14、医疗管理预测分析与多模态人机交互系统

医疗管理预测分析与多模态人机交互系统

1. 贝叶斯信念网络在医疗预测中的应用

1.1 条件概率表与联合概率计算

在信念网络中，每个向量都有一个条件似然表（CPT）。以向量 Y 为例，其 CPT 定义了 P(Y) 的条件分布，其中 parents(Y) 是 Y 的父节点。对于变量的每个已知值，都会给出其父节点所有可能值组合下的条件概率。

例如，使用特定符号表示：D → 糖尿病，A → 遗传，B → 血压。已知 P(糖尿病 = 是|遗传 = 是, 血压 = 是) = 0.8 ，P(糖尿病 = 否|遗传 = 否, 血压 = 否) = 0.9。

设 M = (x1, …,xn) 是分别由 Y1, …, Yn 描述的数据元组。在网络图中，给定其亲属节点，每个元素与其非后代节点条件独立。这使得网络可以使用以下方程完全表示现有的联合概率分布：
[P(X_1, …, X_N) = \prod_{i = 1}^{N} P(X_i | Parents(X_i))]
此方程用于从条件概率表中计算联合概率。

1.2 实验分析

1.2.1 数据预处理

在进行分类分析时，使用了一种自动分类器，以心脏病数据集为例进行验证。首先进行预处理，从 Kaggle 存储库中提取数据集，使用 Weka 工具的替换缺失值过滤器来处理数据集中的空字段。

1.2.2 分类结果与评估

由于疾病数据集是从像 Kaggle 这样的免费数据源获取的，结果以“是”和“否”两种类别形式呈现，因此使用 2×2 混淆矩阵。假设类别描述为 C 和 D，其中：
- 类别 C = 是（