 一个方向，循序渐进 要善于分解问题 从实践中逐步学习,2018/9/2,史忠植 协同决策支持,12,五、如何结合自己的专业开展研究？,阅读文献 模拟讲课的例题，结合自己的专业进行设计 用所学的知识去实现。,2018/9/2,史忠植 协同决策支持,13,例如：,智能中医诊断信息处理技术研究进展与展望 Progress and prospects of research on information processing techniques
6、 for intelligent diagnosis of traditional Chinese medicine 2006年06期 周昌乐 , 张志枫 智能中医诊断信息处理技术作为中医现代化的重要内容,也越来越引起科技界的高度重视.本文就智能中医诊断信息处理技术的研究进展作了系统的介绍,特别是对有关脉象、舌象信息处理及智能中医诊断系统的研究现状,作了较为详细的分析总结,并在此基础上,对未来智能中医诊断信息处理技术的发展趋势,进行了系统的展望,包括建立中医辨证认知逻辑系统、中医诊断智能系统构成技术、中医诊断知识的数据挖掘技术、中医诊断信息获取与分析技术,提出了有建设性意义的观点.,2018/
7、9/2,史忠植 协同决策支持,14,本课的重点科学决策 决策是为了达到一个预定的目标。 决策是在某种条件下寻求优化目标和优化达到目标的手段。 决策是在若干个有价值的方案中选择一个作为行动方案。 准备实施的决策方案可能出现的几种后果是可以预测或估计的。,（二）智能信息处理技术重要分支科学决策,2018/9/2,史忠植 协同决策支持,15,病历记录 主诉 查体 检验,诊断依据,诊断规则,诊断规则,医学决策支持,2018/9/2,史忠植 协同决策支持,16,基本概念,决策（decision making）就是为达到同一目标在众多可以采取的方案中选择最佳方案。 医学决策支持：临床医生经常为病人的诊断、
8、治疗作出决定。这些临床决定亦即临床决策（clinical decision）。,2018/9/2,史忠植 协同决策支持,17,漏 诊,确 诊,误 诊,存 在 性 疾 病,知 识 性 疾 病,疾病诊断的概率特性,2018/9/2,史忠植 协同决策支持,18,疾病的历史特性与随机过程,边界不确定、 要素不确定、 涨落分叉随机 过程不可逆 过程不可重复 结果发散,可能性边界,自然边界,2018/9/2,史忠植 协同决策支持,19,疾病曲线与断面截取,2018/9/2,史忠植 协同决策支持,20,疾病曲线,病情截面,2018/9/2,史忠植 协同决策支持,21,疾病曲线,病情截面,2018/9/2,史
9、忠植 协同决策支持,22,知识性疾病 逻辑关系模型,2018/9/2,史忠植 协同决策支持,23,HIS 中的决策支持系统,医院信息系统的决策支持 医学决策支持：医疗工作中的计算机辅助决策支持 管理决策支持：计算机辅助管理决策支持,2018/9/2,史忠植 协同决策支持,24,医学决策支持的基本技术,1 、概率统计方法 2、 模糊数学方法 3、 神经网络 4、 决策树 5、 遗传算法 ,2018/9/2,史忠植 协同决策支持,25,几个典型的医学决策支持系统,1、MYCIN 系统 MYCIN主要用于协助医生诊断脑膜炎一类的细菌感染疾病。在MYCIN的知识库里，大约存放着450条判别规则和100
10、0条关于细菌感染方面的医学知识。它一边与用户进行对话，一边进行推理诊断。 它的推理规则称为“产生式规则”，类似于：“IF（打喷嚏）OR（鼻塞）OR（咳嗽），THEN（有感冒症状）”这种医生诊断疾病的经验总结，最后显示出它“考虑”的可能性最高的病因，并以给出用药的建议而结束。,2018/9/2,史忠植 协同决策支持,26,2 INTERNIST-1 和QMR系统,INTERNIST-1系统是由Pittsburg医科大学开发的用于内科疾病诊断咨询系统。 通过疾病症状来推理疾病。收集了600多种疾病的诊断知识，4500多临床表现。 给出诊断疾病的相关参数： 相关频率：在某种疾病中某临床症状发生的频率
