融合偏好学习和证据推理的疾病智能辅助诊断方法

doi:10.16381/j.cnki.issn1003-207x.2024.0608

摘要/Abstract

摘要：

伴随着医疗数字化转型^{的发展，如何利用患者在诊疗过程中生成的复杂多样诊疗信息进行智能分析，识别影响疾病的关键特征并准确诊断患者的病情，对辅助医生制订诊疗方案和提供治疗建议具有重要意义。基于此，本研究提出了一种融合偏好学习和证据推理的疾病智能辅助诊断方法。首先，考虑不同疾病特征对诊断结果影响的差异，建立了偏好学习模型获取不同特征权重，进而识别核心特征集。其次，以不同分类算法为基础构建异质基分类器，实现对患者病情的预测；进一步，为提高疾病诊断准确率，引入证据推理对基分类器的预测结果进行集成融合，辅助医生实现病情判断。最后，以实际医学数据集为例，对本文所提方法的可行性和有效性进行了验证。}

关键词: 特征选择, 偏好学习, 证据推理, 集成学习, 智能诊断

Abstract:

With the development of digital transformation in healthcare， intelligently analyzing the complex and diverse diagnosis and treatment information generated during patients' diagnosis and treatment processes， identifying key features that affect diseases， and accurately predicting patients' conditions are of great significance for assisting doctors in formulating diagnosis and treatment plans and providing treatment recommendations. Based on this， an intelligent auxiliary diagnosis method for diseases is proposed that integrates preference learning and evidential reasoning. Firstly， considering the differences in the impact of various disease features on diagnosis results， a preference learning model is established to obtain the weights of different features， thereby identifying the core feature set. Secondly， heterogeneous base classifiers are constructed based on different classification algorithms to realize the prediction of patients' conditions. Furthermore， to improve the accuracy of disease diagnosis， evidential reasoning is introduced to integrate and fuse the prediction results of the base classifiers， assisting doctors in judging patients' conditions. Finally， the feasibility and effectiveness of the method proposed in this paper are verified with actual medical datasets as examples.

Key words: feature selection, preference learning, evidential reasoning, ensemble learning, intelligent diagnosis

中图分类号:

C934

陈希,窦友婍,张文博. 融合偏好学习和证据推理的疾病智能辅助诊断方法[J]. 中国管理科学, 2026, 34(7): 177-188.

Xi Chen,Youqi Dou,Wenbo Zhang. An Intelligent Auxiliary Diagnosis Method for Diseases Integrating Preference Learning and Evidential Reasoning[J]. Chinese Journal of Management Science, 2026, 34(7): 177-188.

图/表 16

图1

表1

模型分类预测结果矩阵"

	$T j$ correct	$T j$ incorrect
$T i$ correct	$N 11$	$N 10$
$T i$ incorrect	$N 01$	$N 00$

表1

表2

UCI甲状腺癌临床数据集16个特征"

特征符号	特征名称	特征符号	特征名称
$a 1$	年龄	$a 9$	病理学
$a 2$	性别	$a 10$	焦点
$a 3$	是否吸烟	$a 11$	风险
$a 4$	Hx吸烟	$a 12$	T指标
$a 5$	Hx放射性	$a 13$	N指标
$a 6$	甲状腺功能	$a 14$	M指标
$a 7$	体检	$a 15$	甲状腺癌阶段
$a 8$	腺病	$a 16$	放射响应效果

表2

表3

UCI甲状腺癌临床数据集的部分病历数据"

病历号	$a 1$	$a 2$	$a 3$	$a 4$	$a 5$	$a 6$	$a 7$	$a 8$
1	26	1	0	0	0	0	0	5
2	75	0	1	0	1	0	1	0
3	52	0	1	0	0	0	3	0
4	40	0	1	0	0	0	3	4
5	62	1	0	0	0	0	2	0
$a 9$	$a 10$	$a 11$	$a 12$	$a 13$	$a 14$	$a 15$	$a 16$	$a 17$
3	0	1	0	2	0	0	3	1
0	1	2	2	0	1	4	3	1
2	1	0	0	0	0	0	1	0
3	1	1	2	2	0	0	3	1
1	0	0	2	0	0	0	0	0

