用于医疗诊断的基于知识概率模型的学习与推断
人工智能
2017-03-29 v1
摘要
基于表示一阶知识的加权知识图并将其与概率模型相结合，我们提出了一种在医疗诊断中创建医疗知识网络 (MKN) 的方法。当为特定患者激活一组症状时，我们可以生成一个由症状节点和潜在疾病节点组成的落地医疗知识网络。通过将玻尔兹曼机纳入马尔可夫网络的势函数中，我们研究了 MKN 的联合概率分布。为了处理数值型症状，提出了一种使用条件概率的多元推断模型。此外，知识图的权重是从人工标注的中文电子病历 (CEMR) 中高效学习得到的。在我们的实验中，从数值上发现，疾病节点质量和症状变量表达的最佳选择可以提高医疗诊断的有效性。我们在实际 CEMR 数据库上将马尔可夫逻辑网络和逻辑回归算法进行比较的实验结果表明，我们的方法大有可为，且 MKN 能够促进智能诊断的研究。
引用
@article{arxiv.1703.09368,
title = {Learning and inference in knowledge-based probabilistic model for medical diagnosis},
author = {Jingchi Jiang and Chao Zhao and Yi Guan and Qiubin Yu},
journal= {arXiv preprint arXiv:1703.09368},
year = {2017}
}
备注
32 pages, 8 figures