11、。 提示力度：某症状对疾病存在的提示强度。 处理用户输入的临床表现，得出一组诊断建议。 移植到微机上，称QRM(Quick Medical Reference),2018/9/2,史忠植 协同决策支持,27,基于知识框架技术，专用开发语言-HELP FRAME LANGUAGE 帮助医护人员分析解释处理临床数据。 呼吸系统疾病 实验检查异常结果判断 传染病监控 用药合理性检查,3、HELP系统(Health Evaluation through Logical Processing),2018/9/2,史忠植 协同决策支持,28,HELP系统的处方控制,2018/9/2,史忠植 协同决策支持,
12、29,贝叶斯定理,经典概率论中的一个基本定理,2018/9/2,史忠植 协同决策支持,30,概率与频率 概率:可用一个小于或等于1的正数P(A)来表示事件A出现的可能性,P(A)就称为事件A的概率。 较大的可能性用较大的数字来标志 较小可能性的就用较小的数字来标志 频率:当概率值不易求出时我们往往取频率作为概率的近似值，频率的概念比较简单可以很方便地求出。,2018/9/2,史忠植 协同决策支持,31,条件概率: 有时除了要知道事件的概率P(A)外，还需要知道在“事件B已出现”的条件下，事件A出现的条件概率P（A|B）。例如，我们需要知道在某疾病B发生条件下，症状A出现的概率时就要计算条件概率
13、P（A|B）。,贝叶斯定理,2018/9/2,史忠植 协同决策支持,32,n P(Di|S)=P(Di )P(S|Di)/ P(Di )P(S|Di)i=1 D1,D2,Dn分别表示n种互斥的疾病,Di为第i个疾病; P(Di)为Di的先验概率(疾病发生的概率)。 S为用于这些疾病鉴别诊断的某一临床表现或检验结果的组合（症候） P(S|Di)为疾病Di的症状S发生的概率； P(Di|S)为症状S提示疾病Di发生的概率（后验概率）,2018/9/2,史忠植 协同决策支持,33,先验概率,表示医生在具体诊断某患者前所掌握的疾病Di的发病情况。 P(S|Di)为在已知疾病Di条件下，各症状S出现的“
14、条件概率”，即某临床症候A的可能性，它可以通过收集足够数量的病例容易地得到。 P(Di|S）称为后验概率，表示在患者症状S出现时,患疾病Di的可能性。,2018/9/2,史忠植 协同决策支持,34,对于两个或更多个症状存在的情况，仍可用贝叶斯(Bayes)公式计算。在各个症状彼此独立前提下，则各个症状同时出现的概率是各自单独出现时其概率的乘积。因此假设各症状互相独立，贝叶斯(Bayes)公式可写为：,2018/9/2,史忠植 协同决策支持,35,模型中i种疾病互斥，先验概率之和要为l(即要构成一个完整的疾病群). 先验概率的确定。参考文献报道和历史资料统计频率作为近似估计。 条件概率的确定。
15、用于鉴别诊断的症候指标是互相独立无关的。 当计算出各后验概率P(Di|S)后，作为临床判断的依据只有当P(Di|S)(il，2，,n)间差距达五倍以上时方可下结论，或是当某一后验概率值达085才下结论。,2018/9/2,史忠植 协同决策支持,36,应用贝叶斯公式的具体步骤,1、收集病例 2、选择征象 3、对各项指标做量化区分 4、编制贝叶斯法征象概率表 5、验证,2018/9/2,史忠植 协同决策支持,37,如对某地区1207位阑尾炎思考的资料统计为表3-1。按慢性阑尾炎、急性阑尾炎、阑尾炎穿孔三类统计症候频率(腹痛开始部位、恶心呕吐、大便、体温、体征及体检结果)。 若已知慢性阑尾炎H1、急
16、性阑尾炎H2、阑尾炎穿孔H3发生的先验概率分别为： P(H1)0.391 P(H2)0.493 P(H3)0.116 现有一阑尾炎患者、开始上腹痛，之后呕吐，腹泻，人院体温37全身腹肌紧张，压痛，WBC(白细胞)数达19350。,2018/9/2,史忠植 协同决策支持,38,2018/9/2,史忠植 协同决策支持,39,显然其症侯为BB13B23B33B42B51B61B73 ,则 其P(Hj|B)(jl，2，3)的大小可通过公式算得。,2018/9/2,史忠植 协同决策支持,40,其中，P(B|Hj)P(B13B23B33B42B51B61B73 |Hj)P(B13|Hj) P(B23|Hj
17、) P(B33|Hj) P(B42|Hj) P(B51|Hj) P(B61|Hj) P(B73|Hj)(j=l，2，3)P(B|H1) 94510-8P(H1)P(B|H1)0351945 10-8 3695 10-8 同理P(H2) P(B|H2) =5.53 10-5P(H3) P(B|H3) =1.136 10-4,2018/9/2,史忠植 协同决策支持,41,得： P(H1|B)=0.02% P(H2|B)=32.2% P(H3|B)=67.76%,所以：诊断为阑尾炎穿孔（H3).,2018/9/2,史忠植 协同决策支持,42,得： P(H1|B)=0.02% P(H2|B)=32.2
