CN109003671A

CN109003671A - 一种基于模糊决策的疾病概率计算系统及方法

Info

Publication number: CN109003671A
Application number: CN201810715360.8A
Authority: CN
Inventors: 薛方正; 刘浩
Original assignee: Chongqing Pomelo Technology Co Ltd
Current assignee: Chongqing Pomelo Technology Co Ltd
Priority date: 2018-06-29
Filing date: 2018-06-29
Publication date: 2018-12-14

Abstract

本发明公开了一种基于模糊决策的疾病概率计算系统，症状获取模块，用于获取用户的症状信息，所述症状信息包括症状的名称及症状的严重程度信息；模糊化模块，用于对所述严重程度信息通过隶属函数进行模糊化；专家经验规则库，用于存储多条规则，所述规则为某一疾病和该疾病的所有症状及症状的严重程度；模糊推理模块：用于根据模糊化后的症状信息以及专家经验规则库内的规则，利用模糊推理计算出专家经验规则库内规则所对应的疾病发生的概率；本发明还公开了一种基于模糊决策的疾病概率计算方法，通过计算疾病发生的概率给与分诊人员指导信息,解决了现有手段疾病判断准确率低，分诊效率低下的问题。

Description

一种基于模糊决策的疾病概率计算系统及方法

技术领域

本发明涉及智能推理技术领域，具体涉及一种基于模糊决策的疾病概率计算系统及方法。

背景技术

随着社会的发展进步，人们对自己的健康状况越来越重视，无论大病小病都去大医院就诊，这就造成了很多三甲医院一直处于超负荷的工作状态。病人对自己的疾病没有正确判断，会造成重复排队就医的困扰，而医生也在进行无用的重复劳动，分散医生精力，工作效率低下。这一情况进一步加大了老年人就诊的难度。为解决上述问题，现在大多数医院都只设立就诊指引台，就诊人向护士简要描述症状，由护士的主观经验来初步判断疾病类型；由于工作量大，询问不仔细或医学知识及经验不足，疾病判断准确率低，还是解决不了重复排队、重复诊断的问题。

现亟需新的技术手段，通过智能系统更为准确的判断就诊者可能患有的疾病及其概率，即减少人力消耗，又可保证疾病判断的准确性，从而提高分诊的效率。

发明内容

本发明目的之一是提供一种基于模糊决策的疾病概率计算系统，通过计算疾病发生的概率给与分诊人员指导信息,从而解决现有手段疾病判断准确率低，分诊效率低下的问题。

基于模糊决策的疾病概率计算系统，包括：

症状获取模块，用于获取用户的症状信息，所述症状信息包括症状的名称及症状的严重程度信息；

模糊化模块，用于对所述严重程度信息通过隶属函数进行模糊化；

专家经验规则库，用于存储多条规则，所述规则为某一疾病和该疾病的所有症状及症状的严重程度；

模糊推理模块：用于根据模糊化后的症状信息以及专家经验规则库内的规则，利用模糊推理计算出专家经验规则库内规则所对应的疾病发生的概率。

本系统利用模糊化的输入和专家经验规则库可以较准确的推断疾病的发生概率，结论足以满足分诊的需求，专家经验规则库的使用避免医学知识及经验不足所造成的疾病判断准确率低；模糊推理为数学方法，属于模糊数学范畴，其原理是在已知规则和规则的结论的基础上，获取的条件从而在已知的结论中匹配得到最接近的结论，同时还能得知条件与规则间的差距，从而估计该结论正确的概率，当今常用的模糊推理方法很多，在此不作赘述，这些方法均可利用计算机等智能设备完成，推理过程不依靠人力，大大提高了分诊的效率。

