CN101467154A

CN101467154A - 将定性关系建模为因果关系图

Info

Publication number: CN101467154A
Application number: CNA2007800217933A
Authority: CN
Inventors: W·R·T·坦卡特
Original assignee: Koninklijke Philips Electronics NV
Current assignee: Koninklijke Philips NV
Priority date: 2006-06-13
Filing date: 2007-06-06
Publication date: 2009-06-24
Also published as: EP2038783A1; JP2009540449A; WO2007144804A1; US20090157663A1

Abstract

本发明涉及一种用于针对症状集合中的所观察症状确定病症集合中的病症子集的系统(100，304)，所述系统包括：用于将所述病症集合中的病症和所述症状集合中的症状之间的定性关系建模为因果关系图的建模器(102)；用于对所述定性关系进行部分排序的排序器(104)；用于基于所述定性关系的部分排序采用所观察症状确定针对所观察症状的病症子集的判决器(106)。本发明还涉及一种用于针对症状集合中的所观察症状确定病症集合中的病症子集的方法，其中，将病症集合中的病症和所述症状集合中的症状之间的定性关系建模为因果关系图，并对所述定性关系进行部分排序，所述方法包括：基于所述定性关系的部分排序采用所述所观察症状确定针对所述所观察症状的所述病症子集。本发明还涉及一种用于针对症状集合中的所观察症状确定病症集合中的病症子集的医疗工作站(116)，所述医疗工作站包括：根据权本发明所述的系统(100，304)；数据库(112，306)，其包括病症集合、症状集合、作为因果关系图的所述病症集合中的病症和所述症状集合中的症状之间的定性关系的模型以及所述定性关系的部分排序；和用于在用户和所述医疗工作站之间提供交互的交互设备(118，120，122)。本发明还涉及将由计算机装置(116)加载的计算机程序产品(324)，其包括用于针对症状集合中的所观察症状确定病症集合中的病症子集的指令，所述计算机装置包括处理单元(110)和存储器(124)，在加载之后，所述计算机程序产品向所述处理单元提供执行根据本发明的方法的能力。

Description

将定性关系建模为因果关系图

技术领域

本发明涉及一种针对症状集合中的所观察症状确定病症集合中的病症子集的系统。

本发明还涉及一种包括这种系统的医疗工作站；针对症状集合中的所观察症状确定病症集合中的病症子集的方法；以及由计算机装置加载的计算机程序产品，其包括用于针对症状集合中的所观察症状确定病症集合中的病症子集的指令。

背景技术

决策支持系统(DSS)可以辅助其用户找到所面临的问题的原因。例如，在医疗应用中，在给定了患者的症状的情况下，医生能够采用临床DSS(CDSS)更快取得对一种或多种疾病的诊断，或者获得对疾病的更为全面的掌握。DSS不单单限于辅助诊断。其还能够对其他任务有所助益，例如，判断必须执行何种后续测试来排除备选的候选诊断，从而以最为有效地方式确定诊断，或者其还有助于取得治疗方案，或者其能够引导进行为治疗患者而必须执行的步骤序列。

典型的DSS包括两个部分：用于获取与感兴趣领域相关的通常人类知识的数据库以及提供用于解释的手段并在所存储的知识范围内进行导引的推理系统。典型地，可以按照因果关系的形式表述所述知识，所述因果关系如病症导致症状，这有可能通过各种中间状态的连锁反应(concatenation)。所述模型采取了有向非循环图(DAG)的形式。例如，就中风而言，血管破裂或者狭窄可能导致血管闭塞，而血管闭塞又可能导致脑损伤。典型地，在这一例子中，因果关系不是必须的，而是具有与之相关的可能性。