18、% P(H3|B)=67.76%,所以：诊断为阑尾炎穿孔（H3).,2018/9/2,史忠植 协同决策支持,43,应用中的困难,1、要求各征象之间彼此独立，即一种征象是否出现不影响其他征象出现的可能性，这有时很难做到； 2、各类疾病的发病率即先验概率往往难以确定。 3、对定量指标如何进行量化还没有统一的标准，不同的区分对辅助诊断的效果有时影响很大。,2018/9/2,史忠植 协同决策支持,44,贝叶斯模型与传统医生诊断的差异 贝叶斯条件概率决策诊断模型及最大似然诊断模型使用时必须预先知道所规定的全部征候表现，然后再进行综合分析、判断。 临床医师的诊断过程常是根据已掌握的病人的临床表现，结合自己
19、的知识与经验进行分析、判断和逐步问诊、检查后再分析及再判断，直至有足够把握作出结论。 贝叶斯逐步问诊模型就是仿效这种过程，进行逐步提问和逐步分析的计量诊断模型。,贝叶斯临床决策系统设计实现,2018/9/2,史忠植 协同决策支持,45,在前述过程中，如果假定各疾病发生的先验概率是等同的，此时贝叶斯公式可简化。 P(Hj|A)的相对大小完全取决于条件概率P(A|Hj)的相对大小，分母部分总是一致的。 这个结果表明，在先验概率相同的假设基础上，计量决策诊断的基本判别依据，可以转化为P(A|Hj)。 这种以条件概率 P(A|Hj)为判别依据的模式为似然诊断模型。临床的实用中常常把似然诊断模型进一步简
20、化为评分法。,似然诊断模型,2018/9/2,史忠植 协同决策支持,46,举例二：中风部位诊断,基础资料：在因中风造成死亡的病例中选择发作后24小时仍处于昏迷状态的47例为对象(62岁-87岁)。 方法：在中风即刻到24小时内患者所表现的症状中选择六项症状进行研究： S1：呕吐 S2：陈施氏呼吸 S3：发作后血压上升到200mmHg以上 S4：单侧麻痹 S5：对光反射减弱或消失 S6：心房颤动,2018/9/2,史忠植 协同决策支持,47,诊断疾病分类： G1：大脑前、中动脉支配区域的出血与下丘脑出血 G2：小脑出血与蛛网膜下腔出血 G3：大脑中动脉支配区域的栓塞,2018/9/2,史忠植 协
21、同决策支持,48,诊断表编制步骤：对47例病人按G1，G2，G3三类分组，计算出各组内每一症状出现的频率。由于标本数不太多，所以症状出现率为0时以0.01表示，出现率为1时以0.99表示。 某患者出现的症状为S1，S3，S4，S5，而S2和S6症状没有出现，根据表2-7可分别计算出该患者分属三类的似然函数。,2018/9/2,史忠植 协同决策支持,49,2018/9/2,史忠植 协同决策支持,50,于是， LG10.83(1-0.08)0.540.830.79(1-0.01)=0.27 LG20.83(1-0.01) 0.170.330.83（1-0.01）=0.04 LG30.29(1-0.
22、18) 0.010.990.24（1-0.35）=0.0005 比较上面三个似然函数的大小，最大函数为LG1，因而可以判断患者所得的病名属于G1类：大脑前、中动脉支配区域出血。,2018/9/2,史忠植 协同决策支持,51,在验证实验结果时除了上述47例外，还利用了原来没有考虑的脑干出血3例，脑干栓塞1例，其结果见表2-8，由表可知：病理诊断为G1类计24例，计量诊断符合20例；病理诊断为G2类计6例，计量诊断符合4例；病理诊断为G3类计17例，计量诊断符合16例。 若将病理诊断G1与G2合并后分为出血类(G1+G2)和栓塞类(G3)二大类，则病理诊断G1+G2类计30例计量诊断符合28例；栓塞17例中符合16例；同时，3例脑于出血全部符合，只有l例脑干栓塞误分在G1类中。,2018/9/2,史忠植 协同决策支持,52,2018/9/2,史忠植 协同决策支持,53,Byes理论的局限：,难估计先验概率与条件概率 条件之间线性无关 早期医学决策使用,2018/9/2,史忠植 协同决策支持,54,2018/9/2,史忠植 协同决策支持,55,2018/9/2,史忠植 协同决策支持,57,