进一步，所述模糊推理模块，用于通过计算模糊化后的症状信息与专家经验规则库中的每一规则的贴近度作为该规则所对应的疾病发生的概率。

贴进度计算用于推理，不仅可以得到推理结果还可以得到推理结果的可能性概率，为推理结果的比对提供量化标准，从而可以利用数值选择最合适的推理结果。

进一步，所述严重程度信息从由低到高的有限个等级中选取。

将严重程度信息离散化，减少计算量。

进一步，还包括修正模块，用于通过修正函数对所得贴近度进行修正，得出最终修正结果表征该规则所对应的疾病发生的概率。

通过用修正函数对经过加以改进，使得出的结果更符合实际情况。

本发明目的之二是提供一种基于模糊决策的疾病概率计算方法，包括：

症状获取步骤：获取用户的症状信息，所述症状信息包括症状的名称及症状的严重程度信息；

模糊化步骤：对所述严重程度信息通过隶属函数进行模糊化；

模糊推理步骤：根据模糊化后的症状信息以及专家经验规则库内的规则，利用模糊推理计算出专家经验规则库内规则所对应的疾病发生的概率；

所述专家经验规则库存储多条规则，所述规则为某一疾病和该疾病的所有症状及症状的严重程度。

本方法利用模糊化的输入和专家经验规则库可以较准确的推断疾病发生的概率，结论足以满足分诊的需求，专家经验规则库的使用避免医学知识及经验不足所造成的疾病判断准确率低；模糊推理为数学方法，属于模糊数学范畴，其原理是在已知规则和规则的结论的基础上，获取的条件从而在已知的结论中匹配得到最接近的结论，同时还能得知条件与规则间的差距，从而估计该结论正确的概率，当今常用的模糊推理方法很多，在此不作赘述，这些方法均可利用计算机等智能设备完成，推理过程不依靠人力，大大提高了分诊的效率。

进一步，在所述逻辑推理步骤中，计算模糊化后的症状信息与专家经验规则库中的每一规则的贴近度作为该规则所对应的疾病发生的概率。

进一步，所述贴近度以以下方法计算：

将所有隶属函数以同样的抽样频率抽样为离散的隶属度向量；

设A为所得的某一症状的严重程度的隶属度向量，B为某一规则内同一症状的严重程度的隶属度向量，则有该症状的贴进度SM(A,B)的计算如下：

而所有所得症状与该规则的贴进度则为，逐一计算该规则内每一个症状与所得症状集中同一症状的贴进度后，所得所有症状的贴进度的算数平均值。

进一步,所述专家经验规则库中的每一规则均对应疾病严重程度信息；

同一疾病的不同严重程度各自对应一条单独的规则。

即便是同一疾病，但如果其严重程度不同，带来的各种症状也会不尽相同，所以在规则库中将同一疾病以不同严重程度来划分后，并相互区别建立规则，推理的准确性更高。

进一步，还包括修正步骤：用修正函数对所得贴近度进行修正，得出最终修正结果表征该规则所对应的疾病发生的概率。

附图说明

图1为本发明实施例1中的基于模糊决策的疾病概率计算系统的示意性框图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例1

本实施例中的基于模糊决策的疾病概率计算系统，包括：

模糊推理模块：用于根据模糊化后的症状信息以及专家经验规则库内的规则，利用模糊推理计算出专家经验规则库内规则所对应的疾病发生的概率；

本模块中通过计算症状信息与专家经验规则库内的各个规则的贴近度作为各规则所对应的疾病发生的概率；

修正模块，用于通过修正函数对所得贴近度进行修正，得出最终修正结果表征这些规则所对应的疾病发生的概率。

专家经验规则库

本实施例中的专家经验规则库通过数据库体现的知识主要包括疾病、症状及疾病每个症状对应的发生概率，数据库分为症状库、疾病库、疾病隶属度库和规则库。

其中，每种疾病和它的所有症状及症状的严重程度就构成一条专家系统的规则，本实施例中的规则库事先由医学专业人士填写制定，也可以从医学书籍中得到，或是从实际病例数据中提取，总的来说，是从既往的经验中提取出来的。以下三个表格分别是专家系统中用到的症状库、疾病库、规则库的示例。

表1症状库

表2疾病库

表3规则库(部分)

表3中行为症状库中的编号，列为疾病库中的编号；而为了使系统能够更好的进行疾病诊断，我们把每个症状遵循疾病医学诊断的评判标准划分为了由低到高的多个等级，每个等级用一个模糊量词来表示，为了方便，用于表征严重程度的模糊量词用表内的数字记，即“特别严重”＝0，“很严重”＝1，“严重”＝2，“比较严重”＝3，“一般”＝4，“有点”＝5，“轻微”＝6，“无”＝7记模糊量词“特别严重”＝0，“很严重”＝1，“严重”＝2，“比较严重”＝3，“一般”＝4，“有点”＝5，“轻微”＝6，“无”＝7，症状及其严重程度组成了规则的条件部分，而疾病则是规则的结论部分。