一种实现DSS的方法是采用贝叶斯网络(BN)，参考“Bayesian Networksand Decision Graphs”，F.V.Jensen，Springer，2001。BN存储所述模型中包括的变量，例如，病症、症状等能够取的所有状态值的联合概率分布。为了有效地实现这一目的，并且由此得到更为有效的推理算法，BN本身不存储所述联合概率分布，而是存储以其他变量的状态的精选的子集(称为父)为条件的变量的状态(称为子)的条件概率。典型地，BN中的父子对对应于上述因果关系。

与BN有关的一个公知问题就是将为网络中所有的可能为条件性的概率指定什么样的值的问题，参考“Building Probabilistic Networks：Where Dothe Numbers Come From？”，M.J.Druzdzel和L.C.van der Gaag，GuestEditors′Introduction to special section of IEEE Transactions of Knowledge andData Engineering，IEEE Trans.On Knowledge and Data Engineering 12(4)，2000。典型地，这些值中的一些是人类专家已知的，以不确定的语言表述形式，例如，“大多数”、“通常”、“可能发生”等，这些都不是定量的。指定确切的概率数值是一项困难的任务，尤其是在致力于为贝叶斯网络需要的所有概率全部赋值时。

另一种方法是采用机器学习技术从统计信息，即，从(f)实际患者数据中提取所述数值。在该方法中，实践表明，无法得到用来对网络进行训练所需的数据，至少无法以所需要的具有统计可靠性的形式获得足够大小的具有统计显著性的数据。

可以从文献“computer-based decision support in the management ofprimary gastric non-Hodgkin lymphoma”，Peter Lucas、Henk Boot和BabsTaal，Methods of Information in Medicine 37，1998，206-219中了解所述方法的实施例。这里，将说明胃的非霍奇金淋巴瘤的决策理论模型。所述模型的核心是描述做出决策过程中所隐含的不确定性的表示的概率网络。所述概率网络是一种由一组节点和一组弧线构成的有向非循环图，所述节点表示分立的随机变量，所述弧线表示随机变量之间的因果关系或相关性。为了将诸如节点间的“良好”、“一般”和“较差”的定性关系建模为定量概率，可以通过(例如)下述内容将定性关系建模为定性概率关系，

年龄段为10到69岁的人的总体健康状况为良好的概率大于年龄段为10到69岁的人的总体健康状况为一般的概率大于年龄段为10到69岁的人的总体健康状况为较差的概率，即：

Pr(总体健康状况＝良好|年龄＝10-69)>

Pr(总体健康状况＝一般|年龄＝10-69)>

Pr(总体健康状况＝较差|年龄＝10-69)

之后，采用这些概率验证指定给非循环图内的因果关系的数值。之后，基于所观察症状采用所得到的这一概率网络确定最有可能的病症。但是，这种方法将相对关系的使用局限于对数值的验证。

发明内容

本发明的目的在于提供一种直接采用定性关系之间的相对关系来推导针对所观察症状的病症的系统。为了实现这一目的，本发明提供了一种根据开头段落的系统，所述系统包括：用于将病症集合中的病症和症状集合中的症状之间的定性关系建模为因果关系图的建模器；用于对所述定性关系进行部分排序的排序器(orderer)；用于根据所述定性关系的子集采用所观察症状或症状集合确定针对所述观察症状或症状集合的病症的子集的判决器(determiner)，对所述定性关系的子集的选择是以所述定性关系的部分排序为基础的。通过根据所述定性关系的部分排序改变对所述定性关系的选择，能够采用针对所观察症状的病症结果集合的对应变化计算出最可能的病症。

在根据本发明的系统的实施例中，所述系统还包括用于供用户对所观察症状和所述病症集合进行交互选择的选择器。借此，用户能够限制总的病症集合中由所观察症状导致的病症子集，其将有利地加快系统的响应时间。

在根据本发明的系统的另一实施例中，使所述定性关系中的每一个与所述定性关系的部分排序中的可能性级别相关。通过使所述可能性级别与所述部分排序相关，所述系统将首先采用最可能的定性关系，之后包括可能性较低的定性关系。这样能够提供针对所观察症状的改进的病症子集，因为其还包括针对所观察症状可能性较低的病症。

