贝叶斯网络应用实例一：胸部疾病诊所(ChestClinic).pdfVIP

贝叶斯网络应用实例一：胸部疾病诊所（ Chest Clinic ） 假想你是 Los Angeles 一名新毕业的医生，专攻肺部疾病。你决定建立一个胸部 疾病诊所， 主治肺病及相关疾病。 大学课本已经中告诉你了肺癌、 肺结核和支气 管炎的发生比率以及这些疾病典型的临床症状、 病因等，于是你就可以根据课本 里的理论知识建立自己的 Bayes 网。如根据如下数据信息： 美国有 30%的人吸烟 . 每 10 万人中就就有 70 人患有肺癌 . 每 10 万人中就就有 10 人患有肺结核 . 每 10 万人中就就有 800 人患有支气管炎 . 10%人存在呼吸困难症状 , 大部分人是哮喘、支气管炎和其他非肺结核、 非肺癌性疾病引起 . 根据上面的数据可以建立如下 BN模型： 这样的一个 BN模型对你意义不大，因为它没有用到来你诊所病人的案例数据， 不能反映真实病人的情况。 当诊所诊治了数千病人后， 会发现课本中所描述的北 美的情况与实际诊所数据显示的情况是完全不同的，实际诊所数据显示： 50% 的病人吸烟 . 1% 患有肺结核 . 5.5% 得了肺癌 . 45% 患有不同程度支气管炎 . 将这些新数据输入到 BN模型中，才真正的获得了对你有意义的实用 BN模型： 现在，看看如何在日常诊断中用该 BN模型。 首先，应该注意到，上述模型反映了一个来诊所求医的新患者，为诊断之前 我们没有这个患者的任何信息。而当我们向患者咨询信息时， BN网中的概率就 会自动调整， 这就是贝叶斯推理最完美、 强大之处。 贝叶斯网络最强大之处在于 从每个阶段结果所获得的概率都是数学与科学的反映， 换句话说， 假设我们了解 了患者的足够信息，根据这些信息获得统计知识， 网络就会告诉我们合理的推断。 现在看看如何增加个别病人信息调节概率。一个女病人进入诊所，我们开始 和她谈论。 她告诉我们她呼吸困难。 我们将这个信息输入到网络。 我们相信病人 的信息，认为其存在 100%呼吸困难。 可以观察到， 一旦病人有呼吸困难症状， 三种疾病的概率都增大了， 因为这些疾 病都有呼吸困难的症状。 我们的病人存在这样的症状， 某种程度上我们会推断这 三种疾病可能性比较大，也增加了我们患者有严重疾病认识的信念。 仔细看看推断的过程： 1. 明显增大的是支气管炎，从 45% 到 83.4%. 为什么会有如此大的增长 呢？因为支气管炎病比癌症和肺结核更常见 . 只要我们相信患者有严 重的肺部疾病，那最支气管炎的可能性会更大些。 2. 病人是抽烟者的几率也会随之增大，从 50% 到 63.4%. 3. 近期访问过亚洲的几率也会增大 : 从 1% 到 1.03%, 显然是不重要的 . 4. X 光照片不正常的几率也会上涨，从 11% 到 16%. 知道现在我们还无法确认什么疾病困扰着我们的这个女患者， 我们目前比较相信 她患有支气管炎的可能性很大， 但是，我们应该获得更多信息来确定我们的判断， 如果我们现在就主观定了病症， 她可能得的是癌症， 那我们就是一个烂医生。 这 就需要更多信息来做最后的决定。 因