樸素貝葉斯算法在支氣管炎診斷中的應用?

鐘春梅

（福州大學數學與計算機科學學院 福州 350108）

1 引言

支氣管炎是十大就醫疾病之一，是臨床上比較常見的疾病［1］。支氣管炎對患者所帶來的危害非常巨大，嚴重時會導致癌癥的出現，并且還會誘發一些呼吸系統疾病，甚至有可能發展為肺心病。目前，對于支氣管炎的診斷一般都是基于臨床的一些表現癥狀，并沒有標準的診斷指標以及一些特異的實驗室檢查項目以供診斷。但是，隨著科學技術的快速發展，越來越多學者開始結合數學和計算機的方法來對支氣管炎病癥進行研究，不斷地提高診斷的精度和速度［2］。程留惠［3］等利用回顧性分析的方法探討雙源CT結合氣道重建技術來對支氣管炎進行診斷，得到支氣管炎的診斷模型；董志明［4］等通過回顧性分析10 例經臨床或病理證實的DPB 的CT 影像學資料，并利用HRCT 對支氣管炎進行診斷得到支氣管炎的診斷模型，等等。

樸素貝葉斯算法是基于貝葉斯定理與特征條件獨立假設的分類方法［5～15］。對于給定的訓練數據集，首先基于特征條件假設學習輸入、輸出的聯合概率分布；然后基于此模型，對于給定的輸入，利用貝葉斯定理求出后驗概率最大的輸出。因此，為了有效提高支氣管炎疾病在診斷中的精度和速度，本文通過對某支氣管炎交流群的支氣管炎患者進行問卷調查得到98 位支氣管炎患者的數據，隨機選取30 名患者的數據，結合其支氣管炎類型進行離散化處理，學習到支氣管炎類型與病癥癥狀的模型。最后，基于此模型，利用樸素貝葉斯算法求出該模型的最大后驗概率分布，從而確定患者所屬的支氣管炎類型。

2 樸素貝葉斯算法

下面給出樸素貝葉斯算法的流程：

輸出：實例x的分類。

1）計算先驗概率：

2）計算條件概率：

3）對于給定的實例x=(x(1),x(2),…,x(n))T，計算后驗概率：

4）確定實例x的類：

3 支氣管炎診斷模型的構建

本節將隨機選取30 名患者的數據來構建支氣管炎的診斷模型，下面分別以發病的性質（x（1））、是否具有支氣管炎和慢性咳嗽咳痰的病史（x（2））、胸悶或胸痛（x（3））、咳嗽及咳痰持續時長（x（4））、身體發熱（x（5））、每年發病持續時長（x（6））、患病的病程（x（7））、喘息程度（x（8））、打噴嚏程度（x（9））作為特征；急性支氣管炎（c1）、慢性支氣管炎（c2）、毛細支氣管炎（c3），Y ∈C={c1,c2,c3}作為支氣管炎病癥類型的類標記，建立支氣管炎診斷模型，如表1所示。

表1 支氣管炎診斷模型

根據問卷調查結果，對表1 的支氣管炎診斷模型的數據進行離散化處理，獲得如表2 的離散化支氣管炎診斷模型。

表2 離散化的支氣管炎診斷模型

4 模型的求解

下面根據樸素貝葉斯算法對表2 調用Matlab程序計算出模型的先驗概率及條件概率，如表3 所示。

若給定X=｛X（1）=1，X（2）=1，X（3）=3，X（4）=2，X（5）=3，X（6）=1，X（7）=1，X（8）=1，X（9）=1，｝時，則其相應的后驗概率分別如下：

表3 模型的先驗概率及條件概率

即表明：若患者的表現出的特征為：x（1）為急、x（2）為不清楚、x（3）為經常、x（4）為2～3 周、x（5）為經常、x（6）為小于1 個月、x（7）為小于1 年、x（8）為基本不、x（9）為基本不時，可推斷出患者所患的支氣管炎類型為急性支氣管炎。

5 結語

樸素貝葉斯算法是一種簡單且高效的分類方法，它廣泛應用于數據挖掘、模式識別等領域。通過構建支氣管炎診斷模型，利用樸素貝葉斯算法求解模型的最大后驗概率分布，確定患者所屬的支氣管炎病癥類型。由于醫患之間存在著不可避免的主觀因素影響了信息的采集，因此難免會存在一定的缺陷，但該方法仍為支氣管炎疾病的診斷研究開拓了新思路，醫生們根據本文的研究成果，不僅可以降低在診斷中出現誤診和漏診的幾率，而且還能夠提升診斷的速度和精度。此外，本文的研究方法對其他疾病的診斷研究具有一定的參考價值。