在根据本发明的系统的另一实施例中，所述判决器还用于改变所述定性关系的部分排序；以及基于改变后的部分排序确定针对所观察症状的病症子集。通过改变所述部分排序，所述系统包含在定性关系的排序之间的不确定性。例如，可以将“通常”评估为比“可能发生”更具有可能性，也可以采取相反方式。

在根据本发明的系统的另一实施例中，所述判决器还用于从所述病症集合中确定多个病症子集；以及通过对所述多个病症子集加权而使所述多个病症子集分等级。通过确定多个子集，对其加权，并相应地使其分等级，用户能够更好地区分针对所观察症状所导出的病症子集的重要性。

在根据本发明的系统的另一实施例中，所述判决器还用于根据预定标准限制针对所观察症状的病症子集。例如，所述预定标准可以限制于与人体内区域相关的那些病症。另一个例子在于限制所述关系的属性(例如过渡性)、关系的深度等。通过这种方式，进一步改进了所得到的可能的病症子集。

本发明的目的在于提供一种医疗工作站，其通过一种改进的方式采用定性关系之间的相对关系来创建病症的概率网络。为了实现这一目的，本发明提供了一种根据开篇段落的医疗工作站，所述医疗工作站包括：根据本发明的系统；数据库，其包括病症集合、症状集合、作为因果关系图的所述病症集合中的病症和所述症状集合中的症状之间的定性关系的模型和所述定性关系的部分排序；用于在用户和医疗工作站之间提供交互的交互设备。所述医疗工作站通过与对应系统相同的方式实现这一目的。有利地，所述交互设备能够使用户选择并限制所观察症状和与所观察症状相关的可能的病症集合。

在根据本发明的医疗工作站的实施例中，所述系统、数据库和交互设备处于远离彼此的位置。通过在不同的位置提供子部件，每个部件将能够独立于其他子部件而工作，由此实现了更为灵活的工作站配置。

本发明的目的在于提供一种方法，其通过一种改进的方式采用定性关系之间的相对关系来创建病症的概率网络。为了实现这一目的，本发明提供了一种根据开篇段落的方法，其中，将病症集合中的病症和症状集合中的症状之间的定性关系建模为因果关系图，并对所述定性关系进行部分排序，所述方法包括基于所述定性关系的部分排序采用所观察症状确定针对所观察症状的病症子集。所述方法通过与对应系统相同的方式实现这一目的。

在根据本发明的方法的实施例中，所述方法还包括由用户对所观察症状和所述病症集合进行交互选择。这一实施例提供了与对应系统相同的优点。

本发明的目的在于提供一种通过改进的方式确定病症子集的计算机程序产品。为了实现这一目的，本发明提供了一种根据开篇段落的计算机程序产品，所述计算机装置包括处理单元和存储器，所述计算机程序产品在加载之后为所述处理单元提供执行如下任务的能力：基于定性关系的部分排序采用所观察症状确定针对所观察症状的病症子集，其中，将所述病症集合中的病症和所述症状集合中的症状之间的所述定性关系建模为因果关系图，并对所述定性关系进行部分排序。所述计算机程序产品通过与对应系统相同的方式实现这一目的。

