基于案例推理的门诊辅助诊断系统的设计

摘要：该文根据门诊诊断的一般过程，引入基于案例推理（CBR）技术，克服了医生在诊疗过程中的局限性，提高了准确性。系统设计符合门诊诊断的一般过程，有助于提高医师诊断过程的自动化水平。

关键词：基于案例推理；辅助诊断系统

中图分类号：TP311文献标识码：A文章编号：1009-3044(2011)13-3195-02

The Design for the Clinic Diagnosis Support System Based on CBR

XIN Ling1, WANG Li2

(1.AHTCM, Heifei 230031, China; 2.AFTVC, Heifei 230601, China)

Abstract： This article overcomes the disadvantages in the procedure of diagnoses by using CBR, and improves the exactness about it. The design accords with the procedure of diagnoses, and it can enhance the automatization of the diagnoses.

Key words: CBR; DSS

随着国家信息化建设的不断推进，如何推动医疗信息化建设是目前医疗与信息行业共同关注的重要课题。基于案例推理（CBR）技术是人工智能中一种基于知识的问题求解和学习方法，是对人类思维经验的一种模拟，目前国内外已展开了对CBR技术的广泛研究及应用[1-4]。

由于门诊诊察在就诊时间、设备等方面的缺陷，容易造成诊断的片面性。如何将先进的计算机技术、数据库技术和临床知识应用于门诊医生工作站，提高医生的工作效率和服务质量，是目前面临的一个重要问题。

1 相关知识及问题分析

1.1 门诊医生工作站

门诊医生工作站[5]是门、急诊医生实现对门、急诊病人信息（病历）数字化管理的计算机软件系统。系统支持医生处理门、急诊记录、检查、检验、诊断、处方、治疗处置等诊疗活动。

1.2 门诊医生工作站流程

1）病人持就诊卡到相应科室就诊；2）医生刷卡调出病人基本信息，根据需要查询当前和既往门诊各种信息（病历）；3）医生对病人进行诊察，录入病人主诉情况；4) 医生回忆以往的相似病例，并针对本病例就行一定的变化，开出处方。具体流程如图1所示。

1.3 案例推理

案例推理[6]（case-based reasoning，CBR）是由目标范例的提示而得到历史记忆中的源范例，并由源范例来知道目标范例求解的一种策略，它是一种重要的机器学习方法。近年来，在规划设计、法律、医学、决策支持及电子商务等领域获得了成功[7]。国内学者也开始对医疗CBR系统的研究[3-4]。

1.4 存在的问题

在就诊过程中，医生首先询问病人的相关症状，并通过检查捕获患者体征；然后医生回忆相关病例，对其进行相应的更改，开出处方。但是，在有限的门诊就诊时间内，需要从错综复杂的病症中得出准确率较高的结论，判断发病原因及部位，拿出合理的治疗方案，这对于医生有着较高的要求。而年轻医生，由于缺乏经验，可能缺乏这种能力，势必造成疾病的诊断率和治愈率下降。

2 系统设计

众所周之，经验在医生诊疗过程中处于一个很重要的地位。特别对于门诊诊疗来说，经验及思维速度显得尤为重要。我们的目的就在于将医院积累的相关病例应用起来，通过运用CBR技术，为医生提供一个辅助诊断系统，为他们提供相似病例的治疗参考方案，帮助他们提高诊断的准确率。

2.1 系统流程设计

通过对门诊医生诊断的基本过程进行参考，我们将系统工作流程设计如下：

1）医生对病人进行初步诊断，并将症状输入系统；

2）系统对症状就行解析，使用机械式分词法（基于词库）提取关键词，形成一个新的案例；

3）系统根据所得到的症状值，按照一定的相似度计算方法，在案例库中搜索相似案例；

4）医生根据系统所提供的相似案例，对诊断结果进行修正，并给出最终的诊断结果及治疗方案；

5）如果诊断结果与治疗方案与系统原先提供的有所不同，则将该案例作为一个新的案例录入案例库。

图2为门诊辅助诊断系统的工作过程。

2.2 相似度算法

为说明本系统的算法，本文给出如下定义：

定义1：设A*表示一个新的病例，其特征参数可使用矩阵表示：

（1）

定义2：设Ai表示案例库中与A*具有相似特征的第i个病例，其特征参数可使用矩阵表示：

（2）

定义3：设ω(j,m)（j=1，2，…，k；m=1，2，…，n）表示第j行第m列的特征的权值（由专家预先设定），并且满足要求：；

定义4：设新病例A*与案例库中的历史病例Ai相似，则二者的相似度为：

（3）

其中： （4）

其中： （5）

该系统的检索匹配算法表述如下：

步骤1：接受一个新的病例A*；

步骤2：扫描案例库中的每个历史病例Ai；

步骤3：计算新病例A*与每个历史病例Ai之间的相似度Si；

步骤4：比较所有病例的相似度大小，按照相似度由高到低进行排列，由医生进行自主选择。

3 总结及未来工作

基于案例推理的门诊辅助诊断系统是将CBR技术融入门诊诊疗体系的一种尝试。其优势在于能为门诊医生提供丰富的临床经验。在门诊诊疗过程中，由于诊疗时间较短，容易造成误诊。而基于案例推理的门诊辅助诊断系统能有效弥补这一问题，提供丰富的相关病历，帮助医生修正初步诊断结果，提高诊断的速度、精度和可靠性。当案例的规模达到一定程度后，各病征之间的相关性的研究变得更有意义，这也将是我们下一步工作的方向。

参考文献：

[1] Hahn U, Chater N. Understanding Similarity:A Joint Project for Psychology, CaseBased Reasoning and Law[J].Artificial Intelligence Review,1998(12):393-427.

[2] Corchado J M, Laza R. Constructing Deliberative Agents with Case-Based Reasoning Technology[J].International Journal of Intelligent Systems,2003(18):1227-1241.

[3] 李锋刚,倪志伟,王键,等.基于案例推理的脑血管病辅助诊断智能系统的设计[J].中医药学刊,2006(2):260-262.

[4] 俞泉,何钦铭,张宝荣.CBR技术在临床辅助诊断中的应用研究[J].计算机应用与软件,2005(3):65-92.

[5] 刘松林,刘阳晨,叶俊.门诊医生工作站在我院的应用[J].医疗设备信息,2007(11):64-65.

[6] 杨善林,倪志伟.机器学习与智能决策支持系统[M].北京：科学出版社,2004:79-116.

[7] Montani S, Bellazzi R, Portinale L. Multi-model Reasoning in diabetic patient management[J].Intl. J. of Medical Informics,1999(53):61.

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文