生活中存在着大量的不确定性，不确定性主要来源于信息的不完整或知识的不可靠。本周MEWS为大家带来经典文献《本体驱动的贝叶斯网络模型在医学诊断中的应用》的解读，文章以医疗诊断操作中的不确定性为示例，用本体和贝叶斯网络分别解决知识的不完整性和不确定性，敬请关注！
本体是用机器可读的形式表达一个复杂领域的整体知识结构，贝叶斯网络主要用于通过不确定知识的置信度获得图形化的概率表。本体和贝叶斯网络都可以形成一张图结构，因此可以进行相互映射。本文就是以高血压为例，将本体与贝叶斯网络的优点相结合，创建一个本体驱动的贝叶斯网络模型来表示网络图中涉及到的概率，从而对疾病的诊断提供参考依据。
• 本体的建立 •
首先要描述领域中的关键概念，可将其分为原因和结果两大类。在医学本体中，原因的子类有环境和遗传等，结果的子类有疾病、症状、病症和检验。
第二步，确定概念间属性关系。本文涉及到的属性关系有两种：病因至少有一个结果，结果可以产生其他结果。且两种关系都具有可逆性，即任何结果都有其病因，其他结果由某个结果产生。可逆性主要用于双向推理中。
例如，本文对于高血压领域本体实力的定义如下图：
• 贝叶斯网络模型 •
贝叶斯网络的基本结构为有向无环图，每个节点代表领域中的一个变量，节点间的关系代表节点与节点之间的依赖关系。主要操作步骤如下：首先，通过本体中定义的实体确定领域中变量及变量取值范围。然后，确定领域内变量间关系并描述为图形化结构。
本文通过NETICA API创建贝叶斯网络，节点间的层次结构可由代码基于本体中的层次关系自动构建，且子节点会等待所有父节点都创建完毕再创建。层次结构构建完成后，会自动填充默认的条件概率表。
对于没有父节点的根节点，条件概率表状态与该节点在本体中定义的属性一致；对于只存在一个父节点的节点，条件概率表用二维矩阵表示：节点状态及父节点状态；对于有多个父节点的节点，用Noisy-Or算法减少概率参数的数量，简化条件概率表。
在贝叶斯网络中，若多个父变量均可单独对子变量产生概率影响，则称这些父节点是相互因果独立的。在因果独立的情况下，称贝叶斯网络模型为Noisy-Or模型，其中各节点的父节点之间都因果独立。若子变量X4有且仅有三个相互因果独立的父节点X1，X2，X3，则有节点X4发生的条件概率：
• 结论 •
参考文献：
[1]谢红薇, 闫婷, 车晋强. 本体驱动的贝叶斯网络模型在医学诊断中的应用[J]. 太原理工大学学报, 2016, 47(003):389-393.
声明：MEWS矩阵所刊载内容之知识产权为MEWS矩阵及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。