附图说明

通过参考下文所述的在附图中给出了图示的实施例，本发明的这些和其他方面将变得显而易见或者得到阐释：

图1以示意图的方式示出了包括根据本发明的系统的医疗工作站；

图2a示出了用于对根据本发明的系统和方法予以说明的示范性图表；

图2b示出了用于说明所述系统和方法的示范性图表，其中，在因移至下一级别而增加了更多的链路时，降低了子集的大小；

图2c示出了用于说明根据本发明的系统和方法如何隐藏病症和对病症取消隐藏的另一示范性图表；

图3以示意图的方式示出了根据本发明的系统和工作站的分布式配置。

具体实施方式

图1以示意图的方式示出了包括根据本发明的系统的医疗工作站。医疗工作站116包括显示器118、键盘120、鼠标122、微处理器110、数据库112、软件总线114和根据本发明的系统100。系统100包括建模器102、排序器104、判决器106和选择器108。将建模器102、排序器104、判决器106和选择器108实现为存储在存储器124内的计算机可读软件模块。可以将存储器124实现为从诸如硬盘的主存储器加载的随机存取存储器(RAM)、只读存储器(ROM)或者任何其他适当的被设计为存储计算机可读软件的存储器。通过软件总线114将包括计算机可读软件模块102、104、106和108的存储器124以可通信的方式耦合至数据库112和微处理器110。显示器118、键盘120和鼠标112通过输入和输出连接器(未示出)为用户提供与计算机可读软件模块102、104、106和108、数据库112和微处理器110的交互式通信。

数据库112包括与下述内容相关的知识模型：患者可能表现出的症状，患者可能具有的、有可能通过中间症状或病症的连锁反应而导致这些症状的病症，以及症状和病症之间的定量关系。这种定量关系是通过不确定的语言表述形式或者非定量的表述形式来描述的，例如，“大多数”、“通常”、“可能发生”、“总是引起”、“可能导致”、“往往导致”等。

在下文中，将对运行中的系统予以说明，从而更好地说明在系统运行过程中，上述计算机可读软件模块是如何工作的。

建模器102从数据库112取回知识模型，并将症状和病症建模为因果关系图中的节点，在所述因果关系图中，由症状和病症之间的定量关系确定弧线。

排序器104确定所述定量关系之间的部分排序，尽管顺序本身可能是不确定的，例如，“大多数”是否比“通常”更具可能性，反之亦可。该图中的每一定量关系都与所述部分排序中的某一确定性或可能性级别相关，由此得到了层次结构中的弧线的排序。所述层次结构优选是线性的，即，呈链状，但这不是必需的。例如，也允许包括网格结构的部分排序。

判决器106起着推理器的作用，其将返回所有可能的解释，即引起所观察症状或症状集合的病症的所有子集。例如，在“A formal model ofdiagnostic inference”，J.A.Reggia等，Information Sciences 37(1985)，227-256以及同一出处的pp.257-285中描述了判决器106用于这一目的的公知算法。重复地应用这一算法，即，在多次运行中应用所述算法，其中，在每次运行中，将包括更多的关系。除了返回所有可能的解释之外，还可以返回其变型。例如，返回含有针对所观察症状的最小数量的不同病症的所有子集。也可以采用其他算法。

为了采用这一算法，在每次运行中，将符合该次运行所采用的选择标准的定量关系看作是必须的，即，所述定量关系为真。对于每次运行，判决器106遍历所述部分排序，并选择和取消选择对可能被遍历的部分排序中的每个级别而言必须的关系。将取消选择的关系看作不存在，即，将其设置为假。对于每次运行而言，确定针对所观察症状的所得到的病症子集，这样将得到多个所述子集。有利地，可以通过对所述子集加权以及进行模糊集合并来组合所得到的多个子集。例如，可以“优选”在优选采用最确定的关系时确定的子集，即对其他确定的子集加权后的子集，或者可以“优选”出现最多的子集，等。

换言之，判决器106对两个阶段进行区分。在第一阶段内，凭借指定的所观察症状集合对所述图应用几次所述算法，其中，在第一次运行中，只包含最为可能的弧线，以确定相关病症的子集。在每一接下来的运行中，向该图添加在可能性层次结构中相邻的弧线。采用等于1的可能性处理所得到的相关病症子集中所包括的弧线。采用二位置分等级标签存储来自每次运行的每一相关病症子集。采用相同的值将两个位置初始化，即所述相同的值表示生成所述位置的对应运行的级别。所述标签表示其子集在将要获得的子集的层次结构中的位置。如前所述，为简单起见，按照弧线的可能性假定线排序。如果不是这种情况，所述标签需要更多的位置来反映所述(例如，网格)结构。

