基于认知图和C型神经网络的协同式医疗诊断系统.pdfVIP

杨亚萍等：基于认知图和C型神经网络的协同式医疗诊断系统 基于认知图和C型神经网络的协同式医疗诊断系统 扬亚萍1 杜树新2 胡傻杰。 51 (浙江万里学院电子信息学院宁波3100)1 (浙江大学工业控制技术国謇重点实验室抗州310027) 摘要： 针对医疗诊断系统的复杂性，提出了基于模糊认知图与c型神经网络的协同诊断系统模型．建立了 POOL节点框架，它可以合成各个医学专家(Agent)的具有正反两方面意见的认知图，并通过神经网络自组织算 法得出新的认知图，获得最佳诊断方案．由于系统集成了多专家多方面的知识，减少了由于信息缺乏而带来的 诊断偏差、 关键词：模糊认知图：C型神经元；POOL节点：医疗诊断 ～、引言 由于人类所患疾病的多样性、多变性、不确定性，医疗诊断过程的复杂性和特殊性及人 们认知的局限性，对于疑难病情的诊断，仅靠一个专家医生是不够的，需要多个专家的协调 与台作。传统的医疗诊断专家系统把知识表示和规则推理作为核心．把人的认知过程简单化、 机械化，忽视了专家知识获取的重要性，不能帮助医生为复杂病情进行分析诊断。本文建立 了一个基于认知图和C型神经网络的协同医疗诊断系统，它采用了基于认知图结构的分布式 MaD．FCM)、 合作智能体的协调方法…，把模糊认知图(FuzzyCognitive 本地agent的知识表示和推理技术认知更加完整、透明、清晰，使得医疗诊断系统的推理机 制更加有效，从而完成复杂病情的诊断工作。 二、FCM的表示方法“ 在医生的实际诊断过程中，通常会同时考虑“支持”、“反对”或“不确定”因素对渗断的 影响，虽然经典的二值逻辑为计算机技术奠定了基础，模糊逻辑对不确定性推理提供了一种 方法，但他们不能结合正面、负面或不确定三方的影响直接对环境建立模型…。基于NPN 逻辑理论的模糊认知图可以实现此目的。在医疗诊断过程中，各地专家(Agem)对某一病情 值数对，若伞为正向权值，则以0表示无负向权值，若全为负 劁1模糊认知图表示 向权值，则以0表示无正向权值。认知单元之间的权值数对表示为w。=fⅡ，自]，a，b为征 1]之间的实数 II～98 扬亚萍等：基于认知固和c型神经网络的协周式医疗诊断系统 三、C型神经元和C型神经网络 在FcM图中，NPN逻辑为FCM的推理提供了逻辑模型，认知单元i与j之间最大负向 和最大正向关联权值数对采用文献【2】中所述的算法进行计算，但串行计算不能反映人类专家 并行的思维过程。C型神经网络作为并行分布模型与文献[2】中的关联权值综合算法相结合来 实现认知图的编码与解码。尤其考虑到大量的专家知识、决策知识、诊断实体分散在各种环 境中，采用神经网络自组织算法有助于从复杂不确定或主观的知识中提取到有用的信息用于 诊断。C型神经元是双向联接的，它由两个神经元组成的神经元类，它们能够以合作的方法 同时存贮、处理、传播正面和负面的信息。图2表示了具有3个C型神经元的自动联想神经 网络。C型神经元模型比传统的单个型(Single-type)神经元有更高的认知完整性，透明性。 例如在C型模型中，一个行为的正面或负面效应(正或负的因果关系)能够清楚地编码，并 且通过双向联接神经网络同时传播：在S型模型中，则正面与负面的因素将在简单的求和中 消失。在实际场合，这两个因素往往不可以中和 的，而且有时两者对决策分析起着关键的作用，这样简单的求 和显然会误导。假如在协同式医疗诊断系统中，有两个专家A、 B对某一诊断因果关系的评价强度分别为+1、．1，则在相同 置信度下，加权和等于0，这将会导致争论，因为在诊断方 案分析中。正和负的因素均是很关键的，在许多情况下。这 田2具有3个神经元的自动联想抻经 两个值必须清楚地保留下来以备将来参考。采用了C型神经 网络，可以方便地实现由NPN逻辑表示的专家A、B的断言。 在FCM中，加强或削弱一个认知单元可以通过对C型神经元施加一个激励(增强或