案例推理与案例推理

12.4　CDSS的方法——案例推理

12.4.1　案例推理的特征和要求

用于决策支持的案例推理，与其他方法相比更接近人们进行实际决策的过程。该方法依据先例和对比结果进行推理。一些方法学诸如人工神经网络是基于案例的，某些传统的教学方法如临床住院医师的培养也是基于案例的。案例推理假定先前案例的解决方法有可能适用以后相似的案例。无论是车间中的技师还是临床医生，他们都会借助旧有案例的知识解决新问题。案例推理的方法仅仅是把先例和现例进行匹配，找出相同或相似案例，评估先前对应的解决方案是否可以直接使用或调整借鉴，然后应用到现有问题中。

案例参照的方法主要由推理模型和决策系统构建法两个方面组成。案例推理要求:

（1）案例的知识库要由一个以上的案例内容描述和解决方案组成。

（2）具备查询识别相似案例的能力。

（3）可以对先例的解决方案进行调整和使用。

（4）知识库具备添加新案例和解决方案的扩展能力。

案例推理的工作循环过程可以通过图12－8表现。

图12－8　案例推理循环流程图

12.4.2　简单示例

一个15岁的男孩腹部疼痛、发烧、恶心且局限性触痛，抬起右腿时感觉有疼痛感。目标:诊断症状原因并选择适当的治疗方法。病历中记录着具体情况和解决目标。在医学案例的知识库中应该包括与其所有相关特点的描述、产生原因以及成功的诊断和治疗策略。

根据本例提供的信息，决策支持系统需要在知识库中寻找描述内容相近的案例以便评估先例的致病原因和治疗方案是否能够适用于现有问题。知识库中可能会包含类似以下的案例（如表12－5）:

表12－5　患者病例陈述表一

以上列出的属性—值对照关系，很容易引导读者按照以下规则思考:

IF:存在如上症状组合

THEN:得到相应的诊断，并采取相应治疗方案

但事实并非如此。任何一个案例只是对某种情况单一的描述，无法泛化为所有情况的通用规则。这时在案例推理中就可以借用production规则表达两个案例之间的详细程度，再进行最终决定。

另一患者病例情况陈述如表12－6:

表12－6　患者病例陈述表二

可以看到，两个案例有很多相似之处，只不过属性值稍有不同，且第一个案例比后一个多出一项属性内容。事实上，案例推理的优点之一就是相似案例并非一定需要完全相同的关键属性或关键值，不同属性数量虽然不会阻碍知识库中案例间的匹配结果，但却增加了决定案例相似性的难度。

如果所有案例的属性都是相同的，我们只需要对比属性值的大小。但即使如此，仍旧需要考虑每个属性的重要程度。比如在上例中，当诊断内容为阑尾炎时，性别男或女都无关紧要，但当诊断内容为卵巢囊肿破裂时，性别的值就是一个关键指标了。

因此对于知识库中的每一个案例来说，相关专家都会根据具体情况为属性分配一个代表重要程度的权值。这个值可能是一个从0（无关）到10（具有决定性）的数。同时，通过对新案例和先例对比，得到对应属性的相似度用一个介于0到1的数表示，0代表两者完全不同，1代表匹配识别。第二个先例与问题的属性内容比对得到相应的数据如表12－7所示:

表12－7　患者病例属性，权值以及与先例对应属性的相似度

根据以上两个数值，通过以下相似度计算公式

与此数值相比，第一个先例与问题示例之间计算出的相似度得分较低。但需要注意的是，通常在进行决策的过程中，仅参考与问题案例匹配分数最高的一个案例是不够的，系统往往要参照多个案例，以取得最佳方案。

12.4.3　案例推理组成部分

一个典型的案例推理专家系统中通常包含以下几个部分:

（1）案例库——保存先前案例，以及对于案例内容的概括描述，并对案例进行索引以便快速查询。

（2）数据获取模块——当基于案例推理系统中录入新的案例时，此模块负责确定数据相似度。通过对比两例之间的单一属性确定局部相似性，再通过局部相似性和属性重要性权值全面地对两个案例进行对比。具体的寻找工作是以将新案例的属性为索引，在案例库中查询实现的。

（3）适配器——适配模块用来检查新旧案例所针对问题的不同，同时根据规则对旧有解决方案进行调整，以适应新案例面对的问题。

（4）提炼模块——用以根据先例的结果审阅经调整的解决方案。即参照重要性权值以及匹配相似度这两个参数与先例解决方案进行对比。如果先例的解决方案存在已知错误，则需要确定两例之间的相似性是否足以说明新的方案同样会失败。

（5）执行模块——一旦解决方案通过审定，执行模块将会在案例中应用此解决方案。

（6）评估模块——如果结果与预期相符，则不对其做进一步分析，并且案例及其解决方案将会被保存到案例库中以留后用；如果与预期不符，则需要进一步的修改纠正。

模块之间的交互流程见图12－9。

图12－9　模块交互流程

12.4.4　基于案例推理的CASEY诊断系统

由Koton博士于1988年开发的CASEY在心脏病管理程序中加入了基于案例诊断推理操作能力。CASEY不仅能够对诊断方法进行方法对比，同时还可以寻找相似案例进行案例对比。CASEY的运转模块可以通过输入的数据、因果诊断模型以及案例库进行工作。系统工作的第一步是通过输入临床表现在案例库中搜索相似先例。CASEY系统并未对临床表现的重要性进行分级划分，所以此阶段中所有的临床表现只是用来搜索匹配。随即，通过因果诊断模型，CASEY可以对不同临床表现进行相似性评估。一旦匹配选定，下一步就是根据新例的临床发现内容与库中先例进行适配。最终通过因果诊断推理模块得到假设内容，且此假设可以完整解释所有的临床表现。最后，新案例的推理结果和背景信息将会被加入到案例库中。一个仅包含50个案例的知识库，涉及大约10种不同的疾病，基本上就可以满足相关的80%的新案例的诊断要求。通常，概率推理程序得到的结果较优，但在某些案例中，CASEY反而能取得比较好的结果。甚至在不同案例的临床表现相似度很小的情况下，由于同时具备了案例推理和因果模型推理的优点，CASEY能较为高效地进行案例的联合推理。事实上，CASEY也是第一个有效地兼顾了两类推理方法的系统。

12.4.5　案例推理的优点和局限

由于容易获取疾病案例和其解决方案的数据，所以用以支持案例推理的知识库易于构建；通过案例推理的方法能够较快地得出问题解决方案。由于其依靠的是大量旧有案例，因此在不熟悉的领域内案例推理的方法仍然有效。

同样，案例推理也有其局限性，包括:

（1）难以获取足够多的先例匹配所有案例，所以当遇到某些罕见案例时，案例推理无法发挥作用。

（2）在无法正确判定新例的前提下盲目参考先例内容带来误导。

（3）对于可参考的内容存在获取和调整的问题，案例库中存取的不良的解决方案可能会在案例推理的过程中产生副作用。