一个用于恶性肿瘤早期辅助诊断的协作学习模型.docVIP

一个用于恶性肿瘤早期辅助诊断的协作学习模型 摘 要：本文基于多主智的体群学习算法（GLBMA）提出了一个协作学习模型，通过各agent能够针对某一领域问题交换意见，分别扩充或修改各自原有的知识，直到达成共识。把该模型用于恶性肿瘤早期辅助诊断可以解决专家知识分布存储联合求解的医疗问题。 关键词：机器学习；协作；agent；医学诊断 恶性肿瘤是一种常见病，严重威胁着人类的健康，越是早期发现，其治愈恶性越高，恶性肿瘤的临床具有隐蔽性，较早较准的发现很重要。恶性肿瘤的诊断是一个综合的处理过程[1]，通常是根据病人的临床体症和相关影像学和病理组织学检查而最终确诊的，像咳嗽，发热，X光，血液，细胞学检查等等，这种检查结果与医生水平，临床经验等等人为因素有很大关系。而且由于思维惯性，不太可能对每一病人做出特异的检查，容易造成误诊和漏诊。在信息时代，通过计算机深入研究各种引起癌症种种常见临床表现数据，并在此基础上得出诊断结果，必将成为的恶性肿瘤早期辅助诊断发展趋势。 1 恶性肿瘤早期诊断流程 ⑴特征数据提取。通常诊断结果是通过三个方面数据分析得出的。一是：往往癌症与年龄、性别，家族史、既往史、吸烟史、术后病理、等有关的。二是：通过仪器X射线检查、CT检查、纤维支气管镜检查、PAT痰等等检查的结果，三是：通过恶性肿瘤有许多显著的临床特征如：1）大小便习惯改变，2）伤口长期不愈合，3）乳房或身体其他部位无痛性的、较硬的肿块，4）消化不良或吞咽困难，5）明显的变化的疣或痣，6）或刺激性的咳嗽或声音嘶哑等等。对上述的进行量测特征提取，将结果数值化，作为agent知识库的输入值，数据主要是有关由此引起的恶性肿瘤的概率用P表示，它可以通过专家经验获得，或者是通过一个统计分析的结果。这样就可以建立许多数据对。 ⑵数据的预处理。首先对单个数据对采取（1或0，P）形式，1表示存在上述三个方面的某个特征，如有吸烟史，0则表示没有，P为其对应的概率，同上初始值源于专家，我们把上述的三个方面的所有特征组成两个序列，都是采用（年龄、性别，…，X射线检查、CT检查，…，大小便习惯改变，伤口长期不愈合，…）这种序列，其顺序是固定的，因为决策过程采用的BP神经网络，它的对应的输入采取的是由P组成的有序序列（P1，P2，…， Pn），我们把这些由0，1组成的序列如（1，1，0，…，0，1）作为系统中监控agent的输入控制信息。这个监控agent来激活下层agent。同时接受来自下层agent的反馈信息序列。 2 基于群体协作学习模型GLBMA GLBMA（Group Learning Based Multi-Agent）其目标是多个agent协调各自的行为，通过群体学习合作完成共同的目标。文献[2]把基于主智能体的GLBMA应用于机器人足球，其中引入了主智能体的概念。 把GLBMA应用于恶性肿瘤早期诊断，我们选用监控agent的概念。其作用与主agent有所不同，在这里监控agent不是执行学习任务的主角，而是起协调和任务分配作用。其它体症agent，如：咳嗽agent为辅智能体，激活后这些agent将成为学习任务的主角。通过监控agent和辅助agent以及辅助agent之间的信息交互来实现整个团队的学习，达到共同目标。 ⑴agent模型。在恶性肿瘤早期诊断系统中，agent是有统一的机构，每个agent一般都有自主性，交互性，主动性，其一般包括，通信管理模块，推理控制模块，agent状态栏，和agent知识库，改造文献[3]的模型，可以设计agent模块如图1。 通信管理模块：（Communication Module，CM）完成的是agent与用户或与其他agent之间的信息传递，它负责将从外界接收到的信息传递到内部控制，或者将内部控制块的信息传送给指定的agent或人。 学习系统模块：可以完成特定的学习任务，目前主要有三种学习策略：类比学习系统，解释性学习系统和归纳逻辑程序设计学习系统。 ⑵训练。对该系统每个agent，提供足够的临床案例加以训练，使之更好的实现和尽可能的提高该系统的准确性非常必要，特别是对函数fi的调整很重要，尽可能多的输入涉及到更多的agent病例，从而使更多的agent交互，另外使知识库更完备，使函数更加准确。 3 结束语 本文把基于多主智的体群学习算法（GLBMA）应用于恶性肿瘤早期诊断系统中，通过主智能体和辅智能体的角色切换来实现整个团队的学习，改进了传统的学习算法。仿真试验表明，GLBML可以解决学习状态空间过大，连续状态空间的行为选择及多智能体合作求解等问题。 [参考文献] [1]恶性肿瘤有哪些诊断方法？2002-01-18，http：///m/ca7264.htm. [2]程显毅，李淑琴，夏德深.基于主智能体的群体学习算法GLBMA的