CN102184314A

CN102184314A - 面向偏差性症状描述的自动辅助诊断方法

Info

Publication number: CN102184314A
Application number: CN2011100840212A
Authority: CN
Inventors: 代涛
Original assignee: Institute of Medical Information CAMS
Current assignee: Institute of Medical Information CAMS
Priority date: 2011-04-02
Filing date: 2011-04-02
Publication date: 2011-09-14

Abstract

本发明所述面向偏差性症状描述的自动辅助诊断方法，属于信息分析与辅助决策领域。首先建立疾病库和症状库及其关联关系，将用户输入的症状建立患者模型，与疾病模型进行相似度计算，进行推理和疑似疾病的排序。本发明的有益效果在于，能够在把用户误认为的症状作为推理条件的情况下，弱化错误干扰结果，并依据错误的症状条件，结合现有的症状之间的关联关系，让正确的症状参与推理运算，从而实现推理的正确性和抗干扰性。可用于电子分诊或健康咨询系统，也可用于医学训练或临床参考。

Description

面向偏差性症状描述的自动辅助诊断方法

技术领域

本发明涉及一种辅助诊断方法，属于信息分析与辅助决策领域，可用于分诊系统。

背景技术

现代医疗诊断中的五大危机：(1)医疗费用的不断增长，超出了个人和社会的承受能力；(2)知识爆炸性的增长与混乱，年轻医生无法快速掌握，即便是经验丰富的医生也很难掌握跨科室的诊疗知识；(3)医疗专家地区分布不均，大部分地区缺少高水平的医生；(4)需要高水平医疗服务的人越来越多与可能提供的高质量服务产生激烈的矛盾；(5)尽管不断使用高科技的诊断技术，但误诊误治率仍居高不下。解决现代医疗诊断中的五大危机，特别是如何有效地降低医疗诊断费用和误诊误治率，应该是信息技术在医疗诊断领域研究开发的主导方向，也正是本发明的设计初衷。

此外分诊是病人在医院就医时所经历的首要环节，只有正确的分诊，将病患分流到对症的科室，才能使患者得到适合的医治，而如果没有正确分诊，不仅造成患者重新就诊，还造成不必要的医务资源的浪费。现实中医院就诊的病人去哪个科室看病(或选择哪家专科医院)就诊，主要取决于导致患者有不适症状的疾病属于哪个科室，因此判断出疑似的疾病，是分诊的关键所在。现阶段，医院分诊完全是依靠人工来实现，一方面是病人自我判断，另一方面是通过医院分诊台的人工咨询。正确的分诊工作需要专业医生依据患者不适的症状和医学经验，根据患者对象描述的症状进行分诊，不仅依赖于分诊人员的专业能力，也受医患双方的情感、语言描述及沟通等因素的干扰。

近年来随着信息技术的发展，产生了一些辅助诊断的新方法和新产品，从症状可辅助判断患何种疾病，在这些系统中通常事先已经定义了一系列症状集合，供用户选择自己出现的症状，为了提高诊断的正确性，症状条目和表达方式的增多通常会造成数据库庞大，词库分类困难，或者操作繁冗导致用户使用体验不愉快；因此出现了可让病人主动输入症状的辅助诊断系统，然而病人所描述症状由于缺乏医疗知识或者存在语言习惯和表述多样化等问题，时常会与数据库中的症状产生偏差，这时急需提供一种能够面向偏差性症状描述的辅助诊断方法。

发明内容

本发明的目的在于提供一种面向偏差性症状描述的辅助诊断方法，以快速准确的解决公众(针对医疗知识匮乏的人群或者语言习惯和表述多样化)由于错误或不确切的描述症状而造成的诊断结果错误。通过症状到疾病的映射，实现辅助诊断功能。

本发明所述面向偏差性症状描述的自动辅助诊断方法，包括如下步骤：

步骤1：根据医学知识库中的症状的规范名称补充与这些基本症状具有上下位、同位等关联关系的症状条目，将基本症状条目和补充的各症状条目作为症状库的构成元素，并建立和保存症状库中每两个症状之间的关联关系；所述每两个症状之间的关联关系包括上下位、同位关联关系；其中所述上下位关系包括症状之间的从属关系，所述同位关系包括同义、近义、相似关系。