在第二阶段内，对所述分等级标签进行改善，以获得对所找到的子集的最终分等级。因而，这一第二阶段的起始位置是每次运行导出的病症子集的有序集合。注意，随着链路级别的增加，可能性降低，即，在较高的级别添加的弧线或关系的可能性更低。由于最高级别的相关病症子集将产生针对指定知识模型的完全图，因而将这一子集视作答案集合。这一答案集合尚未被分等级。注意，在较低的级别找到的子集有可能没有出现在所述答案集合中，这是因为通过在较高级别处添加的可能性较低的弧线，其影响已经被隐藏。在链路层次结构的最低级别上有可能给出不完全的子集。并非所有的观察结果都能够得到解释，因为所涉及的观察结果并非是由具有最大可能性的弧线导致的。显然，在添加更多的弧线时，子集将变得完全。在添加链路时可能发生的另一影响是子集的典型大小的减小。新的子集可能是新的备选项，但是其也可能是处于较低级别的较早子集的严格子集(strict subset)。所述子集能够通过额外的因果链路解释所述观察结果。所述大小减小可以是子集的最小基数的减小，也可以是子集的简约性的损失。

所去除的病症可以继续作为备选子集中的项，也可以变成隐藏病症。隐藏病症是相关的病症，因为它的一些影响处于观察结果集合内，但是因为其不能充当任何相关病症子集内的病症的替代项而在所有的子集内又都是冗余的。隐藏病症可能已经存在于所述层次结构的第一级别内。而且，从相反方向来看，在某一级别隐藏的病症在更高的级别可能变得不再是隐藏病症。

通过下述方式执行对答案集合，即，对处于最高级别的相关病症子集的分等级。最初，取得子集的层次结构，其中，采用计算子集时所处的阈值级别对每一子集做出标记，之后执行下述步骤：

-为每一子集指定所述子集第一次出现的级别；

-从前一级别中去除重复的子集；

-为每一子集中的每一个要素指定所述要素第一次出现的级别；

-根据子集的等级，即，子集第一次出现的级别对所述子集进行排序，其中，将最小基数分等级为第一；

-在这一排序内，根据出现在所述集合中的最后一个要素的等级对具有相等的等级的集合进行排序。如果这些要素的可能性是相等的，那么采用倒数第二个要素重复所述过程。

如果答案是为隐藏病症的所去除病症的大小减小的子集，那么将处于较低级别的子集重新引入到所述答案集合内。采用较低级别的可能性对其分等，但是其具有指示其在较低可能性处，即，在较高级别上的冗余性的标记。将剩余的隐藏病症单独列举至所述答案集合。由于它们是隐藏而又相关的，因而它们对于答案集合中的任何相关病症子集都是冗余的。

总而言之，最终的分等级层次结构涉及下述内容。根据第一次出现对子集排序。根据其要素的最后一个的第一次出现对具有相等的第一次出现等级的子集进行分等级。此外根据子集的大小对其进行排序，最小的基数排在第一。

选择器108采用所得到的病症子集，即，答案集合，从而将其通过显示器118呈现给用户。之后，用户可以采用所得到的病症子集作为确定对患者的诊断的辅助手段。

将通过下述例子对上述内容加以解释。

图2a、2b和2c示出了用于说明根据本发明的系统和方法的示范性图表。图2a、2b和2c示出了表示病症和症状之间的因果知识的图表。D1到D4为病症，S1到S3为症状，C11到C43为因果链路。根据所指示的可能性对所述因果链路排序，即，“导致”比“往往导致”更具可能性，而“往往导致”则比“可能导致”更具可能性：

导致

往往导致

可能导致

所述系统和方法通过下述方式导出那些解释所有所观察症状的病症子集：

按照下述方式对所述因果知识建模：

S1＝(D1与C11)或(D2与C21) (1)

S2＝(D2与C22)或(D3与C32) (2)