同时，疾病也有严重程度之分，采用同样的等级来区分，而疾病的严重程度信息保存在如表4所示的疾病隶属度库中。所以，在更为完备结论库和规则库中，疾病及其规则均被进一步按照严重程度细分，即多个编号对应同一疾病名称，但他们各自在疾病隶属度库中所对应的严重程度不同，本实施例中，疾病的严重程度和症状的严重程度采用同样的模糊量词；

表4疾病隶属度库

病症	y₁	y₂	y₃	y₄	y₅	y₆	y₇	y₈	y₉	y₁₀	y₁₁	y₁₂	y₁₃
														隶属度	2	3	1	0	3	3	1	2	3	4	2	1	2
y₁₄	y₁₅	y₁₆	y₁₇	y₁₈	y₁₉	y₂₀	y₂₁	y₂₂	y₂₃	y₂₄	y_2５	y₂₆
														4	3	0	2	3	4	4	1	1	2	2	3	3

如此，诸如“如果有比较严重的咳嗽和一般程度的咳痰，那么该病人有严重的支气管哮喘病。”这样的经验知识，则可被表示为规则库中的规则1(表3中对应编号y1的第一行)，其前提为“有比较严重的咳嗽和一般程度情况下的咳痰”，结论为“有严重的支气管哮喘病”，

模糊化

模糊化过程主要是把分明值转换成模糊集的隶属函数。由于严重程度是一个模糊的概念，采用的是模糊量词，其模糊度需要用隶属函数来表示；为了使系统能够更好的进行疾病诊断，也更为贴近实际情况，本实施例中的各个模糊量词的隶属函数采用了如表4所示的正态分布(0到1之间)。为了便于计算机处理，我们将模糊量词的隶属函数经抽样离散化后得到表6中的长度为6的隶属度向量(下文中简称隶属度)。

表5各模糊量词所对应的隶属函数

表6各模糊量词值离散化后的隶属度向量

模糊推理

模糊推理通过各种控制规则的推理，结果被合成在一起，产生一个“模糊推理输出”的集合，本实施例采用贴近度推理算法，具体过程如下：

首先，本实施例所使用的隶属度A和隶属度B的贴近度计算公式为：

其次，模式匹配，也就是将病人出现的症状与规则库中疾病对应的症状进行贴近度计算。

病人提供的是一个症状集合X，先用贴近度公式计算病人症状Xi与规则库中规则R1的症状Xi的贴近度，得到i个症状的贴近度后，将这i个贴近度求和后除以i，得到的就是病人症状集X与规则R₁的贴近度，也就是病人患疾病R1的概率。依次计算病人症状集X与规则库中其它规则(R₂,R₃,R₄……)的贴近度，最终得到病人患有规则库中疾病的全部概率。

最后，根据事先确定的贴近度的阈值σ判断是否激发某一规则，即是否将其纳入“模糊推理输出”的集合。

例如：假设用户出现了比较严重的腹痛，轻微的腹胀，轻微的恶心和有点呕吐的症状。阈值σ＝0.9，根据表6可知：“无”＝[1,0,0,0,0,0]，“比较严重”＝[0,0.03,0.11,0.83,0.83,0.11]。

与规则有R₁进行比较：

设r为规则内的症状严重程度隶属度，t为所得症状集中的症状症状严重程度隶属度；

计算第一个症状：因为症状“热”在规则R₁和所得症状中都没有，所以

SM₁(r₁，t₁)＝1

计算第二个症状：

同理，得出与规则R₁所有症状的贴近度的计算。为了方便把SM₁(r₁，t₁)记为S1， SM₁(r₂，t₂)记为S2，以此类推，所得结果如表7所示。

表7输入症状与规则R₁的匹配结果

S₁	S₂	S₃	S₄	S₅	S₆	S₇	S₈	S₉	S₁₀	S₁₁	S₁₂
												1	0.38	0.38	1	1	1	1	0.38	1	0.78	1	1
S₁₃	S₁₄	S₁₅	S₁₆	S₁₇	S₁₈	S₁₉	S₂₀	S₂₁	S₂₂	S₂₃
												1	1	1	0.68	0.78	1	1	1	1	1	1

将所得的上表结果求和平均计算后得贴进度0.88，即，与第一条规则匹配后的值为0.88，同理得出与所有规则比较的结果，如表8。

表8输入症状与规则库的匹配结果

R₁	R₂	R₃	R₄	R₅	R₆	R₇	R₈	R₉	R₁₀	R₁₁	R₁₂	R₁₃
													0.88	0.87	0.87	0.84	0.89	0.87	0.85	0.88	0.94	0.94	0.90	0.94	0.89
R₁₄	R₁₅	R₁₆	R₁₇	R₁₈	R₁₉	R₂₀	R₂₁	R₂₂	R₂₃	R₂₄	R₂₅	R₂₆
													0.90	0.93	0.91	0.95	0.98	0.88	0.86	0.92	0.90	0.90	0.87	0.88	0.91