步骤2：将每种疾病相关的症状条目的集合构成一个疾病模型(即每种疾病表现出来的症状集合，集合元素为患该疾病时可能出现的症状)，将各疾病模型作为疾病库的构成元素；例如疑似疾病A的模型为α＝(a₁，a₂，…，a_k，…，a_m)，共包含m个症状；

步骤3：把每个疾病模型构建为一个疾病向量，构建方法为：

以该疾病模型包含的所有症状的权值构成疾病向量

其中

是该疾病模型中症状a_k的权值，其取值表示症状a_k与该疾病之间的关联程度，权值越大则关联程度越高；是根据临床经验和专家数据预先设置的；

步骤4：将当前患者提供的所有症状的集合构成一个患者模型；即患者模型B为β＝(b₁，b₂，…，b_j，…，b_n)，共包含n个症状；

步骤5：将当前患者模型构建为一个患者向量；构建方法为：

以当前患者模型B中包含的所有症状的权值构成患者向量

其中

表示症状模型B中的症状b_j的权值，对其赋值采用如下两种方法之一：

(1)根据用户输入该症状的顺序或主观感觉在所有症状中的主要程度进行赋值，症状越主要或输入顺序越靠前则权值越大；

(2)患者模型B中的各症状均采取相同的权值，即不区分症状输入顺序和主要程度；

步骤6：采用如下两种方法之一，获得该患者患有疑似疾病的可能性：

(1)当患者向量和疾病向量需具有同样的维度，即患者模型和疾病模型需具有同样的症状个数，并且相同症状应在这两个模型中位于相同的位置，即相同下标的a_k和b_j应具有相同的含义的情况下，计算患者向量

与步骤3构建的各疾病向量之间的角度，向量之间角度越小则认为患者患有该疾病的可能性越大；

(2)计算当前患者模型B与各疾病模型之间的相似度，相似度越大则认为该患者患有该疾病的可能性越大，疾病模型A和患者模型B之间的相似度采用如下公式来计算：

Sim (A, B) = \frac{Σ_{k = 1}^{m} (Σ_{j = 1}^{n} W_{a_{k}} W_{b_{j}} T_{kj})}{{(Σ_{k = 1}^{m} [Σ_{j = 1}^{m} {(W_{a_{k}} T_{a_{kj}})}^{2} + W_{a_{k}}^{2}]) (Σ_{j = 1}^{n} [Σ_{k = 1}^{n} {(W_{b_{j}} T_{b_{jk}})}^{2} + W_{b_{j}}^{2}])}^{\frac{1}{2}}}

其中，

是该疾病模型中症状a_k的权值，T_kj表示患者模型B中的症状b_j与待比对的疾病模型A中的症状a_k之间的距离，该距离依据步骤1建立的症状库所规定的症状之间的关联关系获得；

表示疾病模型A中症状a_k和a_j之间的距离，表示患者模型B中症状b_j和b_k之间的距离。这两个距离也依据步骤1建立的症状库所规定的症状之间的关联关系获得；

步骤7：根据步骤6给出的该患者患有各疾病的可能性，从高到底进行排序，将可能性较大的疾病作为最终的辅助诊断结果。

作为优选，步骤6进行之前，还包括预先对疾病模型进行粗筛，然后对粗筛得到的疑似疾病集合进行步骤6，即计算当前患者模型B与粗筛获得的疑似疾病集合中各疾病的疾病模型之间的相似度。

对比现有技术，本发明的有益效果在于，能够在把用户误认为的症状作为推理条件的情况下，弱化错误干扰结果，并依据错误的症状条件，结合现有的症状之间的关联关系，让正确的症状参与推理运算，从而实现推理的正确性和抗干扰性。可用于电子分诊或健康咨询系统，也可用于医学训练或临床参考。

