8、从文本中获取用于医疗系统应用的支持决策树

从文本中获取用于医疗系统应用的支持决策树

1. 引言

近年来，人工智能（AI）取得了巨大进展，计算机承担诊断支持角色的想法变得更加可行。AI的应用已经影响了临床程序中的决策过程，例如控制麻醉深度和检测药物相互作用。几乎在医学的每个领域都开发了支持医生诊断过程的软件工具。

专家系统（ES）旨在为复杂的医学问题提供专家级的解决方案。为特定疾病开发ES的主要动机是通过帮助医生以最少的时间和精力获得正确诊断，来弥补人类专家的不足。ES还可以作为新毕业医生的教育工具，协助他们与患者的工作，并帮助他们做出诊断决策。ES的用户界面允许医生（并非都精通计算机）输入症状和检查结果，并输出诊断结果。

由于确定导致一组给定症状和健康问题的潜在疾病通常很困难，特别是当体征和症状不明确时。此外，某些罕见疾病的专家很少，特别是在贫穷和发展中国家，因此ES在这些情况下更有价值。

几十年来，基于规则的医学AI系统一直是医生验证其假设的日常工具。这些系统在确保高可靠性的同时，不使用任何训练数据。基于规则的AI系统，特别是基于规则的医学ES的另一个特点是透明度，这意味着更容易解释结果并理解得出结论的推理过程。在基于规则的推理中，知识由规则（通常以IF…THEN…形式）表达。这些规则可以是新开发的，也可以从决策表或决策树（DecTs）中提取。

DecTs是易于解释的机器学习（ML）模型的示例，但其预测准确性通常相当低。同时，像随机森林这样的DecT集成显示出高预测准确性（但它们是无法解释的黑盒模型）。DecTs通常模仿人类思维，因此很容易跟踪结果并做出合理的解释。与支持向量机（SVMs）或深度学习（DL）等黑盒算法不同，DecTs能让AI开发者看到数据解释的逻辑。