通过与阈值α＝0.9比较，当结果大于该阈值时，规则被激发；否则规则不被激发，所得结果如表9。

表9匹配结果与阈值比较结果

R₉	R₁₀	R₁₁	R₁₂	R₁₄	R₁₅	R₁₆	R₁₇	R₁₈	R₂₁	R₂₂	R₂₃	R₂₆
													0.94	0.94	0.90	0.94	0.90	0.93	0.91	0.95	0.98	0.92	0.90	0.90	0.91

最后通过比较得出规则R₁₈的值为最大值。

修正模块

对于基于贴近度计算得到的结果，通常用修正函数加以改进，使系统得出的结果更符合实际情况，本实施例选择衰减型修正函数，遵循Zadeh的模糊数乘法运算。

使用所选规则所对应的疾病的严重程度的隶属度，与贴进度进行模糊数乘法运算；例如，R18的严重程度为“比较严重”，而根据表6“比较严重”＝[0,0.03,0.11,0.83,0.83,0.11]，用该向量与贴近度(0.98)做模糊数乘法运算以得到修正后的贴进度如下：

B^*＝ (0∧0.98)∨(0.03∧0.98)∨(0.11∧0.98)∨(0.83∧0.98)∨(0.83∧0.98)∨(0.11∧0.98) ＝0.83

所以，患者患有所选规则所对应的疾病的概率为83％。

系统及其工作流程

本实施例中的系统，连接有输入和输出设备，用户的症状及症状的程度作为系统的输入到症状获取模块，例如，用户输入非常头痛，则输入即为症状——头痛和程度——非常。系统根据输入的症状和症状程度进行模糊推理，得出用户可能患有的疾病及患该疾病的概率放入临时数据库，该数据库按疾病概率由大到小排序。当输入的症状数量达到上，限(症状数量阈值N，此处暂设为5)时，系统结束推理，根据疾病概率阈值P(即贴近度阈值σ)，输出概率最大且大于P的M个疾病(疾病输出数量M此处暂设为3，例如，经模糊推理后，有4种疾病概率均大于P，则输出概率最大的3种疾病)。

其中，整个基于贴近度的推理算法的步骤如下：

第一步：初始化

1)确定阈值σ的大小。

2)令i＝1，j＝1。其中i＝1，2，…n，j＝1，2，…，m；n为库内规则的个数，m为获取的症状的个数。

第二步：模式匹配，

将病人出现的症状与规则库中疾病对应的症状进行贴近度计算，将用户数据与某条规则进行贴近度计算；

第三步：规则的选取；

规则选取的过程为：

1)当病人的症状和专家经验规则库中的某一条规则贴近度≥σ时，那么这条规则将被激发，此时若i＝n，j＝m，则转入3)，否则转入第二步；若贴近度<σ时，该规则不被激发，此时若i＝n，j＝m，则转入3)，否则转入第二步。

2)当只有一条规则被激发时，系统会输出该规则的结论部分；若没有一条规则被激发，系统输出“没有符合条件的疾病，建议用户去医院就诊”。

3)当有来自专家经验规则库的多条规则被激发时，系统会自动对满足结果的值进行比较，因为贴近度值越大说明规则越接近，所以选出贴近度值最大的一条或多条规则，并且输出这些规则的结论部分，结论包括了疾病名称、疾病严重程度；若有多条规则的贴近度值同样大时，系统会同时输出这几条规则的结论部分。

第四步：计算推理结果

用第三步结论中的疾病严重程度的隶属度对所选规则的贴近度进行相应的修正，得出最终修正结果。

系统最终输出的结果包括，是否患有疾病、何种疾病、疾病的严重情况以及患病的概率，如“患有疾病肠梗阻比较严重0.83”。

实施例2

本实施例与实施例1的区别在于，首先，本实施例中的基于模糊决策的疾病概率计算系统被应用在个人的移动终端或是平板电脑上，使得使用者可以在家中使用该系统，而不是一定要到医院才能使用，使得使用者可以在去往医院以前就做好疾病的概率估计。