S3＝(D3与C33)或(D4与C43) (3)

即

-(1)表示症状S1可能源自于病症D1和关系C11，或者源自于病症D2和关系C21；

-(2)表示症状S2可能源自于病症D2和关系C22，或者源自于病症D3和关系C32；

-(3)表示症状S3可能源自于病症D3和关系C33，或者源自于病症D4和关系C43。

图2a示出了针对所观察症状集合导出病症集合的示范性方法。在第一阶段内，针对逐渐添加的链路计算相关病症的子集。在第一次运行中，将C11(可能性“导致”)设为真，将所有其他Cij设为假。在第二次运行中，添加C21、C22和C43(可能性“往往导致”)。在第三次，也就是最后一次运行中，添加C32和C33(可能性“可能导致”)。由其得到了解释集合的下述集合：

-第3级别：{{D1，D3}，{D2，D3}，{D2，D4}}

-第2级别：{D2，D4}

-第1级别：{{D1}}(S2和S3没有得到解释)

也就是说，在第一次运行(第1级别)中，只有S1通过{D1}得到了解释。在第二次运行(第2级别)中，只有集合{D2，D4}解释了所有的症状S1、S2和S3，在最后一次运行(第3级别)中，集合{D1，D3}、{D2，D3}和{D2，D4}解释了所有的症状。

接下来，在第二阶段内，指定分等级。从第3级别采用等级3对由处于第3级别的解释集合构成的答案集合：

{{D1，D3}，{D2，D3}，{D2，D4}}初始化。集合{D2，D4}在第2级别中第一次出现。因而，该集合被重新指定为等级2。接下来，为每一解释中的每一要素指定第一次出现的级别。由此将产生下述等级标记：

-等级3：{D1[1]，D3[3]}，{D2[2]，D3[3]}

-等级2：{D2[2]，D4[2]}

-等级1：

去除集合{D1}，因为其对所观察到的所有症状都不存在解释。对于所有的解释而言，基数都为2，因此不存在有关基数的分等级。在等级2，出现了第一个解释。因而，在最后的排序中，这一解释将变成等级1。在等级3，最后出现的要素(D3)出现在第3级别中，但是倒数第二个出现的要素(D1和D2)分别出现在第1级别和第2级别。其将产生下述最终的病症集合：

-等级3：{D2，D3}

-等级2：{D1，D3}

-等级1：{D2，D4}

图2b给出了这样一个例子，其中，在因移至下一级别而添加更多链路时，子集的大小减小。在第一级别，仅将链路C11、C22、C33和C43(可能性“导致”)设为真。该解释由两个备选项构成：

{D1，D2，D3}和{D1，D2，D4}

在下一级别，添加了链路C21和C32(可能性“往往导致”)，该解释变成了三个备选项：

{D1，D3}、{D2，D3}和{D2，D4}，

其中，所有的三个备选项都是在第一级别找到的解释的子集。在下一个并且是最后一个级别，添加了链路C12和C31(可能性“可能导致”)，所述解释再次变成了三个备选项：

{D3}、{D1，D4}和{D2，D4}，

其中，{D1，D4}是新的备选项的例子，{D3}是具有最小基数，即1的子集。{D1，D4}和{D2，D4}是超集{D1，D2，D4}丧失了其简约性(parsimony)而得到的子集的例子。{D1，D2，D4}也提供了解释，但是可以在不使解释不完整的情况下去除D1。D1或D2与D4的任一组合的去除将使其余的解释不完整，因而，{D1或D2，D4}是一种简约的解释。它不是最小的，因为其基数是2而不是1(就{D3}而言)。

