Jednoczesna ocena informacji ilościowej i jakościowej podczas wspomagania diagnostyki medycznej

Diagnoza medyczna bazuje na niepełnej i nieprecyzyjnej informacji, dlatego algorytmy wspomagania wnioskowania medycznego muszą spełniać specyficzne wymagania. Praca koncentruje się na jednoczesnej i równoważnej ocenie parametrów medycznych rozmaitej natury: mierzalnych (np. testy laboratoryjne), formułowanych ściśle (ciąża), określanych nieprecyzyjnie (przyrost wagi), a czasem definiowanych w umownej skali (ból). Proponuje się modelowanie wnioskowania medycznego z zastosowaniem teorii Dempstera-Shafera rozszerzonej poprzez zdefiniowanie rozmytych elementów ogniskowych. Pozwala to na reprezentację wiedzy w postaci reguł. W przesłankach tych reguł mogą występować zarówno zmienne ilościowe, jak i jakościowe. Każdej regule jest przypisana wartość bazowego prawdopodobiestwa zdefiniowanego zgodnie z teorią Dempstera-Shafera. Funkcje przynależności charakteryzujące zmienne w przesłankach reguł oraz rozkładu bazowego prawdopodobieństwa można wyznaczyć na podstawie danych uczących. Wniosek diagnostyczny jest wynikiem porównania wartości miar przekonania (Bel) dla kilku hipotez. Przedstawiony model wnioskowania został zweryfikowany się dla 3 niezależnych baz danych dotyczących chorób tarczycy.

Medical diagnosis is based on uncertain and imprecise information. Therefore, algorithms that support medical inference comply with specific requirements. This paper is focused on simultaneous and equal estimation of medical parameters of different nature: measurable (like laboratory tests), precisely formulated (pregnancy), described in an imprecise way (putting on weight), or defined on an assumed scale (pain). It is suggested to model a medical inference in the framework of the Dempster-Shafer theory extended for fuzzy focal elements. By means of the proposed algorithm, diagnostic rules can be formulated. Premises of the rules may include both quantity and quality variables. Each rule is assigned with a value of the basic probability assignment that is defined according to the Dempster-Shafer theory. Membership functions of rule predicates as well as the basic probability assignment are found from training data. The diagnostic conclusion is formulated after a comparison of belief values for several hypotheses. The model of inference is verified for 3 independent data bases of thyroid gland diseases.