附图说明

图1为本发明所述疾病症状关系推理示意图；

图2为症状空间分布示意图。

具体实施方式

下面结合附图对本发明内容进行解释。

在此技术方案中，首先构建疾病库、症状库。疾病库、症状库分别是疾病和症状条目的集合，并建立它们之间的关联和收录了相关的描述信息。症状与疾病是多对多的关系，每个症状对应多个疾病，每个疾病对应多个症状，不同的症状组合可能由不同的疾病所引起的；每个疾病会表现出一个或若干个症状，见附图1。

症状是疑似疾病的主要特征，本技术方案中，根据每个患者的症状信息，对患者进行建模。建模就是将患者输入的症状信息，进行记录和整理，用于推断疾病。每个用户(患者)提供的所有症状集合构成一个患者模型，这些症状信息都是由医学知识库中的症状的规范名称来构成，每种疾病相关的症状集合构成一个疾病模型。疾病库由多种疾病模型构成。

通过计算患者模型落在疾病模型的概率来判断疑似的疾病。

设E表示特定症状，H_j表示疾病，

根据贝叶斯公式：

P (H_{j} | E) = \frac{P (E | H_{j}) P (H_{j})}{Σ_{j = 1}^{n} P ({E / H}_{j}) P (H_{j})}

其中使用Bayes条件概率公式的含义为：

P(H_j|E)患者有症状E时，患疾病H_j的概率。

P(E|H_j)为患者患疾病H_j，有症状E的概率。

P(H_j)为患者患疾病H_j的先验概率。先验概率P(H_j)不易确定。即是医学专家花大量精力确定了该先验概率，在不同的时间、不同的地点患疾病的先验概率P(H_j)也还是有差别，常规做法是一律遵照通常的情况，不区分特殊情况。

Bayes公式的使用前提是能够正确输入前件，即用户输入的必须是正确的症状并完全与症状库中的症状条目吻合，然而，现实中一个病人却可能会因为自身的症状判断错误，造成前件输入错误，从而导致结论错误；由于本发明面向的是公众的自我症状描述，由于大多数用户缺乏医学专业知识无法准确的对于症状进行鉴别，极容易导致对症状描述的偏差，例如：呕吐与恶心混淆，由于心理对自身疑似疾病的恐慌造成头晕、乏力的症状等。基于上述情况的分析，我们不能照搬Bayes的计算公式，在辅助诊断时需要具有一定的鉴别或处理能力排除干扰症状。

本发明优选方案中，在Bayes计算的公式之后，对概率高于0.2的疑似疾病按照步骤6进行重新计算和排序，并且能够适应输入前件偏差的空间向量模型。

我们把每种疾病表现出来的症状集合(集合元素为患该疾病时可能出现的症状)看作一个向量，同时将用户输入的症状集合也看作一个向量，每个向量元素都是一个症状，症状之间有着上下位、同位等关联。上下位关系是指症状之间的从属关系，同位关系包括同义、近义、相似，易混交等关系。

因此在本发明中，首先要根据基本症状信息建立一个有着上下位、同位等关联的症状库，所述上下位关系是指症状之间的从属关系，同位关系包括同义、近义、相似，易混交等关系，所述的基本症状信息是由医学知识库中的症状库的规范名称来构成，如图2所示。所建立的症状库是疾病过程中机体内的一系列机能、代谢和形态结构异常变化所引起的病人主观上的异常感觉的集合，如呕吐、疼痛、畏寒等。同一个不适症状，主观描述的时会有不同的表达，如疼痛、疼、痛。相近的症状，在主观描述时会有偏差，甚至误差，如恶心和呕吐，发红和紫绀等，即同位关系。

按照本发明所述方法建立症状库和疾病库，并建立疾病模型和患者模型；疑似疾病A的疾病模型为α＝(a₁，a₂，…，a_k，…，a_m)，共包含m个症状；患者模型B为β＝(b₁，b₂，…，b_j，…，b_n)，共包含n个症状；利用步骤6所述如下两种方法之一，获得该患者患有疑似疾病的可能性：