表3

图2

图3

图4

表4

表5

表6

图5

图6

表7

表8

表9

表10

参考文献 27

[1]	Chu X L， Sun B Z， Li X， et al. Neighborhood rough set-based three-way clustering considering attribute correlations： An approach to classification of potential gout groups［J］. Information Sciences， 2020， 535： 28-41.
[2]	Almaghrabi F， Xu D L， Yang J B. An evidential reasoning rule based feature selection for improving trauma outcome prediction［J］. Applied Soft Computing， 2021， 103： 107112.
[3]	Luo J F， Yan H F， Yuan Y B. Risk factors analysis and classification on heart disease［J］. Soft Computing， 2020， 24（17）： 13167-13178.
[4]	Pham T， Tao X H， Zhang J， et al. Constructing a knowledge-based heterogeneous information graph for medical health status classification［J］. Health Information Science and Systems， 2020， 8： 10.
[5]	Ji B Y， You Z H， Cheng L， et al. Predicting miRNA-disease association from heterogeneous information network with GraRep embedding model［J］. Scientific Reports， 2020， 10： 6658.
[6]	Ali F， El-Sappagh S， Islam S M R， et al. A smart healthcare monitoring system for heart disease prediction based on ensemble deep learning and feature fusion［J］. Information Fusion， 2020， 63： 208-222.
[7]	徐良辰，郭崇慧. 基于时间序列特征表示与信息融合的ICU患者死亡风险预测［J］. 系统工程理论与实践， 2022， 42（10）： 2815-2828.
	Xu L C， Guo C H. Mortality risk prediction for ICU patients based on time series feature representation and information fusion［J］. Systems Engineering-Theory & Practice， 2022， 42（10）： 2815-2828.
[8]	Nazari S， Fallah M， Kazemipoor H， et al. A fuzzy inference- fuzzy analytic hierarchy process-based clinical decision support system for diagnosis of heart diseases［J］. Expert Systems with Applications， 2018， 95： 261-271.
[9]	Amin M S， Chiam Y K， Varathan K D. Identification of significant features and data mining techniques in predicting heart disease［J］. Telematics and Informatics， 2019， 36： 82-93.
[10]	郭海湘，黄媛玥，顾明赟，等. 基于自适应多分类器系统的甲状腺疾病诊断方法研究［J］. 系统工程理论与实践， 2018， 38（8）： 2123-2134.
	Guo H X， Huang Y Y， Gu M Y， et al. Thyroid disease diagnosis method research based on adaptive multiple classifier system［J］. Systems Engineering —Theory & Practice， 2018， 38（8）： 2123-2134.
[11]	许召召，申德荣，寇月，等. 嵌入重采样技术的C4.5决策树集成分类算法的临床医学预测［J］. 控制与决策， 2021， 36（6）： 1342-1350.
	Xu Z Z， Shen D R， Kou Y， et al. Clinical prediction of C4.5 decision tree classification algorithm with embedded resampling technique［J］. Control and Decision， 2021， 36（6）： 1342-1350.
[12]	李瑶琦，周鑫，高卫益，等. 基于Stacking集成学习的急诊患者到达预测［J］. 工业工程与管理， 2019， 24（6）： 180-187+194.
	Li Y Q， Zhou X， Gao W Y， et al. Emergency patient arrival forecast based on stacking ensemble learning［J］. Industrial Engineering and Management， 2019， 24（6）： 180-187+194.
[13]	毕凯，王晓丹，邢雅琼. 基于模糊测度和证据理论的模糊聚类集成方法［J］. 控制与决策， 2015， 30（5）： 823-830.
	Bi K， Wang X D， Xing Y Q. Fuzzy clustering ensemble based on fuzzy measure and DS evidence theory［J］. Control and Decision， 2015， 30（5）： 823-830.
[14]	Wang J， Zhou Z J， Hu C H， et al. Performance evaluation of aerospace relay based on evidential reasoning rule with distributed referential points［J］. Measurement， 2021， 182： 109667.
[15]	Kokkotis C， Moustakidis S， Baltzopoulos V， et al. Identifying robust risk factors for knee osteoarthritis progression： An evolutionary machine learning approach［J］. Healthcare， 2021， 9（3）： 260.
[16]	严颖，黄奇，李娜. 基于优化后集成学习模型的特征选择与疾病高效预警研究——以老年抑郁焦虑为例［J］. 数据分析与知识发现， 2023， 7（7）： 74-88.
	Yan Y， Huang Q， Li N. Feature selection and efficient disease early warning based on optimized ensemble learning model： Case study of geriatric depression and anxiety［J］. Data Analysis and Knowledge Discovery， 2023， 7（7）： 74-88.
[17]	Nahar J， Imam T， Tickle K S， et al. Computational intelligence for heart disease diagnosis： A medical knowledge driven approach［J］. Expert Systems with Applications， 2013， 40（1）： 96-104.
[18]	陈希，张文博，张美霞，等. 基于患者多源融合行为信息的智能化诊断决策方法［J］. 中国管理科学， 2024， 32（11）： 214-221.
	Chen X， Zhang W B， Zhang M X， et al. Intelligent diagnosis decision method based on multi-source fusion of patient behavior information［J］. Chinese Journal of Management Science， 2024， 32（11）： 214-221.
[19]	Abbas A E， Sun Z W. Multiattribute utility functions satisfying mutual preferential independence［J］. Operations Research， 2015， 63（2）： 378-393.
[20]	Liu J， Kadziński M， Liao X， et al. Data-driven preference learning methods for value-driven multiple criteria sorting with interacting criteria［J］. INFORMS Journal on Computing， 2021， 33（2）： 586-606.
[21]	Sun X Y， Chen Y， Liu Y P， et al. Indicator-based set evolution particle swarm optimization for many-objective problems［J］. Soft Computing， 2016， 20（6）： 2219-2232.
[22]	Liang S P， Liu Z， You D L， et al. PSO-NRS： An online group feature selection algorithm based on PSO multi-objective optimization［J］. Applied Intelligence， 2023， 53（12）： 15095-15111.
[23]	李登峰，林萍萍. 基于D-S证据融合和直觉模糊贝叶斯网络双向推理的景区游客拥挤踩踏故障诊断分析［J］. 系统工程理论与实践，2022， 42（7）： 1979-1992.
	Li D F， Lin P P. An intuitionistic fuzzy Bayesian network bidirection reasoning model for stampede fault diagnosis analysis of scenic spots integrating the D-S evidence theory［J］. Systems Engineering-Theory & Practice， 2022， 42（7）： 1979-1992.
[24]	Wu M Q， Song J W， Fan J P. A q-rung orthopair fuzzy multi-attribute group decision making model based on attribute reduction and evidential reasoning methodology［J］. Expert Systems with Applications， 2024， 240： 122558.
[25]	Gao R Z， Cui S Z， Xiao H S， et al. Integrating the sentiments of multiple news providers for stock market index movement prediction： A deep learning approach based on evidential reasoning rule［J］. Information Sciences， 2022， 615： 529-556.
[26]	Du Y W， Wang Y M， Qin M. New evidential reasoning rule with both weight and reliability for evidence combination［J］. Computers & Industrial Engineering， 2018， 124： 493-508.
[27]	Borzooei S， Briganti G， Golparian M， et al. Machine learning for risk stratification of thyroid cancer patients： A 15-year cohort study［J］. European Archives of Oto-Rhino-Laryngology， 2024， 281（4）： 2095-2104.

