一個用于惡性腫瘤早期輔助診斷協(xié)作學習模型

1、一個用于惡性腫瘤早期輔助診斷協(xié)作學習模型摘 要：本文基于多主智的體群學習算法（glbma）提出了 一個協(xié)作學習模型，通過各agent能夠針對某一領域 問題交換意見，分別擴充或修改各自原有的知識，直到達成 共識。把該模型用于惡性腫瘤早期輔助診斷可以解決專家知 識分布存儲聯(lián)合求解的醫(yī)療問題。關鍵詞：機器學習；協(xié)作；agent；醫(yī)學診斷惡性腫瘤是一種常見病，嚴重威脅著人類的健康，越是早期發(fā)現(xiàn)，其治愈惡性越高，惡性腫瘤的臨床具有隱蔽性, 較早較準的發(fā)現(xiàn)很重要。惡性腫瘤的診斷是一個綜合的處理 過程1,通常是根據(jù)病人的臨床體癥和相關影像學和病理 組織學檢查而最終確診的，像咳嗽，發(fā)熱，x光，血液，細 胞學檢

2、查等等，這種檢查結果與醫(yī)生水平，臨床經(jīng)驗等等人 為因素有很大關系。而且由于思維慣性，不太可能對每一病 人做出特異的檢查，容易造成誤診和漏診。在信息時代，通 過計算機深入研究各種引起癌癥種種常見臨床表現(xiàn)數(shù)據(jù)，并 在此基礎上得出診斷結果，必將成為的惡性腫瘤早期輔助診 斷發(fā)展趨勢。1惡性腫瘤早期診斷流程特征數(shù)據(jù)提取。通常診斷結果是通過三個方面數(shù)據(jù)分 析得出的。一是：往往癌癥與年齡、性別，家族史、既往史、 吸煙史、術后病理、等有關的。二是：通過儀器x射線檢查、 ct檢查、纖維支氣管鏡檢查、pat痰等等檢查的結果，三是: 通過惡性腫瘤有許多顯著的臨床特征如：1）大小便習慣改 變，2）傷口長期不愈合，3）

3、乳房或身體其他部位無痛性的、 較硬的腫塊，4）消化不良或吞咽困難，5）明顯的變化的疣 或痣，6）或刺激性的咳嗽或聲音嘶啞等等。對上述的進行 量測特征提取，將結果數(shù)值化，作為agent知識庫的輸入值, 數(shù)據(jù)主要是有關由此引起的惡性腫瘤的概率用p表示，它可 以通過專家經(jīng)驗獲得，或者是通過一個統(tǒng)計分析的結果。這 樣就可以建立許多數(shù)據(jù)對。數(shù)據(jù)的預處理。首先對單個數(shù)據(jù)對采?。?或0, p） 形式，1表示存在上述三個方面的某個特征，如有吸煙史，0 則表示沒有，p為其對應的概率，同上初始值源于專家，我 們把上述的三個方面的所有特征組成兩個序列，都是采用 （年齡、性別，x射線檢查、ct檢查，大小便習慣 改變，

4、傷口長期不愈合，）這種序列，其順序是固定的， 因為決策過程采用的bp神經(jīng)網(wǎng)絡，它的對應的輸入采取的 是由p組成的有序序列（pl, p2,，pn）,我們把這些由 0, 1組成的序列如（1, 1, 0,，0, 1）作為系統(tǒng)中監(jiān)控 agent的輸入控制信息。這個監(jiān)控agent來激活下層agent0 同時接受來自下層agent的反饋信息序列。2基于群體協(xié)作學習模型glbmaglbma (group learning based multi-agent)其目標 是多個agent協(xié)調(diào)各自的行為，通過群體學習合作完成共同 的目標。文獻2把基于主智能體的glbma應用于機器人足 球，其中引入了主智能體的概念。

5、把glbma應用于惡性腫瘤早期診斷，我們選用監(jiān)控agent 的概念。其作用與主agent有所不同，在這里監(jiān)控agent不 是執(zhí)行學習任務的主角，而是起協(xié)調(diào)和任務分配作用。其它 體癥agent,如:咳嗽agent為輔智能體，激活后這些agent 將成為學習任務的主角。通過監(jiān)控agent和輔助agent以及 輔助agent之間的信息交互來實現(xiàn)整個團隊的學習，達到共 同目標。(l) agent模型。在惡性腫瘤早期診斷系統(tǒng)中，agent是 有統(tǒng)一的機構，每個agent 般都有自主性，交互性，主動 性，其一般包括，通信管理模塊，推理控制模塊，agent狀 態(tài)欄，和agent知識庫，改造文獻3的模型，可以

6、設計agent 模塊如圖lo通信管理模塊：(communication module, cm)完成的 是agent與用戶或與其他agent之間的信息傳遞，它負責將 從外界接收到的信息傳遞到內(nèi)部控制，或者將內(nèi)部控制塊的 信息傳送給指定的agent或人。學習系統(tǒng)模塊：可以完成特定的學習任務，目前主要有 三種學習策略：類比學習系統(tǒng)，解釋性學習系統(tǒng)和歸納邏輯 程序設計學習系統(tǒng)。訓練。對該系統(tǒng)每個agent,提供足夠的臨床案例加 以訓練，使之更好的實現(xiàn)和盡可能的提高該系統(tǒng)的準確性非 常必要，特別是對函數(shù)fi的調(diào)整很重要，盡可能多的輸入 涉及到更多的agent病例，從而使更多的agent交互，另外 使知識庫更完備，使函數(shù)更加準確。3結束語本文把基于多主智的體群學習算法(glbma)應用于惡 性腫瘤早期診斷系統(tǒng)中，通過主智能體和輔智能體的角色切 換來實現(xiàn)整個團隊的學習，改進了傳統(tǒng)的學習算法。仿真試 驗表明，glbml可以解決學習狀態(tài)空間過大，連續(xù)狀態(tài)空間 的行為選擇及多智能體合作求解等問題。參考文獻1惡性腫瘤有哪些診斷方法? 2002-01-18, http： /www. em800. com/m/ca7264. htm.2程顯毅，李淑琴，夏德深基于主智能體的群體學習 算法