其次，本实施例还包括调用移动终端或是平板电脑上的摄像头，用于拍摄用户每次就诊后的病例文件和处方文件，再通过文字提取模块将出病例文本和处方文本，文本包括了病例上的诊断结果、病症描述、医生、时间，以及处方上的的时间、药量、开药的医生等处方和病例上所有用文字显示的信息，形成用户个人的既往病例库；另外本实施例还包括一个专家处方库，存有各类疾病、不同严重程度的疾病对应的常用药物及用量信息；还包括一药物匹配模块，该模块接受来自推理模块的推理结果，根据结果内的疾病名称和严重程度查询常用药物和用量，并通过移动终端或是平板电脑的显示屏幕显示出来；同时还会从既往库内查询在一定时间段内，是否有处方内包含了同样的药物以及该处方上该药物的量，并显示在显示屏幕上；其形式为“您可能已经于XX年XX月购买了XX克XX药物，请注意查看是否还有剩余”，这样就可以让用户清楚的得知现在家里可能有某药物，通过核实后，在就诊时告诉医生，家里有此类药物，如果医生也要开同样的药物，或是类似的药物，那么就可以减少开药量，避免重复开药，造成浪费。

另外，本实施例还包含一不可同时使用的药物的药物知识图普数据库，以及一个药物提醒模块，该模块通过查询时间为近期内的处方得到近期处方上的药物，并从药物知识图普数据库内查询不能跟这些药物一起使用的药物通过屏幕显示出来，其形式为“您可能已经于在近期内服用了XX药物，请注意该药物不可与XX药物一起使用，请注意”，用户核实后，在就诊时就可以根据该信息提醒医生自己服用过的药物，或者注意医生开的药物是否不能用这些药物一起服用。该功能避免了一位忘记自己近期服用过的药物而造成新开药物给自己身体带来的危害。

另外，还包括一新病例和处方比对模块，用于在接收到新的新病例和处方时根据病例内的疾病和严重程度在自己的既往病例库中查询既往的病例中，同样的疾病和严重程度所对应的处方信息进行比较，如果二者有较大差距，则提醒用户，用户可以当场询问医生是否是有别的原因造成了处方的巨大区别，处方的区别可以通过用关键特征集来表示处方和其对应疾病，并用等值维度计算法来计算。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims

1.一种基于模糊决策的疾病概率计算系统，其特征在于：包括以下步骤：

专家经验规则库，用于存储多条规则，所述规则为某一疾病和该疾病的所有症状及症状的严重程度信息；

2.根据权利要求1所述的基于模糊决策的疾病概率计算系统，其特征在于：所述模糊推理模块，用于通过计算模糊化后的症状信息与专家经验规则库中的每一规则的贴近度作为该规则所对应的疾病发生的概率。

3.根据权利要求1所述的基于模糊决策的疾病概率计算系统，其特征在于：所述严重程度信息从由低到高的有限个等级中选取。

4.根据权利要求2所述的基于模糊决策的疾病概率计算系统，其特征在于：还包括修正模块，用于通过修正函数对所得贴近度进行相修正，得出最终修正结果表征该规则所对应的疾病发生的概率。

5.一种基于模糊决策的疾病概率计算方法，其特征在于：包括：

规则获取步骤：从一专家经验规则库获取规则，所述规则为某一疾病和该疾病的所有症状及症状的严重程度；

模糊推理步骤：根据模糊化后的症状信息以及专家经验规则库内的规则，利用模糊推理计算出专家经验规则库内规则所对应的疾病发生的概率。

6.根据权利要求5所述的基于模糊决策的疾病概率计算方法，其特征在于：在所述逻辑推理步骤中，计算模糊化后的症状信息与专家经验规则库中的每一规则的贴近度作为该规则所对应的疾病发生的概率。

7.根据权利要求6所述的基于模糊决策的疾病概率计算方法，其特征在于：所述贴近度以以下方法计算：

其中，u为向量内的抽样值，n为抽样次数；

8.根据权利要求6所述的基于模糊决策的疾病概率计算方法，其特征在于：所述专家经验规则库中的每一规则均对应疾病严重程度信息；

同一疾病的不同严重程度各自对应一条单独的规则。

9.根据权利要求8所述的基于模糊决策的疾病概率计算方法，其特征在于：还包括修正步骤：用修正函数对所得贴近度最大的规则的贴近度进行相修正，得出最终修正结果表征该规则所对应的疾病发生的概率。