英语学习：
thesis：论文
dissertation：论文
lymph node pathology：淋巴结病理
pathfinder：开创者
incorrect：不正确
likely：容易
calibration：校准
as opposed to：而不是
compelling：引人注目的
daisy：雏菊，上等品
hairy：毛绒绒
uptake：摄取
pipeline：管道
interface：接口
modular：模块化
hard-wired：硬连线
methology：计量学
pathologist：病理学家
improbable：难以置信的
ascribe：归咎于
compact：紧凑的
troubleshooter：疑难解答
instantiate：实例化
unexpected：意外
panel：面板
贝叶斯网络最早应用于医疗诊断，包括故障诊断。一开始在人工智能前期，应用于医疗诊断的是基于的逻辑的建模方法，然后是朴素贝叶斯，这里医疗诊断就得到了很好的性能，原因在于朴素贝叶斯不允许将很可能不发生的事认定为不发生，这里它只将它认定为小概率事件，有验证可以表明如果在一个模型中将小概率事件认定为不可能事件，模型诊断错误率将增加10%；之后又引入了增加了知识工程的朴素贝叶斯，这里模型精度进一步提高的原因是，此时模型是人工建立的，当我们让医生区别同一种疾病不同症状之间的区别，是比较困难的，比如肺癌，我们医生区别它有某种症状的可能性是多少，比较困难；但是如果是两种不同的疾病，针对于同一种症状，对于内科医生来说，比较它们之间的可能性就更容易一些，比如肺癌和肝癌对于呼吸不顺畅，哪一种可能性更大些；在发展到全贝叶斯网络，这种模型精确度更高，它允许医生考虑一些具体的案例，并且消除了之前对于条件独立性不正确的估计，对于某一种确定的疾病，它的症状之间的独立性是有差别与误差的，全贝叶斯网络的引入减少了这种误差。而且对于复杂模型，我们运用了某种方法降低了它的参数复杂度。
医疗诊断开创史3.png
医疗诊断的开创史2.png
医疗诊断的开创史1.png
1、医疗诊断开创史
从克服了小概率事件表达的朴素贝叶斯，到增加了专家经验精度的贝叶斯，再到克服了错误独立性判断的贝叶斯，模型的精度正在不断地增加。
微软的医疗诊断案例.png
著名的医疗诊断案例.png
2、实际医疗案例
在有500个节点，平均每个节点4个取值的模型中。我们不仅是让医生考虑到每个病情的平均水平，而且更具电子病例的发展精确到每一个具体的情况，这个参数的复杂度是指数级的，更具后面的条件独立性优化条件，我们会将参数优化到1000个左右。
故障诊断优势.png
微软的故障诊断案例.png
3、贝叶斯网络应用于故障诊断
在故障诊断方面，贝叶斯网络的优势是非常明显的，用户界面灵活，并且模型修改非常容易，不需要从头修改，只需要根据因果关系添加适当的节点及其条件概率表即可。
网友评论