(1)计算患者向量

与步骤3构建的各疾病向量之间的角度，向量之间角度越小则认为患者患有该疾病的可能性越大；特别说明的是，在此情况下，待进行角度计算的，患者向量和疾病向量需具有同样的维度，即患者模型和疾病模型需具有同样的症状个数，并且相同症状应在这两个模型中位于相同的位置，即相同下标的a_k和b_j应具有相同的含义；

这是因为在疾病模型和患者模型的向量空间中，将需要比对的疾病及患者所具有的症状ak所在位置表述为未有的症状表述为0，该患者的所有症状的权重构成一个在向量空间的坐标

计算患者向量与各个疾病向量的角度，角度越小则认为该患者患有该疾病的可能性越大。

然而在计算两个向量夹角余弦的时候，两个向量的维度必须相同，否则没法计算，所述向量夹角的余弦可以用如下的方法获得，在计算过程中，我们对内积和向量长度的计算进行了改进(见步骤6的下述第二种方法)；

Sim (A, B) = \frac{Σ_{k = 1}^{m} (Σ_{j = 1}^{n} W_{a_{k}} W_{b_{j}} T_{kj})}{{(Σ_{k = 1}^{m} [Σ_{j = 1}^{m} {(W_{a_{k}} T_{a_{kj}})}^{2} + W_{a_{k}}^{2}]) (Σ_{j = 1}^{n} [Σ_{k = 1}^{n} {(W_{b_{j}} T_{b_{jk}})}^{2} + W_{b_{j}}^{2}])}^{\frac{1}{2}}}

其中，是该疾病模型中症状a_k的权值，T_kj表示两个症状a_k和b_j之间的距离，在步骤1给定症状库中每两个症状之间的关联关系的基础上，由于不同症状的相似性，必须给出患者模型B中的症状b_j与待比对的疾病模型A中的症状a_k之间的距离，该距离依据步骤1建立的症状库所规定的症状之间的关联关系获得。例如：完全相同则距离为1，从属关系则距离为0.5，兄弟关系则距离为0.25，同义关系则距离为1，相似关系则距离为0.6，距离的取值是据经验来设置的，在使用过程中可以逐步调整。

表示疑似疾病模型A中症状a_k和a_j之间的距离，

表示患者模型B中症状b_j和b_k之间的距离。这两个距离也依据步骤1建立的症状库所规定的症状之间的关联关系获得。和

的定值原则为：完全相同则距离为1，从属关系则距离为0.5，兄弟关系则距离为0.25，同义关系则距离为1，相似关系则距离为0.6，距离取值也是根据经验来设置的，在使用过程中可以逐步调整。

根据步骤6给出的该患者患有各疾病的可能性，从高到底进行排序，将可能性较大的疾病作为最终的辅助诊断结果。

作为优选，步骤6还包括：步骤6进行之前，还包括预先对疾病模型进行粗筛，然后对粗筛得到的疑似疾病集合进行步骤6，即计算当前患者模型B与粗筛获得的疑似疾病集合中各疾病的疾病模型之间的相似度。

所述对疾病模型进行粗筛获得疑似疾病集合的方法包括如下步骤：

其中：

P (H_{i} | b_{j}) = \frac{P (b_{j} | H_{i}) P (H_{i})}{Σ_{i = 1}^{D} P ({b_{j} / H}_{i}) P (H_{i})}

其中b_j表示特定症状，H_i表示特定疾病，P(H_i|b_j)为患者出现症状b_j时，患疾病H_i的概率；P(b_j|H_i)为患者患疾病H_i时出现症状b_j的概率；P(H_i)为患者患疾病H_i的先验概率，通常为预设值；D为疾病库中疾病模型的个数；

步骤b：选出步骤a所获得的概率高于预设阈值的疾病模型作为疑似疾病集合，作为优选，所述预设阈值取0.2。

在本实施例中，将用户输入的症状建立该用户的患者模型，先进行Bayes概率计算后，对概率大于阈值的疑似疾病再分别与患者模型(输入的症状集合)进行相似度计算，进行推理和疑似疾病的排序，依照可能性罗列出疑似的疾病，作为就诊参考。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.面向偏差性症状描述的自动辅助诊断方法，其特征在于，包括如下步骤：