图2c给出了隐藏病症和对病症取消隐藏的例子。如前所述，在第一级别，将链路C11、C22、C33和C43(可能性“导致”)设为真，其解释由两个备选项构成：

{D1，D2，D3}和{D1，D2，D4}。

现在，在下一级别，添加了链路C11和C23(可能性“往往导致”)，所述解释变成了两个备选项：

{D1，D3}和{D1，D4}。

基数减少之后，D2变得隐藏。在第三级别，添加了C32(可能性“可能导致”)，其提供了病症(在这一情况下为D2)被取消隐藏的例子。在这一第三级别，解释集由三个备选项构成：

{D1，D2}、{D1，D3}和{D1，D4}。

应当指出，所给出的算法只是一个例子。作为替代，可以采用具有类似性质的试探法，以获得或改善最终的分等级。

可以通过几种方式改善本发明的原理。一种有利的方式是对病症和症状空间本身(额外)应用(交互)选择。例如，可以在排除已知/被怀疑主导其他观察到的症状的所观察症状的同时对解释进行质询。通过这种方式，医生可能会发现次要病症。另一个例子是针对通过某种方式相关的病症进行质询。例如，为了仅选择处于人体的胸部区域的病症或者接近心脏(就解剖学而言)的病症。也可以考虑基于整体论疾病模型选择病症和症状。

另一种改善方式是选择所述关系的属性或对其取消选择。例如，可以将关系看作过渡性的或非过渡性的。这样将能够区分直接对症状负责的病症和需要中间阶段/状态的病症。一种变型是选择(沿)方向的深度。一种方便的实现所述选择过程的方式是采用描述逻辑(DL)，参考“Thedescription logic handbook”，F.Baader，D.Calvanese，D.L.Mc Guinness，D.Nardi，P.F.Patel-Schneider，Cambridge University Press，2003。DL允许对类别和关系层次结构建模，并采用其进行推理，从而(例如)判断一类表达是否为另一类表达所包含，当然这可能发生在具有某种给定背景知识的情况下。通过采用这样的形式体系作为DL，将不要求该类表达具有字面对应性。例如，在针对心脏区域的病症进行选择时，可以向病症类别添加DL条件“located.heartRegion”，而不要求在字面上采用“location heart region”对DSS内的病症给出标记。再举一个例子，就动脉狭窄或闭塞而言，将限制作为所观察到的损害的“located.UpStream”的那些病症。只要能够将包括标记机制本身的标记位置追溯到所述逻辑形式体系内的质询形式就足够了。DL为所述选择过程提供了灵活性。通过下述方式将DL类别和关系链接至相关关系图(DAG)。所述相关关系图描述了病症、中间状态、症状等，以及其中之一是如何导致，如何可能导致(等等)其他项的。将该图中的节点(病症、中间状态、症状等)看作DL中的个体(类别成员)，将边看作DL中的角色(关系)。因而，在操作根据本发明的系统时，将该图看作一个相关网络，在运行DL推理模式时，将其看作“表格(tableau)”。对于诸如决策归类、可满足性、一致性和取回的DL推断任务的实现而言，表格是一种广泛采用的表示方式。

另一种改善方式是使用户能够限制可能导致所观察症状的病症。至此，医疗工作站116(参考图1)为用户提供了通过显示器118显示的用户界面，以呈现所述图。之后，用户可以通过操作键盘120和/或鼠标122来选择该图中那些可能导致所观察症状的病症的节点。之后，可以在确定可能的病症的子集，即结果集合时忽略未被选定的病症。

图3以示意图的方式示出了根据本发明的系统和工作站的分布式配置。分布式配置300包括作为服务器的第一通用计算机302和作为另一服务器的第二通用计算机308。计算机302包括根据本发明的系统304，计算机308包括存储知识模型的数据库306。这样的知识模型可以是分布式的，也可以包括人体解剖学的本体论。第一通用计算机302还包括磁盘驱动器，其用于容纳对应的计算机可读介质，例如DVD盘322。DVD盘322包括计算机可读代码，其被设计为在加载之后为系统100提供上文中参考根据本发明的系统描述的对应软件模块。分布式配置300还包括医疗工作站310，其包括显示器312、鼠标316、键盘318以及作为服务器302和308的客户端的通用计算机314。所述医疗工作站、系统304和数据库306在因特网上相互通信，以交换所请求的信息。