算法	特征集	准确率	精确率	召回率	特异性	F1值
决策树	原始	0.9383	0.8946	0.8863	0.9587	0.8902
决策树	核心	0.9413	0.8973	0.8948	0.9595	0.8958
线性判别	原始	0.9521	0.9209	0.9083	0.9692	0.9145
线性判别	核心	0.9549	0.9278	0.9115	0.9720	0.9195
逻辑回归	原始	0.9375	0.8904	0.8885	0.9568	0.8892
逻辑回归	核心	0.9476	0.9143	0.8993	0.9666	0.9064
朴素贝叶斯	原始	0.9103	0.9159	0.7511	0.9728	0.8252
朴素贝叶斯	核心	0.9226	0.9220	0.7928	0.9736	0.8524
K近邻	原始	0.9347	0.9463	0.8150	0.9817	0.8755
K近邻	核心	0.9304	0.9185	0.8270	0.9711	0.8702

集成策略	特征集	准确率	精确率	召回率	特异性	F1值
平均法	原始	0.9413	0.9777	0.8102	0.9927	0.8860
平均法	核心	0.9420	0.9777	0.8130	0.9927	0.8877
投票法	原始	0.9465	0.9781	0.8287	0.9927	0.8972
投票法	核心	0.9493	0.9774	0.8398	0.9924	0.9034
ER集成	原始	0.9577	0.9528	0.8944	0.9825	0.9225
ER集成	核心	0.9621	0.9652	0.8981	0.9873	0.9303

特征数据集	决策树DT	线性判别LDA	逻辑回归LR	朴素贝叶斯NB	K近邻KNN
原始特征	0.1434	0.1377	0.2961	0.1692	0.2536
核心特征	0.1022	0.1866	0.2814	0.1968	0.2329

特征	A1	A2	A3	A4	A5	A6	A7
权重	0.0350	0.0919	0.1227	0.0219	0.0038	0.0008	0.0570
特征	A8	A9	A10	A11	A12	A13
权重	0.0000	0.1513	0.0747	0.0910	0.1519	0.1980

特征	A1	A2	A3	A4	A5	A6
权重	0.3973	0.1489	0.0382	0.0061	0.0000	0.1173
特征	A7	A8	A9	A10	A11	A12
权重	0.0000	0.2792	0.0000	0.0075	0.0054	0.0000