步骤1：根据医学知识库中的症状的规范名称补充与这些基本症状具有上下位、同位等关联关系的症状条目，将基本症状条目和补充的各症状条目作为症状库的构成元素，并建立和保存症状库中每两个症状之间的关联关系；

步骤2：将每种疾病相关的症状的集合构成一个疾病模型α＝(a₁，a₂…，a_k，…，a_m)，其中m为该疾病所表现出的症状的个数；将各疾病模型作为疾病库的构成元素；

步骤3：把每个疾病模型构建为一个疾病向量，构建方法为：

以该疾病模型包含的所有症状的权值构成疾病向量

其中

是该疾病模型中症状a_k的权值，其取值表示症状a_k与该疾病之间的关联程度，权值越大则关联程度越高；根据临床经验和专家数据预先设置；

步骤5：将当前患者模型构建为一个患者向量；构建方法为：

以当前患者模型B中包含的所有症状的权值构成患者向量

其中

Sim (A, B) = \frac{Σ_{k = 1}^{m} (Σ_{j = 1}^{n} W_{a_{k}} W_{b_{j}} T_{kj})}{{(Σ_{k = 1}^{m} [Σ_{j = 1}^{m} {(W_{a_{k}} T_{a_{kj}})}^{2} + W_{a_{k}}^{2}]) (Σ_{j = 1}^{n} [Σ_{k = 1}^{n} {(W_{b_{j}} T_{b_{jk}})}^{2} + W_{b_{j}}^{2}])}^{\frac{1}{2}}}

其中，

表示疾病模型A中症状a_k和a_j之间的距离，

表示患者模型B中症状b_j和b_k之间的距离；这两个距离也依据步骤1建立的症状库所规定的症状之间的关联关系获得；

2.根据权利要求1所述面向偏差性症状描述的自动辅助诊断方法，其特征在于，步骤1所述每两个症状之间的关联关系包括上下位、同位关联关系；其中所述上下位关系包括症状之间的从属关系，所述同位关系包括同义、近义、相似关系。

3.根据权利要求1所述面向偏差性症状描述的自动辅助诊断方法，其特征在于，步骤6中，患者模型B中的症状b_j与待比对的疾病模型A中的症状a_k两症状之间的距离取值如下：b_j与a_k完全相同则之间距离T_kj为1；若b_j与a_k为从属关系则距离为0.5；若b_j与a_k为兄弟关系则距离为0.25；若b_j与a_k为同义关系则距离为1；若b_j与a_k为相似关系则距离为0.6；若b_j与a_k为无关系则距离为0。

4.根据权利要求1所述面向偏差性症状描述的自动辅助诊断方法，其特征在于，步骤6中，

和

的取值原则为：两症状完全相同则距离为1；从属关系则距离为0.5；兄弟关系则距离为0.25；同义关系则距离为1；相似关系则距离为0.6；无关系则距离为0。

5.根据权利要求1所述面向偏差性症状描述的自动辅助诊断方法，其特征在于，步骤6进行之前，还包括预先对疾病模型进行粗筛，然后对粗筛得到的疑似疾病集合再进行步骤6，即计算当前患者模型B与粗筛获得的疑似疾病集合中各疾病的疾病模型之间的相似度。

6.根据权利要求5所述面向偏差性症状描述的自动辅助诊断方法，其特征在于，所述对疾病模型进行粗筛获得疑似疾病集合的方法包括如下步骤：

其中：

P (H_{i} | b_{j}) = \frac{P (b_{j} | H_{i}) P (H_{i})}{Σ_{i = 1}^{D} P ({b_{j} / H}_{i}) P (H_{i})}

步骤b：选出步骤a所获得的概率高于预设阈值的疾病模型作为疑似疾病集合。

7.根据权利要求6所述面向偏差性症状描述的自动辅助诊断方法，其特征在于，步骤b所述预设阈值取0.2。