应当注意，上述实施例旨在对本发明进行举例说明，而不是对其做出限制，并且本领域技术人员能够在不背离权利要求的范围的情况下设计出很多备选实施例。作为替代，可以采用具有类似性质的试探法，以获得或改善最终的对病症的分等级。

在权利要求中，不应当将任何放置在括号内的附图标记推断为限制所述权利要求。“包括”一词不排除权利要求中列举的元件或步骤以外的元件或步骤的存在。元件前的单数冠词不排除存在复数个这样的元件。可以利用包括几个不同元件的硬件，也可以利用适当编程的计算机实现本发明。在列举了几个模块的系统权利要求中，可以在同一个计算机可读软件或同一个硬件内体现这些模块中的几个。在互不相同的从属权利要求中陈述的某些措施不表示不能有利地采用这些措施的组合。

Claims

1、一种用于针对症状集合中的所观察症状确定病症集合中的病症子集的系统(100，304)，所述系统包括：

- 用于将所述病症集合中的病症和所述症状集合中的症状之间的定性关系建模为因果关系图的建模器(102)；

- 用于对所述定性关系进行部分排序的排序器(104)；

- 用于基于所述定性关系的部分排序采用所述所观察症状确定针对所述所观察症状的所述病症子集的判决器(106)。

2、根据权利要求1所述的系统，还包括：

- 供用户对所述所观察症状和所述病症集合进行交互选择的选择器(108)。

3、根据前述权利要求中的任一项所述的系统，其中，所述定性关系中的每一个与所述定性关系的所述部分排序内的可能性级别相关。

4、根据前述权利要求中的任一项所述的系统，其中，所述判决器还用于

- 改变所述定性关系的所述部分排序；以及

- 基于改变后的部分排序确定针对所述所观察症状的所述病症子集。

5、根据前述权利要求中的任一项所述的系统，其中，所述判决器还用于

- 从所述病症集合中确定多个病症子集；以及

- 通过对所述多个病症子集加权使所述多个病症子集分等级。

6、根据前述权利要求中的任一项所述的系统，其中，所述判决器还用于根据预定标准限制针对所述所观察症状的所述病症子集。

7、一种用于针对症状集合中的所观察症状确定病症集合中的病症子集的医疗工作站(116)，所述医疗工作站包括：

- 根据权利要求1到6中的任一项所述的系统(100，304)；

- 数据库(112，306)，其包括病症集合、症状集合、作为因果关系图的所述病症集合中的病症和所述症状集合中的症状之间的定性关系的模型以及所述定性关系的部分排序；

- 用于在用户和所述医疗工作站之间提供交互的交互设备(118，120，122)。

8、根据权利要求7所述的医疗工作站，其中，所述系统、数据库和交互设备处于远离彼此的位置。

9、一种用于针对症状集合中的所观察症状确定病症集合中的病症子集的方法，其中，将所述病症集合中的病症和所述症状集合中的症状之间的定性关系建模为因果关系图，并对所述定性关系进行部分排序，所述方法包括：

- 基于所述定性关系的部分排序采用所述所观察症状确定针对所述所观察症状的所述病症子集。

10、根据权利要求9所述的方法，还包括：

- 由用户对所述所观察症状和所述病症集合进行交互选择。

11、一种将由计算机装置(116)加载的计算机程序产品(324)，其包括用于针对症状集合中的所观察症状确定病症集合中的病症子集的指令，所述计算机装置包括处理单元(110)和存储器(124)，在加载之后，所述计算机程序产品向所述处理单元提供执行如下任务的能力，即基于所述定性关系的部分排序采用所述所观察症状确定针对所述所观察症状的病症子集，其中，将所述病症集合中的病症和所述症状集合中的症状之间的所述定性关系建模为因果关系图，并对所述定性关系进行部分排序。